声电成像测井图的识别方法及相关设备与流程

1.本技术涉及测井技术领域，具体而言，涉及一种声电成像测井图的识别方法及相关设备。


背景技术：

2.成像测井是根据钻孔中地球物理场的观测，对井壁和井周围物体进行物理参数成像的方法。井壁成像是成像测井中的重要一环，具体包括井壁声波成像和地层微电阻率扫描成像(formation microscanner image，fmi)。通过井壁声波成像或者地层微电阻率扫描成像所得到的图像可以统称为声电成像测井图。声电成像测井图可以提供丰富的井壁和井眼周围的信息，可以通过对声电成像测井图进行图像处理做定量和定性的分析，以解释不同地质特征的岩性、构造和层理，找到油气层，它对油气勘探有重要作用。
3.相关技术中，在对声电成像测井图进行分析之前，需要技术人员人工识别声电成像测井图对应的地质特征类型，该地址特征类型包括用于指示层理的层理类型、用于指示裂缝的裂缝类型和用于指示孔洞的孔洞类型。由于依赖于技术人员进行地质特征类型识别，存在工作量大和效率低的问题。


技术实现要素：

4.本技术的实施例提供了一种声电成像测井图的识别方法及相关设备，以解决相关技术中因通过技术人员人工识别声电成像测井图对应的地质特征类型所存在工作量大和效率低的问题。
5.本技术的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本技术的实践而习得。
6.根据本技术实施例的一个方面，提供了一种声电成像测井图的识别方法，包括：获取声电成像测井图；由神经网络模型根据所述声电成像测井图进行地质特征识别，得到所述声电成像测井图对应的地质特征类型；所述神经网络模型是通过样本声电成像测井图和所述样本声电成像测井图对应的标注标签进行训练得到的，所述标注标签用于指示所对应样本声电成像测井图对应的地质特征类型；所述地质特征类型包括层理类型、裂缝类型和孔洞类型。
7.在本技术的一些实施例中，所述神经网络模型包括输入层、卷积神经网络、全连接神经网络和输出层；
8.所述由神经网络模型根据所述声电成像测井图进行地质特征识别，得到所述声电成像测井图对应的地质特征类型，包括：
9.将所述声电成像测井图输入所述输入层；
10.由所述卷积神经网络对所述输入层的输出进行卷积特征提取，得到所述声电成像测井图对应的卷积特征向量；
11.由所述全连接神经网络对所述卷积特征向量进行全连接，得到所述声电成像测井
图对应的全连接特征向量；
12.由所述输出层根据所述全连接特征向量进行分类，输出所述声电成像测井图对应的地质特征标签，所述地质特征标签用于指示所述声电成像测井图对应的地质特征类型。
13.在本技术的一些实施例中，所述卷积神经网络包括一个或多个级联的第一神经网络层，所述第一神经网络层包括级联的卷积层、第一激活函数层和池化层；所述全连接神经网络包括一个或多个第二神经网络层，所述第二神经网络层包括级联的全连接层、第二激活函数层和dropout层。
14.在本技术的一些实施例中，所述方法还包括：
15.获取训练样本集合，所述训练样本集合包括一个或多个样本声电成像测井图和所述样本声电成像测井图对应的标注标签，所述标注标签用于指示所述样本声电成像测井图实际对应的地质特征类型；
16.由所述神经网络模型对所述样本声电成像测井图进行地质特征类型预测，得到所述样本声电成像测井图对应的预测标签；
17.根据所述样本声电成像测井图对应的预测标签和所述样本声电成像测井图对应的标注标签，调整所述神经网络模型的参数；
18.在达到所述神经网络模型的收敛条件时，结束所述神经网络模型的训练。
19.在本技术的一些实施例中，所述获取声电成像测井图，包括：
20.获取原始声电成像测井图；
21.对所述原始声电成像测井图进行预处理，得到所述声电成像测井图，所述预处理包括滤波处理和图像增强处理中的至少一项。
22.在本技术的一些实施例中，所述由神经网络模型根据所述声电成像测井图进行地质特征识别，得到所述声电成像测井图对应的地质特征类型之后，所述方法还包括：
23.对所述声电成像测井图进行图像分割，得到二值图像；
24.根据所述二值图像中各像素点的灰度值进行边缘检测，确定所述声电成像测井图中的轮廓线；
25.根据所确定所述声电成像测井图中轮廓线所在的像素点，计算地质特征参数，所述地质特征参数用于描述所述声电成像测井图所示出的地质特征，所述地质特征包括层理、裂缝和孔洞。
26.在本技术的一些实施例中，所述根据所述二值图像中各像素点的灰度值进行边缘检测，确定所述声电成像测井图中的轮廓线，包括：
