[go: up one dir, main page]

CN114600170A - 基于晶粒的矿物学划分系统和方法 - Google Patents

基于晶粒的矿物学划分系统和方法 Download PDF

Info

Publication number
CN114600170A
CN114600170A CN202080073478.0A CN202080073478A CN114600170A CN 114600170 A CN114600170 A CN 114600170A CN 202080073478 A CN202080073478 A CN 202080073478A CN 114600170 A CN114600170 A CN 114600170A
Authority
CN
China
Prior art keywords
image
eds
sample
images
resolution
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202080073478.0A
Other languages
English (en)
Inventor
马修·安德鲁
威廉·汤普森
若阿金·科雷亚
爱德华·希尔
本杰明·托多夫
理查德·莫拉利
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Carl Zeiss Microscopy GmbH
Original Assignee
Carl Zeiss Microscopy GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Carl Zeiss Microscopy GmbH filed Critical Carl Zeiss Microscopy GmbH
Publication of CN114600170A publication Critical patent/CN114600170A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
    • G01N23/2252—Measuring emitted X-rays, e.g. electron probe microanalysis [EPMA]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V8/00—Prospecting or detecting by optical means
    • G01V8/10—Detecting, e.g. by using light barriers
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0495—Quantised networks; Sparse networks; Compressed networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/24—Character recognition characterised by the processing or recognition method
    • G06V30/248—Character recognition characterised by the processing or recognition method involving plural approaches, e.g. verification by template match; Resolving confusion among similar patterns, e.g. "O" versus "Q"
    • G06V30/2504—Coarse or fine approaches, e.g. resolution of ambiguities or multiscale approaches
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/402—Imaging mapping distribution of elements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/418—Imaging electron microscope
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/616—Specific applications or type of materials earth materials
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Geophysics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

一种增强样本的EDS图像的分辨率的方法，其包括生成样本的EDS图像、生成样本的非EDS图像，以及使用机器学习算法基于生成的特征图和基于第一EDS图像来生成样本的增强分辨率EDS图像，其中增强分辨率EDS图像的分辨率高于第一EDS图像的分辨率。

