买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉长江大学申请的专利基于人工智能的储层荧光薄片含油性、成熟度的评价方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119477828B 。

龙图腾网通过国家知识产权局官网在2025-09-02发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411502881.7，技术领域涉及：G06T7/00；该发明授权基于人工智能的储层荧光薄片含油性、成熟度的评价方法是由王阔;苏恺明;常恣豪;曹端誌;杨高帅;丁靖瑞;徐耀辉设计研发完成，并于2024-10-25向国家知识产权局提交的专利申请。

本基于人工智能的储层荧光薄片含油性、成熟度的评价方法在说明书摘要公布了：本发明提供一种基于人工智能的储层荧光薄片含油性、成熟度的评价方法，首先采集含油荧光影像数据及对应RO值构建图像库，然后对数据预处理，用卷积神经网络提取特征，聚类分析并可视化找出异常图像再标准化处理后保存，以达到尽量减小不同环境和设备造成的误差。接着进行含油区域划分，转换颜色空间后依阈值提取，对掩码处理并过滤形状去除油浸矿物，检测边缘后提取区域并保存图像。再进行多维特征融合提取，包括颜色、灰度、纹理特征的提取与处理。之后搭建1D卷积神经网络模型，输入特征并优化参数。最后构建模型预测成熟度和含油性，调整维度后输入模型。本发明结合深度学习与计算机视觉，有高效、准确、多维度融合等优点。

本发明授权基于人工智能的储层荧光薄片含油性、成熟度的评价方法在权利要求书中公布了：1.一种基于人工智能的储层荧光薄片含油性、成熟度的评价方法，其特征是： 步骤一：采集含油荧光影像数据，以及对应的归一化的RO值，构建包含不同油源样本的图像库； 步骤二：对荧光影像数据进行预处理，包括统一图像尺寸、转换为Tensor格式和归一化处理，使用预训练的卷积神经网络提取荧光影像的高级特征，应用KMeans聚类算法对特征进行分析，并通过PCA聚类可视化，找出异常图像，对异常图像进行标准化处理，包括亮度归一化、颜色直方图匹配和对比度增强，图像处理完成后，将所有处理后的图像保存到指定的目录中，以便后续模型训练和测试时使用； 步骤三：含油区域划分：将RGB图像转换为HSV颜色空间，根据颜色阈值提取含油区域，对提取的含油区域掩码进行形态学处理，包括去除噪声和填补孔洞，对掩码进行形状过滤以去除油浸矿物，对处理后的掩码进行边缘检测，提取含油区域和矿物区域，并保存相关图像； 步骤四：多维特征融合提取：提取含油区域颜色特征，计算每个颜色通道的均值和标准差；提取灰度特征，计算灰度图像的像素值均值，提取纹理特征，使用局部二值模式进行特征提取，并进行直方图统计和归一化，对特征进行标准化处理； 步骤五：搭建1D卷积神经网络模型：构建1D卷积神经网络模型，输入多维特征，并通过多层卷积和池化操作提取特征，采用Adam优化器进行模型参数优化，确保模型的泛化能力和稳定性； 步骤六：荧光图像预测成熟度以及含油性的判断：调整特征输入的维度，以适应模型输入格式，将特征输入到训练好的1D卷积神经网络模型中，进行成熟度预测; 含油性判断通过亮度、纹理复杂度和含油区域覆盖率判断荧光图像的含油性； 含油性判断标准为：基于亮度、纹理复杂度和覆盖率，将样品分为高、中、低含油性； 高含油性： 含油区域的面积占比0.3； 含油区域的平均亮度0.6； 纹理复杂度0.05； 判断逻辑：面积较大、亮度高且纹理均匀，说明含油性较强； 中等含油性： 含油区域的面积占比0.1且≤0.3； 含油区域的平均亮度0.3且≤0.6； 纹理复杂度0.1； 判断逻辑：中等面积、亮度和适中的纹理复杂度代表中等含油性，油气生成中等； 低含油性：含油区域的面积占比≤0.1； 含油区域的平均亮度≤0.3； 纹理复杂度≥0.1； 判断逻辑：面积小、亮度低且纹理复杂，表示低含油性； 最终的成熟度值和含油性将会输出并显示，作为对给定荧光图像的成熟度预测结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人长江大学，其通讯地址为：430100 湖北省武汉市蔡甸区大学路111号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。