Система, машиночитаемый носитель и способ анализа керна по изображениям

Изобретение относится к способу компьютерной обработки и описания изображения керна. Технический результат заключается в повышении точности описания керна по изображениям. В способе получают изображение керна в дневном (ДС) и ультрафиолетовом (УФ) свете; определяют цельные сегменты на изображении керна в дневном свете (ДС) с использованием метода водораздела на основании заданных настроек сегментации; формируют вектор признаков категории пород для каждого определенного ранее сегмента изображения; передают сформированные векторы признаков категории пород в мультиклассовый классификатор пород (МК1), выполненный с возможностью определения по крайней мере следующих пород - песчаник, алевролит, аргиллит; определяют области свечения на УФ-изображениях керна; формируют векторы признаков нефтенасыщенности и карбонатности для каждой определенной области свечения; передают сформированные векторы признаков нефтенасыщенности и карбонатности в мультиклассовый классификатор (МК2), выполненный с возможностью определения нефтенасыщенности и карбонатности; определяют площадь разрушенности изображения ДС и формируют аналитические выводы о степени разрушенности; формируют описание изображений керна на основании результатов определения категории пород сегментов, определения нефтенасыщенности и карбонатности областей свечения в УФ и аналитических выводах о степени разрушенности. 3 н. и 5 з.п. ф-лы, 5 ил.

 

ОБЛАСТЬ ТЕХНИКИ

Техническое решение относится к области вычислительной техники, а именно к способам и системам обработки данных керна, изображений керна.

УРОВЕНЬ ТЕХНИКИ

Ключевым способом получения информации о характеристиках залегающих пород и наличии в них извлекаемых углеводородов является колонковое бурение разведывательных скважин с последующим анализом керна, добытого из них. Керн представляет собой цилиндрический образец несколько дециметров в диаметре и несколько метров в длину. Обычно он состоит из 3-5 широких слоев породы, чередующихся узкими прослойками (слойками) включений. Будучи добытым из коллектора углеводоров, в состав керна могут входить различные нефтеносные осадочные породы, например, несцементированный песок, известняк, доломит, песчаник, алевролит, а также слои глины, образующие природные границы резервуара.

Керн требуется извлекать и перевозить неповрежденным, чтобы он сохранял свои изначальные физико-механические свойства: в первую очередь пористость (сквозную и общую) и связанную с ним газо- и гидропроницаемость (они определяют принципиальную возможность осуществлять нефтедобычу из пласта). Другим важным аспектом является точное указание изначальной ориентации керна (верх/низ), его привязка к определенной скважине и глубине, без которых дальнейшие исследования становятся бессмысленными. После извлечения, маркировки и первичного осмотра, добытый образец породы доставляют в кернохранилище для проведения детальных лабораторных испытаний. Там заранее приглашенные специалисты подрядных сервисных организаций (обычно отраслевых НИИ) сначала проводят качественные литологические исследования на макроскопическом масштабе, а затем количественные петрографические измерения уже на микроуровне.

В первую очередь керн распиливают на несколько частей, полируют и целиком фотографируют при дневном и ультрафиолетовом (УФ) свете. Последнее делают для визуальной идентификации нефти: при дневном свете нефтяные включения (особенно для образцов с крупными порами/трещинами и высокой насыщенностью) видны как темные маслянистые пятна на поверхности; в УФ свете нефть обычно фотолюминисцирует бело-синим, а иногда коричнево-желтым в зависимости от ее сорта. Даже если в образце нефть сразу не обнаруживают, для него по-прежнему идентифицируют фации (слои, имеющие общие характеристики), определяют степень раздробленности пластов и идентифицируют литотипы пород, слагающих керн. Эта информация, впоследствии используется для построения модели месторождения.

На втором этапе из интересующих зон керна подготавливают шлифы и проводят точечные петрографические измерения с помощью оптического/электронного микроскопа. Также выполняют ряд химических тестов. В частности, изучают:

1) Морфологию и размер зерен, соотношения между структурными элементами фации;

2) Химический состав пород;

3) Фильтрационно-емкостные свойства пластов (пористость, проницаемость).

Обычно из скважины извлекают для анализа сразу ~40 образцов породы длиной ~10 метров каждый. Ручной анализ 1 метра керна длится ~15 минут, что для 400 метров материала, добытого только из одной скважины, составляет 100 человеко-часов или 12,5 трудодней. Обычно разбором привезенной породы одновременно занимаются несколько человек, на что, с учетом логистики, а также времени на фотосъемку, суммарно уходит почти одна неделя.

