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！

龙图腾网恭喜西南石油大学申请的专利一种基于深度学习的岩心CT图像孔缝提取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：CN114820479B 。

龙图腾网通过国家知识产权局官网在2025-03-18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：202210383809.1，技术领域涉及：G06T7/00；该发明授权一种基于深度学习的岩心CT图像孔缝提取方法是由吴苹;闵超;蔡光银;陈伟峰;牟磊;刘仕鑫;刘鑫;黄鑫;刘素利;张杰桢;刘芳设计研发完成，并于2022-04-12向国家知识产权局提交的专利申请。

本一种基于深度学习的岩心CT图像孔缝提取方法在说明书摘要公布了：本发明涉及图像处理技术领域，涉及一种基于深度学习的岩心CT图像孔缝提取方法，其包括以下步骤：一、数据集准备；二、模型前向推理，将CT图像传入模型中，获得前向推理图的输出；三、损失计算，模型输出的特征图与真实的数据标签；四、重复步骤二和三，经过多次迭代和图像真实孔缝类别进行判断，并对图像数据计算损失，按损失占比权重进行最优化；最终利用训练好的模型器模型输出图像孔缝结果，从而实现孔缝的提取。本发明方法所提取出的孔缝图像与真实的图像孔缝在边缘上的重合度与中间的准确度都有了较大提升。

本发明授权一种基于深度学习的岩心CT图像孔缝提取方法在权利要求书中公布了：1.一种基于深度学习的岩心CT图像孔缝提取方法，其特征在于：包括以下步骤：一、数据集准备；二、模型前向推理，将CT图像传入模型中，获得前向推理图的输出，具体按如下步骤进行：1输入图像Imagegt格式为N,C,H,W，分别代表图像的批次、通道、宽度、高度；通过DSCA模块进行卷积计算，且DSCA模块的具体计算步骤如下：aDSCA模块由Conv+BN+PReLU+Conv+BN+PReLU+CBAM模块组成，其中Conv为常规卷积，2个conv的核分别为3*3,1*1，步长默认为1；expansion为控制模块大小的参数，用来控制卷积模型大小，经过计算后大小均为N,C,H,W，分别代表图像的批次、通道、宽度、高度；b输入图像先经过Conv模块，输入通道为C，输出通道为C，参数中核为3*3，步长为1*1，padding默认为1，bias设置为Flase，group参数设置为C；c特征图经过BN模块，通道数为C；d特征图经过PReLU模块，进行激活；e输入图像先经过Conv模块，输入通道为C，输出通道为C*expansion，参数中核为1*1，步长为1*1，padding默认为1，bias设置为Flase；f特征图经过BN模块，通道数为C*expansion；d特征图经过CBAM模块，计算获取到注意力特征；其中，CBAM模块包含2个独立的子模块，分别为通道注意力模块和空间注意力模块，分别进行通道与空间上的Attention，CBAM模块计算的具体步骤如下：i将输入的特征图FH×W×C分别经过基于width和height的globalmaxpooling全局最大池化和globalaveragepooling全局平均池化，得到两个1×1×C的特征图，合并特征送入下一层；ii将它们分别送入一个两层的Conv2d，第一层通道数为输入为C，输出为Cr核为1，Stride为1，bias＝False，激活函数为ReLU；第二层通道数为输入为Cr，输出为C，核为1，Stride为1，bias＝False，这个两层的神经网络是共享的；iii经过sigmoid激活操作，生成最终的channelattentionfeature，即M_c；iv将M_c和输入的特征图F做element-wise乘法操作，生成Spatialattention模块需要的输入特征；v将channelattention模块输出的特征图F作为模块的输入特征图；做一个基于channel的globalmaxpooling和globalaveragepooling，得到两个H×W×1的特征图；vi将这2个特征图基于channel，进行concat操作；vii经过一个7×7卷积操作；viii降维为1个channel，即H×W×1；经过sigmoid生成spatialattentionfeature，即M_s，由此一个CBAM操作完成；h将该feature和模块的输入feature做乘法，得到最终生成的注意力特征；i将原始特征经过先经过Conv模块，输入通道为C，输出通道为C*expansion，参数中核为1*1，步长为1*1，padding默认为1，bias设置为Flase；与注意力特征经过加和操作得到最终结果，形状为N,C,H,W，由此一个DSCA操作完成；2tier1层特征获取：经过DSCA，设置输出的通道分别为3,16,16，获取到tier1层特征；3将tier1特征进行maxpooling最大池化，卷积核为2*2，再经过3个DSCA操作，输出通道为32，32，32；最终获取tier2特征；4将tier2特征进行maxpooling最大池化，卷积核为2*2，再经过3个DSCA操作，输出通道为64，64，64；最终获取tier3特征；5将tier3特征进行maxpooling最大池化，卷积核为2*2，再经过3个DSCA操作，输出通道为128，128，128；最终获取tier4特征；6将tier4特征进行maxpooling最大池化，卷积核为2*2，再经过3个DSCA操作，输出通道为256，256，256；最终获取tier5特征；7将tier5特征通过反卷积上采样，输出通道设置为256，宽度和高度缩短为之前的2倍，并且与copied的tier4特征进行拼接；再经过3个DSCA操作，输出通道为128，128，128；最终获取tier4_1特征；8将tier4_1特征通过反卷积上采样，输出通道设置为128，宽度和高度缩短为之前的2倍，并且与copied的tier3特征进行拼接；再经过3个DSCA操作，输出通道为64，64，64；最终获取tier3_1特征；9将tier3_1特征通过反卷积上采样，输出通道设置为32，宽度和高度缩短为之前的2倍，并且与copied的tier2特征进行拼接；再经过3个DSCA操作，输出通道为32，32，32；最终获取tier2_1特征；10将tier2_1特征通过反卷积上采样，输出通道设置为16，宽度和高度缩短为之前的2倍，并且与copied的tier1特征进行拼接；再经过3个DSCA操作，输出通道为16，16，16；最终获取tier1_1特征；11将tier1_1特征，再经过3个DSCA操作，输出通道为16，1，1；得到最终特征图Imagepred；三、损失计算，获取模型输出的特征图与真实的数据标签；其中，计算真实原始图片与模型计算所得高分图片之间的损失代价衡量，损失计算如下：BCEloss计算： l_n＝-w_n[y_n·logx_n+1-y_n·log1-x_n]lx,y代表总的损失，l_n为真实图片第n类的对应的损失值；x_n为模型推理出类别的概率值，y_n真实标签的分类值，w_n为该类的权重系数；DiceLoss计算：DiceLoss＝1-2|X∩Y||X|+|Y|DiceLoss是一种集合相似度度量函数，通常用于计算两个样本的相似度值范围为[0,1]，|X∩Y|为X和Y之间的交集，|X|和|Y|分别表示X和Y的元素个数；其中，分子中的系数2，因为分母存在重复计算X和Y之间的共同元素，X代表分割图像,Y为模型推理出的分割图像；四、重复步骤二和三，经过多次迭代和图像分辨率类别判断，并对图像数据按损失占比权重进行最优化，最终利用训练好的最优模型，输出目标孔缝结果，从而实现孔缝的提取。

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”。