27.根据所述二值图像中各个像素点的灰度值，对所述二值图像中的实体对象进行标记；
28.对所述二值图像中被标记的实体对象进行轮廓跟踪和提取，确定所述实体对象的边界点；
29.根据所述实体对象的边界点进行曲线拟合，得到所述声电成像测井图中的轮廓线。
30.根据本技术实施例的一个方面，提供了一种声电成像测井图的识别装置，包括：获取模块，用于获取声电成像测井图；地质特征识别模块，用于由神经网络模型根据所述声电成像测井图进行地质特征识别，得到所述声电成像测井图对应的地质特征类型；所述神经
网络模型是通过样本声电成像测井图和所述样本声电成像测井图对应的标注标签进行训练得到的，所述标注标签用于指示所对应样本声电成像测井图对应的地质特征类型；所述地质特征类型包括层理类型、裂缝类型和孔洞类型。
31.在本技术的一些实施例中，所述神经网络模型包括输入层、卷积神经网络、全连接神经网络和输出层；地质特征识别模块包括：输入单元，用于将所述声电成像测井图输入所述输入层；卷积特征提取单元，用于由所述卷积神经网络对所述输入层的输出进行卷积特征提取，得到所述声电成像测井图对应的卷积特征向量；全连接单元，用于由所述全连接神经网络对所述卷积特征向量进行全连接，得到所述声电成像测井图对应的全连接特征向量；分类单元，用于由所述输出层根据所述全连接特征向量进行分类，输出所述声电成像测井图对应的地质特征标签，所述地质特征标签用于指示所述声电成像测井图对应的地质特征类型。
32.在本技术的一些实施例中，所述卷积神经网络包括一个或多个级联的第一神经网络层，所述第一神经网络层包括级联的卷积层、第一激活函数层和池化层；所述全连接神经网络包括一个或多个第二神经网络层，所述第二神经网络层包括级联的全连接层、第二激活函数层和dropout层。
33.在本技术的一些实施例中，声电成像测井图的识别装置还包括：训练样本集合获取模块，用于获取训练样本集合，所述训练样本集合包括一个或多个样本声电成像测井图和所述样本声电成像测井图对应的标注标签，所述标注标签用于指示所述样本声电成像测井图实际对应的地质特征类型；预测模块，用于由所述神经网络模型对所述样本声电成像测井图进行地质特征类型预测，得到所述样本声电成像测井图对应的预测标签；参数调整模块，用于根据所述样本声电成像测井图对应的预测标签和所述样本声电成像测井图对应的标注标签，调整所述神经网络模型的参数；训练结束模块，用于在达到所述神经网络模型的收敛条件时，结束所述神经网络模型的训练。
34.在本技术的一些实施例中，获取模块包括：获取单元，用于获取原始声电成像测井图；预处理单元，用于对所述原始声电成像测井图进行预处理，得到所述声电成像测井图，所述预处理包括滤波处理和图像增强处理中的至少一项。
35.在本技术的一些实施例中，声电成像测井图的识别装置还包括：图像分割模块，用于对所述声电成像测井图进行图像分割，得到二值图像；边缘检测模块，用于根据所述二值图像中各像素点的灰度值进行边缘检测，确定所述声电成像测井图中的轮廓线；地质特征参数计算模块，用于根据所确定所述声电成像测井图中轮廓线所在的像素点，计算地质特征参数，所述地质特征参数用于描述所述声电成像测井图所示出的地质特征，所述地质特征包括层理、裂缝和孔洞。
36.在本技术的一些实施例中，边缘检测模块包括：标记单元，用于根据所述二值图像中各个像素点的灰度值，对所述二值图像中的实体对象进行标记；边界点确定单元，用于对所述二值图像中被标记的实体对象进行轮廓跟踪和提取，确定所述实体对象的边界点；曲线拟合单元，用于根据所述实体对象的边界点进行曲线拟合，得到所述声电成像测井图中的轮廓线。
37.根据本技术实施例的一个方面，提供了一种电子设备，包括：处理器；存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如上所
述声电成像测井图的识别方法。
38.根据本技术实施例的一个方面，提供了一种计算机可读存储介质，其上存储有计算机可读指令，当所述计算机可读指令被处理器执行时，实现如上所述声电成像测井图的识别方法。
39.在本技术的方案中，在训练得到神经网络模型后，可以通过该神经网络模型自动识别声电成像测井图对应的地质特征类型，便于后续根据声电成电测井图对应的地质特征类型对声电成像测井图进行针对性处理。由于不需要由技术人员来识别确定声电成像测井图对应的地质特征类型，因此可以大幅减少工作量，而且提高了识别效率和速度。该神经网络模型是在训练之后才用于进行地质特征类型识别，可以保证所识别结果的准确性。
40.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。
