一种基于图像深度学习的岩样智能识别方法及系统

专利名称：一种基于图像深度学习的岩样智能识别方法及系统

专利类型：发明专利

专利申请号：CN202210205210.9

专利申请（专利权）人：盘锦中录油气技术服务有限公司
权利人地址：辽宁省盘锦市兴隆台区高新技术产业园区

专利发明（设计）人：初继波,李明瑞,阎荣辉,杨永强,黄子舰,崔子岳,张涛,吴勇,马俊胜,马占荣,胡爱平,王维斌,张文选,谢先魁,刘涛,田青青,李艳霞,方铁园,刘杰,张春朋,赵培鹏

专利摘要：本发明公开了一种基于图像深度学习的岩样智能识别方法及系统，使用人工标定样本训练得到有监督模型并对无标签数据进行预测，将网络softmax层输出的概率值作为置信度，筛选高置信度样本为伪标签数据，最后合并人工标定样本和预测得到的高置信度样本训练新模型，得到泛化性更好的岩性识别模型；在含油气性分类部分，预处理荧光图片后调整参数构建以ResNet18为基础的三分类深度学习模型，若含油则通过前景荧光面积与岩性识别中得到白光图片中砂岩面积的比值对荧光图片进行含油级别定性，若不含油则定性为无油；最后结合岩性识别和含油气性分类两部分为岩屑样本定性。本发明能够快速准确的进行岩性识别，节省人力成本，加快整个录井过程。

