一种基于深度学习语义分割的地震断层识别方法技术

本发明专利技术公开了一种基于深度学习语义分割的地震断层识别方法，包括：获取三维地震数据，并从中进行切片提取，以得到二维地震振幅图像；将所得到的二维地震振幅图像输入至断层分割模型，断层分割模型输入断层二值图像；对所述断层二值图像进行优化处理，得到断层识别结果；所述断层分割模型是通过断层训练样本和深度学习语义分割模型所训练而得。本发明专利技术基于深度学习语义分割方法，采用模式识别的思路凭借深度卷积神经网络的强大拟合能力对解释断层的模式进行学习，利用计算机视觉在地震振幅图像中拾取断层，实现在三维地震数据中快速准确的进行断层识别，同时在识别过程中减少人为干预以及错误的发生并缩短断层解释所需要的时间。间。间。

【技术实现步骤摘要】
一种基于深度学习语义分割的地震断层识别方法


[0001]本专利技术涉及地震数据处理技术，具体涉及一种基于深度学习语义分割的地震断层识别方法。

技术介绍

[0002]断层解释是地震资料解释的基础，准确的断层解释直接关系到构造成图的精度，而如何从地震数据中准确地识别出断层构造一直是困扰学者们的问题。目前断层识别方法种类繁多，总的来说这些方法大致分为常规地震断层解释方法、基于地震属性的识别方法、自动断层识别方法和基于图像处理技术的断层识别方法。常规的断层解释方法包括人工对地震剖面中反射波同相轴异常(错段、局部变化、突增或消失等)研究和对地震属性(相干体、方差、曲率等)的分析等，从而进一步判断出断层的走向、倾角和延伸等特征。但是随着地震勘探技术的不断提高，地震数据的体量也越来越大，利用常规的方法进行断层解释不仅十分琐碎和耗时，而且难度较大以及无法重复验证，复杂的解释流程也对解释人员专业性的要求十分高
[0003]虽然利用计算表征断层的地震属性的方法进行断层识别的方法在不断发展和进步，但是由于地震属性选择以及计算不是十分简单，因此也存在一些弊端。除了常规的断层解释方法，断层的自动和半自动解释方法一直是研究人员研究的重点，包括蚂蚁追踪算法、BP神经网络以及AFE方法等。这些方法虽然能够在一定程度上克服了人工断层识别过程中由于肉眼视觉分辨率而产生的误差，但是断层解释问题往往是十分复杂的，受多种因素影响，可以说目前的任何一种断层自动或者半自动识别方法都存在一定的局限性。此外还有利用图像处理技术进行断层识别，提供了另一种思路将地震数据以图像的形式直观地表达出来，提高图像对地信息的表达能力，例如边缘检测技术、三色混频技术等都在断层解释中得到了应用。
[0004]图像处理技术能够将图像中重要的信息显示出来的同时不会产生新的信息，并具有较强的多尺度性，减少了断层解释过程中的主观性。但其检测的对象并不是地震数据，而是经过处理后反映地震数据的图像，这就对地震数据处理精度有一定的要求。虽然对于断层解释方法研究并不少，但是断层解释技术在其实用性、可信性、局限性等方面还需要继续提高，需要在实践中不断总结并不断创新，因此结合最新的发展技术研究断层识别方法也十分具有重要性和必要性。
[0005]近几年随着人工智能在各行各业的快速发展，越来越多的深度学习方法也开始在地震勘探中总得到了大规模的应用，在地震数据解释中也有与卷积神经网络结合的方法，许多研究人员也开始将地震断层识别与深度学习方法相融合，也取得了一些成果，但同时也或多或少存在一些问题。例如Axelle(2018)通过建立一个具有简单断层几何特征的合成地震数据集，并在图像上应用了一种分类策略，还实施了一个简单的后处理来提取准确的断层位置。该方法构建网络在合成数据上显示了良好的解释结果，并且在The Netherland offshore F3 block的实际剖面上进行了测试，取得了令人鼓舞的断层识别结果。但是该方
法构建的网络十分简单，并且是利用合成地震数据集进行训练去预测实际地震数据，实际效果并不理想。
[0006]Guo Bowen(2018)等模拟解释人员的工作模式，提出了一种基于卷积神经网络的直接从三维地震振幅图像中自动检测断层的方法。虽然对合成三维图像的测试结果表明，卷积神经网络在一幅新的地震图像中预测断层具有较高的精度，但是该方法只是从网络构建上进行断层识别，没有进一步考虑对识别的效果进行优化处理。姚兴苗(2018)等专利技术了一种基于全卷积神经网络的断层面识别方法，该专利包括获取地震振幅断层数据，全卷积神经网络模型的构建，训练全卷积神经网络训练模型然后对地震振幅断层数据进行识别。但是该专利只是利用全卷积网络进行断层识别，全卷积网络虽然是语义分割的开山之作，可以实现端对端的图像识别。但是全卷积层神经网络对充分考虑相邻像素之间的语义关系考虑不够充足，这样的情况是得到的结果是对上下文信息的逻辑性以及连贯性比较差，得到的结果还不够精细。跳跃结构虽然用于处理结果存在粗糙的问题，然而上采样的结果还是存在比较模糊和平滑的缺点，就会导致对于图像中的细节部分理解不够敏感。
[0007]何涛(2019)等选取以合成地震数据体中一点为中心的三个正交面作为单个训练样本，中心点在对应标签数据体中的值则为标签，搭建了由AlexNet网络改造而来卷积神经网络结构进行断层自动识别。虽然可以较为准确地识别预测集中的合成地震数据及实际地震数据中的断层，但是网络为了预测一个中心点的断层与否是需要考虑三个正交面的信息，在训练的时候会造成大量的重复信息的计算，也十分不方便对中心点进行断层的预测。伍新明(2019) 将断层识别问题视为一个二值图像分割问题，通过标记三维地震图像上断层位置为1值和其它非断层位置为0值。并采用监督的全卷积神经网络U
‑
net对图像进行了有效的断层分割。得到了比传统方法更准确、有效地预测三维地震图像中的断层。但是这种方法采用合成地震数据进行训练来预测实际地震数据，需要大量的生成合成地震数据及其断层标签来进行训练，实际情况下由于采集方式和处理方法的不同实际地震数据可能会存在或多或少的差异，因此利用合成地震数据训练模型时候会造成断层识别的效果不稳定。Zhang Qie(2019)提出了一个由合成数据训练成的用于自动拾取三维断层的深度卷积神经网络模型。该网络模型将图像中心划分为断层与否，同时预测断层倾角和方位角。虽然在实际数据应用表明这种卷积神经网络模型在不同构造区域的各种地震图像中表现良好，并产生一致的高质量断层拾取。但是该网络仍然是根据图像中心来进行断层判断，这种以图像中心作为卷积神经网络的输入及其输出来实施训练并且预测过程，不仅存储开销大、计算效率低下而且图像块大小的限制了感知区域的大小，更增加了预测时候的工作量。通过对相关技术背景的调研发现，目前虽然利用卷积神经网络来进行断层识别研究很多，但是在网络结构设计上、样本选择和断层识别结果仍然上存在一些问题。

