[发明专利]改进深度学习算法的PDC钻头条件下岩屑图像分割方法

说明书

本发明涉及的是改进深度学习算法的PDC钻头条件下岩屑图像分割方法，它包括：一、将岩屑原图像分割成若干子块；二、建立U‑Net++神经网络模型；三、搭建多任务学习的MTLU‑Net++实例分割网络模型；四、用TensorFlow框架对实例分割网络模型进行训练；五、对训练好的实例分割网络模型进进行测试；六、将岩屑图像若干子块用实例分割网络模型分割得到图像前景和边缘特征，将图像前景和边缘特征与超像素算法分割结果再进行多特征融合；七、输出岩屑图像分割结果。本发明将一个复杂任务分解为两个子任务对网络进行训练学习，通过超像素分割与改进的U‑Net++网络分割结果再进行多特征融合，分割精度更高，效率更快。

技术领域

本发明涉及的是对PDC钻头钻井得到的岩屑图像分割的方法，具体涉及改进深度学习算法的PDC钻头条件下岩屑图像分割方法。

背景技术

图像分割是图像识别的必要前提。目前，由于PDC钻头的高进尺、高转速和钻井成本低的优点，使其在勘探领域得到了广泛的发展和应用。然而，使用PDC钻头钻井得到的岩屑十分细小且量少，这会降低了岩屑人工分割和识别的准确度。为了解决这个问题，提出多任务学习的U-Net++模型多特征融合的岩屑分割方法，提高分割精度，从而可以进一步改善后续的识别工作。

随着当今科技的快速发展，图像分割的方法层出不穷，但在岩屑的图像分割方面，常用的传统分割方法并不是十分有效。因此，设计一种有效地、可以快速且准确地完成岩屑分割方法，具有很大的市场价值。

发明内容

本发明的目的是提供改进深度学习算法的PDC钻头条件下岩屑图像分割方法，这种改进深度学习算法的PDC钻头条件下岩屑图像分割方法用于解决岩屑在PDC钻头钻取过程中受外界影响具有不确定性，使用传统的边缘提取算法并不能很好地提取岩屑的边缘特征的问题。

本发明解决其技术问题所采用的技术方案是：这种改进深度学习算法的PDC钻头条件下岩屑图像分割方法包括以下步骤：

步骤一：将岩屑原图像分割成若干子块，每个子块尺寸为256×256×3；

步骤二：建立U-Net++神经网络模型；

步骤三：搭建多任务学习的MTLU-Net++实例分割网络模型；

MTLU-Net++实例分割网络模型把图像分割任务分为边缘提取和前背景分割两个学习子任务，其中边缘提取为主任务，前背景分割为次要任务，前背景分割任务，指导边缘提取任务，两个学习子任务相互联系，参数共享，同时训练相互影响；

步骤四：用TensorFlow框架对MTLU-Net++实例分割网络模型进行训练；

步骤五：对训练好的MTLU-Net++实例分割网络模型进进行测试；

步骤六: 将步骤一得到的岩屑图像若干子块用MTLU-Net++实例分割网络模型分割得到图像前景和边缘特征，将图像前景和边缘特征与超像素算法分割结果再进行多特征融合；

步骤七:输出岩屑图像分割结果。

上述方案中步骤六具体为：用超像素分割结果对MTLU-Net++实例分割网络模型分割结果进行优化，得到最终实例分割结果；首先对岩屑图像进行超像素分割，得到若干超像素子区域块；其次通过MTLU-Net++实例分割网络模型得到前背景信息和边缘信息，以此得到初始连通域；接着对MTLU-Net++实例分割网络得到的前背景信息和边缘信息进行形态学腐蚀去除噪声点；最后设置背景阈值为T，对每个超像素子区域块进行判定，若超像素子块中的背景像素点占比大于等于T，则该超像素子块为背景，其具体公式如下：

式中，p为背景像素在整个超像素块中的占比；T为背景阈值；B为背景判别变量，如果B为1，则该超像素子块为岩屑图像背景；反之，该超像素子块属于岩屑块前景；最后对其进行划分，将每个属于岩屑块前景的超像素子区域块划分到最大占比的连通域内。