Description

基于晶粒的矿物学划分系统和方法
技术领域
实施例涉及图像的自动分析，尤其涉及基于晶粒(grain)的矿物学划分系统和方法。
背景技术
能够对地下油气矿藏样本和矿物样本进行光学岩相学和矿物学以提供例如关于取自矿井或钻孔的样本的矿物学、孔隙度、渗透率、晶粒尺寸分布和矿物关联等信息。光学岩相学和矿物学提供的信息对于采矿作业来说是重要的，因为它能够揭示材料经过矿物处理时的形态特性、颗粒(particle)尺寸和颗粒计数。该数据能够提供在矿井或矿场处做出有可能提高感兴趣矿物产量的决策的支持证据。
然而，光学岩相学和矿物学通常被证明极难实现自动化，而是依靠熟练操作的岩石学家对来自矿井或钻孔的材料样本的图像进行“点计数”，点计数需要手动处理，其中通过岩石学家来选择和手动定义图像中的随机点。这种手动处理缓慢、费力、成本高，从而降低了分析的价值，因为在(从地下提取的)岩芯的整个长度上进行缩放更加困难。能够使用其他分析工具来进行用于分析地质样本结构和化学成分的这种矿物学分析，诸如基于从电子显微镜获取的能量色散X射线光谱(EDS)的定量矿物学映射、或X射线荧光(XRF)分析、或生成样本的背散射电子(BSE)图像或二次电子(SE)图像，但是这些工具通常很昂贵并且难以缩放到岩芯的整个长度。
在样本中识别不同材料颗粒的颗粒分离(也被称为颗粒划分)是矿物分析中的重要步骤，因为除了样本中的总颗粒计数之外，它能够揭示所分析的颗粒的形态轮廓。然而，对于相对复杂、卷绕和/或多样化的样本，传统的基于直方图的划分方法(诸如矿物学采矿中使用的划分方法)可能无法提供可靠的结果。
目前，对于图像中颗粒分离良好的相对简单的样本而言，基于直方图阈值化的颗粒分析能够是合适的解决方案。然而，对于颗粒在多个点相互接触或者颗粒在团簇中聚集的相对复杂的样本而言，基于直方图阈值化的颗粒分析未必是合适的。
发明内容
在一般性方面中，装置、系统、非暂时性计算机可读介质(其上存储能够在计算机系统上执行的计算机可执行程序代码)和/或方法能够进行以下处理，包括生成样本的光学显微镜图像，使用第一聚类算法以在每个像素的基础上识别晶粒边界，来对光学显微镜图像中的各单个晶粒进行识别；使用第二聚类算法，来对光学显微镜图像中识别的各单个晶粒进行分类；以及将晶粒分类映射到已知的矿物内含物(content)。
实施方式能够通过单独或任意组合的方式包括一个或多个以下特征。例如，处理可以进一步包括在每个像素的基础上基于分析光学显微镜图像的第三聚类算法的输出来识别样本中的孔隙空间，并且使用第一聚类算法识别图像中的各单个晶粒能够至少部分地基于所识别的孔隙空间。
孔隙空间能够填充有聚合物材料。
光学显微镜图像能够包括多个配准光学显微镜图像。
通过第二聚类算法对所识别的各单个晶粒进行分类能够包括基于对应于晶粒的多个像素的聚合统计信息对每个晶粒进行分类。
在另一个一般性方面中，一种增强样本的EDS图像的分辨率的方法包括生成样本的第一EDS图像，生成样本的非EDS图像，使用机器学习算法基于生成的特征图并且基于第一EDS图像来生成样本的增强分辨率EDS图像，其中，增强分辨率EDS图像的分辨率高于第一EDS图像的分辨率。
实施方式能够通过单独或任意组合的方式包括一个或多个以下特征。
例如，非EDS图像能够包括BSE图像。
非EDS图像能够包括XRM图像。
非EDS图像能够包括EM图像。
非EDS图像能够包括SE图像。
处理还能够包括使用特征缩放(feature scaling)对生成的非EDS图像进行归一化，并且从非EDS图像生成样本的显式特征图能够包括从归一化的非EDS图像生成显式特征图。
使用机器学习算法能够包括使用经过训练的回归器来生成样本的增强分辨率EDS图像，其中，使用来自从作为样本的对象的非EDS图像生成的特征图的特征以及来自作为目标的对象的EDS图像的信息来训练回归器。
附图说明
根据本文给出的详细描述和附图，示例实施例将变得更好理解，其中，用类似的附图标记表示类似的元件，附图标记仅通过说明的方式给出并且因此不限制示例实施例，其中：
图1是包括样本的光学显微镜图像的粒状岩石样本的示例图像；
图2示出怎样将图1的图像中的不同晶粒分类，其中，根据其材料和/或特性将右侧放大图像中黑色轮廓线的三个晶粒分类；
图3示出矿物分析仪的实施方式的示意图；
图4是用于基于相同样本的BSE图像来增强样本的EDS图像的分辨率的示例处理的流程图；以及
图5示出获得样本的相对高分辨率BSE图像和相对低分辨率图像，并且从BSE图像生成特征图近似，使得能够基于映射来生成高分辨率EDS图像的处理的示例。
图6A示出没有稀疏约束的卷积神经网络(CNN)中的层。
图6B示出具有稀疏约束的卷积神经网络(CNN)中的层。
图7示出根据示例实施例的机器学习模型的框图。
图8示出能够实现本文所述技术的计算系统的示例。
具体实施方式
为了解决现有技术的缺陷，本文所述的改良技术使用基于机器学习的过滤器和级联分类器自动分离和区分图像中的接触对象(颗粒)。通过这些技术，能够将接触颗粒划分并标记为各单个对象，从而使得对于基于直方图的阈值方法不充分的那些情况而言分析更加可靠。
机器学习技术的应用允许更复杂的图像划分和分类，并且允许比先前的可能强大得多的对象识别、分离和分类算法。
此外，当使用BSE和EDS这两者对矿物学样本进行成像时，在针对这两个图像使用相同采集时间的情况下，通过BSE获得的图像的分辨率通常高于通过EDS获得的图像。EDS图像中分辨率较低的结果导致矿物识别/分类的灵敏度较低并且矿物错误分类率较高。
为了解决通过EDS成像技术获得的图像分辨率低的问题，能够将机器学习技术用于对通过其他技术(例如，BSE成像、SE成像、X射线显微镜(XRM)、聚焦离子束电子显微镜(FIB-SEM)和光学显微镜(EM))获得的样本图像进行建模，然后基于通过其他技术获得的已建模图像来增强EDS图像的分辨率。通过这种方式，能够使用相对短的采集时间来获得相对高分辨率的EDS图像并且将其用于矿物识别/分类。
