基于卷积神经网络和视觉变换神经网络的地震去噪方法技术

本发明专利技术公开了一种基于卷积神经网络和视觉变换神经网络的地震去噪方法，涉及信息处理技术领域。本发明专利技术采集含噪声的地震数据，对含噪声的地震数据进行去噪处理后，得到多个去噪后的地震数据块，构建包括训练集、验证集和测试集的地震数据集，并基于卷积神经网络和视觉变换神经网络构建地震数据去噪网络，利用训练集训练地震数据去噪网络后，再利用验证集调试训练后地震数据去噪网络的去噪效果，得到去噪效果最佳的地震数据去噪网络后，利用训练后的地震数据去噪网络去除测试集中含噪声地震数据块的噪声，得到去除噪声后的地震数据。本发明专利技术有效提高了地震数据的去噪性能，降低了训练成本，有利于快速且准确的获取地下介质构造信息。息。息。

【技术实现步骤摘要】
基于卷积神经网络和视觉变换神经网络的地震去噪方法


[0001]本专利技术涉及信息处理
，具体涉及一种基于卷积神经网络和视觉变换神经网络的地震去噪方法。

技术介绍

[0002]地震勘探作为当前全球油气勘探的主要技术，其通过人工激发记录地震波，利用计算机对所采集的地震记录进行加工和改造，获取地下介质的构造分布信息。野外采集的地震记录中存在大量的随机噪声，导致地震记录的分辨率降低，无法保证后续数据处理的真实性。所以，必须采取有效的处理手段减弱地震记录中的随机噪声，恢复出原始干净的地质构造，同时，还需要尽可能多地保留地质构造中的断层、尖灭等细节特征。传统的噪声压制方法均是基于预先建立的模型，需要根据数据集估计参数，这种模型往往不适用于现场数据，且估计参数需要大量的人机交互，自动化程度较低。另外，传统的去噪方法不能很好地兼顾保护地震记录同相轴的整体趋势和细节、边缘等信息。
[0003]卷积神经网络（Convolutional Neural Networks，CNN）作为计算机视觉处理中提取图像特征的重要方法，利用卷积滤波器进行参数共享以及层与层之间的稀疏连接，提取固定感受野之下的卷积特征并输入至后续的网络中完成特定任务（例如人脸识别、图像分割和视频插帧等任务）。地球物理
研究人员已尝试将卷积神经网络应用于地震数据去噪处理中，但现阶段基于卷积神经网络的地震数据去噪方法主要侧重于采用精细的网络结构（例如采用生成对抗网络、残差学习网络或者U
‑
Net），相比于传统的基于模型的地震数据去噪方法，基于卷积神经网络的地震数据去噪方法其去噪性能有了显著的提高，但是，当地震记录的同相轴形状和倾角发生较大变化时（例如地下存在凹陷、隆起时），由于卷积神经网络提取的特征是通过卷积滤波器提取固定感受野中的局部特征，这就使得基于卷积神经网络的地震数据去噪方法常常存在去噪性能较弱的问题，无法很好地保护同相轴的真实形状。为了能够提取到整个数据块的特征，卷积神经网络需要堆叠卷积滤波器构建马尔科夫链，由于卷积滤波器本身不具备非局部性质，所以其获得的特征并不能很好地建立整块数据各区域之间的联系，造成全局信息的缺失，缺失全局信息将导致网络的去噪性能降低，产生较大的误差。因此，基于卷积神经网络的地震数据去噪方法因为卷积运算存在固有的局部性，虽然这种局部性有利于提取地震数据中的细节和边缘信息，但无法很好地获取数据的全局和长程特征，即传统的基于卷积神经网络的地震数据去噪方法应用于长距离关系建模时，具有一定的局限性且计算量较大。
[0004]变换神经网络（Transformer）作为目前深度学习领域最先进的网络模型之一，其自注意力机制擅长捕捉数据及特征的内部相关性，减少对外部信息的依赖，已被研究人员引入计算机视觉领域中执行图像识别任务，视觉变换神经网络（Vision Transformer）在图像分类、目标检测和语义分割等计算机视觉任务中均取得了良好的应用，其自注意力机制通过计算图像中像素点间的相互关系捕捉图像的全局信息，对长距离关系进行建模。但是，单纯使用变换神经网络时，会因为长程注意力机制而忽略掉图像的局部特性，导致局部信
息获取能力较差，造成细节或边缘信息的丢失。并且，变换神经网络的常规自注意力机制在求取全局注意力图时，无差别地计算了所有像素的相似度，使得计算量巨大、硬件成本高昂，难以应用于训练地震数据去噪网络中。
[0005]因此，亟需提出一种新的地震噪声压制方法，用于解决现有地震数据去噪方法难以充分挖掘利用地震数据信息、模型构建复杂且计算成本高昂的问题。

