-
公开(公告)号：CN114140415A
公开(公告)日：2022-03-04
申请号：CN202111414115.1
申请日：2021-11-25
Applicant: 长江大学
Abstract: 本申请公开了一种基于深度学习的超声测井图像裂缝提取方法和装置，所述方法包括：创建初始卷积神经网络模型；获取测井成像图，并将已标记的测井成像图加入训练数据集；将所述训练数据集输入到所述初始卷积神经网络模型进行迭代训练，得到训练完备的卷积神经网络模型；获取实时测井成像图，根据所述实时测井成像图和所述训练完备的卷积神经网络模型进行裂缝图像提取。本发明的方法在基于跳跃连接的卷积神经网络模型加入了密集连接模块和SE注意力模块，提高了网络模型对裂缝这种局部特征的学习能力，提升了网络模型对裂缝提取的性能；通过声波衰减补偿消除了声波能量幅度衰减对裂缝提取的影响。
-
公开(公告)号：CN114140337B
公开(公告)日：2025-02-11
申请号：CN202111180323.X
申请日：2021-10-11
Applicant: 长江大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于模糊因子预估变分的超声测井图像盲复原方法及系统，其通过对超声测井模糊图像对数谱的分析，估计模糊因子的半径，从而提高后续迭代优化算法的稳定性，同时通过构建基于L1范数的变分盲复原模型，充分利用了超声测井图像的稀疏特性，有效提高了复原图像的质量。其相较已有的超声测井图像盲复原方法而言，能有效地提高超声测井图像的清晰度和对比度，为后续的测井勘探提供高质量的图像，具有非常好的实用性。
-
公开(公告)号：CN114140415B
公开(公告)日：2024-10-25
申请号：CN202111414115.1
申请日：2021-11-25
Applicant: 长江大学
IPC: G06T7/00 , G06N3/0464 , G06N3/08
Abstract: 本申请公开了一种基于深度学习的超声测井图像裂缝提取方法和装置，所述方法包括：创建初始卷积神经网络模型；获取测井成像图，并将已标记的测井成像图加入训练数据集；将所述训练数据集输入到所述初始卷积神经网络模型进行迭代训练，得到训练完备的卷积神经网络模型；获取实时测井成像图，根据所述实时测井成像图和所述训练完备的卷积神经网络模型进行裂缝图像提取。本发明的方法在基于跳跃连接的卷积神经网络模型加入了密集连接模块和SE注意力模块，提高了网络模型对裂缝这种局部特征的学习能力，提升了网络模型对裂缝提取的性能；通过声波衰减补偿消除了声波能量幅度衰减对裂缝提取的影响。
-
公开(公告)号：CN114140337A
公开(公告)日：2022-03-04
申请号：CN202111180323.X
申请日：2021-10-11
Applicant: 长江大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于模糊因子预估变分的超声测井图像盲复原方法及系统，其通过对超声测井模糊图像对数谱的分析，估计模糊因子的半径，从而提高后续迭代优化算法的稳定性，同时通过构建基于L1范数的变分盲复原模型，充分利用了超声测井图像的稀疏特性，有效提高了复原图像的质量。其相较已有的超声测井图像盲复原方法而言，能有效地提高超声测井图像的清晰度和对比度，为后续的测井勘探提供高质量的图像，具有非常好的实用性。
-
-
-
Search Results
4
records
(took 0.017 seconds)
