[发明专利]对地质图片钻井经纬度进行识别的方法和系统

权利要求书

1.一种对地质图片钻井经纬度进行识别的方法，其特征在于，包括：

步骤S1：提取地质图片上的坐标轴、刻度线和文本数字，对整张图像建立经纬度坐标系；

步骤S2：根据已知的钻井标志种类，生成大量的包含钻井标志的仿真图片，仿照真实的地质图片，并且把这些生成得到的仿真图片作为目标检测模型的预训练数据集；

步骤S3：通过预训练数据集对目标检测模型进行预训练，得到预训练后的预训练模型；

步骤S4：收集多张真实地质图片，并对这些地质图片的钻井进行人工标注；

步骤S5：用标注好的地质图片，对步骤S3得到的所述预训练模型进行迁移学习，得到训练后目标检测模型；

步骤S6：用所述训练后目标检测模型，检测地质图片的钻井标志，并且根据步骤S1建立的坐标系，最终得到钻井的经纬度。

2.根据权利要求1所述的对地质图片钻井经纬度进行识别的方法，其特征在于，所述步骤S1中用霍夫变换和paddle ocr工具相互辅助，联合两个工具找到的信息，建立经纬度坐标系，具体过程如下：

步骤S1.1：用霍夫变换检测水平和垂直的直线，用来检测坐标轴和刻度线；

步骤S1.2：用paddle ocr工具检测坐标轴附近的数值，这些数值表示刻度线的具体值；

步骤S1.3：设定一个初始阈值，以初始阈值为半径，根据步骤S1.2得到的数值为圆点，寻找这个圆内是否有短直线；

若这个范围以内，有且仅有一条短直线，就把短直线和数值匹配起来；

若没有短直线，适量增大阈值，即增大搜索半径，直到找到一条短直线。

3.根据权利要求1所述的对地质图片钻井经纬度进行识别的方法，其特征在于，所述目标检测模型的网络结构为：

特征图提取网络：采取残差神经网络ResNet50，输入图片统一为1920*1440*3；

特征金字塔网络：总共5层，每一层输入信道数分别是[256,512,1024,2048]，每一层输出信道数都是256；

候选框推荐网络：RPN网络的anchor尺寸设置为8,长宽比例设置为[0.5，1.0，2.0]，每一层特征图对应在原图上的步长设置为[4,8,16,32,64]；

最大池化层：输出尺寸是7*7，每一个候选框被池化到7*7大小，然后输入至后面的卷积层进行训练；

卷积神经网络：全连接层的输入信道数是256，输出信道数是1024，有两层共享全连接层，用于分类和位置回归的两个卷积层参数不共享。

4.根据权利要求1所述的对地质图片钻井经纬度进行识别的方法，其特征在于，用迁移学习的方法对目标检测模型进行训练，优化目标检测模型的网络参数，具体包括：

步骤S3.1：由计算机生成预训练数据集，模仿真实的地质图片；

步骤S3.2：把所述预训练数据集输入到目标检测模型进行预训练，通过预训练的反向传播算法，初步优化目标检测模型的网络参数；

步骤S3.3：人工标注多张真实的地质图片，作为迁移学习的数据集；

步骤S3.4：把人工标注的数据集输入到预训练得到的预训练模型，进行迁移学习；通过多数的迭代训练，不断优化目标检测模型的参数，得到最终的训练后目标检测模型。

5.根据权利要求1所述的对地质图片钻井经纬度进行识别的方法，其特征在于，采用faster rcnn目标检测模型，为二阶段的神经网络模型，预设的损失函数是：

loss＝loss_rpn+loss_rcnn

其中，loss_rpn是第一阶段的rpn网络即目标框建议网络的损失函数；

loss_rcnn是第二阶段的rcnn网络即区域卷积网络的损失函数；

loss_rpn＝loss_{rpn_cls}+loss_{rpn_reg}；

loss_rcnn＝loss_{rcnn_cls}+loss_{rcnn_reg}；

其中，cls代表目标框分类损失，reg代表目标框位置的回归损失。