形态解码器：一种用于量化行星监测与机器人功能中非均质岩石渗透率的机器学习引导3D视觉方法
计算机视觉与模式识别
2022-01-06 v2 机器学习
图像与视频处理
几何拓扑
地球物理
摘要
渗透率对天然流体的流动性质具有主导影响。格子Boltzmann模拟器根据纳米和微米孔隙网络确定渗透率。该模拟器包含数百万次流动动力学计算，存在累积误差且计算能力消耗高。为了高效且一致地预测渗透率，我们提出了一种形态解码器，这是一种对来自3D微计算机断层扫描和核磁共振图像的、经机器学习分割的非均质白垩纪纹理进行并行与串行流重构的方法。对于3D视觉，我们引入了可控可测体积作为一种新的监督分割方法，其中一组独特的体素强度对应于颗粒和孔喉尺寸。形态解码器以一种新颖的方式划分并聚合形态边界以生成渗透率。形态解码器方法由本文描述的五个新颖过程组成，这些新颖过程是：（1）几何3D渗透率，（2）机器学习引导的岩石形态3D性质识别，（3）用于渗透率的3D图像性质整合模型，（4）MRI渗透率成像仪，以及（5）形态解码器（整合其他四个新颖过程的过程）。
关键词
引用
@article{arxiv.2111.13460,
title = {Morphology Decoder: A Machine Learning Guided 3D Vision Quantifying Heterogenous Rock Permeability for Planetary Surveillance and Robotic Functions},
author = {Omar Alfarisi and Aikifa Raza and Djamel Ouzzane and Hongxia Li and Mohamed Sassi and Tiejun Zhang},
journal= {arXiv preprint arXiv:2111.13460},
year = {2022}
}
备注
1- Added Affiliation section. 2- Added Remark section. 3- Applied grammar corrections