[发明专利]一种基于岩心照片识别裂缝类型的方法

权利要求书

1.一种基于岩心照片识别裂缝类型的方法，其特征在于，所述方法包括以下步骤：

步骤1，用工业CCD相机对岩心进行扫描以获取岩心外表面图片；

步骤2，对岩心外表面图片进行预处理得到岩心预处理图；

步骤3，对岩心预处理图进行边缘检测得到边缘轮廓构成的各个裂缝区域，所述各个裂缝区域构成第一集合；

步骤4，对第一集合进行处理，筛选出天然裂缝集合；

步骤5，修复天然裂缝集合中的天然裂缝图像，调整天然裂缝图像到统一大小；

步骤6，把统一大小的天然裂缝图像输入预先训练好的卷积神经网络模型，得到天然裂缝的类型；

其中，步骤4中，对第一集合进行处理，筛选出天然裂缝集合的方法，包括以下子步骤：

步骤4.1，设置变量i，初始化i的值为1；令N为第一集合中元素的数量；第一集合为G={G_j}，G_j为G中第j个裂缝区域图像，将G_j转化为G_j图像的像素矩阵中像素的集合，其中，j取值范围为[1,N]，建立空集合G’；

步骤4.2，依次提取G_i中的像素中标记P_edge为TRUE的像素的像素集合为PX_a,Y_a，X_a,Y_a是其中第a个像素的坐标，k是P_edge为TRUE的像素数量，a≤k；

步骤4.3，设置变量b的值为1，建立空集合DPdp_e，空集合DP_MAXdp_f，dp_e和dp_f均为像素，建立空集合DP_AVGdC_avg；

步骤4.4，设置变量c=b+step1，变量d=c+step2，step1和step2为步进值，如果dk，则跳转到步骤4.11，否则跳转步骤4.5；

其中，步进值step1值和step2值的获取方式为：通过Harris角点检测对PX_a,Y_a的像素点集合构成的封闭区域进行检测得到多个角点，令各个角点的集合为CPX_a,Y_a，步进值step1为从p1(x_b,y_b)开始的到与p1(x_b,y_b)距离最近的角点做为的第一角点构成线段上的像素数量，令距离第一角点最近的角点为第二角点，步进值step2为从第一角点开始到第二角点构成线段的像素数量, 其中p1(x_b,y_b)是集合PX_a,Y_a中第b个像素；

步骤4.5，从集合PX_a,Y_a中取得像素p1(x_b,y_b)， p2(x_c,y_c)，p3(x_d,y_d)，其中(x_c,y_c)是集合PX_a,Y_a中第c个像素的坐标，(x_d,y_d)是集合PX_a,Y_a中第d个像素的坐标；

步骤4.6，p1(x_b,y_b)，p2(x_c,y_c)，p3(x_d,y_d)构成三角形，构造所述三角形的外接圆，圆心为C_b，外接圆的半径为C_r，把C_r加入DP_AVGdC_avg；

步骤4.7，设置变量e的值为1；

步骤4.8，从集合PX_a,Y_a中取得像素p0(x_e,y_e)，设置dp_e为p0(x_e,y_e)到C_b的欧几里得距离，连同像素p0(x_e,y_e)加入集合DPdp_e，(x_e,y_e)是集合PX_a,Y_a中第e个像素的坐标；

步骤4.9，将变量e的值增加1，如果e≤k，跳转步骤4.8，否则跳转步骤4.10；

步骤4.10，计算DP_AVGdC_avg各个元素的算术平均值，从集合DPdp_e中选出大于所述算术平均值的元素，将各个选出的所述元素及其对应的像素坐标加入集合DP_MAXdp_f，变量b的值增加1，把集合DPdp_e清空，跳转到步骤4.4；

步骤4.11，取得DP_MAXdp_f中各个元素的频数和其对应坐标(x_g,y_g)，从中剔除在CPX_a,Y_a中的元素，构成集合EXCL(x_h,y_h)，其中所述元素的频数指的是所选元素在集合DP_MAXdp_f出现的次数，其中(x_h,y_h)是集合EXCL(x_h,y_h)中第h个像素的坐标，h的取值范围为[1,k]；