附图说明
41.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
42.图1是根据一实施例示出的本技术实施环境的示意图。
43.图2是根据本技术的一个实施例示出的声电成像测井图的识别方法的流程图。
44.图3是根据本技术的另一个实施例示出的声电成像测井图的识别方法的流程图。
45.图4是步骤220在一实施例中的流程图。
46.图5是根据一实施例示出步骤220之后步骤的流程图。
47.图6是根据一实施例示出的声电成像测井图的识别装置的框图。
48.图7示出了适于用来实现本技术实施例的电子设备的计算机系统的结构示意图。
具体实施方式
49.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本技术将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
50.此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本技术的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本技术的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本技术的各方面。
51.附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
52.附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合
并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
53.需要说明的是：在本文中提及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
54.图1是根据一实施例示出的本技术实施环境的示意图。如图1所示，该实施环境包括声电成像测井设备110和计算机设备120，其中，声电成像测井设备110用于进行成像测井获得原始声电成像测井图；
55.计算机设备120可以是服务器，也可以是服务器集群，其用于按照本技术的方法对所获取到的原始声电成像测井图进行识别，以确定原始成像测井图对应的地质特征类型。其中，地质特征类型包括用于指示层理的层理类型、用于指示裂缝的裂缝类型和用于指示孔洞的孔洞类型。根据所识别出的地质特征类型可以确定声电成像测井图示出了哪一种地质特征(也可以称为地质结构)。对应的，地质特征包括层理、裂缝和孔洞。
56.在本技术的一些实施例中，由于在对声电成像测井图像进行识别的过程中涉及到大量的图像处理过程，而gpu(graphics processing unit，图形处理器)在图像并行处理上具有处理速度快的优势，因此，可以在计算机设备120中部署图像处理器来基于本技术的方法进行声电成像测井图像的识别。
57.在本技术的一些实施例中，计算机设备120中还可以包括显示设备，用于显示声电成像测井图以及对该声电成像测井图进行识别所得到的识别结果等。
58.以下对本技术实施例的技术方案的实现细节进行详细阐述：
59.图2是根据本技术的一个实施例示出的声电成像测井图的识别方法的流程图，该方法可以由具备处理能力的计算机设备执行，例如终端、服务器等，在此不进行具体限定。参照图2所示，该方法至少包括步骤210至220，详细介绍如下：
60.步骤210，获取声电成像测井图。
61.该声电成像测井图可以是由声电成像测井设备进行声电成像测井得到的原始图像(又称为原始声电成像测井图)，也可以是对原始声电成像测井图进行预处理后的图像。
62.声电成像测井图可以包括对井周声波成像得到的图像和微电阻率扫描成像所得到的图像。
63.在本技术的一些实施例中，步骤210进一步包括：获取原始声电成像测井图；对所述原始声电成像测井图进行预处理，得到所述声电成像测井图，所述预处理包括滤波处理和图像增强处理中的至少一项。
64.其中，滤波处理可以是中值滤波处理。中值滤波处理是将数字图像中一像素点的灰度值用该像素点的一个领域中像素点的中值灰度值代替，以让周围像素点的灰度值接近真实值，从而消除孤立的噪声点。中值滤波处理可以表示为：
65.g(x,y)＝median{f(x
‑
k,y
‑
l),(x,y)∈w}；
ꢀꢀꢀ
(公式1)
66.其中，(x,y)表示待进行中值滤波的目标像素点的坐标，median{f(x
‑
k,y
‑
