融合Res-50与CBAM的地震断层自动识别方法技术

本发明专利技术公开了一种融合Res

【技术实现步骤摘要】
融合Res
‑
50与CBAM的地震断层自动识别方法


[0001]本专利技术涉及图像处理
，更具体的说是涉及一种融合Res
‑
50与CBAM的地震断层自动识别方法。

技术介绍

[0002]地震资料处理的重要任务之一就是断层解释，作为油气赋存和运移的通道，如何准确高效地识别断层对油气藏的勘探和开采具有重要意义。断层识别的传统方法是在二维地震剖面中利用同相轴的不连续性手动解释断层，其结果含有主观性，且误差大、效率低。
[0003]深度学习作为机器学习的主要方式之一，其广泛地应用于各个领域。在地震勘探早期，机器学习就已经应用于地震资料解释，随着机器学习的不断发展，基于深度学习的地震数据处理研究逐渐兴起。董守华等(1997)通过搭建BP神经网络完成了对小型断层的精确识别。滕超等(2016)运用散点图法和灰色关联分析法，计算出各种断层属性与其伸展长度之间的相关性，以此来训练支持向量机模型(SVM)，达到识别小型断裂的目的。Di等(2018)构建了多层感知器(MLP)网络结构模型，通过多种地震属性对模型进行训本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合Res
‑
50与CBAM的地震断层自动识别方法，其特征在于，包括：S1、以U
‑
Net网络为基础，在U
‑
Net网络的编码部分引入多组Res
‑
50残差块，在解码部分引入多个CBAM卷积注意力模块，构建断层识别模型；S2、在编码部分，将原始地震图像转化为原始特征图；S3、将原始特征图经下采样后进入第一组Res
‑
50残差块，进行卷积处理，将卷积结果与输入线性叠加并经ReLU函数激活后，得到新的特征图；S4、将S3得到的特征图重复进行如S3所示的下采样，并输入下一组Res
‑
50残差块，重复进行如S3所示的卷积处理，直至经过所有的Res
‑
50残差块，得到编码部分的特征图F；S5、将特征图F经上采样层进行反卷积后，进入第一个CBAM卷积注意力模块进行CBAM操作，为特征图F中的断层区域和背景分配不同的权重，得到显著包含通道位置信息和空间位置信息的特征图F
″
；S6、将特征图F
″
与特征图F进行特征映射级联，并对级联后的特征图进行卷积操作；S7、将S6得到的特征图重复进行多次如S5
‑
S6所示的上采样、CBAM操作、特征映射级联和卷积操作，直至经过所有的CBAM卷积注意力模块，得到包含断层关键信息的特征图像；S8、将S7得到的特征图像还原至原始图像大小，得到断层识别结果图像。2.根据权利要求1所述的融合Res
‑
50与CBAM的地震断层自动识别方法，其特征在于，编码部分的每个下采样层对应一组Res
‑
50残差块，下采样层和Res
‑
50残差块的组数均为4；编码部分由浅层至深层依次设置3、4、6、3组Res
‑
50残差块。3.根据权利要求2所述的融合Res
‑
50与CBAM的地震断层自动识别方法，其特征在于，每组Res
‑
50残差块包含三个连续的Res
‑
50残差块，且每个Res
‑
50残差块包含1
×
1、3
×
3和1
×
1三个连续的卷积核。4.根据权利要求1所述的融合Res
‑
50与CBAM的地震断层自动识别方法，其特征在于...

【专利技术属性】
技术研发人员：王欣伟，彭苏萍，师素珍，王祎璠，魏天立，杨涵博，王彦博，刘丹青，
申请(专利权)人：中国矿业大学北京，
类型：发明
国别省市：