主权利要求：
1.一种基于图像深度学习的岩样智能识别方法，其特征在于，包括以下步骤：′
S1、构建基于ResNet18网络的半监督岩性识别模型M，具体为：S101、选择SEEDS超像素分割方法对岩屑白光图片进行分割；
S102、筛选步骤S101中分割后的超像素块并进行标定，得到含标签岩屑细粒度样本和无标签岩屑细粒度样本，将含标签岩屑细粒度样本和无标签岩屑细粒度样本归一化后，送入基于ResNet18网络的有监督岩性识别模型M，导入ResNet18网络在ImageNet数据集上的预训练权重，对有监督岩性识别模型M进行训练；
S103、使用步骤S102训练的有监督岩性识别模型M对无标签数据进行预测，将ResNet18网络的softmax层输出的概率值作为置信度，筛选高置信度样本为伪标签数据；利用步骤S102得到的含标签岩屑细粒度样本和伪标签数据重新对有监督岩性识别模型M进行训练，′得到基于ResNet18网络的半监督岩性识别模型M；
S2、对录井采集的混杂岩屑样本图片进行超像素分割，得到岩屑细粒度样本，对岩屑细粒度样本进行归一化处理后输入步骤S1建立的基于ResNet18网络的半监督岩性识别模型′M中，得到岩性分类结果，根据岩性分类结果计算岩性占比，得到岩屑宏观岩性；
S3、构建基于ResNet18网络的有监督模型进行含油气性分类，具体为：S301、利用中值滤波对已标定的岩屑荧光图片连续做两次去噪操作，得到背景清晰，无噪点的荧光图片作为去噪样本；
S302、将步骤S301中的去噪样本划分为含油有荧光反应、无油有荧光反应和无油无荧光反应，作为模型训练的数据集，然后基于ResNet18网络导入在ImageNet数据集上的预训练权重进行模型训练，调整参数后得到含油气性分类模型，将待检测的岩屑荧光图片输入训练好的含油气性分类模型中，得到含油图片；
S303、取步骤S1中岩屑样本的白光图片在岩性识别中所得的砂岩面积，后续测试时若含油，通过步骤S302得到的含油图片的前景荧光面积与砂岩面积的比值对荧光图片进行含油气性分类；
S4、结合步骤S2的岩屑宏观岩性和步骤S3的含油气性分类完成对岩屑样本的完整定性，完成岩样识别。
2.根据权利要求1所述的基于图像深度学习的岩样智能识别方法，其特征在于，步骤S101中，调用cv2.ximgproc.createSuperpixelSEEDS()函数进行超像素分割，将一张岩屑图片沿图片中的岩屑块间隙分割得到不规则岩屑块小图。
3.根据权利要求1所述的基于图像深度学习的岩样智能识别方法，其特征在于，步骤S102中，将loss函数修改为FocalLoss对有监督岩性识别模型M进行训练，具体为：其中，γ≥0为可调的focusing参数，α为平衡权重因子，p为预测的概率值。
4.根据权利要求1所述的基于图像深度学习的岩样智能识别方法，其特征在于，步骤(i)S103中，样本x 关于第c类的伪标签 如下：
(i)
其中，pc 为模型输出的第c类的概率，β为阈值。
5.根据权利要求1所述的基于图像深度学习的岩样智能识别方法，其特征在于，步骤S2中，根据预测出的岩性分类结果计算各类岩性在所有输入岩屑细粒度样本总面积中的占比，当砂岩占比超过45％为砂岩，泥岩含量超过55％为泥岩，砂岩占比30％～45％为泥质粉砂岩，砂岩占比20％～30％为粉砂质泥岩。
6.根据权利要求1所述的基于图像深度学习的岩样智能识别方法，其特征在于，步骤S302中，含油气性分类模型在训练过程中自动对网络参数进行调整。
7.根据权利要求1所述的基于图像深度学习的岩样智能识别方法，其特征在于，步骤S303中，若测试时不含油则定性为无油。
8.一种基于图像深度学习的岩样智能识别系统，其特征在于，包括：′
构建模块，构建基于ResNet18网络的半监督岩性识别模型M，具体为：选择SEEDS超像素分割方法对岩屑白光图片进行分割；
筛选分割后的超像素块并进行标定，得到含标签岩屑细粒度样本和无标签岩屑细粒度样本，将含标签岩屑细粒度样本和无标签岩屑细粒度样本归一化后，送入基于ResNet18网络的有监督岩性识别模型M，导入ResNet18网络在ImageNet数据集上的预训练权重，对有监督岩性识别模型M进行训练；
使用训练的有监督岩性识别模型M对无标签数据进行预测，将ResNet18网络的softmax层输出的概率值作为置信度，筛选高置信度样本为伪标签数据；利用步骤S102得到的含标签岩屑细粒度样本和伪标签数据重新对有监督岩性识别模型M进行训练，得到基于′ResNet18网络的半监督岩性识别模型M；
岩性模块，对录井采集的混杂岩屑样本图片进行超像素分割，得到岩屑细粒度样本，对岩屑细粒度样本进行归一化处理后输入构建模块建立的基于ResNet18网络的半监督岩性′识别模型M中，得到岩性分类结果，根据岩性分类结果计算岩性占比，得到岩屑宏观岩性；