l,(x,y)∈w表示目标像素点长度的邻域w中全部像素点的中值灰度值，其中邻域w的长度为k，宽度为l。
67.通过对原始声电成像测井图进行预处理，可以得到清晰合适的声电成像测井图，以避免原始声电成像测井图中的噪声点或者清晰度等原因对地质特征识别结果的影响。
68.步骤220，由神经网络模型根据所述声电成像测井图进行地质特征识别，得到所述声电成像测井图对应的地质特征类型。
69.所述神经网络模型是通过样本声电成像测井图和所述样本声电成像测井图对应的标注标签进行训练得到的，所述标注标签用于指示所对应样本声电成像测井图对应的地质特征类型；所述地质特征类型包括层理类型、裂缝类型和孔洞类型。
70.层理类型用于指示声电成像测井图中示出的地质特征为层理；裂缝类型用于指示声电成像测井图中示出的地质特征为裂缝；孔洞类型用于指示声电成像测井图中示出的地质特征为孔洞。
71.在本技术的方案中，借助于训练得到的神经网络模型来自动识别声电成像测井图所示出地质特征所属的地质特征类型，从而便于在识别出声电成像测井图对应的地质特征类型后，对该声电成像测井图进行针对性处理。
72.该神经网络模型可以是基于卷积神经网络、全连接神经网络、长短时记忆神经网络等构建的模型。
73.为保证该神经网络模型进行地质特征识别的准确度，在构建好该神经网络模型后，需要通过训练样本对该神经网络模型进行训练。
74.训练神经网络模型的具体过程可以如图3所示。如图3所示，包括：
75.步骤310，获取训练样本集合，所述训练样本集合包括若干样本声电成像测井图和所述样本声电成像测井图对应的标注标签，所述标注标签用于指示所述样本声电成像测井图实际对应的地质特征类型。
76.样本声电成像测井图是指用于训练所构建神经网络模型的声电成像测井图。同理，该样本声电成像测井图可以是对原始声电成像测井图进行预处理后的图像。
77.样本声电成像测井图对应的标注标签用于指示对技术人员对样本声电成像测井图所标记的地质特征。其中，地质特征可以包括裂缝、孔洞和层理。
78.步骤320，由所述神经网络模型对所述样本声电成像测井图进行地质特征类型预测，得到所述样本声电成像测井图对应的预测标签。
79.该样本声电成像测井图对应的预测标签用于指示神经网络模型该样本声电成像测井图所预测到的地质特征类型。
80.步骤330，根据所述样本声电成像测井图对应的预测标签和所述样本声电成像测井图对应的标注标签，调整所述神经网络模型的参数。
81.具体的，若所述样本声电成像测井图所对应预测标签指示的地质特征类型与所述样本声电成像测井图所对应标注标签指示的地质特征类型不一致，则调整所述神经网络模型的参数。在调整神经网络模型的参数后，再次通过该神经网络模型样本声电成像测井图进行地质特征类型预测，直至所得到所述样本声电成像测井图对应的预测标签所指示的地质特征类型与该样本声电成像测井图对应的标注标签所指示的地质特征类型一致。
82.若所述样本声电成像测井图所对应预测标签指示的地质特征类型与所述样本声电成像测井图所对应标注标签指示的地质特征类型一致，则继续用下一样本声电成像测井图对该神经网络模型进行训练。
83.步骤340，在达到所述神经网络模型的收敛条件时，结束所述神经网络模型的训练。
84.在具体实施例中，神经网络模型的收敛条件可以是为该神经网络模型设定的损失函数收敛，损失函数可以是均方误差函数、交叉熵误差函数等，具体可根据实际需要设定。
85.神经网络模型的收敛条件还可以是训练后该神经网络模型的预测准确率满足设定的准确度要求。为了得到该神经网络模型的预测准确率，通过区别于样本声电成像测井图的其他声电成像测井图对该神经网络模型进行测试(为便于描述，将用于对神经网络模型进行测试的声电成像测井图称为测试声电成像测井图)。
86.具体的，将测试声电成像测井图输入至训练后的神经网络模型中，由该神经网络模型对该测试声电成像测井图进行地质特征类型预测，得到对应的预测标签；然后基于多个测试声电成像测井图对应的预测标签所指示的地质特征和所对应标注标签所指示的地质特征来计算该神经网络模型的预测准确率。
87.在其他实施例中，神经网络模型的收敛条件还可以是该神经网络模型的迭代次数达到设定次数。
88.通过如上的训练过程，可以保证训练后的神经网络模型可以准确地根据声电成像测井图预测该声电成像测井图对应的地质特征类型。
89.在本技术的一些实施例中，所述神经网络模型包括输入层、卷积神经网络、全连接神经网络和输出层；在本实施例中，如图4所示，步骤220进一步包括：
90.步骤410，将所述声电成像测井图输入所述输入层。