矿物学图像的自动划分和分类
根据本文所述技术，通过使用机器学习技术能够从样本的光学显微镜图像中获得矿物学样本的图像的划分和分类。能够通过各种光学技术获得这些图像，包括从岩石样本中获取一单模式和多模式图像。岩石样本能够是薄片或块面样本，在岩石样本中具有环氧树脂渗入的空隙，也可能没有。
图1是包括样本的光学显微镜图像的粒状岩石样本102的示例图像100。岩石样本能够包括样本中不同材料的不同晶粒106、108之间的孔隙104，并且在一些实施方式中，能够在成像之前通过用在孔隙中硬化和凝固的流体材料(例如，聚合材料、环氧树脂材料等)填充孔隙来制备样本。例如，在图1中，样本102的环氧树脂填充孔隙由第一颜色(例如蓝色)表示，而不同的分离晶粒106、108位于环氧树脂材料之间。如图1所示，分离晶粒的密度高，并且很多晶粒在其边界处与其他晶粒接触。
在一些实施方式中，样本的图像100不仅能够包括样本的光学显微镜图像，而且还包括两个以上配准图像(registered image)，其中能够通过多个不同的模式获得不同的配准图像(例如，光学显微镜、EDS、BSE、XRF等)。在一些实施方式中，能够基于样本的多个图像来生成图像，其中使用多种照明技术从单一成像模式获取多个图像。不同的图像可以包括例如多个荧光图像(例如，从不同的荧光波长获得)、或多个偏振定向等。
能够将包括岩石样本的光学显微镜图像和其他这种图像的图像100用作无监督聚类算法或监督聚类算法的输入以自动地确定图像中的不同晶粒。在确定图像中的不同晶粒时，除了使用图像中与晶粒本身对应的信息外，聚类算法还能够使用来自晶粒之间孔隙空间的信息。
例如，由于图像中来自蓝色环氧树脂的强信号的存在，能够逐个像素唯一地识别岩石的孔隙空间。因为来自样本的孔隙空间中的环氧树脂的光信号与样本中来自各种矿物的信号相比较是相对均匀的，所以能够使用聚类算法来识别来自环氧树脂的信号，从而自动地识别样本中的孔隙空间。
通过这种方式识别的孔隙空间的图案能够被视为“掩膜”，该掩膜限定掩膜的开口中矿物晶粒的存在的。根据该掩模，能够将图像100中的各单个晶粒分离为隔离对象。例如，通过使用第二轮机器学习划分(例如，以逐个像素方式来识别晶粒边界区域)，或通过应用分离算法，并且标记连接的对象，能够将各单个晶粒自动分离为多个隔离对象。
在一些实施方式中，所应用的分离算法能够依据基于射线的对象分离技术或基于形态分界线的技术，但是也能够使用其他晶粒分离算法。例如，分离算法能够包括所谓的“实例划分”机器学习技术，诸如mask RCNN，或对象识别技术(诸如YOLO(你只看一次))，或者能够将机器学习技术与传统的图像处理相结合。通过以这种方式将各单个晶粒自动地分离为多个隔离对象，即使在晶粒接触的情况下，也能够识别样本图像中的各单个晶粒，使得能够确定与样本有关的相关区域对象统计信息(statistics)(例如，对象的大小、形状和空间关联，哪个对象类别在哪个其他对象类别旁边)，并且还能够确定对象的内部结构(例如，对象中的像素类别分布等)。
接着，可以使用聚类算法将图像100中的分离晶粒的群体分类为不同的类型。图2示出怎样将图像100中的不同晶粒202、204、206分类，其中，根据其材料和/或特性将放大图像中黑色轮廓线的三个晶粒分类。与传统的逐个像素分类技术相比，聚类算法能够具有更强的区分能力，并且更不易受噪声影响，因为聚类算法能够利用整个晶粒的所有像素的聚合统计信息，而不是可用于单个像素的局部信息。这些统计数据可以包括检查分离晶粒区域内的像素值分布、该区域的过滤版本的像素值分布(例如，提取局部和非局部像素或灰度、局部和非局部梯度、或局部和非局部纹理信息)、或像素区域的大小/形状度量(例如，面积、周长、长轴长度、短轴、内切半径、费雷特直径或任何数量的其他形态测量值)。此外，聚类算法能够基于几何特性(例如，大小、形状、费雷特直径、拟合椭球体、球形度等)、灰度信息(例如，最大、最小、平均和中值灰度值、直方图、以及纹理过滤器信息等)，从而提高正确分类不同晶粒的能力。
然后，能够将通过聚类算法执行的分类步骤所输出的不同类型的晶粒分配给特定的矿物类型或类别。在一个实施方式中，能够通过专家(例如，受过训练的岩石学家或矿物学家)的手动训练，将不同类型的晶粒手动地映射到特定的矿物分类。在一些实施方式中，通过与矿物晶粒图像的标准数据库进行比较，能够将不同类型的晶粒映射到特定的矿物分类。在一些实施方式中，通过识别或与绝对矿物量化技术进行定量比较，能够将不同类型的晶粒映射到特定的矿物分类，例如，诸如基于EDS的矿物分析，或者在本地(通过相关数据)或者通过在图书馆训练。
然后，图像中晶粒的矿物分类能够被分析用于地下地球学家感兴趣的特性，包括晶粒大小、尺寸分布、形状、暴露表面积、矿物关联等，然后能够将其与诸如矿藏渗透率、扩散率或毛细管压力的临界功能特性相关联。
图3示出矿物分析器300的实施方式的示意图。矿物分析器300分析图像数据，诸如图1和图2所示的图像数据。在该示例中，矿物分析器300包括图像数据接收器302、晶粒边界确定器306和晶粒分类器304。
图像数据接收器302接收图像数据。图像数据可以对应于样本，例如，可以包括样本的图像。在一些实施方式中，图像数据接收器302从本地数据存储接收图像数据。在一些实施方式中，图像数据接收器302经由网络从另一个装置接收图像数据。
晶粒边界确定器306确定晶粒之间的边界。例如，在一些实施方式中，晶粒边界确定器306能够分析接收到的图像数据的各单个像素来获得指示晶粒之间边界的颜色和亮度。例如，当形成晶粒之间边界的样本的孔隙被注入具有特性光学标志的环氧树脂材料时，通过晶粒边界确定器306对图像数据的分析能够识别发出特性光学标志的像素，从而确定图像数据中的晶粒边界。