Главной проблемой для получения быстрого и точного отчета о литологических свойствах образца, является их достаточно общий описательный формат, обычно приводимый в виде текстового заключения эксперта по полученным фотографиям керна. Такое описание оказывается во многом субъективным, так как предполагает ручную разметку границ фаций и определение пород "на глаз" по их цвету и текстуре. Из-за этого один и тот же пласт может у разных специалистов иметь немного разнящийся литотип. Другим сдерживающим фактором является ограниченные возможности человеческого глаза различать близкие оттенки, по причине чего иногда упускаются похожие по цвету включения. Здесь также следует отметить, что в УФ свете люминесцировать может не только сама нефть, но и карбонаты в составе породы-коллектора, чей цвет может ранжироваться от оранжево-коричневого до, в редких случаях, фиолетового, что вносит дополнительные сложности в осуществление разметки. Наконец, между заключениями разных экспертов возможны терминологические разночтения, так как анализом керна обычно занимаются внешние подрядные организации, которые могут использовать свои собственные обозначения.

Перечисленные выше проблемы, приводят к весьма долгому и не всегда достаточно точному литологическому анализу керна.

Из уровня техники известна публикация заявки на патент КНР CN110119753 A "Method for recognizing lithology through reconstructed textures", CHANGJIANG GEOTECHNICAL ENG CORPORATION; CHANGJIANG INST SURVEY PLANNING DESIGN & RES CO LTD, которая раскрывает техническое решение, используемое для определения литологической структуры пород с выделения характерных черт на изображении образца породы. Техническое решение позволяет определить категорию породы по некоторым характерным признакам.

Из уровня техники известна публикация заявки на патент США US 20170286802А1, "Automated core description", Saudi Arabian Oil Co, которая раскрывает решение по автоматическому описанию образца керна с использованием цвета, зерна, ориентации и текстуры образцов.

Описанные технические решения не позволяют полностью автоматизировать процесс разметки/описания керна по изображению, имеют более низкую точность.

СУЩНОСТЬ

Технический результат - повышение эффективности и точности описания керна по изображениям, уменьшение ошибок при описании керна, повышение степени автоматизации процесса описания изображения керна с сохранением высокой точности результатов и уменьшении влияния человеческого фактора на итоги анализа.

Способ компьютерной обработки и описания изображения керна включает следующие шаги: получают изображение керна в дневном (ДС) и ультрафиолетовом (УФ) свете; определяют цельные сегменты на изображении керна в дневном свете (ДС) с использованием метода водораздела на основании заданных настроек сегментации; формируют вектор признаков категории пород для каждого определенного ранее сегмента изображения; передают сформированные векторы признаков категории пород в мультиклассовый классификатор пород (МК1), выполненный с возможностью определения по крайней мере следующих пород - песчаник, алевролит, аргиллит; определяют области свечения на УФ изображениях керна; формируют векторы признаков нефтенасыщенности и карбонатности для каждой определенной области свечения; передают сформированные векторы признаков нефтенасыщенности и карбонатности в мультиклассовый классификатор (МК2), выполненный с возможностью определения нефтенасыщенности и карбонатности; определяют площадь разрушенности изображения ДС и формируют аналитические выводы о степени разрушенности; формируют описание изображений керна на основании результатов определения категории пород сегментов, определения нефтенасыщенности и карбонатности областей свечения в УФ и аналитических выводах о степени разрушенности.

В некоторых вариантах реализации настройки сегментации включают по крайней мере: стандартное отклонение для ядра Гаусса, величина структурирующего элемента для морфологии, коэффициент обрезки боковых областей на изображениях керна, значение коэффициента для бинаризации изображения.

В некоторых вариантах реализации при сегментации удаляют шумы с изображения при помощи фильтра Гаусса, используют оператор Собеля и метод Отсу для выделения трещин и граничных переходов между прослоями, маркируют объекты переднего плана с использованием методов морфологии.

В некоторых вариантах реализации дополнительно обрезают края изображения.

В некоторых вариантах реализации (мультиклассовый) классификатор (МК1 и/или МК2) обучается с использованием методов Random Forest или Extra Trees или Decision Tree.

В некоторых вариантах реализации векторы (для МК1 и МК2) включают по крайней мере следующие признаки: lbp feature [1..24]; moments HU [1..7]; минимальная интенсивность пикселей изображения в сегменте; средняя интенсивность пикселей изображения в сегменте; максимальная интенсивность пикселей изображения в сегменте; контраст; различие; гомогенность; энергия; корреляция; квадратичная энергия (ASM).