91.步骤420，由所述卷积神经网络对所述输入层的输出进行卷积特征提取，得到所述声电成像测井图对应的卷积特征向量。
92.在本技术一些实施例中，所述卷积神经网络可以包括若干级联的第一神经网络层。通过级联的多个第一神经网络层来多层级地进行卷积特征提取，以使得最终所得到的卷积特征向量可以更全面表达声电成像测井图的特征。在其他实施例中，卷积神经网络还可以包括一个第一神经网络层。
93.在本技术的一些实施例中，所述第一神经网络层包括级联的卷积层、第一激活函数层和池化层。卷积层通过其中设定的卷积核对输入层的输出进行卷积操作。第一激活层用于对第一神经网络层进行激活，提高该第一神经网络层的非线性表达能力。在具体实施例中，第一激活函数层中的激活函数可以是relu函数，relu函数的表达式为：
94.f(x)＝max(0,x)；
ꢀꢀꢀ
(公式2)
95.当然，第一激活函数层中的激活函数并不限于relu函数，还可以是其他激活函数，例如sigmoid函数。
96.池化层的主要目的是通过降采样的方式，在不影响图像质量的情况下，压缩图像，减少参数。
97.步骤430，由所述全连接神经网络对所述卷积特征向量进行全连接，得到所述声电成像测井图对应的全连接特征向量。
98.在本技术一些实施例中，所述全连接神经网络可以包括一层第二神经网络层，也可以包括若干级联的第二神经网络层，通过级联的多个第二神经网络层来多级进行全连接。
99.在本技术的一些实施例中，所述第二神经网络层包括级联的全连接层、第二激活函数层和dropout层。
100.全连接层中全连接的核心操作是矩阵向量乘积，本质是由一个特征空间线性变换到另一个特征空间，该全连接层相当于对之前的神经网络层所提取的局部特征通过权值矩阵进行加权。
101.同第一激活函数层，第二激活函数层是用于提高第二神经网络层的非线性表达能力。第二激活函数层中设置的激活函数可以是与第一激活函数层中设置的激活函数相同，也可以不同，在此不进行具体限定。
102.dropout层用于解决神经网络模型容易过拟合的问题，具体的，在神经网络模型训练的过程中，按照一定的概率将dropout层中的一些神经元从丢弃。dropout层的处理过程如下：首先随机所在层中一半的隐藏神经元，输入神经元和输出神经元保持不变；然后把输入通过修改后的网络前向传播，然后把得到的损失结果通过修改的网络反向传播。一小批训练样本执行完这个过程后，在没有被删除的神经元上按照随机梯度下降法更新对应的参数；重复上述两个步骤。
103.由于随机的让一些神经元不工作了，因此可以避免某些特征只在固定组合下才生效，有意识地让网络去学习一些普遍的共性，而不是某些训练样本的一些特性，从而可以有效防止过拟合。
104.步骤440，由所述输出层根据所述全连接特征向量进行分类，输出所述声电成像测井图对应的地质特征标签，所述地质特征标签用于指示所述声电成像测井图对应的地质特征类型。其中，输出层可以通过softmax函数来对全连接特征向量进行分类。
105.在本实施例中，卷积神经网络和全连接神经网络可以统称为该神经网络模型的隐藏层，当然，该隐藏层为多层。
106.在本技术的一具体实施例中，该神经网络模型包括九层，其中该第一层为输入层；第二层为隐藏层，其包括一个卷积层、一个激活函数层和一个池化层；第三层为隐藏层，其包括一个卷积层、一个激活函数层和一个池化层；第四层为隐藏层，其包括一个卷积层、一个激活函数层和一个池化层；第五层为隐藏层，其包括一个卷积层、一个激活函数层和一个池化层；第六层为隐藏层，其包括一个全连接层、一个激活函数层和一个dropout层；第七层为隐藏层，其包括一个全连接层、一个激活函数层和一个dropout层；第八层为输出层，其包括一个softmax层。
107.在本实施例中，第二层、第三层、第四层、第五层可以分别作为第一神经网络层，该第二层、第三层、第四层和第五层组成上述的卷积神经网络。第六层、第七层和第八层可以分别作为第二神经网络层，第六层、第七层和第八层组成了上述的全连接神经网络。
108.通过如上的过程，该神经网络模型可以基于输入的声电成像测井图输出该声电成像测井图对应的地质特征标签，进而基于该地质特征标签确定该声电成像测井图所属的地质特征。
109.在本技术的方案中，在训练得到神经网络模型后，可以通过该神经网络模型自动识别声电成像测井图对应的地质特征类型，便于后续根据声电成电测井图对应的地质特征类型对声电成像测井图进行针对性处理。相关技术中，需要技术人员来识别确定声电成像测井图对应的地质特征类型，如果需要识别的声电成像测井图数量较多，则工作量大，花费时间长，而且，还可能因为技术人员的主观因素导致所确定的地质特征类型结果错误。而在本技术的方案，通过训练后的神经网络模型来对声电成像测井图自动进行地质特征类型的
