【技术实现步骤摘要】
本申请涉及深度学习图像处理，特别是涉及一种致密砂岩储层孔隙类型识别和面孔率计算方法、系统及设备。
技术介绍
1、致密砂岩储层中孔隙类型多样，包括原生孔隙、次生孔隙以及微裂缝等。原生孔隙是在沉积过程中形成的，而次生孔隙则是由于后期成岩作用，如溶蚀作用造成的。微裂缝通常是由构造活动引起的，它们在改善储层物性方面起着重要作用。孔隙的大小相差悬殊，从纳米级别到微米级别不等，而且形态各异，给致密砂岩储层孔隙类型的鉴定以及识别带来了很大挑战。
2、致密砂岩储层中孔隙类型目前研究主要是从镜下薄片鉴定、扫描电镜、恒速压汞测试、核磁共振术以及ct扫描成像等方式进行。常规方法在致密砂岩储层中孔隙类型识别方面虽然有一定准确性，但是方法机械不够灵活快速，在人力、财力上成本花销较大。因此重点需要借助深度学习对致密砂岩储层中孔隙类型进行识别，而目前主要是通过薄片镜下观察的方式，但受限于解释人员经验、枯燥而繁多的手工拾取操作，给致密砂岩储层中孔隙类型识别带来了很大的困难。
3、致密砂岩储层孔隙定量化计算目前有孔渗测试、铸体薄片镜下人工鉴定等方法，其中孔渗测试无法区别不同孔隙类型、对测试环境要求高以及受样品完整性等因素，导致实验局限性较大。铸体薄片镜下人工鉴定方法受限于解释人员操作技术、孔隙类型识别主观性较强和面孔率计算不够快速精确等因素，导致实验结果误差较大，给致密砂岩储层孔隙类型定量化计算带来了很大的困难。
技术实现思路
1、本申请的目的是提供一种致密砂岩储层孔隙类型识别和面孔率计算方
2、为实现上述目的，本申请提供了如下方案：
3、第一方面，本申请提供了一种致密砂岩储层孔隙类型识别和面孔率计算方法，包括：
4、获取目标图像；所述目标图像为致密砂岩的铸体薄片图像；
5、将所述目标图像输入至致密砂岩储层孔隙类型识别模型中，输出孔隙类型识别图像；所述孔隙类型识别图像上标记有孔隙轮廓、孔隙类型预测值和对应的孔隙类型识别置信度预测值；所述致密砂岩储层孔隙类型识别模型是采用训练样本对改进的yolov8模型进行训练得到的；所述训练样本包括致密砂岩的铸体薄片图像样本、对应的孔隙类型样本值以及孔隙类型识别置信度样本值；
6、采用图像处理技术计算所述孔隙类型识别图像中的面孔率。
7、可选地，所述改进的yolov8模型包括依次连接的骨干网络、特征融合网络以及检测头网络；
8、所述骨干网络用于对所述目标图像进行特征提取，得到特征图；
9、所述特征融合网络用于对所述特征图进行特征融合，得到融合特征图；
10、所述检测头网络用于对所述融合特征图进行预测，得到孔隙类型识别图像。
11、可选地，所述骨干网络包括依次连接的第一卷积层、第二卷积层、第一特征融合模块、第三卷积层、第二特征融合模块、第四卷积层、第三特征融合模块、第五卷积层、第四特征融合模块、sppf层以及相似性感知注意力机制子网络；
12、其中，所述相似性感知注意力机制子网络包括依次连接的输入层、嵌入层、dropout层、多层相似性感知注意力机制层、全连接层、softmax层和输出层。
13、可选地，所述第一特征融合模块、所述第二特征融合模块、所述第三特征融合模块和所述第四特征融合模块中均嵌入空间和通道重建卷积模块。
14、可选地，所述特征融合网络包括第一特征融合子网络、第二特征融合子网络和第三特征融合子网络；
15、所述第一特征融合子网络包括依次连接的第一拼接层、第一上采样层、第二拼接层、第二上采样层、第一多头检测头、第三拼接层、第三上采样层以及第二多头检测头；其中，所述第一拼接层与所述第一特征融合模块连接，所述第二拼接层与所述第二特征融合模块连接，所述第三拼接层与所述第三特征融合模块连接，所述第二多头检测头与所述相似性感知注意力机制子网络连接；
16、所述第二特征融合子网络包括第三多头检测头和第六卷积层；其中，所述第三多头检测头与所述第一上采样层连接，所述第六卷积层与所述第一多头检测头连接；
17、所述第三特征融合子网络包括依次连接的第四多头检测头、第七卷积层、第四拼接层、第五多头检测头、第八卷积层、第五拼接层、第六多头检测头、第九卷积层、第六拼接层以及第七多头检测头；其中，所述第四拼接层与所述第三多头检测头连接，所述第五拼接层与所述第一多头检测头连接，所述第六拼接层分别与所述第六卷积层和所述第二多头检测头连接。
18、可选地，所述检测头网络包括第一目标检测头、第二目标检测头、第三目标检测头和第四目标检测头；
19、其中，所述第一目标检测头与所述第四多头检测头连接，所述第二目标检测头与所述第五多头检测头连接，所述第三目标检测头与所述第六多头检测头连接，所述第四目标检测头与所述第七多头检测头连接。
20、可选地，所述致密砂岩储层孔隙类型识别模型的训练过程，具体包括：
21、获取致密砂岩的铸体薄片图像样本，并对致密砂岩的铸体薄片图像样本中的孔隙类型进行标注，得到标注后的致密砂岩的铸体薄片图像样本；