В некоторых вариантах реализации некоторые шаги способа выполняются при помощи/с использованием GPU.

В некоторых вариантах реализации техническое решение может быть реализовано в виде системы, включающей по крайней мере один процессор (CPU и/или GPU), ОЗУ и выполненной с возможностью выполнения/обработки/исполнения шагов/этапов описанного ранее способа компьютерной обработки и описания изображения керна.

В некоторых вариантах реализации техническое решение может быть реализовано в виде машиночитаемого носителя, содержащего машиночитаемые инструкции для выполнения при помощи процессора или иного вычислителя/обработчика способа компьютерной обработки и описания изображения керна.

В некоторых вариантах реализации система компьютерной обработки и описания изображения керна, включает по крайней мере один процессор, оперативную память и машиночитаемые инструкции, выполняемые упомянутыми процессорами с использованием оперативной памяти, причем машиночитаемые инструкции содержат шаги способа компьютерной обработки и описания изображения керна.

В некоторых вариантах реализации машиночитаемый носитель содержит инструкции способа компьютерной обработки и описания изображения керна.

КРАТКОЕ ОПИСАНИЕ ФИГУР

На фиг. 1 показано распределение значимости признаков, используемых в классификаторах.

На фиг. 2 показан иллюстративный пример блок-схемы способа компьютерной обработки и описания изображения керна.

На фиг. 3а показан иллюстративный пример последовательности действий для обогащения данных слоя атрибутом/характеристикой «Степень разрушенности».

На фиг. 3б показан иллюстративный пример словесного описания степени разрушенности слоя с указанием интервалов разрушенности.

На фиг. 4 показан иллюстративный пример системы для реализации описанного технического решения.

ПОДРОБНОЕ ОПИСАНИЕ

Используемые в настоящем описании настоящего технического решения термины «модуль», «компонент», «элемент» и подобные используются для обозначения компьютерных сущностей, которые могут являться аппаратным обеспечением/оборудованием (например, устройством, инструментом, аппаратом, аппаратурой, составной частью устройства, например, процессором, микропроцессором, интегральной схемой, печатной платой, в том числе электронной печатной платой, макетной платой, материнской платой и т.д., микрокомпьютером и так далее), программным обеспечением (например, исполняемым программным кодом, скомпилированным приложением, программным модулем, частью программного обеспечения или программного кода и так далее) и/или микропрограммой (в частности, прошивкой). Так, например, компонент может быть процессом, выполняющемся на процессоре (процессором), объектом, исполняемым кодом, программным кодом, файлом, программой/приложением, функцией, методом, (программной) библиотекой, подпрограммой, сопрограммой и/или вычислительным устройством (например, микрокомпьютером или компьютером) или комбинацией программных или аппаратных компонентов. В некоторых вариантах реализации нейросетевой модуль может быть реализован программно и/или аппаратно в виде SoC содержащего микропроцессор и/или нейронный процессор (англ. Neural Processing Unit, NPU или ИИ-ускоритель англ. AI accelerator), которой представляет специализированный класс микропроцессоров и сопроцессоров (часто являющихся специализированной интегральной схемой), используемый для аппаратного ускорения работы алгоритмов искусственных нейронных сетей, компьютерного зрения, распознавания по голосу, машинного обучения и других методов искусственного интеллекта.

Ниже будут даны определения некоторых для терминов.

Моменты изображения (англ. image moments) в компьютерном зрении, обработке изображений и смежных областях - некоторые частные средневзвешенные (момент) интенсивностей пикселей изображения, или функция таких моментов.

Способ компьютерной обработки и описания изображения керна включает следующие шаги:

получают изображение керна в дневном (ДС) и ультрафиолетовом (УФ) свете, глубину взятия пробы, начало и конец изображений относительно интервала отбора керна в метрах;

В некоторых вариантах реализации дополнительно получают информацию о скважине из которой производился отбор керна.

В некоторых вариантах реализации данные (из лаборатории) (изображения/фотографии керна в ДС и УФ) поступают в виде набора графических файлов (например, в формате -JPG). В некоторых вариантах реализации набор файлов связан с определенной скважиной и проектом (пользователь, загружающий фотографии, понимает к какому проекту и скважине относятся полученные фото и выбирает этот проект и скважину в пользовательском интерфейсе перед загрузкой данных), а также с интервалом отбора керна (интервалом долбления).

