(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211144008.6 (22)申请日 2022.09.20 (71)申请人 西南石油大 学 地址 610500 四川省成 都市新都区新都大 道8号 (72)发明人 陈雁　杨志平　邓伟　闫天宇　 李鹏旗　严兆　李洋冰　马立涛　 (74)专利代理 机构 北京正华智诚专利代理事务 所(普通合伙) 11870 专利代理师 王玲玲 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/771(2022.01) G06V 10/764(2022.01) G06V 10/762(2022.01)G06T 7/62(2017.01) G06T 7/11(2017.01) G06N 20/00(2019.01) G06F 17/16(2006.01) (54)发明名称 一种基于机器学习的页岩异常孔缝识别方 法 (57)摘要 本发明公开了一种基于机器学习的页岩异 常孔缝识别方法， 包括以下步骤： S1、 将岩石图片 和标签图片进行预处理， 得到训练集和测试集； S2、 采用训练集和测试集训练DeepLabv3+模型， 得到训练完成的DeepLabv3+模型； S3、 采用训练 完成的DeepLabv3+模型对待识别图片 进行识别， 得到像素点分类结果数组； S4、 对待识别图片进 行分割， 得到图片上所有的孔缝轮廓集合； S5、 根 据孔缝轮廓集合和像素点分类结果数组， 找到异 常孔缝轮廓； 本发明解决了 现有图像孔隙自动分 割准确率 不高的问题。 权利要求书3页 说明书7页 附图1页 CN 115457348 A 2022.12.09 CN 115457348 A 1.一种基于 机器学习的页岩异常孔缝识别方法， 其特 征在于， 包括以下步骤： S1、 将岩石图片和标签图片进行 预处理， 得到训练集和 测试集； S2、 采用训练集和 测试集训练De epLabv3+模型， 得到训练完成的De epLabv3+模型； S3、 采用训练完成的DeepLabv3+模型对待识别图片进行识别， 得到像素点分类结果数 组； S4、 对待识别图片进行分割， 得到图片上 所有的孔缝轮廓集 合； S5、 根据孔缝轮廓集 合和像素点分类结果数组， 找到异常孔缝轮廓。 2.根据权利要求1所述的基于机器学习的页岩异常孔缝识别方法， 其特征在于， 所述步 骤S1包括以下分步骤： S11、 将岩石图片和标签图片进行切割， 得到尺寸 为512*512的岩石图片和标签图片； S12、 对512* 512的标签图片进行 标记， 得到标记图片； S13、 将512* 512的岩石图片和标记图片划分为训练集和 测试集。 3.根据权利要求2所述的基于机器学习的页岩异常孔缝识别方法， 其特征在于， 所述步 骤S12具体为： 对512*512的标签图片中分布在R(120 ‑255)、 G(0 ‑100)、 B(0 ‑100)的红色像素点像素值 标记为1； 对512*512的标签图片中分布在R(200 ‑255)、 G(200 ‑255)、 B(0 ‑150)的黄色像素点像素 值标记为2； 对512*512的标签图片中分布在R(0 ‑100)、 G(200 ‑255)、 B(200 ‑255)的蓝色像素点像素 值标记为3； 对512*512的标签图片中分布在R(0 ‑100)、 G(120 ‑255)、 B(0 ‑100)的绿色像素点像素值 标记为4； 对512*512的标签图片中其 他的像素点像素值标记为0 。 4.根据权利要求1所述的基于机器学习的页岩异常孔缝识别方法， 其特征在于， 所述步 骤S2中训练De epLabv3+模型的损失函数为： 其中， L为损失函数， yt为对应图片的DeepLabv3+模型预测结果数组， yhat为对应图片的 标签图片样 本数组， c为类别标记 值， β 为调节因子， “＝＝”为计算数 组中与c值相等的结果， sum()为统计数组中为类别c的像素点个数。 5.根据权利要求1所述的基于机器学习的页岩异常孔缝识别方法， 其特征在于， 所述步 骤S2中训练De epLabv3+模型的权 重公式为： 其中， θi+1为第i+1次训练的权重， θi为第i次训练的权重， lr为学习率， 为第i次训 练的真实标签值， hi为第i次训练的DeepLabv3+模型实际输出值， xi为第i次训练的 DeepLabv3+模型输入的样本数据。权　利　要　求　书 1/3 页 2 CN 115457348 A 26.根据权利要求1所述的基于机器学习的页岩异常孔缝识别方法， 其特征在于， 所述步 骤S2中采用以下公式作为评价De epLabv3+模型训练完成的目标函数： 其中， k为类别数， TPt为第t类正确识别的真正例数， FPt为第t类错误识别的假正例数， FNt为第t类假反例总数。 7.根据权利要求1所述的基于机器学习的页岩异常孔缝识别方法， 其特征在于， 所述步 骤S4包括以下分步骤： S41、 采用大津阈值分割法分割待识别图片， 得到第一有机质与无机质分割阈值； S42、 将待识别图片中大于第一有机质与无机质分割阈值的像素点像素值赋予0， 得到 赋值图片； S43、 采用大津阈值分割法分割赋值图片， 得到第二有机质与无机质分割阈值； S44、 采用第 二有机质与无机质分割阈值对待识别图片进行二值化处理， 得到孔缝轮廓 集合。 8.根据权利要求1所述的基于机器学习的页岩异常孔缝识别方法， 其特征在于， 所述步 骤S5包括以下分步骤： S51、 根据像素点分类结果数组， 遍历孔缝轮廓集合中所有像素点， 统计同一孔缝轮廓 中各个分类结果所对应的像素点数， 将像素点数最多的分类结果作为同一孔缝轮廓的类 别； S52、 计算各类别的孔缝轮廓的长、 宽、 面积、 周长和像素分布方差； S53、 将长、 宽、 面积、 周长、 像素分布方差和类别， 构建为特 征数据集； S54、 从特 征数据集筛 选出主要特征； S55、 采用k‑means聚类法对主 要特征进行聚类处 理， 得到异常孔缝轮廓。 9.根据权利要求8所述的基于机器学习的页岩异常孔缝识别方法， 其特征在于， 所述步 骤S52包括以下分步骤： S521、 建立每个类别的孔缝轮廓的外接矩形框， 将外接矩形框的长宽作为该类别的孔 缝轮廓的长 宽； S522、 将外接矩形框内的像素点个数作为该类别的孔缝轮廓的面积； S523、 统计孔缝轮廓的边 缘像素点个数， 作为该类别的孔缝轮廓的周长； S524、 根据孔缝轮廓内平均像素值， 计算 孔缝轮廓的像素分布方差； 步骤S524中计算 孔缝轮廓的像素分布方差的公式为： 其中， S为孔缝轮廓的像素分布方差， X1为孔缝轮廓上的第1个像素值， X2为孔缝轮廓上 的第2个像素值， X3为孔缝轮廓上的第3个像素值， XN为孔缝轮廓上的第N个像素值， M为平均 像素值， N 为孔缝轮廓内像素值的数量。 10.根据权利要求8所述的基于机器学习的页岩异常孔缝识别方法， 其特征在于， 所述 步骤S54包括以下分步骤：权　利　要　求　书 2/3 页 3 CN 115457348 A 3