改进深度学习算法的PDC钻头条件下岩屑图像分割方法与流程

改进深度学习算法的pdc钻头条件下岩屑图像分割方法
技术领域
1.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：

2.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。
3.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。


技术实现要素：

4.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。
5.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。
6.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。
7.本发明具有以下有益效果：1、在岩屑分割过程中，由于岩屑在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。因此，本发明提出基于多任务学习的u-net 深度学习和多特征融合的图像分割方法。将一个复杂任务分解为两个子任务对网络进行训练学习，改善了图像实例分割任务的效果；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，优化分割效果，最终得到分割精度更高，效率更快高，鲁棒性更强的岩屑图像处理方法。
8.2、本发明分割出每块岩屑；提供一种改进的u-net 图像实例分割网络模型，将多任务学习融入网络形成改进思路；提供一种超像素分割算法与深度学习网络模型分割算法分割结果多特征融合的方法，提高分割精度。
附图说明
9.图1 pdc钻头条件下某一深度的白光原图；图2 白光原图分割成子块结果图；图3改进多任务学习u-net 网络（mtlu-net 实例分割网络模型）结构图；图4多任务学习u-net 网络岩屑分割前景结果图与背景结果图；图5图像分割原理框架图；图6最终岩屑图像分割结果图。
具体实施方式
10.下面结合附图对本发明作进一步的说明：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，以u-net分割模型为基础，引入多任务学习方法，提出一种多任务学习的改进u-net 图像实例分割网络模型（mtlu-net 实例分割网络模型），并对深度学习分割结果与超像素算法分割结果进行多特征融合得到最终分割结果，具体是在pdc钻头条件下进行钻井，采集不同井深的细小岩屑颗粒图像，利用mtlu-net 实例分割网络模型深度学习的图像分割方法，完成岩屑图像分割工作，具体包括如下步骤：步骤一：获取某地区在pdc钻头条件下获取的某一深度的白光岩屑图，如图1；将白光岩屑图分割成若干子块，每个子块尺寸为256
×
256
×
3，如图2。
11.步骤二：建立u-net 神经网络模型，在搭建u-net 神经网络模型之前需要先建立u-net神经网络模型，u-net由编码器和解码器两部分组成，是一种具有跳跃连接的端到
端网络结构。该网络的编码器是4个下采样过程，下采样过程的卷积层可以学习到图像的语义信息。解码器是4个上采样过程，上采样的反卷积层可以学习到图像的位置信息。跳跃连接将每次下采样过程的语义特征和上采样过程的位置信息叠加，提高了模型的学习能力。
12.建立u-net 神经网络模型，为模型训练做准备，跳跃连接是一种新颖的连接方式。在网络深度方面，它可以将模型的浅层特征和深层特征联系在一起，增强模型的学习能力，降低过拟合的风险。针对这一特点，u-net 在u-net的基础上进行了改进。该网络增加了跳跃连接的次数，将每一深度的特征与其他所有深度的特征融合，步骤三：搭建多任务学习的mtlu-net 实例分割网络模型；把图像分割任务分为两个学习任务，即边缘提取和前背景分割，其中边缘提取为主任务，前背景分割为次要的任务。在mtlu-net 中，两个任务相互联系，并且它们的参数是共享的。两个任务同时训练相互影响，避免单个任务陷入局部最优，提高了学习效率和分割精度。图3虚线框中的结构为u-net 的网络结构,从网络结构可以看出，该结构充分发挥了跳跃连接的优势，将各个深度的特征联系起来，进一步优化了网络结构，提高了网络的表达能力；结合多任务学习方法和u-net 模型，建立多任务学习u-net （multi-task-learning-u-net ：mtlu-net ）的图像分割模型，将实例分割任务分解为两个子任务，用改进的u-net 模型来训练学习，该网络的主任务是边缘提取，子任务是前背景分割，并且前背景分割任务可以指导边缘提取任务。本发明改进的多任务学习模型（mtlu-net 实例分割网络模型）示意在图3虚线框外部。
13.步骤四：用tensorflow框架对mtlu-net 实例分割网络模型进行训练，得到岩屑图像分割模型。
14.步骤五：选取若干图像，对训练后的mtlu-net 实例分割网络模型进行测试，得到测试结果，如图4所示。
15.步骤六: 将mtlu-net 实例分割网络模型分割得到的前景和边缘特征与超像素算法对岩屑图像分割结果进行多特征融合，以超像素分割结果对mtlu-net 分割结果进行优化，得到最终实例分割结果。特征融合首先对岩屑图像进行超像素分割，得到若干超像素；其次通过之前多学习任务u-net 得到直接融合结果，得到初始连通域；对得到的结果进行形态学腐蚀去除噪声点；设置背景阈值为t，对每个超像素子块进行判定，若超像素子块中的背景像素点占比大于t，则该超像素子块为背景。其具体公式如下：其式中，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，则该超像素块为背景；反之，则不是。最后对每个非背景的超像素子块进行划分，将每个超像素子块划分到最大占比的连通域内。本发明整体原理框架图如图5所示。经过多任务学习u-net 模型框架和多特征融合后最终得到的岩屑图像分割结果图如图6所示。