CN112070774A - 一种用于页岩数字岩心图像分割的神经网络优化方法 - Google Patents

一种用于页岩数字岩心图像分割的神经网络优化方法 Download PDF

Info

Publication number
CN112070774A
CN112070774A CN202010974650.1A CN202010974650A CN112070774A CN 112070774 A CN112070774 A CN 112070774A CN 202010974650 A CN202010974650 A CN 202010974650A CN 112070774 A CN112070774 A CN 112070774A
Authority
CN
China
Prior art keywords
image
neural network
shale
training
segmentation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010974650.1A
Other languages
English (en)
Inventor
王平全
冉雨鹭
陈小瑜
鲁劲松
冉超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Petroleum University
Original Assignee
Southwest Petroleum University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southwest Petroleum University filed Critical Southwest Petroleum University
Priority to CN202010974650.1A priority Critical patent/CN112070774A/zh
Publication of CN112070774A publication Critical patent/CN112070774A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20152—Watershed segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30184—Infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明提供了一种用于页岩数字岩心图像分割的神经网络优化方法，包括以下步骤：步骤1、通过AVIZO软件对图像进行前处理；步骤2、基于梯度下降法的RBF神经网络语义分割方法，完成对页岩数字岩心图像的阈值分割，由于RBF神经网络是一种高效的前馈式神经网络，只需训练好网络模型，保证训练数据和测试数据的图像灰度分布相似即可很好提取到孔缝；步骤3、将神经网络训练后的图像序列导入AVIZO软件中建立页岩孔道的三维结构。本专利步骤简单，无需调节复杂参数，可以很好地解决之前的阈值分割算法中存在的复杂流程和通用性差的问题，该发明专利有利于页岩这一类多孔介质的孔隙提取和观察孔道的连通性等其他问题，对钻井液有效封堵问题提供了有效处理方法。