含油气性模块，构建基于ResNet18网络的有监督模型进行含油气性分类，具体为：利用中值滤波对已标定的岩屑荧光图片连续做两次去噪操作，得到背景清晰，无噪点的荧光图片作为去噪样本；
将去噪样本划分为含油有荧光反应、无油有荧光反应和无油无荧光反应，作为模型训练的数据集，然后基于ResNet18网络导入在ImageNet数据集上的预训练权重进行模型训练，调整参数后得到含油气性分类模型，将待检测的岩屑荧光图片输入训练好的含油气性分类模型中，得到含油图片；
取岩屑样本的白光图片在岩性识别中所得的砂岩面积，后续测试时若含油，通过步得到的含油图片的前景荧光面积与砂岩面积的比值对荧光图片进行含油气性分类；
识别模块，结合岩性模块的岩屑宏观岩性和含油气性模块的含油气性分类完成对岩屑样本的完整定性，完成岩样识别。 说明书 : 一种基于图像深度学习的岩样智能识别方法及系统技术领域[0001] 本发明属于岩性识别技术领域，具体涉及一种基于图像深度学习的岩样智能识别方法及系统。背景技术[0002] 1958年克鲁拜因利用多元统计方法开展岩石的矿物、岩性研究。后来，WOLLF等人首次提出利用测井数据通过计算机自动判别地层岩相法。此后，国内外学者在自动岩性识别方面结合前人经验和先进电子技术，进行了大量的研究探索取得了丰硕的成果，解决了实际应用中的问题。岩性识别方法技术发展至今，主要方法有：交会图法、概率统计方法、聚类分析方法等。[0003] 其中，交会图法在全井段的岩性判别时存在边界、层段判断不清等问题，局限较大且工作量大，耗费人力资源。概率统计方法根据以往经验加以分析后所得概率会因人而异，存在较大局限性。而岩性识别中的聚类分析方法广泛应用于离散参数较多的测井资料，但需保证训练样本足够大，测井岩性识别属于小样本学习过程，限制了聚类分析方法在区分岩性中的实用价值。[0004] 近年来，深度学习技术得到了巨大的发展，并广泛应用于图像处理领域。相对于许多传统算法，深度学习技术从海量的训练数据中学习到的先验知识具有更强的泛化能力和更复杂的参数化表达，且无需调节算法参数以适应不同的应用场景。得益于上述优势，深度学习技术己经广泛应用于图像处理领域，现阶段岩性识别主要依赖地质师现场对岩屑人工进行肉眼判别，不仅消耗巨大的人力物力，且会因人而异，导致精确度不理想等结果，存在较大局限性。发明内容[0005] 本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于图像深度学习的岩样智能识别方法及系统，利用深度学习算法训练模型对岩屑图片进行识别，应用迭代更方便，泛化性更好，能达到快速精准识别和节约成本的效果。[0006] 本发明采用以下技术方案：[0007] 一种基于图像深度学习的岩样智能识别方法，包括以下步骤：[0008] S1、构建基于ResNet18网络的半监督岩性识别模型M′；[0009] S2、对录井采集的混杂岩屑样本图片进行超像素分割，得到岩屑细粒度样本，对岩屑细粒度样本进行归一化处理后输入步骤S1建立的基于ResNet18网络的半监督岩性识别模型M′中，得到岩性分类结果，根据岩性分类结果计算岩性占比，得到岩屑宏观岩性；[0010] S3、构建基于ResNet18网络的有监督模型进行含油气性分类；[0011] S4、结合步骤S2的岩屑宏观岩性和步骤S3的含油气性分类完成对岩屑样本的完整定性，完成岩样识别。[0012] 具体的，步骤S1具体为：[0013] S101、选择SEEDS超像素分割方法对岩屑白光图片进行分割；[0014] S102、筛选步骤S101中分割后的超像素块并进行标定，得到含标签岩屑细粒度样本和无标签岩屑细粒度样本，将含标签岩屑细粒度样本和无标签岩屑细粒度样本归一化后，送入基于ResNet18网络的有监督岩性识别模型M，导入ResNet18网络在ImageNet数据集上的预训练权重，对有监督岩性识别模型M进行训练；[0015] S103、使用步骤S102训练的有监督岩性识别模型M对无标签数据进行预测，将ResNet18网络的softmax层输出的概率值作为置信度，筛选高置信度样本为伪标签数据；利用步骤S102得到的含标签岩屑细粒度样本和伪标签数据重新对有监督岩性识别模型M进行训练，得到基于ResNet18网络的半监督岩性识别模型M′。[0016] 进一步的，步骤S101中，调用cv2.ximgproc.createSuperpixelSEEDS()函数进行超像素分割，将一张岩屑图片沿图片中的岩屑块间隙分割得到不规则岩屑块小图。[0017] 进一步的，步骤S102中，将loss函数修改为FocalLoss对有监督岩性识别模型M进行训练，具体为：[0018][0019] 其中，γ≥0为可调的focusing参数，α为平衡权重因子，p为预测的概率值。