一种基于改进U-net的盐丘识别方法技术

一种基于改进U

【技术实现步骤摘要】
一种基于改进U
‑
net的盐丘识别方法


[0001]本专利技术涉及地震数据处理
，具体涉及一种基于改进U
‑
net的盐丘识别方法。

技术介绍

[0002]盐丘是由于盐岩、石膏和黏土向上流动挤入围岩，使上覆岩层发生拱曲隆起而形成的一种底辟构造，具有良好的密封性，它包含着大量的石油和天然气，同时也是盐和钾的主要来源。传统的盐丘识别方法，主要是研究人员根据地震勘探的理论知识，结合个人经验对地震数据分析得到结果，这种方法需要耗费大量的时间和人力资源，结果也有很强的主观性。此外，地震数据采集技术在不断提高，数据解释流程越发复杂，人工解释很难满足要求。
[0003]近几年来，随着深度学习的快速发展和计算能力的不断提高，卷积神经网络(CNN)已成功应用于包括地震成像在内的许多领域，并取得了优异的性能。CNN方法正在彻底改变计算机视觉领域，已经成为图像分析领域的一个热门话题。Shi将有监督的全卷积神经网络应用到地震图像的分割中，使用二进制交叉熵损失函数来调整不平衡，在合成数据上有优于传统方法的表现。之后Shi等又在合成数据上设计了深度神经网络模型提取盐丘特征，在识别盐丘实验中inline和crossline方向上都有不错的性能表现。Di等人使用有三个卷积层和三个反卷积层的反卷积神经网络来加速地震解释。同一作者又使用分类方法解决了盐体圈定问题，主要依赖于CNN的两个卷积层和两个由32
×
32个图像块组成的全连接层。Zeng等人提出了一种利用U
‑
Net分割网络，结合ResNet分类网络来识别盐丘的方法，取得了较好的结果。张玉玺等人通过利用卷积神经网络，建立起不同地震属性与盐丘之间的联系，从而实现盐丘的自动分割。虽然上述研究都能实现对盐丘的识别，但对于微小盐丘分割效果较差，盐丘边界分割不清晰，导致整体分割精度偏低。