Description

一种用于页岩数字岩心图像分割的神经网络优化方法
技术领域
本发明属于页岩数字岩心图像处理技术领域，并且更具体地，涉及一种用于页岩数字岩心的图像分割方法。
背景技术
计算机断层扫描技术是一种非破坏性的3D成像技术，可以达到微纳米级别，现已广泛用于多个领域。页岩这种多孔介质内部结构由孔隙相和固体相组成，利用图像分割的方法，提取其中的孔隙，方便后续对页岩进行特性分析，有利于页岩气资源勘探开发研究。
研究岩心中孔隙和喉道的特性是预测油气形成、分布规律与提高油气采收率的主要方法。孔隙是指岩石中未被填充的空间，它反映了岩石的储存油气的能力。而喉道就是连接岩石相邻孔隙之间的狭长部位，其反映了岩石的储存油气的能力。数字岩心技术是近年兴起的岩心分析的有效方法，在常规砂岩和碳酸盐岩等岩心分析领域应用广泛，获得了极大的成功。
泥页岩作为孔径最小的岩石类型，其孔喉大小在5～50nm之间，平均孔喉直径在10～30nm，因此，对于稳定井壁的封堵材料，其部分材料的粒径必须处于纳米级才能阻止水侵入地层。目前，常用的纳米封堵剂包括纳米聚合物类、铝络合物类、纳米级胶束类封堵剂、纳米乳液、纳米SiO2、纳米碳酸钙、氧化铁类等。然而，上述的纳米封堵剂材料虽然粒径达到了纳米级，但由于纳米材料具有粒径小、比表面能大以及易团聚等特点，使其在液相中并不能以纳米级水平分散，难以封堵纳微米孔隙，因此利用数字岩心观察页岩的微观封堵机理十分重要。
现有数字岩心图像处理方法存在的主要不足在于对页岩微纳米级别的孔缝难以处理，在抹除喉道的同时，也对孔隙造成了腐蚀，使得页岩数字贪心分割的孔隙图像不准确。
因此，如何能够准确地将页岩孔隙和喉道分割的数字岩心图像的孔喉分割是本领域技术人员亟待解决的问题。
发明内容
针对现有的BP神经网络模型难以对页岩的微孔隙、微裂缝进行有效提取的缺陷，本发明采取一种新的用于页岩数字岩心图像的分割方法，页岩数字岩心的图像分割的神经网络优化方法，可以实现对页岩数字岩心图像进行有效分割，减少分割误差。
本发明在AVIZO软件中对页岩数字岩心图像进行前处理的技术方法为：
通过纳CT对真实页岩岩心进行扫描获得页岩岩心CT图像，保存为tiff格式导入AVIZO软件；通过AVIZO软件对页岩岩心图像进行调整对比度、采用分水岭算法分割图像，对灰度图像进行二值化处理，选择合适的参数进行阈值设置，将阈值和各像素点的灰度值进行比对，AVIZO软件中以蓝色显示灰度值为1的像素点，其他颜色表示灰度值为0的像素点，将页岩数字岩心的图像序列以tiff格式保存。
本发明在针对传统的BP数字岩心对页岩微纳米孔缝无法进行有效分割的问题提出了基于梯度下降的RBF神经网络算法对页岩数字岩心图像分割的方法，其具体步骤为：
将在AVIZO软件中保存的图像导入MATLAB中进行分析和处理，其特征在于：将AVIZO软件处理后的灰度图像根据新的MTALAB算法对三维页岩数字岩心每一张图像进行索引并且读出图像的二维离散亮度函数(即函数的灰度值和坐标)；形成一个数据序列作为神经网络的特征值样本数组，同样的方法处理纳CT扫描的数字岩心图像，作为神经网络训练样本数组。
本发明将RBF神经网络和梯度下降法结合的具体步骤为:
定义损失函数为
Figure BDA0002685347000000021
其中ei是第i个样本的误差信号，定义为
Figure BDA0002685347000000022
为使损失函数最小化，各训练参数的修正量应该与其负梯度成正比。
建立RBF神经网络，对网络进行随机初始化，并确定学习步长和迭代终止精度，计算网络输出的均方根误差E的值，若E≤ε，则结束训练，否则继续训练，计算各参数的修正量，重新调整中心、宽度和权值，直到计算网络输出的均方根误差E的值，若E≤ε。
然后将上一步提取好的样本值和特征值送入RBF神经网络进行训练。神经网络首先在权值、阈值的值空间中，搜索出一组最合适的权值和阈值，将此设置为神经网络的初始权值、阈值。然后再进行训练，直到均方误差收敛到指定值，或者达到最大迭代次数。此时的神经网络是最优的。
将图像分割看成一个分类的过程。图像(G)中的每一个像素是一个待分类的样本，将这个样本送入RBF神经网络进行分类，将输出一个特征值，这个特征值决定该样本属于其中一类的概率。可以决定，如果该值大于0.5，那么认为它是孔缝，否则它就是基质。通过神经网络训练得到孔隙分割的最优阈值。
本发明对页岩数字岩心建立三维结构的技术方法为：
将神经网络训练好的图像序列以tiff格式输出导入AVIZO软件中，添加VolumeRendering命令构建页岩岩心的三维图像，得到页岩数字岩心的三维图像，便于观察室孔道的内部结构。
附图说明
图1所示为选择页岩数字岩心图像处理区域平面示意图。
图2所示为数字岩心阈值设置后的图像。
图3所示为数字岩心二值化的图像。
图4所示为输入RBF神经网络的测试集样本示意图。
图5所示为通过优化后的RBF神经网络预测的边缘检测图像。
图6所示为通过优化后的RBF神经网络预测的孔隙提取图像。
图7所示为摘要附图。
具体实施方式
MATLAB对图像进行批量读取页岩数字岩心图像的步骤为∶
(1)利用MATLAB中dir函数读取指定文件夹下的页岩岩心图像,并存放在在一种为文件结构体数组foldername中。
(2)利用for循环结构下嵌套imread结构读取每一张图像灰度图像，并保存为矩阵结构。
MATLAB中建立基于梯度下降的RBF神经网络优化算法步骤为∶
(1)对网络参数进行随机初始化，确定学习步长和迭代终止精度ε。
(2)按照
Figure BDA0002685347000000031
计算网络输出的均方根误差E的值，如果均方差误差小于迭代精度则结束训练，否则继续训练。
(3)按照下式计算各修正量，重新调整中心、宽度和权值。
Figure BDA0002685347000000032
Figure BDA0002685347000000033
Figure BDA0002685347000000034
(4)返回步骤(2)
在MATLAB中进行RBF神经网络优化算法的步骤为∶
(1)创建训练集和测试集。
(2)对训练集和测试集进行数据归一化。
(3)创建RBF神经网络。
(4)设置网络的训练参数。
(5)利用创建的训练集训练网络。
(6)对测试集进行训练测试。
(7)对测试结果进行优化对比。
建立页岩孔道的三维结构的步骤为:
(1)将神经网络测试好的页岩分割图像按照顺序保存到文件夹后导入AVIZO软件中。
(2)添加Volume Rendering命令建立三维结构。
(3)计算孔隙率、渗透率等参数。
以上实施方案仅用于说明而非限制本创新型专利的技术方案。不脱离本创新型专利精神的任何修改或局部替换，均应涵盖在本创新型专利的权利要求范围当中。