识别，不需要由技术人员来确定，可以大幅减少工作量，而且提高了识别效率和速度。由于该神经网络模型是在训练之后才用于进行地质特征类型识别，可以保证所识别结果的准确性，而且识别结果不会受到主观因素的影响。
110.在本技术的一些实施例中，采用本技术的方法可以对声电成像测井图集合中的每一声电成像测井图进行地质特征类型识别，确定每一声电成像测井图对应的地质特征类型的基础上，可以基于地质特征类型对声电成像测井图集合中的声电成像测井图进行分类。然后按照每一种地质特征类型对应的处理方法对归属于对应地质特征类型的声电成像测井图进行处理。
111.在本技术的一些实施例中，针对每一种地质特征类型，设定了进行地质特征参数计算的处理过程，因此，在完成上述的分类过程后，可以按照对应的地质特征参数计算的处理过程来基于声电成像测井图进行地质特征参数计算。
112.在本技术的一些实施例中，如图5所示，步骤220之后，该方法还包括：
113.步骤510，对所述声电成像测井图进行图像分割，得到二值图像。
114.在步骤510中，可以基于设定阈值对该声电成像测井图进行图像分割。在二值图像对应的矩阵只有0和1两个值，值为0的像素点在图像中显示为一种颜色，值为1的像素点在图像中显示为另一种颜色。因此，在图像分割过程中，对于声电成像测井图中灰度值大于该设定阈值的像素点，将该像素点的灰度值置为1；对于声电成像测井图中灰度值不大于该设定阈值的像素点，将该像素点的灰度值置为0。
115.在本技术的一些实施例中，由于在图像分割过程中，可能会出现噪声，因此，在步骤520之前，还可以进一步对该二值图像进行去噪处理。具体的，通过对二值图像依次进行开运算(先腐蚀后膨胀)和闭运算(先膨胀后腐蚀)，通过开运算可以去除二值图像中一些孤立的噪声，通过闭运算可以填平一些小孔；通过进行开运算和闭运算可以消除二值图像中的噪声，实现去噪。
116.步骤520，根据所述二值图像中各像素点的灰度值进行边缘检测，确定所述声电成像测井图中的轮廓线。
117.在二值图像中，轮廓线对应于灰度值出现突变的位置，沿轮廓线走向，灰度值变化比较平缓，垂直于轮廓线走向，灰度值变化较为剧烈。因此，可以通过分析二值图像中灰度值的梯度或断点，来进行边缘检测，确定声电成像测井图中的轮廓线。
118.在本技术的一些实施例中，步骤520进一步包括：
119.步骤521，根据所述二值图像中各个像素点的灰度值，对所述二值图像中的实体对象进行标记。
120.在本技术的一些实施例中，可以采用目标编号标注法来对二值图像中的实体对象进行标记。具体的，只要二值图像中的两个像素点八点连通，我们就认为这两个像素点属于同一实体对象。对于声电成像测井图而言，地质层中的表示实体可以称为实体对象，而地质层中标识裂缝、孔洞等空隙区域可以视为非实体对象。
121.步骤522，对所述二值图像中被标记的实体对象进行轮廓跟踪和提取，确定所述实体对象的边界点。
122.在对二值图像中的实体对象进行标记的基础上，从而可以确定二值图像中的实体对象，当然，所示出的实体对象可以包括一个或者多个。由于地质层中实体与空隙等是交错
分布的，因此，在二值图像中，实体对象和非实体对象的区域是同时存在的。通过二值图像中所标记出的实体对象进行轮廓跟踪和提取，可以确定每一实体对象与所相邻非实体对象的边界点。
123.在本技术的一些实施例中，可以预先选定表示实体对象的一像素点作为初始边界点，然后按照预设的搜索顺序(例如从左到右、从上到下)进行搜索以确定下一边界点，按照此过程，可以确定二值图像中每一实体对象与非实体对象之间的全部边界点。
124.步骤523，根据所述实体对象的边界点进行曲线拟合，得到所述声电成像测井图中的轮廓线。
125.在本技术的一些实施例中，可以在确定边界点的情况下，采用hough变换的方法，将二值图像中所确定的边界点变换到参数空间中，从而确定描述边界点所形成轮廓线的描述参数。
126.进一步的，在基于所确定的边界点提取得到轮廓线和得到描述该轮廓线的基础上，进一步对该轮廓线进行曲线拟合，从而得到对应的轮廓线。
127.步骤530，根据所确定所述声电成像测井图中轮廓线所在的像素点，计算地质特征参数，所述地质特征参数用于描述所述声电成像测井图所示出的地质特征，所述地质特征包括层理、裂缝和孔洞。
128.用于描述裂缝的地质特征参数可以包括：裂缝面积、裂缝长度、裂缝平均宽度、裂缝最大宽度、裂缝分形维数、倾角、缝面孔率等。
