基于改进UNet3+的岩心图像颗粒提取算法

在石油勘探过程中,岩心颗粒是研究地质层序、评估油气含量以及认识地质构造的有效资料,对岩心颗粒图像进行颗粒提取有利于地质研究人员后续的深入分析.岩心颗粒图像通常存在颗粒边缘模糊、背景与颗粒色彩复杂的问题.为了改善岩心颗粒提取的效果,本文设计了一种基于改进UNet3+的岩心图像颗粒提取算法.该算法在UNet3+的每个编码层后加入感受野模块(RFB)来扩大网络的感受野,从而有效地解决网络因感受野受限而导致的分割精度低的问题,并在RFB模块后嵌入了卷积块注意力模块(CBAM)使网络更加精确地聚焦于目标区域,提高目标区域的特征权重.实验结果表明,改进后的算法在岩心颗粒图像上具有良好的分割效果,相比原始UNet3+网络,分别在mIoU、mPA和FWIoU上提升了5.43%、2.99%和5.34%.

基于改进U^(2)Net的岩石薄片图像分割

了解岩石的孔隙度、孔径分布、孔隙连通性等特征对于油气的寻找和开采有着重要的意义,而这些特征的分析和判断需要借助岩石薄片图像分割技术.岩石薄片图像有大量细小颗粒,这些颗粒之间的边缘特征十分相似,无法做出精准的区分,同时制造切片过程中染色不均会造成薄片孔隙的颜色特征不平衡而导致无法分割.因此为了改善岩石薄片分割效果,本文提出基于一种改进的U^(2)Net的分割算法.主要内容如下:(1)以U^(2)Net网络为骨干进行改进,结合coordinate attention注意力机制,用来提高模型对图像特征的表达能力.(2)通过引入多尺度特征提取模块,增加卷积层的感知区域,且能够利用特征图的多尺度特征信息.实验证明,该方法与传统分割方法和其他分割网络相比在较小颗粒的分割上表现更好,所提出的算法具有较高的分割准确度和鲁棒性.

基于改进STANet的遥感图像变化检测算法

遥感图像变化检测是为了识别出双时相图像之间的显著变化。给定2个在不同时间拍摄的配准图像,光照变化和错配误差会掩盖真实物体的变化,探索不同时空像素之间的关系可以提高遥感图像变化检测方法的性能。在Spatial Temporal Attention Neural Network(STANet)中,提出了一种基于孪生的时空注意力神经网络。在其基础上进行改进:①对距离度量模块由于线性插值导致的变化特征间隙模糊问题,设计了对距离特征的上采样模块,使得变化区域间隙更加明显,虚警率更低;②针对STANet的Pyramid Spatial Temporal Attention Module(PAM)模块计算开销大的问题,引用了新的Coordinate Attention(CA)模块,在降低运算开销的基础上,更好地识别了不同空间、通道的特征;③针对STANet对Residual Network(ResNet)提取出的特征图利用不充分的问题,加入了深监督模块,利用中间层的特征计算一个权重衰减的loss,起到正则化的作用。实验表明,改进之后的网络将基线模型的F1得分从81.6提高到86.1。在公共遥感图像数据集上的实验结果表明,改进的方法优于其他几种先进的方法。

基于双解码器网络的岩心CT图像分割

在石油地质领域,分析岩心内部微观孔隙结构的形态分布、特征参数,对研究油气资源的渗流特性和储集性能具有重要意义。岩心CT图像具有噪点多、比度低、亮度不均匀的特点,目前实际工程运用的孔隙提取方法,仍然存在着需要大量人工交互且分割精度较低的问题。针对这些问题,本文提出了基于双解码器网络的分割方法,构建了岩心CT图像分割数据集,用图像预处理网络分支,辅助训练图像分割网络。实验结果表明,本方法的模型参数量仅有33.3 MB,像素精度PA能达到91.41%,平均检测交并比MIoU能达到85.32%,具有模型小、推理速度快、分割精度高的优点。