Claims (5)

1.一种用于页岩数字岩心图像分割的神经网络优化方法，其特征是：利用CT设备对页岩岩心进行纳CT扫描获得CT图像；通过AVIZO软件对图像调整对比度、阈值设置，二值化处理、分割等操作，并将处理后的图像保存下来；将经过处理后的图像导入MATLAB中进行图像描述；针对现有的BP神经网络模型难以对页岩的微孔隙、微裂缝进行有效提取的缺陷，在MATLAB中建立基于梯度下降的RBF神经网络对数字岩心进行训练完成图像分割，将训练后的数字图像序列导入AVIZO软件构建三维数字岩心观察岩心孔道的连通性。
2.根据权利要求1所述的AVIZO软件的处理步骤，其特征在于：不采取常规方式对页岩岩心进行滤波处理，以避免后续对页岩微裂隙难以提取；对原始CT图像调整对比度，可以加强图像中基质和孔缝的对比；对灰度图像进行二值化处理，选择合适的参数进行阈值设置，将阈值和各像素点的灰度值进行比对；AVIZO软件中以蓝色显示灰度值为1的像素点，其他颜色表示灰度值为0的像素点；为了处理采集数据太粗糙或噪声影响过大导致的二值化分割基于形态学的分水岭图像分割，区分岩石和孔缝；切割后的图像削弱了背景的影响，获得岩心图像的灰度图像。
3.根据权利要求1所述的处理后的图像导入MATLAB中进行分析和处理，其特征在于：将AVIZO软件处理后的灰度图像根据新的MTALAB算法对三维页岩数字岩心每一张图像进行索引并且读出图像的二维离散亮度函数(即函数的灰度值和坐标)；形成一个数据序列作为神经网络的特征值样本数组；同样的方法处理纳CT扫描的数字岩心图像，作为神经网络训练样本数组。
4.根据权利要求1所述的在MATLAB中建立梯度下降法，梯度下降法特征在于：梯度下降法作为一种RBF神经网络的监督学习算法，将网络的期望输出与实际输出的误差作为目标函数，对所有网络参数，包括数据中心、扩展常数和隐层与输出层之间的连接权值进行误差修正训练直至达到要求的训练精度；梯度下降方法，可以对RBF神经网络的各个参数进行寻优，在得到一个初始化的RBF神经网络后，梯度下降法以最小误差为目标使网络的各个参数在负梯度方向上以最大速度逼近最优解。
5.根据权利要求1所述的在MATLAB中建立RBF神经网络，其特征在于：将上一步提取好的样本值和特征值送入RBF神经网络进行训练针对图像分割的复杂性，利用RBF神经网络的权值和阈值进行优化，设计出误差最小的神经网络，然后在对图像的像素进行分类识别，实现并提高了图像分割性能；选择同样大小的特征值样本数组和训练样本数组，送入神经网络进行训练；优化后的RBF神经网络训练算法以误差信号作为梯度下降法的损失函数，将损失函数分别关于各个隐层神经元的数据中心、扩展常数和连接权值求导，寻找其最优训练；然后在权值、阈值的值空间中，搜索出一组最合适的权值和阈值，将此设置为神经网络的初始权值、阈值，接着进行训练，直到均方误差收敛到指定值。
CN202010974650.1A 2020-09-16 2020-09-16 一种用于页岩数字岩心图像分割的神经网络优化方法 Pending CN112070774A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010974650.1A CN112070774A (zh) 2020-09-16 2020-09-16 一种用于页岩数字岩心图像分割的神经网络优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010974650.1A CN112070774A (zh) 2020-09-16 2020-09-16 一种用于页岩数字岩心图像分割的神经网络优化方法