[0020] 进一步的，步骤S103中，样本x(i)关于第c类的伪标签 如下：[0021][0022] 其中，pc(i)为模型输出的第c类的概率，β为阈值。[0023] 具体的，步骤S2中，根据预测出的岩性分类结果计算各类岩性在所有输入岩屑细粒度样本总面积中的占比，当砂岩占比超过45％为砂岩，泥岩含量超过55％为泥岩，砂岩占比30％～45％为泥质粉砂岩，砂岩占比20％～30％为粉砂质泥岩。[0024] 具体的，步骤S3具体为：[0025] S301、利用中值滤波对已标定的岩屑荧光图片连续做两次去噪操作，得到背景清晰，无噪点的荧光图片作为去噪样本；[0026] S302、将步骤S301中的去噪样本划分为含油有荧光反应、无油有荧光反应和无油无荧光反应，作为模型训练的数据集，然后基于ResNet18网络导入在ImageNet数据集上的预训练权重进行模型训练，调整参数后得到含油气性分类模型，将待检测的岩屑荧光图片输入训练好的含油气性分类模型中，得到含油图片；[0027] S303、取步骤S1中岩屑样本的白光图片在岩性识别中所得的砂岩面积，后续测试时若含油，通过步骤S302得到的含油图片的前景荧光面积与砂岩面积的比值对荧光图片进行含油气性分类。[0028] 进一步的，步骤S302中，含油气性分类模型在训练过程中自动对网络参数进行调整。[0029] 进一步的，步骤S303中，若测试时不含油则定性为无油。[0030] 本发明的另一个技术方案是，一种基于图像深度学习的岩样智能识别系统，包括：[0031] 构建模块，构建基于ResNet18网络的半监督岩性识别模型M′；[0032] 岩性模块，对录井采集的混杂岩屑样本图片进行超像素分割，得到岩屑细粒度样本，对岩屑细粒度样本进行归一化处理后输入构建模块建立的基于ResNet18网络的半监督岩性识别模型M′中，得到岩性分类结果，根据岩性分类结果计算岩性占比，得到岩屑宏观岩性；[0033] 含油气性模块，构建基于ResNet18网络的有监督模型进行含油气性分类；[0034] 识别模块，结合岩性模块的岩屑宏观岩性和含油气性模块的含油气性分类完成对岩屑样本的完整定性，完成岩样识别。[0035] 与现有技术相比，本发明至少具有以下有益效果：[0036] 本发明一种基于图像深度学习的岩样智能识别方法，将岩样识别根据样本采集的不同(白光图和荧光图)分为岩性识别和含油气性分类两部分，最后综合二者为一份岩屑样本定性，将整个过程解耦成两部分，相比现行传统方法，本发明大大的缩短了样本识别时间且很大程度上的提升了识别的准确率。[0037] 进一步的，由于纯样本的采集需要消耗大量的人力物力财力，且在实际应用中几乎不存在纯样本的情况，因此为了增强模型的泛化性且节约人力物力，采用伪标签的方法训练半监督模型，使得模型可以反复迭代以达到更适合实际应用的程度。[0038] 进一步的，超像素是把一张图片中具有相似特征的像素进行聚类，形成一个更具有代表性的大“像素”。这个新的像素可以作为其他图像处理算法的基本单位，可以减低图像的维度和异常像素点。目前常用的超像素分割算法有SLIC、SEEDS和LSC。Seeds超像素分割算法运行速率较快，达到同样效果比SLIC还要快很多。且其中边界特征值能有效地使Superpixel更加平滑。因为单独的岩屑块是属同一岩性，因此为了取得单独的岩屑块进行模型训练和后期测试，这里本发明选取Seeds超像素分割算法对采集到的白光图像进行分割。[0039] 进一步的，由于各类用于训练的样本数目不平衡。采用FocalLoss的话，α平衡了正负样本的重要性，它不会区别易分样本和难分样本，使得模型专注于训练难分负样本，可以解决样本数目不均衡的问题。[0040] 进一步的，softmax层的含义在于不再唯一的确定某一个最大值，而是输出每个分类结果的概率值，表示这个类别的可能性；选取置信度高的概率分类为不含标签的数据进行伪标签的标定。[0041] 进一步的，步骤S2中，根据岩性分类结果计算岩性占比时通过岩屑块分类的面积占比来推出整张图片中的岩屑分类占比，进而根据岩屑占比规则给出岩屑岩性。但需注意的是针对不同区块的井所设置的数值不尽相同，需要与地质师进行协商决定。[0042] 进一步的，步骤S3中，通过深度学习的方法进行含油气性分类，大大的提升了识别的精度，且针对矿物发光误导真实含油砂岩发光的情况，做出了巨大的改善。[0043] 综上所述，本发明不仅可以提高岩屑样本识别的准确率，而且可以快速迁移到其他类似的图像识别中去，具有很强的泛化性，为其他类似任务提供了添加伪标签训练半监督模型的一些启发。