В некоторых вариантах реализации каждый файл (или порция полученных данных) содержит изображение (фотографию) одного метра керна (или меньше - остаток).

В некоторых вариантах реализации вместе с изображением керна в дневном (ДС) и ультрафиолетовом (УФ) свете получают (принимают, передают) размер кровли в метрах и см, размер подошвы в метрах и сантиметрах применительно к каждому изображения

В некоторых вариантах реализации данные могут указываться в названии соответствующего файла изображения керна, например, «3203_40_3204_40_DAL.jpg» -образец керна на данной фотографии содержит сведения с 3203.40 по 3204.40 метр глубины в дневном свете, «1900 00 1900 90 DAL.jpg» - образец керна на данной фотографии содержит сведения с 1900.00 по 1900.90 сантиметров глубины в дневном свете (не полный метр).

Далее при получении (загрузке пакета) изображений/фотографий по одной скважине и одному интервалу отбора, данные (например, из имени) будут автоматически интерпретированы как глубина данного образца и далее будут размещены на линейке (виртуальной линейке) глубины в соответствующем месте по метражу, в привязке к интервалу отбора, скважине и проекту.

В некоторых вариантах реализации глубины взятия образца автоматически привязываются к интервалу отбора керна по метражу.

В некоторых вариантах реализации изображения керна получают из внешних источников данных, например баз данных, архивов или напрямую из подключенного оборудования.

определяют цельные сегменты на изображении керна в дневном свете (ДС) с использованием метода водораздела на основании заданных настроек сегментации;

В некоторых вариантах реализации для определения сегментов используют часть между началом и концом изображений относительно интервала отбора керна в метрах.

До начала использования метода водораздела (WaterShed) осуществляют следующие шаги:

1. выполняют размытие изображения фильтром Гаусса;

2. определяют границы на размытом изображении с использованием фильтра Собеля;

3. определяют порог бинаризации с использованием метода Отсу (Оцу);

4. формируют маску используя метод бинаризации по порогу;

5. выполняют замыкание бинарного изображения (маски) структурным элементом.

6. на бинаризированном изображении (маске) удаляют небольшие внутренние «дырки»;

7. удаляют боковые области маски, которые не будут подвергаться сегментации.

8. формируют матрицу дистанций путем определения расстояние от ненулевых (т.е. не фоновых) точек до ближайшей нулевой (т.е. фоновой) точки на размытом изображении;

9. на матрице дистанций определяют точки, максимально удаленные от фоновых точек;

Затем методу водораздела подают размытое изображение после обработки фильтром Собеля (изображение с границами), в качестве начальных точек, от которых начинал работать метод (маркеры) подаются найденные точки на шаге 9, а в качестве маски, то есть области, в которой будет происходить сегментация (остальные области будут игнорироваться) подают маску, полученную на шаге 7.

В некоторых вариантах реализации в качестве структурного элемента используется диск, а параметры диска (диаметр) задаются пользователем или определяются в автоматическом режиме.

Параметры сегментации:

1. стандартное отклонение для ядра Гаусса (чем больше, тем сильнее сглаживание);

2. величина структурирующего элемента (диска) для морфологии (чем больше значение, тем более «толстые» границы/трещины выделяются для определения цельных сегментов);

3. величина окна для метода Отсу (Оцу);

4. значение коэффициента (от 0% до 50%) для обрезки боковых областей на изображениях керна.

5. значение коэффициента при методе Отсу для бинаризации изображения (чем больше, тем менее детализировано изображение - меньше сегментов). В некоторых вариантах реализации значение коэффициента определяется при выполнении методом Отсу.

В случае ДС - в маску не попадают разрушенные области, так что по ним в дальнейшем будет определяться/вычисляться степень/площадь разрушения. В случае с УФ (будет описано далее) в маску не попадают черные области без свечения.

В некоторых вариантах реализации параметры могут задаваться пользователем.

В некоторых вариантах реализации параметры могут предварительно быть заданы (например, в конфигурационных файлах или иным образом).

формируют вектор признаков категории пород для каждого определенного ранее сегмента изображения ДС керна;

Для задачи определения породы были используют по крайней мере следующие признаки основанные на: матрице смежности, локальных бинарных паттернах, глобальном описание изображения.

Матрица смежности - матрица частот пар пикселей определенной яркости, расположенных на изображении определенным образом относительно друг друга (https://en.wikipedia.org/wiki/Co-occurrence_matrix).

