【技术实现步骤摘要】
本专利技术属于地震勘探数据处理领域，更具体地，涉及用于初至拾取的深度学习数据集制作方法和装置。
技术介绍
1、在地震勘探过程中，炮点产生地震波之后，布置在地表或地下的检波器开始接收信号，我们称检波器最先接收到的有效地震波为“初至波”。初至波的拾取，是地震数据处理的一个基础而又重要的工作。随着勘探地形日渐复杂，初至波波形变化较大，各种波相互干扰，已有的初至拾取算法没能很好地工作。很多时候采用人机交互的方式，根据人工添加的辅助线来拾取初至波，面对海量的地震数据，初至拾取的工作量越来越大，这极大限制着数据处理的速度。
2、随着当前迅猛发展的深度学习技术在地震勘探领域的应用不断深入，应用卷积神经网络进行初至拾取的研究也取得了较大进展，在数据集的制备上通常采用将初至波拾取问题当作二值分类问题来处理，对初至波和除初至波以外的“背景”用不同的类别来区分，在通过segy地震数据制作训练数据及标签数据时，通常选取多道地震数据作为一组训练数据，对这些地震数据进行人工标注后作为一组标签数据，这种取整道数据的方式无法聚焦初至波到达前后特征，生成的训练数据及标签数据数据量较大，加大了训练过程中的计算及内存资源消耗，降低了训练效率。
技术实现思路
1、有鉴于此，本公开实施例提供了一种用于初至拾取的深度学习数据集制作方法、装置、电子设备及介质，能够通过自动化处理方法生成数据集，减小了人力消耗，提高了数据集制作效率，对于应用卷积神经网络实现地震勘探初至数据的高效拾取具有实用价值。
2、第一
3、步骤1，对原始地震数据进行预处理，根据预处理后的地震数据得到原始地震剖面灰度图；
4、步骤2，采用sta/lta算法对原始地震数据进行运算，得到预测初至位置；
5、步骤3，基于所述预测初至位置生成标签数据灰度图；
6、步骤4，以所述预测初至位置为基准，从所述原始地震剖面灰度图中裁剪多个原始数据块，作为卷积神经网络的训练样本数据；
7、步骤5，以所述预测初至位置为基准，从所述标签数据灰度图中裁剪多个标签数据块，作为所述卷积神经网络的标签样本数据。
8、在一些实施方式中，所述步骤1具体包括：
9、读取原始地震数据中每个地震道，每个地震道包括多个样点数据；
10、对读取的每个地震道，根据该地震道的所有样点数据中的最大值最小值，对该地震道的所有样点数据进行归一化处理；
11、将归一化处理后的所有地震道的所有样点数据乘以255，以进行灰度化处理，得到所述原始地震剖面灰度图。
12、在一些实施方式中，所述步骤3具体包括：
13、以原始地震数据中的地震道的数量为列、以每个地震道中样点数据的数量为行，建立矩阵；
14、在矩阵中，针对每列数据，将该列数据中所述预测初至位置对应的位置以上的数据都置1，并将所述预测初至位置对应的位置以下的数据都置0；
15、对矩阵中所有数据乘以255，以生成所述标签数据灰度图。
16、在一些实施方式中，所述步骤4具体包括：
17、以所述原始地震剖面灰度图中指定地震道的所述预设初至位置为基准，从该指定地震道向右选取预定数目的地震道，并以该指定地震道的所述预测初至位置为中心，分别向上向下截取相同长度，形成一个以所述预测初至位置为中心的时窗，对于选取的预定数目的地震道按照该时窗进行裁剪，生成所述训练样本数据。
18、在一些实施方式中，所述步骤5具体包括：
19、以所述标签数据灰度图中指定地震道的所述预设初至位置为基准，从该指定地震道向右选取预定数目的地震道，并以该指定地震道的所述预测初至位置为中心，分别向上向下截取相同长度，形成一个以所述预测初至位置为中心的时窗，对于选取的预定数目的地震道按照该时窗进行裁剪，生成所述标签样本数据。
20、第二方面，本公开实施例还提供了一种电子设备，该电子设备包括：
21、存储器，存储有可执行指令；
22、处理器，所述处理器运行所述存储器中的所述可执行指令，以实现所述的用于初至拾取的深度学习数据集制作方法。
23、第三方面，本公开实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现所述的用于初至拾取的深度学习数据集制作方法。
24、第四方面，本公开实施例还提供了一种用于初至拾取的深度学习数据集制作装置，包括：
25、原始灰度图生成单元，用于对原始地震数据进行预处理，根据预处理后的地震数据得到原始地震剖面灰度图；
26、初至位置预测单元，用于采用sta/lta算法对原始地震数据进行运算，得到预测初至位置；
27、标签灰度图生成单元，用于基于所述预测初至位置生成标签数据灰度图；
28、训练样本裁剪单元，用于以所述预测初至位置为基准，从所述原始地震剖面灰度图中裁剪多个原始数据块，作为卷积神经网络的训练样本数据；
29、标签样本裁剪单元，用于以所述预测初至位置为基准，从所述标签数据灰度图中裁剪多个标签数据块，作为所述卷积神经网络的标签样本数据。
30、在一些实施方式中，所述训练样本裁剪单元具体用于：
31、以所述原始地震剖面灰度图中指定地震道的所述预设初至位置为基准，从该指定地震道向右选取预定数目的地震道，并以该指定地震道的所述预测初至位置为中心，分别向上向下截取相同长度，形成一个以所述预测初至位置为中心的时窗，对于选取的预定数目的地震道按照该时窗进行裁剪，生成所述训练样本数据。
32、在一些实施方式中，所述标签样本裁剪单元具体用于：
33、以所述标签数据灰度图中指定地震道的所述预设初至位置为基准，从该指定地震道向右选取预定数目的地震道，并以该指定地震道的所述预测初至位置为中心，分别向上向下截取相同长度，形成一个以所述预测初至位置为中心的时窗，对于选取的预定数目的地震道按照该时窗进行裁剪，生成所述标签样本数据。
34、为优化初至拾取深度学习数据集制作过程，本申请提出了一种基于sta/lta算法的初至拾取数据集生成方法，通过自动化处理方法生成数据集，强化训练数据及标签数据中的初至特征，提升了数据集制作效率，对于应用卷积神经网络实现地震勘探初至数据的高效拾取具有实用价值。
35、本专利技术的其它特征和优点将在随后具体实施方式部分予以详细说明。
本文档来自技高网...【技术保护点】
1.一种用于初至拾取的深度学习数据集制作方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述步骤1具体包括：
3.根据权利要求1所述的方法，其特征在于，所述步骤3具体包括：
4.根据权利要求1所述的方法，其特征在于，所述步骤4具体包括：
5.根据权利要求1所述的方法，其特征在于，所述步骤5具体包括：
6.一种电子设备，其特征在于，所述电子设备包括：
7.一种计算机可读存储介质，其特征在于，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现权利要求1-5中任一项所述的用于初至拾取的深度学习数据集制作方法。
8.一种用于初至拾取的深度学习数据集制作装置，其特征在于，包括：
9.根据权利要求8所述的装置，其特征在于，所述训练样本裁剪单元具体用于：
10.根据权利要求8所述的装置，其特征在于，所述标签样本裁剪单元具体用于：
【技术特征摘要】
1.一种用于初至拾取的深度学习数据集制作方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述步骤1具体包括：
3.根据权利要求1所述的方法，其特征在于，所述步骤3具体包括：
4.根据权利要求1所述的方法，其特征在于，所述步骤4具体包括：
5.根据权利要求1所述的方法，其特征在于，所述步骤5具体包括：
6.一种电子设备，其特征在于，所述电子设备包括：
【专利技术属性】
技术研发人员：黄少华，许自龙，杨尚琴，
申请(专利权)人：中国石油化工股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。