1.一种基于岩心照片识别裂缝类型的方法，其特征在于，所述方法包括以下步骤：步骤1，用工业CCD相机对岩心进行扫描以获取岩心外表面图片；

步骤2，对岩心外表面图片进行预处理得到岩心预处理图；

步骤3，对岩心预处理图进行边缘检测得到边缘轮廓构成的各个裂缝区域，所述各个裂缝区域构成第一集合；

步骤4，对第一集合进行处理，筛选出天然裂缝集合；

步骤5，修复天然裂缝集合中的天然裂缝图像，调整天然裂缝图像到统一大小；

步骤6，把统一大小的天然裂缝图像输入预先训练好的卷积神经网络模型，得到天然裂缝的类型；

其中，步骤4中，对第一集合进行处理，筛选出天然裂缝集合的方法，包括以下子步骤：步骤4.1，设置变量i，初始化i的值为1；令N为第一集合中元素的数量；第一集合为G={Gj}，Gj为G中第j个裂缝区域图像，将Gj转化为Gj图像的像素矩阵中像素的集合，其中，j取值范围为[1,N]，建立空集合G’；

步骤4.2，依次提取Gi中的像素中标记Pedge为TRUE的像素的像素集合为P，是其中第a个像素的坐标，k是Pedge为TRUE的像素数量，a≤k；

步骤4.3，设置变量b的值为1，建立空集合DP，空集合DP_MAX，dpe和dpf均为像素，建立空集合DP_AVG；

步骤4.4，设置变量c=b+step1，变量d=c+step2，step1和step2为步进值，如果d>k，则跳转到步骤4.11，否则跳转步骤4.5；

其中，步进值step1值和step2值的获取方式为：通过Harris角点检测对P的像素点集合构成的封闭区域进行检测得到多个角点，令各个角点的集合为CP，步进值step1为从p1(xb,yb)开始的到与p1(xb,yb)距离最近的角点做为的第一角点构成线段上的像素数量，令距离第一角点最近的角点为第二角点，步进值step2为从第一角点开始到第二角点构成线段的像素数量, 其中p1(xb,yb)是集合P中第b个像素；

步骤4.5，从集合P中取得像素p1(xb,yb)， p2(xc,yc)，p3(xd,yd)，其中(xc,yc)是集合P中第c个像素的坐标，(xd,yd)是集合P中第d个像素的坐标；

步骤4.6，p1(xb,yb)，p2(xc,yc)，p3(xd,yd)构成三角形，构造所述三角形的外接圆，圆心为Cb，外接圆的半径为Cr，把Cr加入DP_AVG；

步骤4.7，设置变量e的值为1；

步骤4.8，从集合P中取得像素p0(xe,ye)，设置dpe为p0(xe,ye)到Cb的欧几里得距离，连同像素p0(xe,ye)加入集合DP，(xe,ye)是集合P中第e个像素的坐标；

步骤4.9，将变量e的值增加1，如果e≤k，跳转步骤4.8，否则跳转步骤4.10；

步骤4.10，计算DP_AVG各个元素的算术平均值，从集合DP中选出大于所述算术平均值的元素，将各个选出的所述元素及其对应的像素坐标加入集合DP_MAX，变量b的值增加1，把集合DP清空，跳转到步骤4.4；

步骤4.11，取得DP_MAX中各个元素的频数和其对应坐标(xg,yg)，从中剔除在CP中的元素，构成集合EXCL(xh,yh)，其中所述元素的频数指的是所选元素在集合DP_MAX出现的次数，其中(xh,yh)是集合EXCL(xh,yh)中第h个像素的坐标，h的取值范围为[1,k]；

步骤4.12，从集合Gi中剔除EXCL(xh,yh)中的元素后合并到集合G’中，将变量i的值增加

1；

步骤4.13，如果i≤N，跳转到步骤4.2，否则跳转到步骤4.14；

步骤4.14，令G’集合为第二集合，第二集合即为剔除了人工裂缝的天然裂缝集合；

在步骤5中，修复天然裂缝集合中的天然裂缝图像的方法包括以下子步骤：步骤5.1，设置变量p和q，初始化p和q的值为1；令M为第二集合G’中元素的数量；第二集合为G’={G’r}，将G’r转化为G’r图像的像素矩阵中像素的集合，G’r为G’中第r个裂缝图像，其中，r取值范围为[1,M]；

步骤5.2，通过直线检测方法检测得到G’p中的直线段集合L，所述直线检测方法包括最小二乘法拟合直线、LSD线段检测、Hough变换检测直线、Ransac拟合直线中任意一种；