На основании этой матрицы определяются дополнительные характеристики/признаки, которые описывают текстуру изображения: контраст (англ. contrast), различие (англ. dissimilarity), гомогенность (англ. homogeneity), энергия (англ. energy), корреляция (англ. correlation), квадратичная энергия (англ. ASM).

Локальные бинарные паттерны представляют собой описание окрестности пикселя изображения в двоичной форме. Оператор ЛБП, применяется к пикселю изображения, использует восемь пикселей окрестности, принимая центральный пиксель в качестве порога. Пиксели, которые имеют значения больше, чем центральный пиксель (или равное ему), принимают значения 1, а те, которые меньше центрального, принимают значения 0. Таким образом получается восьмиразрядный бинарный код, который описывает окрестность пикселя. Затем определяется/вычисляется/формируется гистограмма распределения полученных восьмиразрядных кодов и использовалась в качестве вектора признаков. Для крайних пикселей гистограмма, не определяется/формируется. Они учитываются при работе с соседними пикселями, но сами центрами не становятся.

Формируется 24 (двадцать четыре) lbp [1..24] признака на основе локальных бинарных паттернов, так как рассматривается вокруг пикселя окрестность радиуса 3 (три) и по периметру этой окружности рассматривают 24 точки, которые дают характеристику области. Затем сводят это к гистограмме (распределение повторений) с количеством разделений 24, таким образом объект описывают 24 признака (количество тех или иных найденных локальных бинарных шаблонов).

Глобальное описание изображения

Для сегментов изображения вычислялась максимальная, средняя и минимальная интенсивности в области, а также моменты интенсивностей пикселей (MOMENTS HU) изображения.

Формируют признаки на основании моментов изображений.

В некоторых вариантах реализации в качестве моментов изображений используют MOMENTS HU (Rotation invariants, https://en.wikipedia.org/wiki/Image_moment).

В некоторых вариантах реализации формируют признаки [1..7] с использованием упомянутых Moments HU (Rotation invariants/инварианты вращения).

Представленные признаки определяют/вычисляют для всех сегментов, полученных после обработки и сегментации изображений методом водораздела.

В некоторых вариантах реализации формируют вектор категории пород, включающий по крайней мере следующие признаки (или их подмножество):

• lbp feature 1… lbp feature 24 (локальные бинарные паттерны);

• moments HU 1… moments HU 7;

• минимальная интенсивность пикселей изображения в области (сегменте);

• средняя интенсивность пикселей изображения в области (сегменте);

• максимальная интенсивность пикселей изображения в области (сегменте);

• контраст (contrast);

• различие (dissimilarity);

• гомогенность (homogeneity);

• энергия (energy);

• корреляция (correlation);

• квадратичная энергия (ASM).

В некоторых вариантах реализации вектор категории пород формируют для каждого сегмента (признаки, используемые в векторе, определяются для каждого сегмента раздельно).

передают сформированные векторы признаков категории пород в мультиклассовый классификатор пород, выполненный с возможностью определения по крайней мере следующих пород - песчаник, алевролит, аргиллит;

В некоторых вариантах реализации в качестве классификатора используется ранее обученный классификатор, например RandomForestClassifier или ExtraTreesClassifier или DecisionTreeClassifier.

В некоторых вариантах реализации для оценки классификатора используется кросс валидация на основе StratifiedKFold.

При использовании моделей/классификаторов на базе машинного обучения, существует вероятность, что модель/классификатор будет игнорировать классы, которые составляют меньшинство. В некоторых вариантах реализации данные обучающей выборки балансируются перед обучением.

В некоторых вариантах реализации балансировка производится с учетом разного географического расположения скважин, из которых берется проба. Одной из сложностей при обработке выборки было то, что данные были получены при съемке на разное оборудование и при разных условиях, необходимо было заложить в модель возможность предсказывать тип породы по изображениям с учетом различных условий съемки, представленных в выборке.

В некоторых вариантах реализации балансировка осуществляется следующим образом:

1) выбираются изображения ДС с типом породы из необходимых (песчаник, аргиллит, алевролит);

2) отбрасывают изображения небольшого размера (например, где общая площадь изображения меньше 1 млн. пикселей, но не ограничиваясь);

3) определяют/вычисляют гистограмму распределения выбранных изображений по месторождениям и скважинам;

4) определяют максимальное количество примеров для каждого класса и выбирают минимум, причем для классов с большим количеством примеров осуществляют перемешивание;

5) равномерно выбирают примеры из каждой скважины, пока не будет сформирована выборка необходимого размера.

