[發(fā)明專利]一種基于人工智能的砂巖薄片圖像鑒定方法和系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110779025.6
• 申請日: 2021-07-09
• 公開（公告）號: CN113378825A
• 公開（公告）日: 2021-09-10
• 發(fā)明（設(shè)計）人: 白海強;岳翔;李建平;呼和;謝曉軍;李文倚;熊連橋;余杰;李為沖;楊建欽
• 申請（專利權(quán)）人: 中海石油（中國）有限公司;中海石油（中國）有限公司北京研究中心
• 主分類號: G06K9/20
• 分類號: G06K9/20;G06K9/34;G06K9/46;G06K9/62;G06F16/54;G06F16/55;G06F16/583;G06N3/04;G06N3/08
• 代理公司: 北京紀凱知識產(chǎn)權(quán)代理有限公司 11245
• 代理人: 趙悅

1.一種基于人工智能的砂巖薄片圖像鑒定方法，其特征在于，包括以下步驟：

S1采集砂巖薄片的單偏光及多角度正交偏光圖像，并對所述圖像進行標注，分別形成圖像庫和標注庫；

S2將所述圖像庫中圖像輸入卷積神經(jīng)網(wǎng)絡(luò)生成特征圖；

S3根據(jù)所述特征圖預(yù)測鑒定目標的候選區(qū)域，并將其與專家標注的結(jié)果進行對比，以計算其置信度，若所述置信度高于閾值，則將對應(yīng)圖像輸入卷積神經(jīng)網(wǎng)絡(luò)中進行特征提取；

S4對步驟S3中提取的特征進行分類，結(jié)合所述標注庫中的標注對所述分類進行修正；

S5測定砂巖薄片中各類別礦物的視面積含量，根據(jù)步驟S3中鑒定目標的候選區(qū)域和步驟S4中的分類結(jié)果，將所述砂巖薄片中各類別礦物進行可視化顯示。

2.如權(quán)利要求1所述的基于人工智能的砂巖薄片圖像鑒定方法，其特征在于，所述步驟S2中特征圖生成方法為：將所述圖像庫中的每一張圖像輸入多層卷積神經(jīng)網(wǎng)絡(luò)，將圖像的紅、綠、藍三個通道的顏色值轉(zhuǎn)化為高維語義特征圖。

3.如權(quán)利要求1所述的基于人工智能的砂巖薄片圖像鑒定方法，其特征在于，所述步驟S3的具體步驟是：

S3.1結(jié)合RPN預(yù)測的鑒定目標候選區(qū)域和步驟S2中的特征圖，計算每個鑒定目標的子區(qū)域特征；

S3.2將步驟S3.1中獲得的每個鑒定目標的子區(qū)域特征輸入若干個不同的神經(jīng)網(wǎng)絡(luò)分支，分別對所述鑒定目標的不同特性進行預(yù)測；

S3.3對步驟S3.2中的預(yù)測結(jié)果中重疊部分進行過濾，得到分割預(yù)測結(jié)果；

S3.4結(jié)合所述標注庫對所述步驟S3.3進行優(yōu)化，得到最終的分割預(yù)測結(jié)果。

4.如權(quán)利要求3所述的基于人工智能的砂巖薄片圖像鑒定方法，其特征在于，所述鑒定目標的不同特性至少包括目標的類別、位置和分割區(qū)域。

5.如權(quán)利要求3所述的基于人工智能的砂巖薄片圖像鑒定方法，其特征在于，所述步驟S3.1中RPN預(yù)測鑒定目標候選區(qū)域的方法為：通過RPN網(wǎng)絡(luò)設(shè)定多個不同尺寸和長寬比的Anchor Box，使用滑動窗的方式判斷所述步驟S2的特征圖上每一個位置是否存在Anchor尺寸的物體，若存在，則使用ROIAlign方法計算每個物體的子區(qū)域特征。

6.如權(quán)利要求5所述的基于人工智能的砂巖薄片圖像鑒定方法，其特征在于，所述ROIAlign方法具體步驟包括：將RPN網(wǎng)絡(luò)設(shè)定的物體檢測框平均分為A×B個子區(qū)域，在每個子區(qū)域內(nèi)選取C個采樣點，將每個所述采樣點映射至原特征圖中后，使用雙線性插值計算所述采樣點處的特征向量值，最后使用Max Pooling將多個所述采樣點的特征融合為子區(qū)域特征。

7.如權(quán)利要求1所述的基于人工智能的砂巖薄片圖像鑒定方法，其特征在于，所述步驟S4中對提取的特征進行分類的方法為：對提取的特征使用基于權(quán)重的特征聚合模型進行聚合，從而得到描述砂巖薄片圖像的特征向量；然后結(jié)合所述標注庫利用梯度下降算法對所述特征聚合模型進行優(yōu)化。

8.如權(quán)利要求7所述的基于人工智能的砂巖薄片圖像鑒定方法，其特征在于，所述基于權(quán)重的特征聚合模型假設(shè)每張圖像提取的特征向量為x_i，圖像數(shù)為N，則特征融合過程通過對輸出特征求加權(quán)和實現(xiàn)；分類器為全連接網(wǎng)絡(luò)，假設(shè)圖像類別數(shù)為M，輸出層特征為z，輸出層權(quán)重為w_i，則第i類的概率預(yù)測值為：

其中，T是轉(zhuǎn)置矩陣，所述分類器的參數(shù)θ通過優(yōu)化交叉熵損失函數(shù)進行訓練：

9.如權(quán)利要求1所述的基于人工智能的砂巖薄片圖像鑒定方法，其特征在于，所述步驟S5中的可視化顯示為將分類結(jié)果和各類別礦物的視面積含量對應(yīng)投在砂巖分類三角圖的相應(yīng)位置。

10.一種基于人工智能的砂巖薄片圖像鑒定系統(tǒng)，其特征在于，包括：

圖像采集模塊，用于采集砂巖薄片的單偏光及多角度正交偏光圖像，并對所述圖像進行標注，分別形成圖像庫和標注庫；

特征圖生成模塊，用于將所述圖像庫中圖像輸入卷積神經(jīng)網(wǎng)絡(luò)生成特征圖；

圖像分割模塊，用于根據(jù)所述特征圖預(yù)測鑒定目標的候選區(qū)域，并將其與專家標注的結(jié)果進行對比，以計算其置信度，若所述置信度高于閾值，則將對應(yīng)圖像輸入卷積神經(jīng)網(wǎng)絡(luò)中進行特征提取；

圖像分類模塊，用于對圖像分割模塊中提取的特征進行分類，結(jié)合所述標注庫中的標注對所述分類進行修正；

可視化模塊，用于測定砂巖薄片中各類別礦物的視面積含量，根據(jù)圖像分割模塊中鑒定目標的候選區(qū)域和圖像分割模塊中的分類結(jié)果，將所述砂巖薄片中各類別礦物進行可視化顯示。