一种基于多属性Unet的盐丘识别方法技术

本发明专利技术公开一种基于多属性Unet的盐丘识别方法，应用于地震数据处理领域，针对现有技术在盐丘识别时没有充分利用地震属性在地震数据解释中的重要作用的问题；本发明专利技术首先根据对要识别异常体的敏感度优选出几种属性，之后通过构建含有多输入和多连接的Unet网络使多属性数据能够同时输入网络并在网络中融合；该网络实现了端到端的盐丘分割，并且考虑了多属性融合的非线性问题使用了密集连接；使用多属性融合的Unet能够自动融合和学习多属性的特征，并且对盐丘识别的准确度要优于单一属性的Unet；本发明专利技术输入整张地震体切片，不进行裁剪，可以保留更多的空间信息；并使用数据增强，使得很少的训练数据就可以得到较好的分割效果。得很少的训练数据就可以得到较好的分割效果。得很少的训练数据就可以得到较好的分割效果。

【技术实现步骤摘要】
一种基于多属性Unet的盐丘识别方法


[0001]本专利技术属于地震数据处理领域，特别涉及一种盐丘识别技术。

技术介绍

[0002]在地震数据解释中，大多数重要的油气藏都存在于异常体周围，对异常体的识别分割以及三维模型的构建是地震数据解释中重要的任务之一。盐丘作为最常见的异常体之一，盐丘的识别和解释不仅对资源开采有重要意义，对于理解地下盐构造以及地震迁移速度模型的建立也有很大帮助。
[0003]传统的盐丘解释问题一般是通过地质专家通过过硬的专业知识和丰富的经验来进行解释，然而由于地震资料量大，人工进行盐体解释是一项耗时的工作，解释的准确性也与专家的专业知识有关。因此，在过去的几年里，随着计算机技术的发展，人们做了大量的研究来开发计算机辅助算法来自动检测盐体。随着深度学习的广泛应用，许多地质专家将其应用到异常体识别任务中。区别于传统的异常体识别方法，基于深度学习的异常体识别方法不再依赖于专家的先验知识，而是从数据中自动挖掘有效的特征用于异常体识别。
[0004]虽然目前已存在将深度学习技术应用到地震数据解释领域的研究。现有所使用的深度学习网络，大多以地震原始振幅数据作为输入，效果改进方面没有充分考虑到地震数据本身区别于自然图像的特点，没有充分利用地震属性在地震数据解释中的重要作用，使得深度学习在地震数据解释中的应用还存在很大的发展空间。本专利技术基于多属性Unet进行盐丘识别。相比于传统方法和机器学习的方法，该网络能够将地震数据的多个属性进行融合学习，捕捉更多的有效信息并进行分类，从而实现对盐丘的高效和准确的识别和分割。同时，针对于地震数据的特点提出了列归一化的数据预处理方法，该方法既能够保留地震数据本身的信息，又能够更多的消除杂乱信号和噪声。
[0005]对于盐丘的识别的相关现有技术如下：
[0006]虽然目前已存在将深度学习技术应用到地震数据解释领域的研究。现有所使用的深度学习网络，大多以地震原始振幅数据作为输入，效果改进方面没有充分考虑到地震数据本身区别于自然图像的特点，没有充分利用地震属性在地震数据解释中的重要作用，使得深度学习在地震数据解释中的应用还存在很大的发展空间。利用深度神经网络进行地震异常体的主流方法是将异常体的识别分割视为图像分割问题，将已知异常体标签的地震数据进行处理之后(一般为地震振幅数据)输入到神经网络中进行训练，用训练完成后的模型来进行地震异常体的预测。这样的流程是基于普通的图像识别分割问题，针对于地震数据中盐丘的识别分割会存在以下问题：(1)盐丘内部信号杂乱，反射强度小，又由于盐丘的形状多为蘑菇形，这会导致盐丘顶部有比较明显的信号反射，而两侧边缘部分的反射强度小，不容易得到边缘；(2)通常盐丘在整个数据体中占比较小，直接对地震数据体进行识别难度比较大，裁剪识别又比较容易失去地震数据的上下文信息；(3)不同于自然图像的大量训练数据，存在盐丘的标签地震数据很少。