Таким образом в обучающей выборке обязательно были экземпляры из различных скважин/месторождений.

В некоторых вариантах реализации каждый сегмент связывается (привязывается) с глубиной отбора и/или с расстоянием от начала интервала отбора керна. В некоторых вариантах реализации для определения размера сегмента используется пересчет интервала отбора в пиксели (с учетом разрешения изображения) и вычисления размера (высоты, ширины) сегмента в привязке к реальным размерам керна.

На выходе (после передачи вектора признаков) (мультиклассовый) классификатор определяет категорию породы и данный результат будет использоваться дальше.

определяют области свечения на УФ изображениях керна;

Для определения областей свечения используют метод водораздела и предобработку, описанную ранее (шаг определяют цельные сегменты на изображении в дневном свете с использованием метода водораздела на основании заданных настроек сегментации). Таким образом определяются/получаются только яркие (по сравнению со всем изображением) области.

формируют векторы признаков нефтенасыщенности и карбонатности для каждой определенной области свечения;

В некоторых вариантах реализации формируют вектор признаков нефтенасыщенности и карбонатности, включающий по крайней мере следующие признаки (или их подмножество):

• lbp feature 1… lbp feature 24 (локальные бинарные паттерны);

• moments HU 1… moments HU 7 (с первого по седьмой моменты вычисленные методом Hu moments);

• минимальная интенсивность пикселей изображения в области (сегменте);

• средняя интенсивность пикселей изображения в области (сегменте);

• максимальная интенсивность пикселей изображения в области (сегменте);

• контраст (contrast);

• различие (dissimilarity);

• гомогенность (homogeneity);

• энергия (energy);

• корреляция (correlation);

• квадратичная энергия (ASM).

В некоторых вариантах реализации векторы признаков нефтенасыщенности и карбонатности формируют для каждого сегмента (признаки, используемые в векторе, определяются для каждого сегмента раздельно).

передают сформированные векторы признаков нефтенасыщенности и карбонатности в мультиклассовый классификатор, выполненный с возможностью определения нефтенасыщенности и карбонатности;

В некоторых вариантах реализации в качестве классификатора используется ранее обученный классификатор, например RandomForestClassifier или ExtraTreesClassifier или DecisionTreeClassifier.

В некоторых вариантах реализации для оценки классификатора используется кросс валидация на основе StratifiedKFold.

При использовании моделей/классификаторов на базе машинного обучения, существует вероятность, что модель/классификатор будет игнорировать классы, которые составляют меньшинство. В некоторых вариантах реализации данные обучающей выборки балансируются перед обучением.

На выходе (после передачи вектора признаков) классификатор определяет нефтенасыщенность и/или карбонатность сегмента.

определяют площадь разрушенности с помощью попиксельного расчета изображения ДС и формируют аналитические выводы о степени разрушенности

Степень разрушенности определяют с использованием результатов шага формирувания маску используя метод бинаризации по порогу для изображения ДС, так как в случае ДС - в маску не попадают разрушенные области. Таким образом все остальные области, которые не попали в маску являются областями разрушености/отсутствия керна. Далее определяют попиксельную площадь этих областей и определяют отношение площадей (общая площадь изображения к сумме площадей всех разрушенных областей).

В некоторых вариантах реализации степень разрушенности может быть одна из перечисленных: разрушен, частично разрушен, не разрушен.

В некоторых вариантах реализации при анализе разрушенности определяют процентное представление отношения площадей (общая площадь изображения к сумме площадей разрушенных областей).

Рассматриваем области «разрешенные», определяют их попиксельную площадь и определяют отношение площадей (общая площадь изображения к сумме площадей всех разрушенных областей).

формируют описание изображений керна на основании результатов определения категории пород сегментов, определения нефтенасыщенности и карбонатности областей свечения в УФ и аналитических выводах о степени разрушенности.

Для формирования описания изображен керна каждый полученный сегмент изображения (с учетом привязки сегментов ДС и УФ к глубине отбора) в УФ свете принимается в качестве описываемого далее слоя, причем для каждого слоя описание формируется следующим образом:

1. параметры нефтенасыщенности и карбонатности приняты взаимоисключающими, т.е. если слой нефтенасыщенный, то он не является карбонатным;

2. нефтенасыщенность либо карбонатность является первичным критерием для выделения отдельного слоя, далее к этому слою привязывается тип породы; если в один сегмент (слой) в УФ попадает несколько сегментов с породами в ДС свете, то к слою привязываются все попадающие в него типы пород.