129.用于描述孔洞的地质特征参数可以包括：孔洞数量、长度、宽度、面积、直径、孔洞面孔率等。
130.用于描述层理的地质特征参数可以包括：厚度、倾角等。
131.由于确定了声电成像测井图中实体对象的轮廓线，从而，对应可以确定非实体对象所在的区域，在此基础上，基于非实体对象所在区域中的像素点来进行地质特征参数的计算。
132.可以理解的是，由于地质特征的不同，上述不同地质特征参数的计算过程也可能存在差异，但是都是基于所确定的轮廓线来进行对应特征参数的计算。
133.以下介绍本技术的装置实施例，可以用于执行本技术上述实施例中的方法。对于本技术装置实施例中未披露的细节，请参照本技术上述方法实施例。
134.图6是根据一实施例示出的声电成像测井图的识别装置的框图，如图6所示，该声电成像测井图的识别装置包括：
135.获取模块610，用于获取声电成像测井图；
136.地质特征识别模块620，用于由神经网络模型根据所述声电成像测井图进行地质特征识别，得到所述声电成像测井图对应的地质特征类型；所述神经网络模型是通过样本声电成像测井图和所述样本声电成像测井图对应的标注标签进行训练得到的，所述标注标签用于指示所对应样本声电成像测井图对应的地质特征类型；所述地质特征类型包括层理类型、裂缝类型和孔洞类型。
137.在本技术的一些实施例中，所述神经网络模型包括输入层、卷积神经网络、全连接神经网络和输出层；地质特征识别模块620包括：
138.输入单元，用于将所述声电成像测井图输入所述输入层；
139.卷积特征提取单元，用于由所述卷积神经网络对所述输入层的输出进行卷积特征提取，得到所述声电成像测井图对应的卷积特征向量；
140.全连接单元，用于由所述全连接神经网络对所述卷积特征向量进行全连接，得到所述声电成像测井图对应的全连接特征向量；
141.分类单元，用于由所述输出层根据所述全连接特征向量进行分类，输出所述声电成像测井图对应的地质特征标签，所述地质特征标签用于指示所述声电成像测井图对应的地质特征类型。
142.在本技术的一些实施例中，所述卷积神经网络包括若干级联的第一神经网络层，所述第一神经网络层包括级联的卷积层、第一激活函数层和池化层；所述全连接神经网络包括若干第二神经网络层，所述第二神经网络层包括级联的全连接层、第二激活函数层和dropout层。
143.在本技术的一些实施例中，声电成像测井图的识别装置还包括：
144.训练样本集合获取模块，用于获取训练样本集合，所述训练样本集合包括若干样本声电成像测井图和所述样本声电成像测井图对应的标注标签，所述标注标签用于指示所述样本声电成像测井图实际对应的地质特征类型；
145.预测模块，用于由所述神经网络模型对所述样本声电成像测井图进行地质特征类型预测，得到所述样本声电成像测井图对应的预测标签；
146.参数调整模块，用于根据所述样本声电成像测井图对应的预测标签和所述样本声电成像测井图对应的标注标签，调整所述神经网络模型的参数；
147.训练结束模块，用于在达到所述神经网络模型的收敛条件时，结束所述神经网络模型的训练。
148.在本技术的一些实施例中，获取模块610包括：
149.获取单元，用于获取原始声电成像测井图；
150.预处理单元，用于对所述原始声电成像测井图进行预处理，得到所述声电成像测井图，所述预处理包括滤波处理和图像增强处理中的至少一项。
151.在本技术的一些实施例中，声电成像测井图的识别装置还包括：
152.图像分割模块，用于对所述声电成像测井图进行图像分割，得到二值图像；
153.边缘检测模块，用于根据所述二值图像中各像素点的灰度值进行边缘检测，确定所述声电成像测井图中的轮廓线；
154.地质特征参数计算模块，用于根据所确定所述声电成像测井图中轮廓线所在的像素点，计算地质特征参数，所述地质特征参数用于描述所述声电成像测井图所示出的地质特征，所述地质特征包括层理、裂缝和孔洞。
155.在本技术的一些实施例中，边缘检测模块包括：
156.标记单元，用于根据所述二值图像中各个像素点的灰度值，对所述二值图像中的实体对象进行标记；
157.边界点确定单元，用于对所述二值图像中被标记的实体对象进行轮廓跟踪和提取，确定所述实体对象的边界点；
158.曲线拟合单元，用于根据所述实体对象的边界点进行曲线拟合，得到所述声电成像测井图中的轮廓线。
159.图7示出了适于用来实现本技术实施例的电子设备的计算机系统的结构示意图。
160.需要说明的是，图7示出的电子设备的计算机系统700仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
