基于机器学习的成像测井图像裂缝分割与识别方法和系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114119569A(43)申请公布日2022.03.01(21)申请号202111440675.4(22)申请日2021.11.30(71)申请人中国石油大学（北京）地址102299北京市昌平区府学路18号(72)发明人庞惠文樊永东金衍卢运虎林伯韬(74)专利代理机构北京纪凯知识产权代理有限公司11245代理人冀志华(51)Int.Cl.G06T7/00(2017.01)G06T7/136(2017.01)G06K9/62(2022.01)G06N3/12(2006.01)G06N20/00(2019.01)权利要求书2页说明书7页附图3页(54)发明名称基于机器学习的成像测井图像裂缝分割与识别方法和系统(57)摘要本发明涉及一种基于机器学习的成像测井图像裂缝分割与识别方法和系统，方法包括以下步骤：对成像测井图像数据预处理；基于预处理后的成像测井图像数据，对构建的图像分割识别模型进行训练，得到训练好的图像分割识别模型；采用训练好的图像分割识别模型对待识别成像测井图像进行识别，得到该待识别成像测井图像的孔缝结构。本发明应用K均值聚类算法和遗传算法对图像的阈值分割进行了逐步优化，尽可能减少了图像分割后图像中的噪声点，使得图像中的目标区域更加突出。通过图像分割使得图像质量更高，在神经网络图像识别时可以在样本数量较少的情况下，保证较高的识别准确度。因此，本发明可以广泛应用于油气井工程领域。CN114119569ACN114119569A权利要求书1/2页1.一种基于机器学习的成像测井图像裂缝分割与识别方法，其特征在于包括以下步骤：对成像测井图像数据预处理；基于预处理后的成像测井图像数据，对构建的图像分割识别模型进行训练，得到训练好的图像分割识别模型；采用训练好的图像分割识别模型对待识别成像测井图像进行识别，得到该待识别成像测井图像的裂缝识别结果。2.如权利要求1所述的基于机器学习的成像测井图像裂缝分割与识别方法，其特征在于：所述对成像测井图像进行预处理时，采用伽马变换方法。3.如权利要求2所述的基于机器学习的成像测井图像裂缝分割与识别方法，其特征在于：所述伽马变换方法包括归一化、预补偿和反归一化。4.如权利要求3所述的基于机器学习的成像测井图像裂缝分割与识别方法，其特征在于：所述归一化的计算公式如下：其中，Ri是第i个像素点归一化后的灰度值，ri是第i个像素点的原始灰度值，rmin和rmax分别是所有像素点灰度值的最小值和最大值。5.如权利要求3所述的基于机器学习的成像测井图像裂缝分割与识别方法，其特征在于：所述预补偿的计算公式为：其中，Gi是第i个像素点伽马变换之后对应的值，Ri是第i个像素点归一化后的灰度值，γ为伽马变换指数。6.如权利要求1所述的基于机器学习的成像测井图像裂缝分割与识别方法，其特征在于：所述基于预处理后的成像测井图像数据，对构建的图像分割识别模型进行训练，得到训练好的图像分割识别模型的方法，包括：对预处理后的成像测井图像数据进行阈值分割，得到分割后的成像测井图像数据；对分割后的成像测井图像数据进行随机划分，得到训练集和测试集；采用训练集对图像分割识别模块进行训练，并采用测试集对图像分割识别模型效果进行测试，得到训练好的图像分割识别模型。7.如权利要求6所述的基于机器学习的成像测井图像裂缝分割与识别方法，其特征在于：所述对预处理后的成像测井图像数据进行阈值分割，得到分割后的成像测井图像数据的方法，包括：采用K均值聚类算法对预处理后的成像测井图像数据进行聚类分割；采用阈值分割方法对聚类分割后的图像进行阈值分割。8.如权利要求7所述的基于机器学习的成像测井图像裂缝分割与识别方法，其特征在于：所述采用K均值聚类算法对预处理后的成像测井图像数据进行聚类分割之前，还包括以下步骤：应用遗传算法确定初始聚类中心。2CN114119569A权利要求书2/2页9.如权利要求7所述的基于机器学习的成像测井图像裂缝分割与识别方法，其特征在于：所述采用阈值分割方法对聚类分割后的图像进行阈值分割后，还包括以下步骤：采用中值滤波方法对阈值分割结果进行滤波。10.一种基于机器学习的成像测井图像裂缝分割与识别系统，其特征在于，包括：预处理模块，用于对成像测井图像数据预处理；模型训练模块，用于基于预处理后的成像测井图像数据，对构建的图像分割识别模型进行训练，得到训练好的图像分割识别模型；裂缝识别模块，用于采用训练好的图像分割识别模型对待识别成像测井图像进行识别，得到该待识别成像测井图像的孔缝结构。3CN114119569A说明书1/7页基于机器学习的成像测井图像裂缝分割与识别方法和系统技术领域[0001]本发明涉及一种基于机器学习的成像测井图像裂缝分割与识别方法和系统，