3. параметр разрушенности имеет минимальный вес, поэтому данная характеристика привязывается к итоговому слою, выделенному на основании п. 1 и п. 2

4. Если слой с параметрами разрушенности целиком совпадает с результирующим слоем - степень разрушенности переносится как есть, 0 - 0, 1 - 1, 2 - 2.

5. Если в пределах результирующего слоя присутствует несколько слоев с разными степенями разрушенности (например, 0 - не разрушен и 1 - частично разрушен или любые другие комбинации) - результирующему слою ставим значение 1 - частично разрушен.

Обогащают данных слоя атрибутом/характеристикой «Степень разрушенности» (фиг. 3а):

• если слой с параметрами разрушенности целиком совпадает с результирующим слоем - степень разрушенности устанавливается (переносится) как есть, 0 - 0, 1 - 1, 2-2;

• если в пределах результирующего слоя присутствует несколько слоев с разными степенями разрушенности (например, 0 - не разрушен и 1 - частично разрушен или любые другие комбинации) - результирующему слою устанавливается значение 1 -частично разрушен.

Формируют словесное описание степени разрушенности слоя с указанием интервалов разрушенности (фиг. 3б).

В некоторых вариантах реализации способ компьютерной обработки и описания изображения керна выполняется сервером и вызывается посредством API (например, REST).

В некоторых вариантах реализации на основании сформированного описания керна формируют оптимальную программу исследований, размечают образцы для последующего изготовления, решают многочисленные задачи, которые стоят перед геологическими службами.

В некоторых вариантах реализации по наличию и глубине нефтенасыщенных и плотных интервалов (характер свечения, который оценивает способ) оперативно уточняются глубины интервалов испытаний и перспективность целевого интервала в целом.

Фиг. 4 представляет пример компьютерной системы общего назначения используемой для реализации описанного способа - персональный компьютер или сервер 20, содержащий центральный процессор 21, системную память 22 и системную шину 23, которая содержит разные системные компоненты, в том числе память, связанную с центральным процессором 21. Системная шина 23 реализована, как любая известная из уровня техники шинная структура, содержащая в свою очередь память шины или контроллер памяти шины, периферийную шину и локальную шину, которая способна взаимодействовать с любой другой шинной архитектурой. Системная память содержит постоянное запоминающее устройство (ПЗУ) 24, память с произвольным доступом (ОЗУ) 25. Основная система ввода/вывода (BIOS) 26, содержит основные процедуры, которые обеспечивают передачу информации между элементами персонального компьютера 20, например, в момент загрузки операционной системы с использованием ПЗУ 24.

Персональный компьютер 20 в свою очередь содержит жесткий диск 27 для чтения и записи данных, привод магнитных дисков 28 для чтения и записи на сменные магнитные диски 29 и оптический привод 30 для чтения и записи на сменные оптические диски 31, такие как CD-ROM, DVD-ROM и иные оптические носители информации. Жесткий диск 27, привод магнитных дисков 28, оптический привод 30 соединены с системной шиной 23 через интерфейс жесткого диска 32, интерфейс магнитных дисков 33 и интерфейс оптического привода 34 соответственно. Приводы и соответствующие компьютерные носители информации представляют собой энергонезависимые средства хранения компьютерных инструкций, структур данных, программных модулей и прочих данных персонального компьютера 20.

Настоящее описание раскрывает реализацию системы, которая использует жесткий диск 27, но следует понимать, что возможно применение иных типов компьютерных носителей информации, которые способны хранить данные в доступной для чтения компьютером форме (твердотельные накопители, флеш карты памяти, цифровые диски, память с произвольным доступом (ОЗУ) и т.п.), которые подключены к системной шине 23.

Компьютер 20 имеет файловую систему 36, где хранится записанная операционная система 35, а также дополнительные программные приложения 37, другие программные модули 38 и данные программ 39. Пользователь имеет возможность вводить команды и информацию в персональный компьютер 20 посредством устройств ввода (клавиатуры 40, манипулятора «мышь» 42). Могут использоваться другие устройства ввода (не отображены): микрофон, джойстик, игровая консоль, сканер и т.п. Подобные устройства ввода по своему обычаю подключают к компьютерной системе 20 через интерфейс USB 46, который в свою очередь подсоединен к системной шине, но могут быть подключены иным способом, например, при помощи параллельного порта, игрового порта. Монитор 47 или иной тип устройства отображения также подсоединен к системной шине 23 через интерфейс, такой как видеоадаптер 48. В дополнение к монитору 47, персональный компьютер может быть оснащен другими периферийными устройствами вывода (не отображены).