在一些实施方式中，晶粒边界确定器306能够使用图像处理技术(例如，诸如形态学技术和/或射线投射技术)来确定单独的晶粒，以分析图像的内容。在一些实施方式中，晶粒边界确定器306例如通过使用机器学习划分算法(例如，以逐个像素的方式来识别晶粒边界区域)，或通过应用分离算法，并且标记连接的对象，能够将各单个晶粒自动地分离为多个隔离对象。在一些实施方式中，分离算法能够依据基于射线的对象分离技术或基于形态分界线的技术，但是也能够使用其他晶粒分离算法。例如，分离算法能够包括所谓的“实例划分”机器学习技术，诸如mask RCNN，或对象识别技术(例如YOLO)，或者将机器学习与传统的图像处理相耦合。通过以这种方式将各单个晶粒自动地分离为多个隔离对象，能够识别样本图像中的各单个晶粒，使得能够确定与样本有关的相关区域对象统计信息(例如，大小、形状、空间关联、哪个对象类别在哪个其他对象类别旁边)，并且还能够确定对象的内部结构(例如，对象中的像素类别分布等)。
晶粒分类器304对图像数据中的分离晶粒进行分类并且包括机器学习分类器318。机器学习分类器318对来自样本的图像数据进行分类。例如，机器学习分类器318可以基于标记的训练数据(诸如由人类专家标记的训练数据)对图像数据进行分类。也可以通过其他分析工具来提供训练数据(分类的晶粒)，诸如基于EDS或电子背散射衍射(EBSD)的矿物/晶粒分类(在电子显微镜上)。一些实施方式能够使用在标记的训练数据上训练的分类器对图像数据进行分类。训练数据可以包括与标记的晶粒相对应的训练样本。在一些实施方式中，在训练分类器之前从训练样本中提取特定位点，然后仅使用这些特定位点来训练分类器。
机器学习分类器318可以通过矿物学分析器300的机器学习模块(未示出)来训练，和/或可以经由网络通过另一个计算装置来训练并由其检索。机器学习分类器318可以具有各种配置的其中一个。例如，机器学习分类器318可以包括朴素贝叶斯模型、随机树模型、随机森林模型、神经网络模型(例如，R-CNN模型、Mask CNN模型、UNET模型)、对数几率回归模型或支持向量机模型。例如，可以使用序列最小优化来训练支持向量机模型。实例划分模型可以作为单一分类模型操作，也可以链接到后续的图像分析步骤，例如，可以使用UNET模型来识别晶粒区域和边界区域，然后使用形态学工具、射线投射或简单标记来识别各单个晶粒。所识别晶粒的统计数据能够用于将晶粒分配到特定类别。
在一些实施方式中，机器学习分类器318可以基于该样本与训练样本的特性的相似性针对新样本来分类样本(例如，针对样本图像中的不同晶粒选择标签)。换言之，机器学习分类器318可以基于与每个类别(标签)的学习特性的相似性对输入进行分类。在一些实施方式中，机器学习分类器318可以提供针对每个类别的概率，例如，指示应当将样本分类在该类别中的似然性的数字。
基于多模式成像的EDS分辨率增强
虽然样本的EDS图像的生成通常比使用其他技术(例如，诸如BSE成像、SE成像、XRF成像、FIB-SEM成像和EM成像)的样本图像的生成具有更低的分辨率和/或更多的耗时，但是通过不同模式获得的信息是不同的并且能够为用户提供不同的值。虽然使用更长的采集时间可以获得更高分辨率的EDS图像，但是增加采集时间的成本可能会使得这种更高分辨率的EDS在要求高的生产环境中不太理想，在要求高的生产环境中，期望周转期高和掌握时间短是很重要的。
因此，很多系统被设计为以不同的分辨率从不同的模式(例如EDS和BSE)来收集数据以满足时间采集要求，但是需要注意的是以低数据质量换取速度。通常，这种系统中低分辨率EDS的局限性包括矿物检测灵敏度降低和矿物误分类率较高。前者是由于在其他矿物更丰富的特定扫描窗口中对给定矿物的信号的贡献不大，后者是由于多种矿物之间的混合信号效应，例如，在两种矿物之间的边界处。
为了解决这些问题，本文描述了能够基于机器学习和数据融合技术来增强EDS图像分辨率的技术，其中基于使用其他成像技术，例如，诸如BSE、SE、XRM、FIB-SEM、EM从样本中获得的样本图像对样本的EDS图像的细节进行建模。这能够提高最终EDS图像的分辨率，而不会显著增加EDS图像的采集时间。
例如，图4是用于基于相同样本的BSE图像来增强样本的EDS图像的分辨率的示例性处理400的流程图。在处理400中，能够获取样本的EDS图像(402)，并且能够获取样本的非EDS图像(例如，BSE图像、SE图像、XRM图像、FIB-SEM图像、EM图像)(404)。能够使用特征缩放对非EDS图像进行归一化(406)。能够从归一化的非EDS图像生成显式特征图近似(408)。例如，能够生成N阶特征图。在一些实施方式中，N能够大于或等于100。在一些实施方式中，能够通过归一化非EDS图像的傅里叶变换的蒙特卡罗近似的径向基函数内核特征来生成特征图(410)。能够在每个元素的基础上使用从作为样本的对象的非EDS图像生成的显式内核特征和作为目标的对象的EDS图像中的信息训练回归器(412)。在实施方式中，回归器能够在数据标签是连续变量而非离散变量的情况下使用最近邻回归。在实施方式中，能够基于其最近邻的标签的平均值来计算分配给查询点的标签。然后，能够应用经过训练的回归器来增强低分辨率EDS图像的分辨率，从而从低分辨率EDS图像生成增强分辨率图像。在一些实施方式中，能够分析样本的增强分辨率EDS图像以确定成像样本的化学成分。
图5说明处理400的示例，其中获得样本的相对高分辨率的BSE图像502和相对低分辨率的EDS图像504，并且从BSE图像生成特征图近似，使得能够基于映射来生成高分辨率的EDS图像506。
涉及卷积神经网络(CNN)的机器学习处理能够用于增强基于相同样本的BSE图像的样本的EDS图像的分辨率。图6A示出了没有稀疏约束的卷积神经网络(CNN)中的层。图6B示出具有稀疏约束的卷积神经网络(CNN)中的层。参照图6A和图6B，将描述用于至少一个示例实施方式的神经网络的不同配置。示例分层神经网络如图6A所示。分层神经网络包括三层610、620、630。每个层610、620、630能够由多个神经元605形成。在该实施方式中，没有应用稀疏约束。因此，每个层610、620、630中的所有神经元605都与任何相邻层610、620、630中的所有神经元605联网。
