(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211010378.0 (22)申请日 2022.08.23 (71)申请人 中国石油大 学 （华东） 地址 266580 山东省青岛市黄岛区长江西 路66号 申请人 中石化经纬有限公司胜利测井公司 (72)发明人 孙建孟　迟蓬　张晋言　席习力　 刘伟　 (74)专利代理 机构 青岛智地领创专利代理有限 公司 37252 专利代理师 韩孟霞 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的多尺度数字岩心图像 构建方法 (57)摘要 本发明公开了一种基于深度学习的多尺度 数字岩心图像构建方法。 本发明利用岩心试样制 备柱塞样品并扫描， 批量获取不同分辨率的岩心 扫描图像并调整灰度值， 基于SIFT特征对各岩心 扫描图像进行图像匹配， 基于深度学习方法建立 双生成对抗网络模型， 利用中、 高分辨率岩心扫 描图像训练第一生成对抗网络模 型， 生成双尺度 数字岩心图像， 再利用双尺度数字岩心图像和图 像匹配后的低分辨率岩心扫描图像训练第二生 成对抗网络模 型， 并利用训练后的第二生成对抗 网络模型生成岩心试样的三维数字岩心图像， 确 定岩心试样的孔隙边界和微孔隙结构。 本发明解 决了不同尺度岩心扫描图像信息无法融合的问 题， 实现了对多尺度数字岩心图像的构建， 提高 了数字岩心图像的分辨 率。 权利要求书2页 说明书6页 附图3页 CN 115359317 A 2022.11.18 CN 115359317 A 1.一种基于深度学习的多尺度数字岩心图像构建方法， 其特征在于， 具体包括以下步 骤： 步骤1， 根据研究区的取芯资料获取岩心试样， 对岩心试样在同一位置处进行多级钻取 制得多个柱塞样品， 通过对各柱塞样品进行多次扫描， 批量获取不同分辨率的岩心扫描图 像； 步骤2， 根据各岩心扫描图像的灰度直方图， 将各岩心扫描图像的图像灰度值刻度至统 一灰度范围内， 基于SIFT特征对各柱塞样品的岩心扫描图像进行图像匹配， 得到岩心试样 图像匹配后的低分辨 率岩心扫描图像、 中分辨 率岩心扫描图像和高分辨 率岩心扫描图像； 步骤3， 建立用于构建双尺度数字岩心图像的第一生成对抗网络模型， 基于深度学习， 利用岩心试样图像匹配后的中分辨率岩心扫描图像和高分辨率岩心扫描图像作为训练图 像， 对第一生成对抗网络模型进行训练， 并将岩心试样图像匹配后的中分辨率岩心扫描图 像输入至训练后的第一生成对抗网络模型中， 利用第一生成对抗网络模型生成岩芯试样的 双尺度数字岩心图像； 步骤4， 建立用于构建多尺度数字岩心图像的第二生成对抗网络模型， 基于深度学习， 利用步骤3中生成的双尺度数字岩心图像和岩心试样图像匹配后的低分辨率岩心扫描图像 作为训练图像， 对第二生成对抗网络模型进行训练， 并将岩心试样图像匹配后的低分辨率 岩心扫描图像输入至训练后的第二生成对抗网络模型中， 利用第二生成对抗网络模型生成 岩心试样的三维数字岩心图像； 步骤5， 根据岩心试样的三维数字岩心图像， 确定岩心试样的孔隙边界和微 孔隙结构。 2.根据权利要求1所述的一种基于深度学习的多尺度数字岩心图像构建方法， 其特征 在于， 所述步骤1中， 基于CT扫描或FIB ‑SEM扫描或QEMSCAN扫描柱塞样品， 得到高分辨率岩 心扫描图像、 中分辨 率岩心扫描图像和低分辨 率岩心扫描图像。 3.根据权利要求2所述的一种基于深度学习的多尺度数字岩心图像构建方法， 其特征 在于， 所述高分辨率岩心扫描图像的分辨率设置为 1 μm， 中分辨率岩心扫描图像的分辨率设 置为4.16 μm， 低分辨 率岩心扫描图像的分辨 率设置为15.4 μm。 4.根据权利要求1所述的一种基于深度学习的多尺度数字岩心图像构建方法， 其特征 在于， 所述 步骤2中， 岩心扫描图像的图像灰度刻度范围为0～ 255。 5.