[发明专利]基于U-Net全卷积深度神经网络的微观孔隙识别方法

权利要求书

1.一种基于U-Net全卷积深度神经网络的微观孔隙识别方法，其特征在于，包括：

基于岩石的CT扫描图像生成岩石孔隙的样本数据；

将所述岩石孔隙的样本数据输入至预先训练的U-Net全卷积深度神经网络模型，得到岩石孔隙的识别结果。

2.根据权利要求1所述的基于U-Net全卷积深度神经网络的微观孔隙识别方法，其特征在于，在所述基于岩石的CT扫描图像生成岩石孔隙的样本数据之前，还包括：

根据岩石孔隙的训练数据和训练数据对应的孔隙识别标准结果对全卷积深度神经网络进行训练，生成U-Net全卷积深度神经网络模型。

3.根据权利要求2所述的基于U-Net全卷积深度神经网络的微观孔隙识别方法，其特征在于，在所述基于岩石的CT扫描图像生成岩石孔隙的样本数据之前，还包括：

获取目标岩石并对该目标岩石进行CT扫描处理得到CT扫描图像。

4.根据权利要求2所述的基于U-Net全卷积深度神经网络的微观孔隙识别方法，其特征在于，所述根据岩石孔隙的训练数据和训练数据对应的标准结果对全卷积深度神经网络进行训练，包括：

根据岩石孔隙的训练数据和训练数据对应的标准结果，采用Adam算法按照负梯度方向对全卷积深度神经网络的参数进行迭代优化。

5.根据权利要求1所述的基于U-Net全卷积深度神经网络的微观孔隙识别方法，其特征在于，所述基于岩石的CT扫描图像生成岩石孔隙的样本数据，包括：

对所述岩石的CT扫描图像进行归一化处理生成岩石孔隙的样本数据。

6.一种基于U-Net全卷积深度神经网络的微观孔隙识别装置，其特征在于，包括：

样本单元，用于基于岩石的CT扫描图像生成岩石孔隙的样本数据；

识别单元，用于将所述岩石孔隙的样本数据输入至预先训练的U-Net全卷积深度神经网络模型，得到岩石孔隙的识别结果。

7.根据权利要求6所述的基于U-Net全卷积深度神经网络的微观孔隙识别装置，其特征在于，还包括：

训练单元，用于根据岩石孔隙的训练数据和训练数据对应的标准结果对全卷积深度神经网络进行训练，生成U-Net全卷积深度神经网络模型。

8.根据权利要求7所述的基于U-Net全卷积深度神经网络的微观孔隙识别装置，其特征在于，还包括：

采集单元，用于获取目标岩石并对该目标岩石进行CT扫描处理得到CT扫描图像。

9.根据权利要求7所述的基于U-Net全卷积深度神经网络的微观孔隙识别装置，其特征在于，所述训练单元包括：

迭代优化模块，用于根据岩石孔隙的训练数据和训练数据对应的标准结果，采用Adam算法按照负梯度方向对全卷积深度神经网络的参数进行迭代优化。

10.根据权利要求6所述的基于U-Net全卷积深度神经网络的微观孔隙识别装置，其特征在于，所述样本单元包括：

归一化模块，用于对所述岩石的CT扫描图像进行归一化处理生成岩石孔隙的样本数据。

11.一种电子设备，包括存储器、处理器及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程序时实现权利要求1至5任一项所述的基于U-Net全卷积深度神经网络的微观孔隙识别方法的步骤。

12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至5任一项所述的基于U-Net全卷积深度神经网络的微观孔隙识别方法的步骤。