技术实现思路

[0006]本专利技术针对现有技术难以充分挖掘利用地震数据信息、模型构建复杂且计算成本高昂的问题，提出了一种基于卷积神经网络和视觉变换神经网络的地震去噪方法，通过将卷积神经网络和视觉变换神经网络结合后进行轻量化改进，提高了对地震数据的去噪性能，减少了地震数据去噪网络训练过程中的参数量和计算量，有效压制了地震数据中的噪声，有利于快速准确的获取地下介质构造分布信息。
[0007]本专利技术为了实现上述目的，采用如下技术方案：基于卷积神经网络和视觉变换神经网络的地震去噪方法，包括以下步骤：步骤1，采集含噪声的地震数据，对含噪声的地震数据进行去噪处理后，得到多个去噪后的地震数据块，构建地震数据集，地震数据集中包括训练集、验证集和测试集；步骤2，基于卷积神经网络和视觉变换神经网络构建地震数据去噪U
‑
Net网络，地震数据去噪U
‑
Net网络由多个位于不同深度处的CT模块组成，CT模块包含两个1
×
1卷积层、一个由轻量化卷积模块和轻量化视觉变换神经网络模块组成的并行结构和一个合并层；步骤3，利用训练集对地震数据去噪U
‑
Net网络进行训练，得到训练后的地震数据去噪U
‑
Net网络；步骤4，利用验证集验证训练后地震数据去噪U
‑
Net网络的去噪效果，若训练后地震数据去噪U
‑
Net网络的去噪效果已达到最佳，则进入步骤5，否则，则返回步骤3中，继续利用训练集对地震数据去噪U
‑
Net网络进行训练；步骤5，将测试集中含噪声地震数据块输入至训练后的地震数据去噪U
‑
Net网络中，利用训练后的地震数据去噪U
‑
Net网络去除测试集中含噪声地震数据块中的噪声，得到去除噪声后的地震数据。
[0008]优选地，所述步骤1中，具体包括以下步骤：步骤1.1，采集含噪声的地震数据，将含噪声的地震数据截取为多个具有相同维度的含噪声地震数据块，分别对各含噪声地震数据块进行去噪处理后，得到多个去噪后的地震数据块，各去噪后的地震数据块为其所对应含噪声地震数据块的标签；步骤1.2，基于含噪声地震数据块和去噪后的地震数据块，构建地震数据集，并将地震数据集划分为训练集、验证集和测试集。
[0009]优选地，所述步骤2中，当含噪声地震数据块或前一个CT模块输出的特征数据块输入至当前CT模块时，当前CT模块的第一个1
×
1卷积层先对输入的含噪声地震数据块或特征数据块进行卷积核大小为1
×
1的卷积运算，得到1
×
1卷积处理后的地震数据，如公式（1）所示：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）
式中，为1
×
1卷积处理后的地震数据，行数为h、列数为w、通道数为C；为卷积核大小为1
×
1的卷积运算函数；为输入至CT模块的数据块，行数为h、列数为w、通道数为C0；再将经1
×
1卷积处理后的地震数据同时输入至轻量化卷积模块和轻量化视觉变换神经网络模块中，轻量化卷积模块输出轻量化卷积处理数据，轻量化视觉变换神经网络模块输出轻量化视觉变换神经网络处理数据，如公式（2）和公式（3）所示：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于卷积神经网络和视觉变换神经网络的地震去噪方法，其特征在于，包括以下步骤：步骤1，采集含噪声的地震数据，对含噪声的地震数据进行去噪处理后，得到多个去噪后的地震数据块，构建地震数据集，地震数据集中包括训练集、验证集和测试集；步骤2，基于卷积神经网络和视觉变换神经网络构建地震数据去噪U
‑
Net网络，地震数据去噪U
‑
Net网络由多个位于不同深度处的CT模块组成，CT模块包含两个1
×
1卷积层、一个由轻量化卷积模块和轻量化视觉变换神经网络模块组成的并行结构和一个合并层；步骤3，利用训练集对地震数据去噪U
‑
Net网络进行训练，得到训练后的地震数据去噪U