Publications (1)

Publication Number Publication Date
CN112070774A true CN112070774A (zh) 2020-12-11

Family

ID=73696869

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010974650.1A Pending CN112070774A (zh) 2020-09-16 2020-09-16 一种用于页岩数字岩心图像分割的神经网络优化方法

Country Status (1)

Country Link
CN (1) CN112070774A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112735524A (zh) * 2020-12-28 2021-04-30 天津大学合肥创新发展研究院 一种基于神经网络的真实纳米孔测序信号滤波方法及装置
CN113916916A (zh) * 2021-09-29 2022-01-11 西南石油大学 一种用于页岩数字岩心三维渗流-颗粒流动耦合的模拟方法
CN114092489A (zh) * 2021-11-02 2022-02-25 清华大学 多孔介质渗流通道提取、模型训练方法、装置及设备
CN114112850A (zh) * 2021-11-30 2022-03-01 西南石油大学 一种厚泥饼的制备方法及其三维数字岩心的构建方法
CN115598025A (zh) * 2022-12-13 2023-01-13 四川亿欣新材料有限公司（Cn） 图像处理方法及使用该方法的碳酸钙粉质检***
CN116468724A (zh) * 2023-06-08 2023-07-21 四川亿欣新材料有限公司 一种基于光学传感技术的碳酸钙含量测试方法
CN116626080A (zh) * 2023-07-24 2023-08-22 四川省石棉县恒达粉体材料有限责任公司 一种大理岩的筛选方法
CN117557742A (zh) * 2024-01-12 2024-02-13 武汉大学 基于数字图像与机器学习的3d岩石储层建模方法
CN117611485A (zh) * 2024-01-24 2024-02-27 西南石油大学 一种基于时空图神经网络的三维岩心渗透率预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104809461A (zh) * 2015-05-08 2015-07-29 内蒙古科技大学 结合序列图像超分辨率重建的车牌识别方法及***
CN109285222A (zh) * 2018-09-06 2019-01-29 中国地质大学（北京） 有机页岩高分辨率数字岩心构建与分析方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104809461A (zh) * 2015-05-08 2015-07-29 内蒙古科技大学 结合序列图像超分辨率重建的车牌识别方法及***
CN109285222A (zh) * 2018-09-06 2019-01-29 中国地质大学（北京） 有机页岩高分辨率数字岩心构建与分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张莹: "火山岩岩性识别和储层评价的理论与技术研究", 《中国博士学位论文全文数据库 基础科学辑》 *
朱洪林: "低渗砂岩储层孔隙结构表征及应用研究", 《中国博士学位论文全文数据库 工程科技辑I辑》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112735524A (zh) * 2020-12-28 2021-04-30 天津大学合肥创新发展研究院 一种基于神经网络的真实纳米孔测序信号滤波方法及装置
CN113916916A (zh) * 2021-09-29 2022-01-11 西南石油大学 一种用于页岩数字岩心三维渗流-颗粒流动耦合的模拟方法
CN113916916B (zh) * 2021-09-29 2024-03-19 西南石油大学 一种用于页岩数字岩心三维渗流-颗粒流动耦合的模拟方法
CN114092489B (zh) * 2021-11-02 2023-08-29 清华大学 多孔介质渗流通道提取、模型训练方法、装置及设备
CN114092489A (zh) * 2021-11-02 2022-02-25 清华大学 多孔介质渗流通道提取、模型训练方法、装置及设备
CN114112850A (zh) * 2021-11-30 2022-03-01 西南石油大学 一种厚泥饼的制备方法及其三维数字岩心的构建方法
CN115598025A (zh) * 2022-12-13 2023-01-13 四川亿欣新材料有限公司（Cn） 图像处理方法及使用该方法的碳酸钙粉质检***
CN115598025B (zh) * 2022-12-13 2023-03-10 四川亿欣新材料有限公司 图像处理方法及使用该方法的碳酸钙粉质检***
CN116468724A (zh) * 2023-06-08 2023-07-21 四川亿欣新材料有限公司 一种基于光学传感技术的碳酸钙含量测试方法
CN116468724B (zh) * 2023-06-08 2023-08-29 四川亿欣新材料有限公司 一种基于光学传感技术的碳酸钙含量测试方法
CN116626080A (zh) * 2023-07-24 2023-08-22 四川省石棉县恒达粉体材料有限责任公司 一种大理岩的筛选方法
CN116626080B (zh) * 2023-07-24 2023-09-26 四川省石棉县恒达粉体材料有限责任公司 一种大理岩的筛选方法
CN117557742A (zh) * 2024-01-12 2024-02-13 武汉大学 基于数字图像与机器学习的3d岩石储层建模方法
CN117557742B (zh) * 2024-01-12 2024-03-22 武汉大学 基于数字图像与机器学习的3d岩石储层建模方法
CN117611485A (zh) * 2024-01-24 2024-02-27 西南石油大学 一种基于时空图神经网络的三维岩心渗透率预测方法
CN117611485B (zh) * 2024-01-24 2024-04-02 西南石油大学 一种基于时空图神经网络的三维岩心渗透率预测方法