技术实现思路

[0008]为了解决上述
技术介绍
所存在的至少一技术问题，本专利技术提供一种基于深度学习语义分割的地震断层识别方法。
[0009]为实现上述目的，本专利技术的技术方案是：
[0010]一种基于深度学习语义分割的地震断层识别方法，包括：
[0011]获取三维地震数据，并从中进行切片提取，以得到二维地震振幅图像；
[0012]将所得到的二维地震振幅图像输入至断层分割模型，断层分割模型输入断层二值图像；
[0013]对所述断层二值图像进行优化处理，得到断层识别结果；
[0014]所述断层分割模型是通过断层训练样本和深度学习语义分割模型所训练而得。
[0015]进一步地，所述深度学习语义分割模型为基于VGG16网络改进的断层语义分割深度学习模型，其网络为全卷积网络，在整个网络前部分卷积核都使用3
×
3的大小步长为1，而后面的全连接层变为卷积核大小为1
×
1步长为1的卷积层；池化层滤波器大小均使用2
×
2的大本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习语义分割的地震断层识别方法，其特征在于，包括：获取三维地震数据，并从中进行切片提取，以得到二维地震振幅图像；将所得到的二维地震振幅图像输入至断层分割模型，断层分割模型输入断层二值图像；对所述断层二值图像进行优化处理，得到断层识别结果；所述断层分割模型是通过断层训练样本和深度学习语义分割模型所训练而得。2.如权利要求1所述的基于深度学习语义分割的地震断层识别方法，其特征在于，所述深度学习语义分割模型为基于VGG16网络改进的断层语义分割深度学习模型，其网络为全卷积网络，在整个网络前部分卷积核都使用3
×
3的大小步长为1，而后面的全连接层变为卷积核大小为1
×
1步长为1的卷积层；池化层滤波器大小均使用2
×
2的大小，Pool1池化层的步长为2；在pool2和pool3池化层的步长为1，激活函数均为ReLU函数；整个网络第1、2层采用标准卷积，将第3层整个卷积层使用扩张卷积以及混合扩张卷积设计，每层的扩张率分别为[1,3,5]；全连接层的第4、5、6层卷积核都使用1
×
1的大小步长为1的卷积；在FC4层分别使用了扩张率为6、12、18、24的四组不同的扩张卷积，再分别连接FC5和FC6层，然后进行像素加的融合。3.如权利要求1所述的基于深度学习语义分割的地震断层识别方法，其特征在于，所述断层训练样本通过如下方式获得：样本的选取：首先把处理好的三维地震数据按照Xline或者Inline提取出所有二维切片结果，并选取适量切片数据后进行解释和标记，再把剩下的其它切片当做待解释的数据；选择把将提取的所有地震振幅图像转换为单通道的灰度图像，并从解释好的每个切片及其标签中随机裁剪若干数量的合适大小的图块作为模型的训练样本；样本的扩充：对上述所确定训练样本图像进行镜像变换、旋转的操作，以增加样本的多样性。4.如权利要求1所述的基于深度学习语义分割的地震断层识别方法，其特征在于，所述断层分割模型的深度学习网络损失函数为：L
w
＝
‑
αylogy'
‑
(1
‑
α)(1
‑
y)log(1
‑
y')
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)其中α为非断层在整个数据中所占的比率，对断层和非断层的在损失函数中的权重根据断层和非断层数据的比率进行了控制；y是真实样本的标签，y'是经过softmax函数的预测输出。5.如权利要求1所述的基于深度学习语义分割的地震断层识别方法，其特征在于，所述对所述断层二值图像进行优化处理包括：对断层二...

【专利技术属性】
技术研发人员：胡广，杨胜雄，李沅衡，田冬梅，曹荆亚，邓雨恬，
申请(专利权)人：南方海洋科学与工程广东省实验室广州，
类型：发明
国别省市：