根据权利要求1所述的一种基于深度学习的多尺度数字岩心图像构建方法， 其特征 在于， 所述 步骤3中， 具体包括以下步骤： 步骤3.1， 建立用于构建双尺度数字岩心图像的第一生成对抗网络模型， 第一生成对抗 网络模型内设置有生成器和判别器， 对第一生成对抗网络模型进行初始化， 设置生成器和 判别器的参数， 并将岩芯试样图像匹配后的中分辨率岩心扫描图像和高分辨率岩心扫描图 像作为训练图像； 步骤3.2， 将训练图像输入第一生成对抗网络模型中， 利用第 一生成对抗网络模型中的 生成器生成双尺度数字岩心图像， 双尺度数字岩心图像中包含中分辨率岩心扫描图像和高 分辨率岩心扫描图像的双重图像信息； 步骤3.3， 保持第 一生成对抗网络模型中判别器的参数不变， 将双尺度数字岩心图像和 岩心试样图像匹配后的高分辨率岩心扫描图像输入至判别器中， 判别器通过提取双尺度数 字岩心图像和高分辨率岩心扫描图像中的图像信息进 行判断， 若判别器能够判断出生成器权　利　要　求　书 1/2 页 2 CN 115359317 A 2生成的双尺度数字岩心图像为假， 则调整生成器的参数， 返回步骤3.2中继续训练生成器， 若判别器无法判断出生成器生成的双尺度数字岩心图像为 假， 则进入步骤3.4中； 步骤3.4， 保持第 一生成对抗网络模型中生成器的参数不变， 将生成器生成的双尺度数 字岩心图像和岩心试样图像匹配后的高分辨率岩心扫描图像输入判别器中， 判别器通过提 取双尺度数字岩心图像和高分辨率岩心扫描图像中的图像信息进 行判断， 若判别器无法判 断出生成器生成的双尺度数字岩心图像为假， 则调整判别器的参数， 返回步骤3.4中继续训 练判别器， 若判别器能够判断出生成器生成的双尺度数字岩心 图像为假， 则进入步骤3.5 中； 步骤3.5， 分析判别器的损失函数和生成器的损失函数， 若判别器和生成器 中的损失函 数未达到纳什均衡， 则返回步骤3.2中继续训练第一生成对抗网络模 型， 若判别器和生成器 中的损失函数达 到纳什均衡， 则完成对第一 生成对抗网络模型的训练， 进入步骤3.6中； 步骤3.6， 将岩心试样图像匹配后的中分辨率岩心扫描图像输入至训练后的第一生成 对抗网络模型中， 利用第一 生成对抗网络模型生成岩芯试样的双尺度数字岩心图像。 6.根据权利要求1所述的一种基于深度学习的多尺度数字岩心图像构建方法， 其特征 在于， 所述 步骤4中， 具体包括以下步骤： 步骤4.1， 建立用于构建多尺度数字岩心图像的第二生成对抗网络模型， 第二生成对抗 网络模型内设置有生成器和判别器， 对第二生成对抗网络模型进行初始化， 设置生成器和 判别器的参数， 并将步骤3中生成的双尺度数字岩心图像和岩心试样图像匹配后的低分辨 率岩心扫描图像作为训练图像； 步骤4.2， 将训练图像输入第二生成对抗网络模型中， 利用第 二生成对抗网络模型中的 生成器生成多尺度数字岩心图像， 多尺度数字岩心图像中包含低分辨率岩心扫描图像、 中 分辨率岩心扫描图像和高分辨 率岩心扫描图像的多重图像信息； 步骤4.3， 保持第 二生成对抗网络模型中判别器的参数不变， 将多尺度数字岩心图像和 步骤3中生成的双尺度数字岩心图像输入至判别器中， 判别器通过提取多尺度数字岩心图 像和双尺度数字岩心图像中的图像信息进 行判断， 若判别器能够判断出生成器生成的多尺 度数字岩心图像为假， 则调整生成器的参数， 返回步骤4.2中继续训练生成器， 若判别器无 法判断出生成器生成的多尺度数字岩心图像为 假， 则进入步骤4.4中； 步骤4.4， 保持第 二生成对抗网络模型中生成器的参数不变， 将生成器生成的多尺度数 字岩心图像和双尺度数字岩心图像输入判别器中， 判别器通过提取多尺度数字岩心图像和 双尺度数字岩心图像中的图像信息进 行判断， 若判别器无法判断出生成器生成的多尺度数 字岩心图像为假， 则调整判别器的参数， 返回步骤4.4中继续训练判别器， 若判别器能够判 断出生成器生成的多尺度数字岩心图像为 假， 则进入步骤4.5中； 步骤4.5， 分析判别器的损失函数和生成器的损失函数， 若判别器和生成器 中的损失函 数未达到纳什均衡， 则返回步骤4.2中继续训练第二生成对抗网络模 型， 若判别器和生成器 中的损失函数均达 到纳什均衡， 则完成对第二 生成对抗网络模型的训练， 进入步骤4.6中； 步骤4.6， 将岩心试样图像匹配后的低分辨率岩心扫描图像输入训练后的第二生成对 抗网络模型中， 利用第二 生成对抗网络模型生成岩芯试样的多尺度数字岩心图像。权　利　要　求　书 2/2 页 3 CN 115359317 A 3