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！

龙图腾网获悉西南石油大学申请的专利一种基于机器学习的页岩异常孔缝识别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：CN115457348B 。

龙图腾网通过国家知识产权局官网在2026-01-02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：202211144008.6，技术领域涉及：G06V10/774；该发明授权一种基于机器学习的页岩异常孔缝识别方法是由陈雁;杨志平;邓伟;闫天宇;李鹏旗;严兆;李洋冰;马立涛设计研发完成，并于2022-09-20向国家知识产权局提交的专利申请。

本一种基于机器学习的页岩异常孔缝识别方法在说明书摘要公布了：本发明公开了一种基于机器学习的页岩异常孔缝识别方法，包括以下步骤：S1、将岩石图片和标签图片进行预处理，得到训练集和测试集；S2、采用训练集和测试集训练DeepLabv3+模型，得到训练完成的DeepLabv3+模型；S3、采用训练完成的DeepLabv3+模型对待识别图片进行识别，得到像素点分类结果数组；S4、对待识别图片进行分割，得到图片上所有的孔缝轮廓集合；S5、根据孔缝轮廓集合和像素点分类结果数组，找到异常孔缝轮廓；本发明解决了现有图像孔隙自动分割准确率不高的问题。

本发明授权一种基于机器学习的页岩异常孔缝识别方法在权利要求书中公布了：1.一种基于机器学习的页岩异常孔缝识别方法，其特征在于，包括以下步骤： S1、将岩石图片和标签图片进行预处理，得到训练集和测试集； S2、采用训练集和测试集训练DeepLabv3+模型，得到训练完成的DeepLabv3+模型； S3、采用训练完成的DeepLabv3+模型对待识别图片进行识别，得到像素点分类结果数组； S4、对待识别图片进行分割，得到图片上所有的孔缝轮廓集合； S5、根据孔缝轮廓集合和像素点分类结果数组，找到异常孔缝轮廓； 所述步骤S5包括以下分步骤： S51、根据像素点分类结果数组，遍历孔缝轮廓集合中所有像素点，统计同一孔缝轮廓中各个分类结果所对应的像素点数，将像素点数最多的分类结果作为同一孔缝轮廓的类别； S52、计算各类别的孔缝轮廓的长、宽、面积、周长和像素分布方差； S53、将长、宽、面积、周长、像素分布方差和类别，构建为特征数据集； S54、从特征数据集筛选出主要特征； S55、采用k-means聚类法对主要特征进行聚类处理，得到异常孔缝轮廓； 所述步骤S52包括以下分步骤： S521、建立每个类别的孔缝轮廓的外接矩形框，将外接矩形框的长宽作为该类别的孔缝轮廓的长宽； S522、将外接矩形框内的像素点个数作为该类别的孔缝轮廓的面积； S523、统计孔缝轮廓的边缘像素点个数，作为该类别的孔缝轮廓的周长； S524、根据孔缝轮廓内平均像素值，计算孔缝轮廓的像素分布方差； 步骤S524中计算孔缝轮廓的像素分布方差的公式为： 其中，为孔缝轮廓的像素分布方差，为孔缝轮廓上的第1个像素值，为孔缝轮廓上的第2个像素值，为孔缝轮廓上的第3个像素值，为孔缝轮廓上的第个像素值，为平均像素值，为孔缝轮廓内像素值的数量； 所述步骤S54包括以下分步骤： S541、采用零均值法对特征数据集进行处理，得到标准正态分布数据； S542、根据标准正态分布数据，计算协方差矩阵； 步骤S542中计算协方差矩阵中元素的公式为： 其中，为协方差矩阵中第行第列的元素，为孔缝轮廓数量，为第个孔缝轮廓的标准正态分布数据中第维数据，为标准正态分布数据中第维数据，为第个孔缝轮廓的标准正态分布数据中第维数据，为标准正态分布数据中第维数据，为数据维数，为计算均值； S543、根据协方差矩阵，得到特征值和特征向量； S544、根据特征值和特征向量，得到主成分； S545、将主成分作为主要特征。

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西南石油大学，其通讯地址为：610500 四川省成都市新都区新都大道8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。