基于改进的SKnet和Bi-GRU的岩石薄片图像矿物识别

通过分析岩石薄片中矿物成分,研究储集层空间结构,对后续的油气勘探开发具有重要意义。基于正交偏光序列图像的矿物识别研究已经取得了一些成果,但多数方法未利用矿物颗粒在序列图中的变化信息,本文借鉴视频分类的思想,针对岩石矿物颗粒正交偏光序列图像,结合岩石矿物颗粒消光性特点,构建了卷积神经网络和循环神经网络相结合的识别模型。卷积神经网络选用SKnet并在此基础上添加了空间特征融合机制,循环神经网络采用双向门控循环单元(Bidirectional Gated Recurrent Unit,Bi-GRU)来提取序列图像的前后关联特征。选取石英、碱性长石、斜长石、岩屑4类矿物颗粒序列图像构建数据集进行验证,结果表明本文提出的矿物颗粒识别方法识别效果良好。

改进BiSeNetV1实时模型的岩屑图像识别

在图像分割识别领域,现有的深度学习方法大多使用高精度语义分割方法来实现,存在着网络推理速度慢、计算量大、难以实际应用等问题.借助于表现较好的BiSeNetV1实时网络模型,通过扩展的空间路径卷积结构、空间金字塔注意力机制(SPARM)和简化的注意力特征融合模块(S-iAFF)等改进策略,设计一种用于岩屑图像分割领域的BiSeNet_SPARM_S-iAFF实时网络.扩展的空间路径卷积结构可以获取更丰富的岩屑图像空间特征,上下文路径使用优化的空间金字塔注意力机制(SPARM)进一步细化高层语义特征提取,在特征融合阶段使用简化注意力特征融合(S-iAFF)加强低层空间与高层语义特征的融合程度.实验结果表明, BiSeNet_SPARM_S-iAFF网络在RockCuttings_Oil岩屑数据集上的平均交并比(mIoU)为64.91%,相较于BiSeNetV1网络提高了2.68%;另外改进后的网络在精度上接近大部分高精度语义分割方法,同时参数量大幅度减少、推理速度有着明显的提升.

基于SR-SURF的岩石显微图像拼接

岩石显微图像拼接是对岩石分析和研究的关键环节,由于岩石显微图像数量多(成百上千张)内容丰富并且包含大量相似易混淆区域,导致拼接速率和配准准确率低,并且多幅图像拼接时会产生误差累积导致拼接错位,针对此问题提出了一种SR-SURF(similar region-SURF)的岩石显微图像拼接方法.首先选用哈希指纹快速提取相似区域(similar region),然后在此区域检测特征点;之后利用改进的RANSAC(random sample consensus)算法剔除错误匹配点;再然后选用最佳模板匹配纠正错误配准图像;最后引入最小二乘法消除单应性矩阵相乘产生的累计误差;实验结果显示本文的算法消除了多幅图像拼接产生的累计误差,解决了拼接错位问题,提高了拼接速率和配准准确率,具有较高的实用价值,推动了岩石薄片的数字化存储进程.

基于深度学习的剩余油形态分类

剩余油的形态分布情况对油田的深度开发有着重大意义.针对剩余油数据量较少和传统的形态参数分类能力有限等问题,提取一种基于深度学习的剩余油形态分类方法.该方法在数据预处理部分,利用生成对抗网络ACGAN的多类别数据生成特性对剩余油图像进行数据增强;采用VGG19模型作为主干网络提取传统形态参数无法描述的深层特征,同时引入SENet注意力机制,改善模型特征表达能力,使得最终的分类结果更加精确.为验证本研究方法的有效性,将本文方法与传统形态参数和其他深度学习模型的分类方法进行对比,并通过主观视觉和客观指标进行评估,结果表明本文方法分类更为精确.