[0044] 下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。附图说明[0045] 图1为岩性识别流程图；[0046] 图2为本发明的整体框架图。具体实施方式[0047] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0048] 在本发明的描述中，需要理解的是，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。[0049] 还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。[0050] 还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。[0051] 应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述预设范围等，但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一预设范围也可以被称为第二预设范围，类似地，第二预设范围也可以被称为第一预设范围。[0052] 取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。[0053] 在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。[0054] 本发明提供了一种基于图像深度学习的岩样智能识别方法，基于ResNet18网络训练两种不同的深度学习模型；在岩性识别部分，本发明在ResNet18网络的基础上，使用标签数据(受监督的学习)和伪标签数据(无监督的学习)训练岩性识别半监督模型，使模型决策边界更准确且具有更好的泛化性；另一方面预处理荧光图片后训练以ResNet18网络为基础的三分类深度学习为含油气性分类提供更好的解决措施。[0055] 请参阅图1和图2，本发明一种基于图像深度学习的岩样智能识别方法，包括以下步骤：[0056] S1、基于ResNet18网络的半监督岩性识别模型M′；[0057] S101、考虑到岩屑白光图片含有多个岩性相同大小形状不一的岩屑块，基于此特点选择SEEDS超像素分割算法调整参数后对岩屑白光图片进行分割；[0058] S102、人工筛选步骤S101中分割后的超像素块并进行标定，得到含标签岩屑细粒度样本和无标签岩屑细粒度样本。考虑到岩屑白光图片采用相机拍摄，每张图片相机参数不同，故使用白平衡参数处理图片；在不同色温条件下将岩屑白光图片做归一化，使物体在不同光源下呈现的颜色恢复到物体的固有色，达到减少色偏或无色偏的效果；将含标签岩屑细粒度样本和无标签岩屑细粒度样本归一化后，送入基于ResNet18网络的有监督岩性识别模型M，导入ResNet18网络在ImageNet数据集上的预训练权重，为解决不同样本数目差距过大，将loss函数修改为FocalLoss对有监督岩性识别模型M进行训练；[0059] FocalLoss公式如下：[0060][0061] 其中，γ≥0为可调的focusing参数，α为平衡权重因子，p为预测出来的概率值。[0062] S103、使用步骤S102中训练的有监督岩性识别模型M对无标签数据进行预测，将ResNet18网络的softmax层输出的概率值作为置信度，筛选高置信度样本为伪标签数据；利用步骤S102得到的含标签岩屑细粒度样本和伪标签数据重新对有监督岩性识别模型M进行训练，得到泛化性更强的基于ResNet18网络的半监督岩性识别模型M′。[0063] 伪标签数据公式如下：[0064][0065] 其中， 表示样本x(i)关于第c类的伪标签，pc(i)是模型输出的第c类的概率，β表示阈值。[0066] S2、对实际录井采集的混杂岩屑样本图片进行超像素分割，得到岩屑细粒度样本，对岩屑细粒度样本进行归一化处理后输入步骤S1建立的基于ResNet18网络的半监督岩性识别模型M′，得到岩性分类结果，根据预测出的岩性分类结果计算各类岩性在所有输入岩屑细粒度样本总面积中的占比，若砂岩占比超过45％则为砂岩，泥岩含量超过55％为泥岩，砂岩占比为30％‑45％的话则为泥质粉砂岩，砂岩占比20％‑30％为粉砂质泥岩，其中具体占比根据钻井区块不同会略有波动；[0067] S3、基于ResNet18网络的有监督模型进行含油气性分类；[0068] S301、考虑到岩屑荧光图片布满噪声，利用中值滤波对已标定的岩屑荧光图片连续做两次去噪操作达到更好的效果；[0069] 由于岩屑荧光图片的相机拍摄参数不变，故不需要进行白平衡归一化处理。