由于神经元605和层的数量少，图6A所示的示例神经网络不是计算复杂的。然而，由于连接的密度(例如，神经元/层之间的连接)，图6A所示神经网络的布置可能无法缩放到更大尺寸的网络。换言之，计算复杂度可能太大，因为网络大小进行缩放和以非线性方式缩放。因此，如果神经网络需要缩放到在具有大量维度的输入上工作，那么对于每个层610、620、630中的所有神经元605来说，与一个或多个相邻层610、620、630中的所有神经元605联网可能在计算上过于复杂。
能够使用初始稀疏条件来降低神经网络的计算复杂度。例如，如果神经网络充当优化处理，则神经网络方法能够通过限制神经元和/或层之间的连接数量来处理高维数据。具有稀疏约束的神经网络的示例如图6B所示。图6B所示神经网络被布置为使得每个神经元605仅连接到相邻层640、650、660中的少量神经元605。这能够形成不完全连接的神经网络，并且能够缩放到具有更高维数据起作用。与完全联网的神经网络相比，较少的连接数量允许神经元之间的连接数量以基本上线性的方式缩放。
在一些实施方式中，能够使用并非完全连接且复杂度低于完全连接神经网络的卷积神经网络。卷积神经网络还能够使用池化或最大池化来降低流经神经网络的数据的维数(从而降低复杂性)。能够使用其他方法来降低卷积神经网络的计算复杂度。
图7示出根据示例实施例的机器学习模型的框图。能够将ML模型700配置为实现像素级图像分辨率增强。ML模型700例如能够包括回归型、分类型卷积神经网络(CNN)。像素级图像增强能够至少从低分辨率EDS图像702和具有对应于相同样本的互补特性和信息的BSE图像704生成增强EDS图像706。
能够将卷积层或卷积配置为从图像提取特征。特征能够基于颜色、频域、边缘检测器等。卷积能够具有过滤器(有时称为内核)和步幅。例如，过滤器能够是1x1过滤器(或1x1xn用于转换到n个输出通道，1x1过滤器有时称为逐点卷积)，步幅为1，这导致基于在MxM网格位置处的每个通道的单元的特征的组合(例如，加法、减法、乘法等)来生成的单元的输出。换言之，将具有多于一个深度或通道的特征图组合成具有单一深度或通道的特征图。过滤器能够是步幅为1的3x3过滤器，这会导致MxM网格或特征图的每个通道有更少单元的输出。
输出能够具有相同的深度或通道数(例如，3x3xn过滤器，其中n＝深度或通道数，有时称为深度过滤器)或减少的深度或通道数(例如，3x3xk过滤器，其中k<深度或通道数)。每个通道、深度或特征图都能够具有关联过滤器。每个关联过滤器都能够被配置为强调通道的不同方面。换言之，能够基于过滤器(有时被称为深度可分离过滤器)从每个通道中提取不同的特征。其他过滤器亦落入本公开的范围。
另一种类型的卷积能够包括两个以上卷积的组合。例如，卷积能够包括深度和逐点可分离卷积。例如，这能够包括两步卷积。第一步能够包括深度卷积(例如，3x3卷积)。第二步能够包括逐点卷积(例如，1x1卷积)。深度和逐点卷积能够包括可分离卷积，因为能够将不同的过滤器(例如用于提取不同特征的过滤器)用于特征图的每个通道或每个深度。在示例实施方式中，逐点卷积能够将特征图转换为包括基于滤波器的c个通道。例如，能够基于过滤器将8x8x3的特征图(或图像)转换为8x8x256的特征图(或图像)。在一些实施方式中，能够使用一个以上过滤器将特征图(或图像)转换为MxMxc特征图(或图像)。
卷积能够是线性的。线性卷积根据输入将输出描述为线性时不变(LTI)。卷积还能够包括校正线性单元(ReLU)。ReLU是一种对卷积的LTI输出进行校正并且将校正后的输出限制为最大值的激活函数。ReLU能够用于加速收敛(例如，更高效的计算)。
在示例实施方式中，第一类型的卷积能够包括1x1卷积，并且第二种卷积能够包括深度和逐点可分离卷积。多个卷积层720、735、740、745、750、755、760中的每一个能够具有多个单元并且每个单元至少一个边界框。卷积层715、720、725和加法层730能够用于将图像702、704转换为大小与VGG-16标准的Conv_3层的特征图等同的特征图。换言之，卷积层715、720、725和加法层730能够将图像702、704转换为38x38x512特征图。
在示例实施方式中，ML模型700CNN(例如回归型CNN)能够包括多个卷积层705、710、715、720、725、730、735、740、745、750、755、760、765和770。多个卷积层705、710、715、720、725、730、735、740、745、750、755、760、765和770能够分别对应于至少一种类型的卷积层。如图7所示，卷积层705能够包括第一卷积类型，卷积层710能够包括第二卷积类型，卷积层715、720、725、730能够包括第二卷积类型和第三卷积类型，卷积层735能够包括第三卷积类型，卷积层740能够包括第四卷积类型，卷积层745、755、765能够包括第五卷积类型，卷积层750、760能够包括第六卷积类型，并且卷积层770能够包括第七卷积类型。
每个卷积层能够生成很多交替卷积，所以权重矩阵是一个x*y*n张量，其中x*y是滑动窗口的大小(通常x＝y)，并且n是卷积的数量。能够将低分辨率EDS图像702和BSE图像704输入到CNN。在第一卷积类型中，图像702和图像704能够使用224*224*3权重矩阵来转换图像。卷积层710能够使用224*224*64权重矩阵来转换所得的特征图。卷积层715能够使用112*112*128权重矩阵来转换所得的特征图。卷积层720能够使用56*56*256权重矩阵来转换所得的特征图。卷积层725能够使用28*28*512权重矩阵来转换所得的特征图。卷积层730能够使用14*14*512权重矩阵来转换所得的特征图，并且卷积层735能够使用7*7*4096权重矩阵来转换所得的特征图。
