基于机器学习的视频测井套管损伤图像识别方法研究

发布时间：2024-04-08 19:44

　　为保证油井在长时间作业的情况下依旧保持良好的初始形态,钻井作业完成后会使用石油套管来支撑井壁,石油套管长时间使用后会造成不同程度的损伤,因此对其检测工作必不可少。目前通过视频测井技术获得的套管损伤图像的识别工作普遍是采用人工识别方式,对专业要求严格且主观意识参与度高,工作量大。本文工作是寻求更高效的基于机器学习的视频测井套管损伤识别算法,减少工作量和工作难度。(1)使用高斯滤波方法进行了图像去噪,再基于自适应阈值算法优化传统Canny算子的图像分割方法进行了图像分割,构建了套管损伤图像样本库。(2)对套管损伤图像的灰度特征,纹理特征和形状特征参数提取后,分别使用BP神经网络和遗传算法优化的BP神经网络对套管损伤图像进行了识别。(3)基于卷积神经网络结构分别训练了ResNet网络和VGG16网络,利用Stacking模型集成方法结合ResNet、VGG16网络构建了新的网络模型,并进行了套管损伤图像的识别训练。实验发现使用VGG16网络和ResNet网络得到准确率分别为79.3%和83%,而基于Stacking模型集成的方法实现了86.5%的准确率,使准确率有所提高,使用遗传算法优化BP...

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

图3-13种套管损伤类型图像示例

12第三章视频测井套管损伤图像的预处理任何图像识别前都要对图像进行预处理工作，对数字图像的处理方法也就得到更多的关注和研究，经过图像预处理后的数字图像也会有更清晰的图像信息表述，这样在对图像的特征进行提取时也会保证更加准确的信息反映。通过视频测井得到的井下套管损伤图像一定存在随机....

图3-2扩充后图像样本示例

13训练样本图库需要进行数据增强以扩充图像样本库。首先将原始图像灰度化，之后考虑对于样本数据库的扩充主要分为两步：先将训练样本图像向四个方向像素平移，分别向水平、垂直轴顺时针偏移45°的方向移动30个像素，并将移动后出现的原位置处用像素值255填充，以此可以将样本数据量扩大4倍，....

图3-3套管损伤图像灰度直方图示例

14其中灰度值用z表示，灰度值的期望值用μ表示，灰度值的标准差用σ表示。椒盐噪声：又称为双极脉冲噪声，因为图像上表现为黑白相间的亮暗点噪声，把黑点称为椒噪声，白点称为盐噪声，所以又叫椒盐噪声[37]。其产生原因也跟设备的不稳定以及环境影响有关，因此在图像中也很常见。其概率密度函数....

图3-4裂缝图像去噪结果

16一个平缓的峰状，低频信息也就越多，滤除后图像的平滑作用越明显，反之图像低频信息滤除越少，因此通过调节σ可以平衡对图像的噪声的抑制和图像的边缘信息的保留。3.2.3套管损伤图像的去噪实现根据视频测井采集到的3600张样本数据的图象观察，发现图像存在大量的高斯噪声和椒盐的点，而要....

本文编号：3948715