[0070] S302、由于不含油岩屑荧光图片有荧光反应(矿物发光和碳质泥岩等)，故将步骤S301中的预处理后样本划分为三类，分别为含油有荧光反应、无油有荧光反应和无油无荧光反应，然后基于ResNet18网络导入ResNet18在ImageNet数据集上的预训练权重进行训练，得到以ResNet18网络为基础的含油气性分类模型，将待检测的岩屑荧光图片输入训练好的基于ResNet18网络的含油气性分类模型中，得到含油图片；[0071] S303、考虑只有砂岩中含油，取步骤S1岩屑样本的白光图片在岩性识别中所得的砂岩面积，后续测试时若含油，则通过步骤S302得到的含油图片的前景荧光面积与砂岩面积的比值对荧光图片进行含油气性分类，若不含油则定性为无油。[0072] S4、结合步骤S2的岩屑宏观岩性和步骤S3的含油气性分类完成对岩屑样本的完整定性。[0073] 例如步骤S2中得到的白光识别结果为灰色细砂岩，步骤S3中识别到荧光图片中含油，且计算含油面积占比后属于油迹，则可以为岩屑定性为灰色油迹细砂岩。而岩屑的准确定性可以为储层特征研究、储量计算和地质建模打下基础。[0074] 本发明再一个实施例中，提供一种基于图像深度学习的岩样智能识别系统，该系统能够用于实现上述基于图像深度学习的岩样智能识别方法，具体的，该基于图像深度学习的岩样智能识别系统包括构建模块、岩性模块、含油气性模块以及识别模块。[0075] 其中，构建模块，构建基于ResNet18网络的半监督岩性识别模型M′；[0076] 岩性模块，对录井采集的混杂岩屑样本图片进行超像素分割，得到岩屑细粒度样本，对岩屑细粒度样本进行归一化处理后输入构建模块建立的基于ResNet18网络的半监督岩性识别模型M′中，得到岩性分类结果，根据岩性分类结果计算岩性占比，得到岩屑宏观岩性；[0077] 含油气性模块，构建基于ResNet18网络的有监督模型进行含油气性分类；[0078] 识别模块，结合岩性模块的岩屑宏观岩性和含油气性模块的含油气性分类完成对岩屑样本的完整定性，完成岩样识别，为储层特征研究、储量计算和地质建模打下基础。[0079] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0080] 1、取若干各类岩屑白光图片分割后得到超像素块，人工筛选出其中不包含多个岩石块、且岩石特征清晰的超像素块。进行白平衡归一化后训练有监督模型M，然后利用该模型对无标签的超像素块进行预测，以softmax层输出的概率值作为置信度，筛选高置信度样本为伪标签数据，使用已标定数据以及预测得到的伪标签数据训练新模型M′，得到泛化性更好的岩性识别模型。[0081] 取测试样本四类共计213张，预处理后进行测试，综合准确率为77.46％，具体实验结果如下表：[0082] 灰色粉砂质泥岩 灰色泥质粉砂岩 浅灰色细砂岩 深灰色泥岩样本数 86 107 19 1预测正确 80 76 8 1准确率 93.02％ 71.03％ 42.11％ 100％[0083] 2、对荧光图片，首先利用中值滤波对图片连续做两次去噪。将样本划分为含油有荧光反应、无油有荧光反应和无油无荧光反应三类，基于ResNet18对预处理后的荧光图片进行模型训练，调整参数构建基于ResNet18的三分类深度学习模型。[0084] 取测试样本两类共计567张进行测试，先利用上述三分类模型预测是否为含油图片，若为含油图片，利用M′计算该岩屑的白光图片中砂岩面积，然后用前景荧光面积除砂岩面积进行含油级别定性，图片综合准确率为98.77％，具体实验结果如下表：[0085] 含油 不含油样本数 16 551预测正确 16 544准确率 100％ 98.73％[0086] 综上所述，本发明一种基于图像深度学习的岩样智能识别方法及系统，利用深度学习算法训练模型对岩屑图片进行识别，应用迭代更方便，泛化性更好，能达到快速精准识别和节约成本的效果。[0087] 本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD‑ROM、光学存储器等)上实施的计算机程序产品的形式。[0088] 本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。[0089] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。[0090] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。[0091] 以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

专利地区：辽宁

专利申请日期：2022-03-02

专利公开日期：2024-10-29

专利公告号：CN114581666B