Персональный компьютер 20 способен работать в сетевом окружении, при этом используется сетевое соединение с другим или несколькими удаленными компьютерами 49. Удаленный компьютер (или компьютеры) 49 являются такими же персональными компьютерами или серверами, которые имеют большинство или все упомянутые элементы, отмеченные ранее при описании существа персонального компьютера 20, представленного на Фиг. 4. В вычислительной сети могут присутствовать также и другие устройства, например маршрутизаторы, сетевые станции, пиринговые устройства или иные сетевые узлы.

Сетевые соединения могут образовывать локальную вычислительную сеть (LAN) 50 и глобальную вычислительную сеть (WAN). Такие сети применяются в корпоративных компьютерных сетях, внутренних сетях компаний и, как правило, имеют доступ к сети Интернет. В LAN- или WAN-сетях персональный компьютер 20 подключен к локальной сети 50 через сетевой адаптер или сетевой интерфейс 51. При использовании сетей персональный компьютер 20 может использовать роутер 54 или иные средства обеспечения связи с глобальной вычислительной сетью, такой как Интернет. Роутер 54, который является внутренним или внешним устройством, подключен к системной шине 23 посредством USB порта 46. Следует уточнить, что сетевые соединения являются лишь примерными и не обязаны отображать точную конфигурацию сети, т.е. в действительности существуют иные способы установления соединения техническими средствами связи одного компьютера с другим.

1. Способ компьютерной обработки и описания изображения керна включает следующие шаги:

- получают изображение керна в дневном (ДС) и ультрафиолетовом (УФ) свете;

- определяют цельные сегменты на изображении керна в дневном свете (ДС) с использованием метода водораздела на основании заданных настроек сегментации;

- формируют вектор признаков категории пород для каждого определенного ранее сегмента изображения;

- передают сформированные векторы признаков категории пород в мультиклассовый классификатор пород (МК1), выполненный с возможностью определения по крайней мере следующих пород - песчаник, алевролит, аргиллит;

- определяют области свечения на УФ-изображениях керна;

- формируют векторы признаков нефтенасыщенности и карбонатности для каждой определенной области свечения;

- передают сформированные векторы признаков нефтенасыщенности и карбонатности в мультиклассовый классификатор (МК2), выполненный с возможностью определения нефтенасыщенности и карбонатности;

- определяют площадь разрушенности изображения ДС и формируют аналитические выводы о степени разрушенности;

- формируют описание изображений керна на основании результатов определения категории пород сегментов, определения нефтенасыщенности и карбонатности областей свечения в УФ и аналитических выводах о степени разрушенности.

2. Способ по п.1, в котором настройки сегментации включают по крайней мере: стандартное отклонение для ядра Гаусса, величина структурирующего элемента для морфологии, коэффициент обрезки боковых областей на изображениях керна, значение коэффициента для бинаризации изображения.

3. Способ по п.1, в котором при сегментации удаляют шумы с изображения при помощи фильтра Гаусса, используют оператор Собеля и метод Отсу для выделения трещин и граничных переходов между прослоями, маркируют объекты переднего плана с использованием методов морфологии.

4. Способ по п.3, в котором дополнительно обрезают края изображения.

5. Способ по п.1, в котором мультиклассовый классификатор обучается с использованием методов Random Forest, или Extra Trees, или Decision Tree.

6. Способ по п.1, в котором векторы включают по крайней мере следующие признаки: lbp feature [1..24]; moments HU [1..7]; минимальная интенсивность пикселей изображения в сегменте; средняя интенсивность пикселей изображения в сегменте; максимальная интенсивность пикселей изображения в сегменте; контраст; различие; гомогенность; энергия; корреляция; квадратичная энергия (ASM).

7. Система компьютерной обработки и описания изображения керна, включающая по крайней мере один процессор, оперативную память и машиночитаемые инструкции, выполняемые упомянутыми процессорами с использованием оперативной памяти, причем машиночитаемые инструкции содержат шаги способа компьютерной обработки и описания изображения керна по п.1.

8. Машиночитаемый носитель, содержащий инструкции способа компьютерной обработки и описания изображения керна по п.1.