Similar Documents

Publication Publication Date Title
CN112070774A (zh) 一种用于页岩数字岩心图像分割的神经网络优化方法
Raju et al. Image segmentation by using histogram thresholding
CN108399625B (zh) 一种基于深度卷积生成对抗网络的sar图像定向生成方法
CN107273608B (zh) 一种油藏地质剖面图矢量化方法
CN109840483B (zh) 一种滑坡裂缝检测与识别的方法及装置
CN109685821A (zh) 基于高质量体素的区域生长3d岩体点云平面提取方法
Li et al. Dictionary optimization and constraint neighbor embedding-based dictionary mapping for superdimension reconstruction of porous media
Tavanaei et al. Pore, throat, and grain detection for rock sem images using digitalwatershed image segmentation algorithm
CN111091071B (zh) 基于探地雷达双曲波拟合的地下目标检测方法及***
CN114140448A (zh) 一种基于深度学习的隧道掌子面围岩智能分级方法及设备
CN115690073A (zh) 一种激光增材制造陶瓷微结构局部表征方法、装置及介质
CN114511588A (zh) 一种乳腺组织病理图像良恶性判别方法及装置
CN112800590B (zh) 一种机器学习辅助的两相流油藏随机建模的网格粗化方法
Wu et al. Extraction of fractures in shale CT images using improved U-Net
Wang et al. Machine learning and UNet++ based microfracture evaluation from CT images
CN102194224A (zh) 一种光学遥感图像坦克群的识别方法
CN115640546A (zh) 一种图像与特征信息融合的岩性识别方法
CN113820317B (zh) 一种基于水动力学的裂缝检测方法
Yang et al. Enhanced U-Net model for rock pile segmentation and particle size analysis
Gillet et al. Color image segmentation by analysis of 3D histogram with fuzzy morphological filters
Sidorova Global segmentation of textural images on the basis of hierarchical clusterization by predetermined cluster separability
Andaru et al. Intelligent Detection of SEM Mineralogy Using Dynamic Segmentation Algorithm in Geothermal Sedimentary Reservoir: Case Study with Quantification of Quartz Overgrowth
CN110458169A (zh) 一种岩屑ct图像特征识别方法
CN113506253B (zh) 一种基于多层多核学习与区域合并的砂岩孔隙检测方法
Wang et al. Microfracture Evaluation Through Machine Learning and Deep Learning in Laminated Shale

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201211

WD01 Invention patent application deemed withdrawn after publication