技术实现思路

[0004]为了克服上述现有技术存在的缺陷，本专利技术的目的在于提供一种基于改进U
‑
net的盐丘识别方法，通过改进的U
‑
Net图像分割网络模型实现端到端的盐丘识别：使用SENet154作为编码器的主干网络，并加入Lovasz
‑
Softmax损失函数，针对性地提出了更适合盐丘识别任务的网络架构方法；解决盐丘边界分割不准确和微小盐丘识别效果差的技术问题，提高模型的精度，相较于原本的U
‑
Net网络模型性能有很大的提升，盐丘识别准确率也得到了提高。
[0005]为了达到上述目的，本专利技术采取的技术方案为：
[0006]一种基于改进U
‑
net的盐丘识别方法，具体包括以下步骤：
[0007]步骤一、选取原始地震图像数据集；
[0008]步骤二、对步骤一得到的数据集进行数据预处理：数据增强、划分数据集、尺度变换；
[0009]步骤三、结合步骤二处理后的图像数据，构建改进的U
‑
Net网络模型结构；
[0010]步骤四、训练步骤三改进后的网络模型，并对盐丘进行识别。
[0011]所述步骤二具体方法如下：
[0012]1)数据增强：通过水平翻转、亮度调整和旋转对步骤一得到的数据集进行扩充，增强模型的泛化能力；
[0013]2)划分数据集：将步骤二第1)步扩充得到的数据集划分为训练集及测试集；
[0014]3)尺度变换：将步骤二第1)步扩充得到的数据集尺度变换为U
‑
Net网络默认的图像大小。
[0015]所述步骤三具体方法如下：
[0016]1.1)Squeeze操作：对C
×
H
×
W的特征图进行全局平均池化，得到1
×1×
C大小的特征图，获取全局的空间信息，使感受区域更广：
[0017][0018]1.2)Excitation操作：使用全连接神经网络，对Sequeeze之后的结果进行非线性变换，使模型学习到各个特征通道的权重系数：
[0019]s＝F
ex
(z，W)＝σ(g(z，W))＝σ(W2δ(W1z))
ꢀꢀ
(2)
[0020]1.3)Reweight操作：将学习到的各个权重系数乘以先前的特征，完成对原始特征的重标定：
[0021][0022]1)将原始U
‑
Net网络的编码器部分替换为SENet154，SENet提出了Squeeze
‑
and
‑
Excitation(SE)模块，包括Squeeze操作、Excitation操作和Reweight操作，输入步骤二第3)步中得到的图像，进行下采样操作，得到特征图，获取低分辨率的盐丘细节特征，加强对微小盐丘的分割效果；
[0023]2)对步骤三第1)步中得到的特征图进行上采样，恢复该特征图的空间分辨率，获取高分辨率的语义特征，并与步骤三第1)步下采样路径中的同分辨率特征图进行连接，将不同尺度特征图的低级细节与高级语义结合起来，获得更精细的盐丘分割结果；
[0024]3)对步骤三第2)步中上采样后的的特征图进行的卷积操作得到与输入图像分辨率大小相同的特征图，将它作为Sigmoid激活函数的输入，得到每个像素点盐丘的预测概率值。
[0025]所述步骤四的具体方法如下：
[0026]将步骤二第3)步中得到的图像作为步骤三中改进的U
‑
Net网络的输入图像，并设置网络模型的运行参数，使用AdamW优化算法在实验操作平台上对步骤三改进的U
‑
Net网络模型进行训练，并使用Lovasz
‑
Softmax损失函数对网络设计合理性进行评估，当损失值趋于稳定时训练结束，并保存训练过程中最优的网络模型，输出盐丘识别结果，如下：
[0027]损失函数选用Lovasz
‑
Softmax函数，Lovasz
‑
Softmax是基于Lovasz的扩展，由交叉熵损失函数(Cross
‑
Entropy loss)和Softmax组合而成；
[0028]Cross
‑
Entropy loss计算公式为：
[0029][0030]式中，p为图像中的像素数量，为像素i的GT类别，为像素i的概率估计，f为fi(c)的网络输出；通过Softmax函数映射到概率，计算公式为：
[0031][0032]给定一个GT向量y
*
和预测标签向量c类别的Jaccard指数为：
[0033][0034]在经验风险最小化时，相应的损失函数为：
[0035][0036]当损失值趋于稳定时训练结束，保存训练过程中最优的网络模型，输出盐丘识别结果；
[0037]采用准确率和交并比作为图像语义分割任务评价指标，准确率用于评价模型的预测能力；交并比用于衡量模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进U
‑
net的盐丘识别方法，其特征在于，包括以下步骤：步骤一、选取原始地震图像数据集；步骤二、对步骤一得到的数据集进行数据预处理：数据增强、划分数据集、尺度变换；步骤三、结合步骤二处理后的图像数据，构建改进的U
‑
Net网络模型结构；步骤四、训练步骤三改进后的网络模型，并对盐丘进行识别。2.根据权利要求1所述的一种基于改进U
‑
net的盐丘识别方法，其特征在于，所述步骤二的具体实现方法为：1)数据增强：通过水平翻转、亮度调整和旋转对步骤一得到的数据集进行扩充，增强模型的泛化能力；2)划分数据集：将步骤二第1)步扩充得到的数据集划分为训练集及测试集；3)尺度变换：将步骤二第1)步扩充得到的数据集尺度变换为U
‑
Net网络默认的图像大小。3.根据权利要求1所述的一种基于改进U
‑
net的盐丘识别方法，其特征在于，所述步骤三具体方法如下：1)将原始U
‑
Net网络的编码器部分替换为SENet154，SENet提出了Squeeze
‑
and
‑
Excitation(SE)模块，包括Squeeze操作、Excitation操作和Reweight操作，输入步骤二第3)步中得到的图像，进行下采样操作，得到特征图，获取低分辨率的盐丘细节特征，加强对微小盐丘的分割效果；1.1)Squeeze操作：对C
×
H
×
W的特征图进行全局平均池化，得到1
×1×
C大小的特征图，获取全局的空间信息，使感受区域更广：1.2)Excitation操作：使用全连接神经网络，对Sequeeze之后的结果进行非线性变换，使模型学习到各个特征通道的权重系数：s＝F
ex
(z，W)＝σ(g(z，W))＝σ(W2δ(W1z))
ꢀꢀꢀꢀ
(2)1.3)Reweight操作：将学习到的各个权重系数乘以先前的特征，完成对原始特征的重标定：2)对步骤三第1)步中得到的特征图进...

【专利技术属性】
技术研发人员：娄莉，张丰侠，
申请(专利权)人：西安石油大学，
类型：发明
国别省市：