能够将ML模型700的下一部分配置为将从卷积层735输出的特征图转换为大小等同于输入图像(例如，图像702或图像704)的图像。卷积层740从卷积层735接收特征图并且使用7*7*4096权重矩阵来转换特征图。卷积层745能够使用7*7*类别权重矩阵(其中，类别是特征图中的数量)来转换所得的特征图。卷积层750能够使用14*14*类别权重矩阵来转换所得的特征图，卷积层755能够使用14*14类别权重矩阵连同从卷积层725(卷积层775)输出的特征图一起转换所得的特征图。卷积层760能够使用28*28*类别权重矩阵来转换所得的特征图。卷积层765能够使用28*28*类别权重矩阵连同从卷积层720(卷积层780)输出的特征图一起转换所得的特征图。卷积层770能够使用224*224*类别权重矩阵来转换所得的特征图。所得的特征图能够包括输出图像(例如融合图像706)。
一旦设计出模型(例如ML模型700)架构(和/或在运行中)，就应该训练模型(有时称为开发模型)。能够使用通过BSE和EDS成像获得的多个样本图像来训练模型。
使用机器学习(ML)模型的图像增强能够包括两个阶段。在第一阶段，能够使用监督学习来训练增强算法。在第二阶段，能够采用增强算法。如上所述，示例实施方式能够使用基于卷积神经网络(CNN)的增强算法。在第一阶段，能够训练神经网络，例如，能够将具有第一和第二特性的两个图像输入到网络。能够将网络的输出与具有我们希望网络重现的最理想特性的真实值图像进行比较。能够将评估度量用于量化输出与真实值图像之间的差异。该差异用于更新标识训练处理的网络参数。使用多个图像示例以迭代地重复该处理，直到输出与真实值图像之间的差异落入期望幅度内为止并且结束训练处理。
图8示出能够用于实现本文所述技术的计算系统的示例。系统800旨在表示各种形式的数字计算机，诸如膝上型计算机、台式计算机、工作站、个人数字助理、服务器、刀片式服务器、大型机、移动装置以及其他适当计算机。
系统800的组件和布置可以改变。系统800包括多个组件，诸如处理器(例如CPU)805、存储器810、(多个)输入/输出(I/O)装置825和非易失性存储装置820。能够通过各种方式来实现系统800。例如，集成平台(诸如工作站、个人计算机、膝上型计算机等)可以包括处理器805、存储器810、非易失性存储装置820和I/O装置825。在这样的配置中，组件805、810、820和825可以通过本地总线接口连接并且经由外部连接来访问数据库。该连接可以通过直接通信链路、局域网(LAN)、广域网(WAN)和/或其他合适的连接来实现。系统800可以是独立系统，也可以是子系统的一部分，子系统又可以是更大系统的一部分。
处理器805可以是一个或多个处理装置，诸如微处理器。存储器810可以是一个或多个存储装置，其被配置为存储处理器805所使用的信息以进行与本发明的实施方式有关的某些功能。存储装置820可以是易失性或非易失性、磁性、半导体、磁带、光学、可移动、不可移动或其他类型的存储装置或计算机可读介质。在一个实施方式中，存储器810包括从存储装置820或其他地方加载的一个或多个可执行指令815，当通过处理器805执行时，进行与本文所述处理一致的各种过程、操作或处理。例如，存储器810可以包括与图像分析器300的组件(诸如图像数据接收器302、晶粒边界确定器306和晶粒分类器304)相对应的程序，并且执行指令以进行本文所述的一个或多个处理。存储器810还可以包括进行其他功能和处理的其他程序，诸如提供通信支持、互联网访问等的程序。
本文所述方法、系统和制品不限于被配置为进行专项任务的单独程序或计算机。例如，存储器810可以被配置有可执行指令815，在通过处理器805执行时，可执行指令815进行若干功能。此外，处理器805可以执行位于远离系统800的一个或多个程序。例如，系统800可以访问在被执行时进行与本文所述实施方式有关功能的一个或多个程序。
还可以向存储器810配置当通过处理器805执行时进行若干功能的操作系统(未示出)。操作系统的选择甚至其使用并不重要。
(多个)I/O装置825可以包括允许系统800接收和/或传输数据的一个或多个输入/输出装置。例如，I/O装置825可以包括诸如键盘、触摸屏、鼠标等一个或多个输入装置，它们使得数据能够由用户输入，例如排序和分析请求、阈值和污染条件的调整等。此外，I/O装置825可以包括诸如显示屏、CRT监视器、LCD监视器、等离子显示器、打印机、扬声器装置等一个或多个输出装置，它们使得数据能够被输出或呈现给用户。I/O装置825还可以包括一个或多个数字和/或模拟通信输入/输出装置，它们允许计算系统800与诸如处理样本轮廓查询的其他连续远程服务器的其他机器和装置通信。系统800可以从外部机器和装置输入数据并且经由I/O装置825将数据输出到外部机器和装置。在I/O装置825中合并的输入和/或输出装置的配置和数量并不重要。
本文所述系统和技术能够在包括后端组件(例如，作为数据服务器)或包括中间件组件(例如，应用服务器)或包括前端组件(例如，具有图形用户界面或Web浏览器的客户端计算机，用户可通过其与本文所述系统和技术的实施方式进行交互)、或这些后端、中间件或前端组件的任何组合的计算系统中实现。系统的组件能够通过任何形式或媒介的数字数据通信(例如，通信网络)相互连接。通信网络的示例包括局域网(LAN)、广域网(WAN)和互联网。
计算系统能够包括客户端和服务器。客户端和服务器通常相互远离并且通过通信网络进行交互。客户端和服务器的关系通过在各自的计算机上运行并且相互具有客户端-服务器关系的计算机程序而产生。
已经描述多个实施方式。但是应当理解，在不背离本发明精神和范围的情况下可以进行各种修改。
此外，附图所示逻辑流程并不要求所示的特定顺序或连续顺序来实现期望结果。此外，可以提供其他步骤，也可以从所述流程中去除步骤，并且可以将其他组件添加到所述系统或从中移除。因此，其他实施方式均涵盖于本公开范围之内。