基于Improving-SRGAN算法的岩心图像超分辨率重建

岩心图像是油气勘探、地质分析的宝贵资料,由于部分旧设备、低分辨率设备采集到的图像细节不够,或因压缩过程中造成的图像细节丢失,容易影响地质工作者的判断,从而影响工作进度。为了获得更加真实、重建视觉效果更好的岩心图像,提出了一种改进的岩心图像超分辨率重建算法Improving-SRGAN。该算法采用生成对抗网络框架,将原生成器模型中的残差模块替换为残差注意力RAM模块。RAM模块可以对输入的特征图进行空间域和通道域加权,以更好地提取图像的高层次语义信息。同时在判别器中嵌入空洞空间金字塔池化ASPP模块,提升网络对岩心图像多尺度信息的感知能力,从而更准确地评估生成器生成图像的质量。相比SRGAN算法,所提出的算法在自建岩心数据集上的实验数据表明,其PSNR和SSIM分别提高了1.469、0.074;在DIV2K_Valid数据集上的PSNR和SSIM分别提高了0.721、0.017,且算法的MOS得分更高,重建视觉效果优于其他算法。

基于深度学习的荧光图像成分分类

在石油地质图像分析工作中,荧光图像分析技术是获取岩石包含的油藏信息的重要方式。目前提取荧光成分的方法是先对荧光图像进行RGB阈值分割,再根据一定的聚类算法利用每个像素点的颜色信息进行成分分类,此过程需要大量人工交互并且分类结果不够准确。针对这些问题,本文提出了一种基于深度学习的荧光图像分类算法,使用VGG16结合UNet的方法来构建网络,VGG16网络作为编码器部分进行主干特征提取,UNet作为解码器部分进行加强特征提取,并增加注意力机制来防止像素级信息的缺失,提高特征提取的准确性。通过对多组图像进行实验表明,该方法可以获得良好的分类效果。

基于几何形状特征的剩余油形态识别

在油田开发后期,剩余油形态分呈复杂趋势。对于岩石孔隙结构中的剩余油形态分布情况的研究,是石油勘探开发领域中的一个重要课题。在实验室中,微观驱替实验是石油地质实验中研究剩余油的重要模拟方法。要想了解剩余油形态的分布规律,统计和识别剩余油形态的类型是先决条件。人工识别统计剩余油形态类型是一项繁重耗时的工作,为了提高研究人员的工作效率,在深入研究剩余油形态几何形状特征的基础上,利用图像处理技术和分类识别算法对剩余油形态类型进行自动识别,具有重要的意义。

岩石薄片多聚焦图像融合的深度学习算法研究

本文提出了一种基于无监督的深度学习算法,以解决在显微镜下采集产生的岩石薄片图像的多聚焦融合问题。为了提取图像的深层特征,使用无监督方法训练了一个编解码神经网络,用于提取不同聚焦图像的深度特征,得到特征图;然后利用特征图的空间频率计算出二值决策图;由于细微的决策偏差,二值决策图中可能存在孔洞、毛刺干扰,于是对决策图进行形态学处理和滤波。最后通过处理后的决策图得到融合图像。实验得到该方法的数据评价指标Q_(G)、Q_(Y)、Q_(CB)的值分别为0.7477、0.9874、0.7969,同时主观效果上也好于其他方法;实验证明了在显微镜岩石薄片图像和通用图像的多聚焦融合应用中,该方法能取得良好的效果。

一种基于几何特征由粗到细点云配准算法

针对点云配准算法对初始位置敏感且收敛速度慢的问题,提出一种基于几何特征由粗到细点云配准算法。在粗配准阶段,通过投影法提取源点云和目标点云各4个轮廓点,然后利用曲率特征和轮廓点之间的距离寻找稳健的特征点对,计算得到初始刚性变换参数;细配准阶段,计算点云法向量及法向量夹角,以法向量为特征进行特征匹配,然后使用法向量夹角来启发搜索,使迭代最近点(iterative closest points,ICP)算法快速收敛。实验结果表明,所提出的由粗到细的配准算法鲁棒性强,具有较高的精度和速度。

基于Leap Motion的动态手势识别方法

伴随虚拟现实(Virtual Reality, VR)技术的发展,以及人们对人机交互性能和体验感的要求提高,手势识别作为影响虚拟现实中交互操作的重要技术之一,其精确度急需提升[1].针对当前手势识别方法在一些动作类似的手势识别中表现欠佳的问题,提出了一种多特征动态手势识别方法.该方法首先使用体感控制器Leap Motion追踪动态手势获取数据,然后在特征提取过程中增加对位移向量角度和拐点判定计数的提取,接着进行动态手势隐马尔科夫模型(Hidden Markov Model, HMM)的训练,最后根据待测手势与模型的匹配率进行识别.从实验结果中得出,该多特征识别方法能够提升相似手势的识别率.