161.如图7所示，计算机系统700包括中央处理单元(central processing unit，cpu)701，其可以根据存储在只读存储器(read
‑
only memory，rom)702中的程序或者从存储部分708加载到随机访问存储器(random access memory，ram)703中的程序而执行各种适当的动作和处理，例如执行上述实施例中的方法。在ram 703中，还存储有系统操作所需的各种程序和数据。cpu701、rom702以及ram 703通过总线704彼此相连。输入/输出(input/output，i/o)接口705也连接至总线704。
162.以下部件连接至i/o接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(cathode ray tube，crt)、液晶显示器(liquid crystal display，lcd)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如lan(local area network，局域网)卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至i/o接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
163.特别地，根据本技术的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本技术的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(cpu)701执行时，执行本技术的系统中限定的各种功能。
164.需要说明的是，本技术实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(erasable programmable read only memory，eprom)、闪存、光纤、便携式紧凑磁盘只读存储器(compact disc read
‑
only memory，cd
‑
rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本技术中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
165.附图中的流程图和框图，图示了按照本技术各种实施例的系统、方法和计算机程
序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
166.描述于本技术实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
167.作为另一方面，本技术还提供了一种计算机可读存储介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读存储介质承载计算机可读指令，当该计算机可读存储指令被处理器执行时，实现上述任一实施例中的方法。
168.根据本技术的一个方面，还提供了一种电子设备，其包括：处理器；存储器，存储器上存储有计算机可读指令，计算机可读指令被处理器执行时，实现上述任一实施例中的方法。
169.根据本技术实施例的一个方面，提供了计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述任一实施例中的方法。
170.应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本技术的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
171.通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本技术实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd
‑
rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本技术实施方式的方法。
172.本领域技术人员在考虑说明书及实践这里公开的实施方式后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。
173.应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求来限制。