Claims (13)

1.一种增强样本的EDS图像的分辨率的方法，所述方法包括：
生成所述样本的第一EDS图像；
生成所述样本的非EDS图像；
从所述非EDS图像生成所述样本的显式特征图；
使用机器学习算法，基于生成的所述特征图并且基于所述第一EDS图像，来生成所述样本的增强分辨率EDS图像，其中，所述增强分辨率EDS图像的分辨率高于所述第一EDS图像的分辨率。
2.根据权利要求1所述的方法，其中，所述非EDS图像包括BSE图像。
3.根据权利要求1所述的方法，其中，所述非EDS图像包括XRM图像。
4.根据权利要求1所述的方法，其中，所述非EDS图像包括EM图像。
5.根据权利要求1所述的方法，其中，所述非EDS图像包括SE图像。
6.根据权利要求1至5中的任一项所述的方法，进一步包括使用特征缩放对生成的所述非EDS图像进行归一化，以及
其中，从所述非EDS图像生成所述样本的所述显式特征图包括从归一化的所述非EDS图像生成所述显式特征图。
7.根据权利要求1至6中的任一项所述的方法，其中，使用所述机器学习算法包括使用经过训练的回归器来生成所述样本的所述增强分辨率EDS图像，其中，使用来自从作为样本的对象的非EDS图像生成的特征图的特征以及来自作为目标的对象的EDS图像的信息，来训练所述回归器。
8.一种自动地识别样本的矿物内含物的方法，所述方法包括：
生成所述样本的光学显微镜图像；
使用第一聚类算法以在每个像素的基础上识别晶粒边界，来对所述光学显微镜图像中的各单个晶粒进行识别；
使用第二聚类算法，来对所述光学显微镜图像中的识别的所述各单个晶粒进行分类；以及
将分类的所述各单个晶粒映射到已知的矿物内含物。
9.根据权利要求9所述的方法，进一步包括：
在每个像素的基础上基于分析所述光学显微镜图像的第三聚类算法的输出来识别所述样本中的孔隙空间，以及
其中，使用所述第一聚类算法来识别所述图像中的所述各单个晶粒至少部分地基于识别的所述孔隙空间。
10.根据权利要求10所述的方法，其中，所述孔隙空间填充有聚合物材料。
11.根据权利要求9至11中的任一项所述的方法，其中，所述光学显微镜图像包括多个配准光学显微镜图像。
12.根据权利要求9至12中的任一项所述的方法，其中，通过第二聚类算法对识别的所述各单个晶粒进行分类包括基于对应于所述晶粒的多个像素的聚合统计信息对每个晶粒进行分类。
13.一种系统，包括：
处理器；以及
存储器，所述存储器包括可执行指令，当由所述处理器执行时，所述可执行指令使所述处理器进行根据权利要求9至13中的所述方法的任一个。
CN202080073478.0A 2019-10-24 2020-10-23 基于晶粒的矿物学划分系统和方法 Pending CN114600170A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962925739P 2019-10-24 2019-10-24
US62/925,739 2019-10-24
PCT/US2020/070691 WO2021081559A2 (en) 2019-10-24 2020-10-23 Grain-based minerology segmentation system and method