步骤4.12，从集合G_i中剔除EXCL(x_h,y_h)中的元素后合并到集合G’中，将变量i的值增加1；

步骤4.13，如果i≤N，跳转到步骤4.2，否则跳转到步骤4.14；

步骤4.14，令G’集合为第二集合，第二集合即为剔除了人工裂缝的天然裂缝集合；

在步骤5中，修复天然裂缝集合中的天然裂缝图像的方法包括以下子步骤：

步骤5.1，设置变量p和q，初始化p和q的值为1；令M为第二集合G’中元素的数量；第二集合为G’={G’_r}，将G’_r转化为G’_r图像的像素矩阵中像素的集合，G’_r为G’中第r个裂缝图像，其中，r取值范围为[1,M]；

步骤5.2，通过直线检测方法检测得到G’_p中的直线段集合L，所述直线检测方法包括最小二乘法拟合直线、LSD线段检测、Hough变换检测直线、Ransac拟合直线中任意一种；

步骤5.3，如果L为空集则令p的值增加1并转到步骤5.2，如果L不为空集则转到步骤5.4；

步骤5.4，从集合G’中筛选出除G’_p外的各个裂缝图像的重心或几何中心P1到G’_p的重心或几何中心P2的欧氏距离小于Lmax的待合并裂缝图像集合G2，其中，Lmax为集合L中最长直线段的长度；

步骤5.5, 通过Harris角点检测对G’_p的像素点集合构成的封闭区域进行检测得到多个角点，得到的角点集合CP2X_b,Y_b，CP2X_b,Y_b中元素的数量为S，令p(x_t,y_t)为CP2X_b,Y_b中坐标为(x_t,y_t)的像素点，(x_t,y_t)是集合CP2X_b,Y_b中第t个像素的坐标，t取值范围为[1,S]；

依次扫描CP2X_b,Y_b中各个角点中与集合L中线段的任意端点距离最近的角点P3，令L2为集合L中任意端点距离与角点P3距离最近的直线段，选择集合G2中重心或几何中心P1与P3的欧氏距离最短的裂缝图像并且该裂缝图像的外接圆的直径R1小于L2的长度的裂缝图像作为待合并裂缝图像G3；

步骤5.6，将G3的外接圆与G3的各个切点相互之间构成的各个线段中选取与L2的长度的差值的绝对值E2最小的线段LQ的两个切点作为第一连接点和第二连接点；将LQ按照L2的方向旋转第一角度，按照第一角度对应的旋转G3；其中，令线段L2的两个端点为第三连接点和第四连接点，第三连接点到第四连接点的线段方向对应于G3中第一连接点到第二连接点的线段方向；

步骤5.7，将G3移动到G3的第一连接点与L2的第三连接点的重合的位置，如果E20，则通过边缘检测算子对G’_p检测边缘线，令第四连接点在G’_p边缘线上对应的坐标位置的像素点为P4点，从P4点开始，沿着第三连接点和第四连接点的线段方向，从第四连接点开始复制G’_p上截面长度为E2的边缘线，复制的边缘线的两个端点第五连接点和第六连接点，将复制的边缘线的第五连接点移动到第二连接点的坐标处，第六连接点对应的移动到第四连接点处得到新的G’_p，完成了G’_p的修复，将G3从第二集合G’中删除并将G3从待合并裂缝图像集合G2中删除；

步骤5.8，如果p＜M，将变量p的值增加1并转到步骤5.2，当p≥M时转到步骤5.9；

步骤5.9，输出第二集合G’作为修复好的天然裂缝集合；

在步骤6中， 把统一大小的天然裂缝图像输入预先训练好的卷积神经网络模型，得到天然裂缝的类型，具体包括以下子步骤：

步骤6.1，利用已有的带标记的岩心图片，分成训练数据集和测试数据集；

步骤6.2，建立预测卷积神经网络模型，把训练数据集输入模型训练；

步骤6.3，使用测试数据集验证预测模型直到准确度高于阈值；

步骤6.4，把统一大小的天然裂缝图像输入预先训练好的卷积神经网络模型，得到天然裂缝的类型，所述天然裂缝类型可以分为构造裂缝和非构造裂缝两类：构造裂缝主要包括张性裂缝、剪性裂缝和压性裂缝，而非构造裂缝则主要包括溶蚀缝、压实缝、风化缝、层间缝和沉积裂缝。