技术实现思路

[0007]为解决上述技术问题，本专利技术提出一种基于多属性Unet的盐丘识别方法，根据对要识别异常体的敏感度融合几种优选的地震属性作为网络的输入数据，通过构建的基于多属性融合的Unet网络，实现了端到端的盐丘分割。
[0008]本专利技术采用的技术方案为：一种基于多属性Unet的盐丘识别方法，包括：
[0009]S1、利用原始地震数据进行属性计算，得到：杂乱特征体、均方根振幅属性体以及方差属性体；
[0010]S2、构建基于多属性融合的Unet网络，将杂乱特征体、均方根振幅属性体、方差属性体与原始振幅属性体共同作为网络的输入数据，对Unet网络进行训练；
[0011]S3、根据训练完成的Unet网络进行盐丘识别。
[0012]步骤S1还包括对每个属性体进行切片和列归一化。
[0013]步骤S1还包括对每个属性体的Inline切片进行几何变换，所述几何变换包括镜像变换、随机缩放、随机旋转。
[0014]步骤S2所述Unet网络为多输入单输出的网络结构。
[0015]Unet网络在在下采样阶段每个输入属性是一条输入流，通过密集连接将四个输入流学习到的特征进行融合。
[0016]本专利技术的有益效果：本专利技术的方法根据对要识别异常体的敏感度融合几种优选的地震属性作为网络的输入数据，通过构建的基于多属性融合的Unet网络，实现了端到端的盐丘分割，并且考虑了多属性融合的非线性问题使用了密集连接。使用多属性融合的Unet能够自动融合和学习多属性的特征，更好的模拟了多属性融合的关系，从而得到较好的训练模型进行盐丘识别；本专利技术基于多属性融合的Unet进行盐丘识别，包括以下优点：
[0017](1)使用列归一化而不同于自然图像的全局归一化以消除更多的杂乱信息，更符合地震数据的特点；
[0018](2)输入整张地震体切片，不进行裁剪，以保留更多的空间信息；
[0019](3)使用数据增强，使得很少的训练数据就可以得到较好的分割效果。
附图说明
[0020]图1为本专利技术的基于多属性Unet的盐丘识别方法流程示意图；
[0021]图2为本专利技术实施例提供的选取的地震属性切片；
[0022]其中，图2(a)为振幅属性，图2(b)为杂乱特征，图2(c)为均方根振幅属性，图2(d)为方差属性；
[0023]图3为本专利技术实施例提供的原始Inline切片图；
[0024]图4为本专利技术实施例提供的水平镜像变换后的Inline切片图；
[0025]图5为本专利技术实施例提供的垂直镜像变换后的Inline切片图；
[0026]图6为本专利技术实施例提供的放大两倍后的Inline切片图；
[0027]图7为本专利技术实施例提供的旋转180度后的Inline切片图；
[0028]图8为本专利技术实施例提供的多属性前期融合示意图；
[0029]图9为本专利技术实施例提供的多属性后期融合示意图；
[0030]图10为本专利技术实施例提供的IVD-Net使用的卷积模块；
[0031]图11为本专利技术实施例提供的Non_local模块示意图；
[0032]图12为本专利技术实施例提供的基于多属性Unet的盐丘识别网络结构示意图；
[0033]图13为本专利技术实施例提供的F3地震数据；
[0034]图14为本专利技术实施例提供的多属性Unet盐丘分割结果；
[0035]图15为本专利技术实施例提供的训练集和验证集的损失函数和准确率变化；
[0036]图16为本专利技术实施例提供的仅使用振幅属性数据的盐丘分割结果。
具体实施方式
[0037]异常体通常指引起物探异常的地质体，是具有一定空间形态的特殊地质构造，其中盐丘、河道是最常见的异常体。由于异常体的特殊构造和与油气藏等资源的紧密联系，异常体的识别和分割对地震数据解释工作有着至关重要的作用，同时，构建异常体三维模型对于建立地震偏移速度模型以及地质结构分析等都具有重要意义。
[0038]本专利技术基于多属性融合的Unet本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多属性Unet的盐丘识别方法，其特征在于，包括：S1、利用原始地震数据进行属性计算，得到：杂乱特征体、均方根振幅属性体以及方差属性体；S2、构建基于多属性融合的Unet网络，将杂乱特征体、均方根振幅属性体、方差属性体与原始振幅属性体共同作为网络的输入数据，对Unet网络进行训练；S3、根据训练完成的Unet网络进行盐丘识别。2.根据权利要求1所述的一种基于多属性Unet的盐丘识别方法，其特征在于，步骤S1还包括对每个属性体进行切片和列归一化。3.根据权利要...

【专利技术属性】
技术研发人员：何翔，汪雅婷，雷跃，姚兴苗，胡光岷，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：