Publications (1)

Publication Number Publication Date
CN114600170A true CN114600170A (zh) 2022-06-07

Family

ID=73695169

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080073478.0A Pending CN114600170A (zh) 2019-10-24 2020-10-23 基于晶粒的矿物学划分系统和方法

Country Status (4)

Country Link
US (2) US12469104B2 (zh)
EP (1) EP4049233B1 (zh)
CN (1) CN114600170A (zh)
WO (1) WO2021081559A2 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023101691A1 (en) * 2021-12-03 2023-06-08 Halliburton Energy Services, Inc. Classification of pore or grain types in formation samples from a subterranean formation
WO2024252180A1 (en) * 2023-06-07 2024-12-12 Cgg Services Sas Method and system for identifying grain boundaries and mineral phases in sample
US20250208072A1 (en) * 2023-12-21 2025-06-26 Fei Company Compositional mapping employing variable charged particle beam parameters for imaging and energy-dispersive x-ray spectroscopy

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110295580A1 (en) * 2010-05-28 2011-12-01 Ingrain, Inc. Method for obtaining consistent and integrated physical properties of porous media
CN107851316A (zh) * 2015-05-20 2018-03-27 沙特阿拉伯石油公司 地质薄层剖面的基于图像的分析
CN109142399A (zh) * 2018-07-26 2019-01-04 聚束科技（北京）有限公司 一种成像系统及样品探测方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2223842B (en) * 1988-09-06 1993-02-03 Shell Int Research Automated mineral identification and rock characterization process
US7941004B2 (en) * 2008-04-30 2011-05-10 Nec Laboratories America, Inc. Super resolution using gaussian regression
WO2012118868A2 (en) * 2011-02-28 2012-09-07 Schlumberger Technology Corporation Petrographic image analysis for determining capillary pressure in porous media
US8664595B2 (en) * 2012-06-28 2014-03-04 Fei Company Cluster analysis of unknowns in SEM-EDS dataset
US10552663B2 (en) * 2017-05-02 2020-02-04 Techcyte, Inc. Machine learning classification and training for digital microscopy cytology images
US11062439B2 (en) * 2019-09-24 2021-07-13 Halliburton Energy Services, Inc. Automating microfacies analysis of petrographic images
US11354804B1 (en) * 2019-09-27 2022-06-07 Verily Life Sciences Llc Transforming multispectral images to enhanced resolution images enabled by machine learning

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110295580A1 (en) * 2010-05-28 2011-12-01 Ingrain, Inc. Method for obtaining consistent and integrated physical properties of porous media
CN107851316A (zh) * 2015-05-20 2018-03-27 沙特阿拉伯石油公司 地质薄层剖面的基于图像的分析
CN109142399A (zh) * 2018-07-26 2019-01-04 聚束科技（北京）有限公司 一种成像系统及样品探测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YUZHU WANG: "《Porous Structure Reconstruction Using Convolutional Neural Networks》", 《INTERNATIONAL ASSOCIATION FOR MATHEMATICAL GEOSCIENCES 2018》, 18 May 2018 (2018-05-18) *

Also Published As

Publication number Publication date
US20250078205A1 (en) 2025-03-06
EP4049233A2 (en) 2022-08-31
WO2021081559A2 (en) 2021-04-29
US12469104B2 (en) 2025-11-11
US20220397697A1 (en) 2022-12-15
EP4049233B1 (en) 2025-09-10
WO2021081559A3 (en) 2021-07-01

Similar Documents

Publication Publication Date Title
US11915406B2 (en) Generating training data usable for examination of a semiconductor specimen
Wu et al. Machine learning for locating organic matter and pores in scanning electron microscopy images of organic-rich shales
US20250078205A1 (en) Grain-based minerology segmentation system and method
US10198804B2 (en) Method for determining fabric and upscaled properties of geological sample
Koh et al. Utilising convolutional neural networks to perform fast automated modal mineralogy analysis for thin-section optical microscopy
US9111179B2 (en) High-throughput biomarker segmentation utilizing hierarchical normalized cuts
WO2019155467A1 (en) Method of generating a training set usable for examination of a semiconductor specimen and system thereof
Kazak et al. Machine-learning-assisted segmentation of focused ion beam-scanning electron microscopy images with artifacts for improved void-space characterization of tight reservoir rocks
CN113439276A (zh) 基于机器学习的半导体样本中的缺陷分类
Faria et al. Lithology identification in carbonate thin section images of the Brazilian pre-salt reservoirs by the computational vision and deep learning
CN117094938A (zh) 半导体样品的缺陷检测
Wang et al. Classification and extent determination of rock slope using deep learning
Yu et al. A multi-stage adaptive Otsu thresholding algorithm for pore segmentation in rock thin-section images
Vaghefi et al. Volumetric defect classification in Nano-resolution X-ray computed tomography images of laser powder bed fusion via deep learning
US11639906B2 (en) Method and system for virtually executing an operation of an energy dispersive X-ray spectrometry (EDS) system in real-time production line
Machairas et al. Application of dynamic image analysis to sand particle classification using deep learning
CN119418173A (zh) 大模型-分形联合辅助的矿物图像智能分割与识别方法
Barbosa et al. Unsupervised segmentation for sandstone thin section image analysis
Sadaoui et al. A comprehensive and hybrid approach to automatic and interactive point cloud segmentation using surface variation analysis and HDBSCAN clustering
Patricia et al. Discovering similarities in Landsat satellite images using the K-means method
Tello-Cifuentes et al. Segmentation and feature extraction-based classification of pavement damages using hybrid computer vision and machine learning approaches
Latif et al. A framework for microscopic grains segmentation and Classification for Minerals Recognition using hybrid features
Abuhussein et al. Review of Unsupervised Segmentation Techniques on Long Wave Infrared Images
Menéndez A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection
Nunes et al. Deep learning for segmentation and classification of rock grains in the aggregates industry

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination