一种提升边缘准确度的地震相识别语义分割方法及系统技术方案

本发明专利技术属于地震勘探中的地震相识别技术领域，公开了一种提升边缘准确度的地震相识别语义分割方法及系统，运用深度学习理论，使用基于Python的PyTorch深度习框架构建基于提升边缘准确度的地震相识别语义分割模型；融合ResNet34残差网络注意力机制及残差重构模块RRM，使用基于注意力机制的ResNet34残差网络提取地震剖面全局和局部特征，进一步利用RRM模块对特征进行复用和提炼，得到准确的、精细刻画地震相边缘信息的地震相；优化目标融合交叉熵损失和多级混合损失函数指导模型训练，实现地震相识别结果。本发明专利技术引入高效的深度学习语义分割模型方法，挖掘大规模地震数据中地震相的特征，成本相较人工解释更为低廉，准确性相较现有基于深度学习的地震相识别方法更高。相较现有基于深度学习的地震相识别方法更高。相较现有基于深度学习的地震相识别方法更高。

【技术实现步骤摘要】
一种提升边缘准确度的地震相识别语义分割方法及系统


[0001]本专利技术属于地震勘探中的地震相识别
，尤其涉及一种提升边缘准确度的地震相识别语义分割方法及系统。

技术介绍

[0002]地震相是由沉积环境所形成的地震反射特征，可用于地层解释、油气藏以及沉积层岩性勘探。早期地震相分析依赖于解释人员的先验知识和大量人工操作。随着地震数据采集和处理技术的发展，地震数据包含的信息愈加丰富，使用传统人工解释的方法工作量大、效率低，而且解释过程具有很强的主观性，易于产生经验错误。最近，随着深度学习技术的发展，研究者提出了一些基于深度学习模型的端到端地震相识别方法。其将地震剖面看作图像，利用图像处理的方法实现地震相识别。一类利用卷积神经网络分类模型，对地震剖面上某个采样点周围的子区域或三维子立方体进行分类，分类结果代表这个采样点的地震相类别。另一类基于编码器
‑
译码器的语义分割模型，实现输入地震剖面像素级别的地震相分类。语义分割将地震剖面看做图像，将图像依据一定规则划分为不同地震相。
[0003]现有深度学习模型特征提取过程中逐层提取更高层的地震相识别特征，高层的特征依赖于低层特征，且高层特征分辨率低于低层特征，导致高层特征空间分辨率低、忽略原始地震剖面边缘细节信息。此外，现有模型大多使用交叉熵损失函数，对于地震相边界预测惩罚过于严重，导致边界预测值模糊。亟需设计一种新的提升边缘准确度的地震相识别语义分割方法及系统。
[0004]通过上述分析，现有技术存在的问题及缺陷为：
[0005](1)基于各类软件或人工地震相解释方法在小规模地震数据剖面分析上可取得较准确的结果，但处理大量地震相数据时，效率低、人力物力成本高、解释效果不理想、解释过程主观性强，不适应当今采集密度大的大规模地震数据分析。
[0006](2)现有流行的基于深度学习方法的地震相分析模型，为基于编码器
‑
解码器框架的语义分割模型，解码器的解码过程采用简单的特征上采样，模型特征提取能力弱，不能充分提取地震数据的全局分布特征。
[0007](3)现有语义分割模型的高分辨率分割结果根据高层粗糙特征图得到判别结果，忽略地震剖面的细节信息，导致地震相识别结果不准确，尤其是地震相类别间的边缘刻画不清。
[0008](4)现有的深度学习模型学习地震相类别的指导目标使用交叉熵损失函数，此类优化目标对地震相边界预测错误惩罚过于严重，导致边界预测值倾向于给出模糊的分类结果。
[0009](5)现有深度学习模型大多基于深度卷积神经网络，简单的增加网络深度会导致深度网络出现退化问题，神经网络出现过拟合或梯度爆炸问题，使得模型难以训练。