‑
Net网络；步骤4，利用验证集验证训练后地震数据去噪U
‑
Net网络的去噪效果，若训练后地震数据去噪U
‑
Net网络的去噪效果已达到最佳，则进入步骤5，否则，则返回步骤3中，继续利用训练集对地震数据去噪U
‑
Net网络进行训练；步骤5，将测试集中含噪声地震数据块输入至训练后的地震数据去噪U
‑
Net网络中，利用训练后的地震数据去噪U
‑
Net网络去除测试集中含噪声地震数据块中的噪声，得到去除噪声后的地震数据。2.根据权利要求1所述的基于卷积神经网络和视觉变换神经网络的地震去噪方法，其特征在于，所述步骤1中，具体包括以下步骤：步骤1.1，采集含噪声的地震数据，将含噪声的地震数据截取为多个具有相同维度的含噪声地震数据块，分别对各含噪声地震数据块进行去噪处理后，得到多个去噪后的地震数据块，各去噪后的地震数据块为其所对应含噪声地震数据块的标签；步骤1.2，基于含噪声地震数据块和去噪后的地震数据块，构建地震数据集，并将地震数据集划分为训练集、验证集和测试集。3.根据权利要求2所述的基于卷积神经网络和视觉变换神经网络的地震去噪方法，其特征在于，所述步骤2中，当含噪声地震数据块或前一个CT模块输出的特征数据块输入至当前CT模块时，当前CT模块的第一个1
×
1卷积层先对输入的含噪声地震数据块或特征数据块进行卷积核大小为1
×
1的卷积运算，得到1
×
1卷积处理后的地震数据，如公式（1）所示：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）式中，为1
×
1卷积处理后的地震数据，行数为h、列数为w、通道数为C；为卷积核大小为1
×
1的卷积运算函数；为输入至CT模块的数据块，行数为h、列数为w、通道数为C0；再将经1
×
1卷积处理后的地震数据同时输入至轻量化卷积模块和轻量化视觉变换神经网络模块中，轻量化卷积模块输出轻量化卷积处理数据，轻量化视觉变换神经网络模块输出轻量化视觉变换神经网络处理数据，如公式（2）和公式（3）所示：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）式中，为轻量化卷积处理数据，行数为h、列数为w、通道数为C；为轻量化
卷积模块的运算函数；为轻量化视觉变换神经网络处理数据，行数为h、列数为w、通道数为C；为轻量化视觉变换神经网络模块的运算函数；最后，将轻量化卷积处理数据和轻量化视觉变换神经网络处理数据同时输入合并层中，经合并层处理后再输入至当前CT模块的第二个1
×
1卷积层中，输出经CT模块处理后的数据，如公式（4）所示：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）式中，Z为经CT模块处理后的数据，为合并运算。4.根据权利要求3所述的基于卷积神经网络和视觉变换神经网络的地震去噪方法，其特征在于，所述轻量化卷积模块包括第一卷积层和第二卷积层，第一卷积层和第二卷积层串联连接，第一卷积层和第二卷积层之间设置有激活函数ReLU，第一卷积层和第二卷积层均采用卷积核大小为3
×
3的深度可分离卷积，深度可分离卷积分为逐通道卷积与逐点卷积，第一卷积层的输入与第二卷积层的输出之间设置有快接连接，快接连接将输入至轻量化卷积模块的地震数据与经轻量化卷积模块处理后输出的地震数据相融合，得到轻量化卷积处理数据，如公式（5）所示：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（5）式中，为可分离卷积运算函数，为激活函数。5.根据权利要求3所述的基于卷积神经网络和视觉变换神经网络...

【专利技术属性】
技术研发人员：王珺，王帅，刘伟锋，刘宝弟，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：