基于BP神经网络的剩余油形态识别

随着油田开发的不断深入,储集层孔喉内形成剩余油,这些剩余油在一定程度上影响驱油效率。目前,对剩余油的研究主要是通过可视化的玻璃刻蚀模型进行微观动态驱替实验。对于模型中的剩余油形态进行研究分析,可以为油田的二次采油以及三次采油提供重要参考依据。本文使用剩余油形态的几何特征参数作为BP神经网络的输入对其进行分类识别。通过对该BP神经网络的训练测试,其具有良好的识别率,能达到快速准确分类识别剩余油形态的目的。

基于SURF-球面模型的岩心图像拼接

提出一种基于SURF-球面模型的岩心图像拼接算法。通过特征点匹配,建立球面模型,将待拼接岩心图像投影到同一球面,合并成完整的岩心图像;根据拍摄模式及岩心图像本身的特点,在特征点匹配过程中,使用SURF算法并指定图像特征检测区域,快速提取和匹配特征点;最后进行多分辨率融合,消除拼接缝,完成岩心图像的无缝拼接。实验表明本文的方法在岩心图像拼接中能达到较好的拼接效果。

基于激光测距的中小型货物三维体积扫描

介绍了利用扇形激光截面扫描方式对物体进行轮廓扫描与体积计算的原理与方案。同时阐述了其中体积计算的核心思路与实现方式,重点指出了对物体进行点云数据采集的几种方式,包括构建虚拟模型的构架与思路。在实现中,着重介绍所采用的灰度距边缘检测算法,用以识别被测物体与背景之间的边缘结构,此外还提出了双面体积拼接算法,通过双面测量、拟合成为整体的方式,实现了物体的双面拼接测量,使得该方案具有更加广泛的适用性。最后,通过数次实验结果的误差分析与重建三维模型和实物的观察对比证实了本方案能够确切、可靠地完成物体的三维体积扫描。

基于Kinect 2.0深度图像的快速体积测量

为了满足现实生活中对物体体积实时测量的需求,提出了一套基于Kinect 2.0深度图像处理的快速体积测量方案。首先,使用Kinect 2.0深度传感器获得深度图像及对应的点云数据矩阵,并对深度图像进行增强、二值化、目标提取等预处理,定位出目标物体。然后,通过像素点的统计和点云数据的处理得到目标物体的面积、高度。最后由面积和高度完成目标物体的体积计算。经验证这种方法的体积测量误差控制在3%以内,完全满足实时性的误差要求,又由于深度图像较彩色图像不易受光线、背景的干扰,使得该方法具有很强的鲁棒性。

基于激光扫描的体积测量系统

本文基于激光扫描仪设计了一套体积测量系统,用于物流行业测量货物的体积.系统由二维激光雷达、伺服电机、电机控制单元、数据采集与处理单元及其他机械装置组成;数据采集与处理单元运用了离散积分运算处理三维点云信息,进行物体体积计算;多媒体定时器的应用使得数据采集、数据处理和命令响应能够协调运行.实验表明,该系统在距离物体摆放平面5至6 m的位置,以约0.5 m/s的速度完成对被测物体体积的扫描,整体误差可以控制在5%以下.该系统适用性强,可以测量扫描区域中所有物体的体积,具有广泛的应用前景.

基于模糊距离变换的岩心图像颗粒分割算法

岩心CT图像中相邻颗粒之间存在相互粘连,粒度参数分析等需要对粘连颗粒进行分割。结合岩心粘连颗粒的特性,提出一种基于模糊距离变换的改进颗粒分割算法。首先,对预处理后的岩心图像进行模糊距离变换并提取出距离信息的灰度图像,然后利用形态学膨胀重构方法提取标记作为后续分水岭算法的种子点,根据种子点采用一种基于测地重建的改进分水岭算法得到相邻种子点之间的分割线,最后完成粘连颗粒的分割。实验结果表明本文算法可以提高粘连颗粒分割的准确度并减轻分水岭算法的过分割现象。