技术实现思路

[0010]针对现有技术存在的问题，本专利技术提供了一种提升边缘准确度的地震相识别语义分割方法及系统。
[0011]本专利技术提升边缘准确度的地震相识别方法，运用深度学习理论和技术实现本方案的地震相识别方法，基于深度卷积神经网络构建基于提升边缘准确度的地震相识别语义分割模型，使用Python深度学习框架PyTorch等技术实现模型学习。该模型将地震剖面数据作为输入，地震相分割结果作为输出，使用ResNet34残差网络和注意力机制提取输入地震剖面的特征，ResNet34残差网络为主干网络，并使用注意力机制提取空间上的全局特征；使用残差重构模块(Residual Refinement Module,RRM)提取分辨率大小不同、深层和浅层之间的特征信息，对主干网络的粗糙特征进一步复用和提炼。采用多级混合损失函数，用于捕捉全局信息、辅助模型训练。
[0012]为进一步描述本专利技术细节，下面详细描述提升边缘准确度的地震相识别语义分割方法的步骤：
[0013]步骤一，将待识别地震剖面数据预处理为图像，将地震数据转化为ResNet34模型可处理的图像数据。根据地震工区的规模属性和特性，对工区数据主测线剖面使用224
×
672大小的滑窗裁剪，步长为17，单剖面取四个切片裁剪图片，最后进行组合拼接。对于联络侧线剖面则进行步长为29、取四个大小为224
×
384的切片裁剪图片进行拼接和连接，训练数据的标签也同理进行裁剪拼接，作为模型的地震图像数据输入。
[0014]步骤二，以地震剖面图像为输入，使用ResNet34网络的Skip Connection跳层连接结构和注意力机制结构，逐层提取图像特征，并基于编码器的特征重构与输入等尺寸的地震相特征图，获取考虑全局分布的不同感受野的地震相特征图；
[0015]步骤三，以ResNet34网络的输出的特征图为RRM模块的输入，利用RRM模块提取分辨率大小不同、能刻画细节特征的地震相特征；
[0016]步骤四，使用融合交叉熵损失和多级损失的损失函数进行模型训练，实现提升边缘识别准确度的地震相识别。
[0017]步骤二中的ResNet34网络的基本单元为残差块网络结构。ResNet34通过堆叠两种残差块完成网络模型的搭建。一种残差块输入具有一定尺寸和通道数的图像，经由两个卷积层以及ReLU激活函数得到输出，并与跳跃连接过程中的输入进行通道数上的叠加，通过ReLU激活函数非线性变换，输入输出的尺寸和通道数不变。另一种残差块将输入图像，通过两个卷积层和ReLU激活函数变换为尺寸为输入图像一半、通道数为输入图像两倍的特征图，并与跳跃连接中调整尺寸后的输入进行叠加得到该类残差块的输出。
[0018]步骤二中的自注意力机制结构记为CBAM，其融合通道注意力机制和空间注意力机制。对于通道注意力机制，首先对输入进来的单个特征层，分别进行全局平均池化和全局最大池化。其次对平均池化和最大池化的结果利用共享的全连接层进行处理。对处理后的两个结果相加，使用Sigmoid激活函数，获得每一个通道的0
‑
1之间的权值。最后在获得权值后，权值乘以原输入特征层得到最终特征。
[0019]步骤三中的RRM模块以ResNet34得到的输出特征图为输入，通过上采样和下采样构建对称的编码
‑
译码网络结构，在上采样前和下采样后通过卷积层进行通道调整。上采样每部分包含四层重复结构，每层包含卷积、批标准化BN、ReLU激活函数、最大池化四个操作，
卷积层为64个大小为3
×
3的卷积核，下采样为最大池化。四层分别将输入的粗糙特征图缩小至原有大小的1/2、1/4、1/8和1/16。上采样部分使用双线性插值将特征图恢复至原特征图尺寸，使用跳跃连接把不同层相同大小特征图进行连接。
[0020]步骤四中的模型训练基于地震图像逐像素点分类结果计算损失，模型训练的损失函数使用最终划分结果的损失函数与多级损失函数融合的优化目标函数。最终划分结果的损失函数采用多类交叉熵损失函数L
CE
，公式为：
[0021][0022]其中，C为地震相的类别个数，N为地震剖面图片上的像素点个数；p(x)表示真实标记，q(x)为预测标记。...