步骤5.3，如果L为空集则令p的值增加1并转到步骤5.2，如果L不为空集则转到步骤

5.4；

步骤5.4，从集合G’中筛选出除G’p外的各个裂缝图像的重心或几何中心P1到G’p的重心或几何中心P2的欧氏距离小于Lmax的待合并裂缝图像集合G2，其中，Lmax为集合L中最长直线段的长度；

步骤5.5, 通过Harris角点检测对G’p的像素点集合构成的封闭区域进行检测得到多个角点，得到的角点集合CP2，CP2中元素的数量为S，令p(xt,yt)为CP2中坐标为(xt,yt)的像素点，(xt,yt)是集合CP2中第t个像素的坐标，t取值范围为[1,S]；

依次扫描CP2中各个角点中与集合L中线段的任意端点距离最近的角点P3，令L2为集合L中任意端点距离与角点P3距离最近的直线段，选择集合G2中重心或几何中心P1与P3的欧氏距离最短的裂缝图像并且该裂缝图像的外接圆的直径R1小于L2的长度的裂缝图像作为待合并裂缝图像G3；

步骤5.6，将G3的外接圆与G3的各个切点相互之间构成的各个线段中选取与L2的长度的差值的绝对值E2最小的线段LQ的两个切点作为第一连接点和第二连接点；将LQ按照L2的方向旋转第一角度，按照第一角度对应的旋转G3；其中，令线段L2的两个端点为第三连接点和第四连接点，第三连接点到第四连接点的线段方向对应于G3中第一连接点到第二连接点的线段方向；

步骤5.7，将G3移动到G3的第一连接点与L2的第三连接点的重合的位置，如果E2>0，则通过边缘检测算子对G’p检测边缘线，令第四连接点在G’p边缘线上对应的坐标位置的像素点为P4点，从P4点开始，沿着第三连接点和第四连接点的线段方向，从第四连接点开始复制G’p上截面长度为E2的边缘线，复制的边缘线的两个端点第五连接点和第六连接点，将复制的边缘线的第五连接点移动到第二连接点的坐标处，第六连接点对应的移动到第四连接点处得到新的G’p，完成了G’p的修复，将G3从第二集合G’中删除并将G3从待合并裂缝图像集合G2中删除；

步骤5.8，如果p＜M，将变量p的值增加1并转到步骤5.2，当p≥M时转到步骤5.9；

步骤5.9，输出第二集合G’作为修复好的天然裂缝集合；

在步骤6中， 把统一大小的天然裂缝图像输入预先训练好的卷积神经网络模型，得到天然裂缝的类型，具体包括以下子步骤：步骤6.1，利用已有的带标记的岩心图片，分成训练数据集和测试数据集；

步骤6.2，建立预测卷积神经网络模型，把训练数据集输入模型训练；

步骤6.3，使用测试数据集验证预测模型直到准确度高于阈值；

步骤6.4，把统一大小的天然裂缝图像输入预先训练好的卷积神经网络模型，得到天然裂缝的类型，所述天然裂缝类型可以分为构造裂缝和非构造裂缝两类：构造裂缝主要包括张性裂缝、剪性裂缝和压性裂缝，而非构造裂缝则主要包括溶蚀缝、压实缝、风化缝、层间缝和沉积裂缝。

2.根据权利要求1所述的一种基于岩心照片识别裂缝类型的方法，其特征在于，在步骤

1中，用工业CCD相机对岩心进行扫描以获取岩心外表面图片的方法包括以下子步骤：步骤1.1，将岩心放在步进电机控制旋转的滚辊上；

步骤1.2，使用工业CCD相机扫描岩心；

步骤1.3，每一次旋转滚辊采集一条像素线，之后旋转滚辊，根据需要的精度调整旋转的速度，直到一个岩心被采集完毕，一个岩心采集的所有像素线构成像素线集合；

步骤1.4，把采集到的像素线集合合成一幅完整的岩心外表面图片。

3.根据权利要求1所述的一种基于岩心照片识别裂缝类型的方法，其特征在于，在步骤

2中，对步骤1得到的岩心外表面图片进行预处理，利用最大值灰度化法获得岩心预处理图。

4.根据权利要求1所述的一种基于岩心照片识别裂缝类型的方法，其特征在于，在步骤

5中，修复天然裂缝集合，包括以下步骤：抽取天然裂缝集合中的天然裂缝图像，对每个天然裂缝图像进行按照Z型走向遍历分割出孤立曲线CURVEN，小于阈值的曲线重新分配给邻近的大于阈值的曲线；对CURVEN建立最小外接矩形；调整天然裂缝图像到统一大小得到统一大小的天然裂缝图像。