22、将标注后的致密砂岩的铸体薄片图像样本进行格式转换，并将格式转换后的致密砂岩的铸体薄片图像样本作为训练样本；
23、将所述训练样本输入至所述改进的yolov8模型中，输出孔隙类型识别图像；
24、根据所述孔隙类型样本值和孔隙类型识别图像中的孔隙类型预测值构建损失函数，并通过所述损失函数调整所述改进的yolov8模型的网络参数，得到所述致密砂岩储层孔隙类型识别模型。
25、可选地，采用图像处理技术计算所述孔隙类型识别图像中的面孔率，具体包括：
26、去除孔隙类型识别图像上标记的孔隙类型预测值和对应的孔隙类型识别置信度，得到标记有孔隙轮廓的孔隙类型识别图像；
27、将标记有孔隙轮廓的孔隙类型识别图像转换成灰度图像，得到标记有孔隙轮廓的孔隙类型识别灰度图像；
28、采用高斯模糊滤波技术对标记有孔隙轮廓的孔隙类型识别灰度图像进行滤波去噪，得到滤波后的标记有孔隙轮廓的孔隙类型识别灰度图像；
29、设定预设阈值，基于所述预设阈值将所述滤波后的标记有孔隙轮廓的孔隙类型识别灰度图像转换为标记有孔隙轮廓的孔隙类型识别黑白图像；
30、采用findcontours函数检测标记有孔隙轮廓的孔隙类型识别黑白图像中的各孔隙的轮廓，并采用contourarea函数计算检测到的各轮廓的面积，确定孔隙面积计算结果；
31、将不同类型的孔隙面积计算结果相加，得到不同类型的孔隙总面积；
32、计算标记有孔隙轮廓的孔隙类型识别黑白图像的总面积，并根据标记有孔隙轮廓的孔隙类型识别黑白图像的总面积和不同类型的孔隙总面积，确定不同类型的孔隙的面孔率。
本文档来自技高网...
【技术保护点】
1.一种致密砂岩储层孔隙类型识别和面孔率计算方法，其特征在于，所述致密砂岩储层孔隙类型识别和面孔率计算方法包括：
2.根据权利要求1所述的致密砂岩储层孔隙类型识别和面孔率计算方法，其特征在于，所述改进的YOLOv8模型包括依次连接的骨干网络、特征融合网络以及检测头网络；
3.根据权利要求2所述的致密砂岩储层孔隙类型识别和面孔率计算方法，其特征在于，所述骨干网络包括依次连接的第一卷积层、第二卷积层、第一特征融合模块、第三卷积层、第二特征融合模块、第四卷积层、第三特征融合模块、第五卷积层、第四特征融合模块、SPPF层以及相似性感知注意力机制子网络；
4.根据权利要求3所述的致密砂岩储层孔隙类型识别和面孔率计算方法，其特征在于，所述第一特征融合模块、所述第二特征融合模块、所述第三特征融合模块和所述第四特征融合模块中均嵌入空间和通道重建卷积模块。
5.根据权利要求4所述的致密砂岩储层孔隙类型识别和面孔率计算方法，其特征在于，所述特征融合网络包括第一特征融合子网络、第二特征融合子网络和第三特征融合子网络；
6.根据权利要求5所述的
7.根据权利要求1所述的致密砂岩储层孔隙类型识别和面孔率计算方法，其特征在于，所述致密砂岩储层孔隙类型识别模型的训练过程，具体包括：
8.根据权利要求1所述的致密砂岩储层孔隙类型识别和面孔率计算方法，其特征在于，采用图像处理技术计算所述孔隙类型识别图像中的面孔率，具体包括：
9.一种致密砂岩储层孔隙类型识别和面孔率计算系统，其特征在于，所述致密砂岩储层孔隙类型识别和面孔率计算系统包括：
10.一种计算机设备，包括：存储器、处理器以存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-8中任一项所述的致密砂岩储层孔隙类型识别和面孔率计算方法。
...【技术特征摘要】
1.一种致密砂岩储层孔隙类型识别和面孔率计算方法，其特征在于，所述致密砂岩储层孔隙类型识别和面孔率计算方法包括：
2.根据权利要求1所述的致密砂岩储层孔隙类型识别和面孔率计算方法，其特征在于，所述改进的yolov8模型包括依次连接的骨干网络、特征融合网络以及检测头网络；
3.根据权利要求2所述的致密砂岩储层孔隙类型识别和面孔率计算方法，其特征在于，所述骨干网络包括依次连接的第一卷积层、第二卷积层、第一特征融合模块、第三卷积层、第二特征融合模块、第四卷积层、第三特征融合模块、第五卷积层、第四特征融合模块、sppf层以及相似性感知注意力机制子网络；
4.根据权利要求3所述的致密砂岩储层孔隙类型识别和面孔率计算方法，其特征在于，所述第一特征融合模块、所述第二特征融合模块、所述第三特征融合模块和所述第四特征融合模块中均嵌入空间和通道重建卷积模块。
5.根据权利要求4所述的致密砂岩储层孔隙类型识别和面孔率计算方法，其特征在于，所述特征融合...
【专利技术属性】
技术研发人员：谷易婷，罗龙，谭先锋，赖富强，王佳，瞿雪姣，高儇博，蒋威，王敦繁，李雯雯，余信，李格格，谭善政，李萌，
申请(专利权)人：重庆科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。