【技术保护点】

【技术特征摘要】
1.一种提升边缘准确度的地震相识别语义分割方法，其特征在于，所述提升边缘准确度的地震相识别语义分割方法包括：基于深度卷积神经网络构建基于提升边缘准确度的地震相识别语义分割模型，使用Python、深度学习框架PyTorch等技术实现模型学习；该模型将地震剖面数据作为输入，地震相分割结果作为输出，使用ResNet34残差网络和注意力机制提取输入地震剖面的特征，ResNet34残差网络为主干网络，并使用注意力机制提取空间上的全局特征；使用残差重构模块(Residual Refinement Module,RRM)提取分辨率大小不同、深层和浅层之间的特征信息，对主干网络的粗糙特征进一步复用和提炼。采用多级混合损失函数，用于捕捉全局信息、辅助模型训练。2.如权利要求1所述的提升边缘准确度的地震相识别语义分割方法，其特征在于，所述提升边缘准确度的地震相识别语义分割方法包括以下步骤：步骤一，将待识别地震剖面数据预处理为图像，将地震数据转化为ResNet34模型可处理的图像数据；步骤二，以地震剖面图像为输入，使用ResNet34网络的Skip Connection跳层连接结构和注意力机制结构，逐层提取图像特征，并基于编码器的特征重构与输入等尺寸的地震相特征图，获取考虑全局分布的不同感受野的地震相特征图；步骤三，以ResNet34网络的输出的特征图为RRM模块的输入，利用RRM模块提取分辨率大小不同、能刻画细节特征的地震相特征；步骤四，使用融合交叉熵损失和多级损失的损失函数进行模型训练，实现提升边缘识别准确度的地震相识别。3.如权利要求2所述的提升边缘准确度的地震相识别语义分割方法，其特征在于，所述步骤二中的ResNet34网络的基本单元为残差块网络结构。4.如权利要求2所述的提升边缘准确度的地震相识别语义分割方法，其特征在于，所述步骤二中的ResNet34通过堆叠两种残差块完成网络模型的搭建；一种残差块输入具有一定尺寸和通道数的图像，经由两个卷积层以及ReLU激活函数得到输出，并与跳跃连接过程中的输入进行通道数上的叠加，通过ReLU激活函数非线性变换，输入输出的尺寸和通道数不变。另一种残差块将输入图像，通过两个卷积层和ReLU激活函数变换为尺寸为输入图像一半、通道数为输入图像两倍的特征图，并与跳跃连接中调整尺寸后的输入进行叠加得到该类残差块的输出。5.如权利要求2所述的注意力机制CBAM，将通道注意力机制和空间注意力机制进行结合。对于通道注意力机制，首先对输入进来的单个特征层，分别进行全局平均池化和全局最大池化。其次对平均池化和最大池化的结果利用共享的全连接层进行处理。对处理后的两个结果相加，使用Sigmoid激活函数，获得每一个通道的0
‑
1之间的权值。最后在获得权值后，权值乘以原输入特征层得到最终特征。6.如权利要求2所述的提升边缘准确度的地震相识别语义分割方法，其特征在于，所述步骤三中的RRM模块以Re...

【专利技术属性】
技术研发人员：柴变芳，硕良勋，李增浩，吴恒，王天意，赵云鹤，
申请(专利权)人：河北地质大学，
类型：发明
国别省市：