CN110516740A - 一种基于Unet++卷积神经网络的断层识别方法 - Google Patents
一种基于Unet++卷积神经网络的断层识别方法 Download PDFInfo
- Publication number
- CN110516740A CN110516740A CN201910800119.XA CN201910800119A CN110516740A CN 110516740 A CN110516740 A CN 110516740A CN 201910800119 A CN201910800119 A CN 201910800119A CN 110516740 A CN110516740 A CN 110516740A
- Authority
- CN
- China
- Prior art keywords
- unet
- network
- tomography
- neural networks
- convolutional
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于Unet++卷积神经网络的断层识别方法,应用于地震解释领域。针对目前在断层识别中存在的识别效率低、精度差、抗噪性差等问题,本发明通过构建地震振幅图像和已经标记好的断层标签来作为网络的训练集;根据构建的训练集对Unet++卷积神经网络训练,用训练好的Unet++卷积神经网络对实际的地震数据进行断层识别;本发明的方法可以实现快速精准的断层识别,并且识别结果分辨率高,抗噪性好。
Description
技术领域
本发明属于地震解释领域,特别涉及一种地质断层解释技术。
背景技术
断层的精确识别和描述是油气开发勘探的关键。但断层识别的研究难度很大,因为断层成因受到多种地质条件的影响,其产生是不确定的,分布是不均匀的。在油气开发之前,研究人员要通过解释地震资料构造地质断层模型,根据构建的地质断层模型结合其他资料判断油气的储藏,并制定相应的开采规划。断层解释的质量直接关系到后续开采规划和开采生产,因此断层解释是油气勘探开采的关键性研究内容。
卷积神经网络(CNN)是最流行的深度学习技术之一,成功应用于图像识别和分类。应用机器学习或深度学习技术解决地震数据处理和解释也成为了近年来的热点方向。1997年,董守华等利用基于多参数的BP神经网络识别断层;2011年,Ramirez和Meyer利用CNN来做地震相位分类;2017年,Jia和Ma使用CNN来数据插值;2018年,Di和Wang等将MLP(多层感知器网络)和CNN分别用来识别同一工区的断层,并从识别流程,识别结果,对比了二者,无论从流程简洁性和识别结果的准确性CNN都优于MLP。2018年,Xinming Wu等用CNN识别出断层,再构造各向异性高斯函数,来估计断层倾角和方位角延伸;2018年,Wei Xiong等用基于骨架化地震相干自动提取的断层作为标签训练CNN网络,用训练好的网络识别断层获得了比骨架化地震相干自动提取分辨率更高的结果;Tao.Zhao和Pradip Mukhopadhyay将定向拉普拉斯高斯(LoG)滤波器来增强CNN的分类结果和分层反射器的高角度线条,并抑制接近反射器倾角的异常,同时计算断层的倾角,方位角和倾角幅度。CNN能够从原始地震图像自动提取不同层次的特征,这减少了对人工解释计算和调整地震属性的依赖性。全卷积网络(Fully Convolutional Networks,FCN)与传统CNN分割不同的是,它可以通过直接的在整个数据图像进行语义分割,从而实现像素级别的分类。然而全卷积神经网络对图像边缘的分割不够清晰,识别断层的连续性和分辨率存在不足。
CNN能够对整张图片进行分类和识别,在全卷积网络被提出来之前,识别图片中某些特定的目标是一大难点。Shelhamer首次提出了全卷积网络这一概念,为图像语义分割提供了新的思路和方向。全卷积神经网络(fully convolutional network)实现了真正意义上的语义分割(semantic segmentation)。FCN不同于CNN,主要分为编码器(encoder)和解码器(decoder)两部分。通过编码器的特征提取和下采样,解码器的特征上采样,可以很好保存图片的空间特征并且图片中的像素都是训练样本。
断层的精确识别和描述是储层油气开发勘探的关键。但断层识别的研究难度很大,因为断层成因受到多种地质条件的影响,其产生是不确定的,分布是不均匀的。断层的识别和描述难度很大,储层中既存在几厘米的断层也存在几公里的断层。目前在断层识别中存在两个问题,第一,在面对复杂地质构造进行断层解释时,如何更加快速精准、高效智能化的断层识别;第二,如何提高断层识别的抗噪性,连续性和分辨率。
发明内容
为解决上述技术问题,本发明提出一种基于Unet++卷积神经网络的断层识别方法,本发明方法从地质专家稀疏解释的部分原始的地震体数据中自动学习断层特征,实现了对实际工区断层稀疏解释的密集分割,相比于现有技术本发明的分割结果更为准确。
本发明采用的技术方案为:一种基于Unet++卷积神经网络的断层识别方法,包括:
S1、构建训练集样本;根据构建的地震振幅图像和已经标记好的断层标签作为训练集样本;
S2、构建Unet++网络模型,所述Unet++网络为四层结构,所述Unet++网络每一次下采样之后都进行上采样;
S3、根据步骤S1的训练集样本对步骤S2构建的Unet++网络模型进行训练;
S4、采用步骤S3训练好的Unet++网络模型对实际的地震数据进行断层识别。
步骤S2所述Unet++网络在跳层路径上具有卷积层;所述卷积层卷积核尺寸为3*3。所述每个卷积层之前为连接层,用于融合来自相同密集块的先前卷积层的输出和下密集块的相应上采样输出;
所述Unet++网络输入与输出之间包括三个卷积层;所述第一卷积层包括3个卷积核,第一卷积层各卷积核包括64个通道;所述第二卷积层包括2个卷积核,第二卷积层各卷积核包括128个通道;所述第三卷积层包括1个卷积核,第三卷积层各卷积核包括256个通道。
所述Unet++网络第一卷积层的各卷积核输出尺寸为64×96×96,所述Unet++网络第二卷积层的各卷积核输出尺寸为128×48×48,所述Unet++网络第三卷积层的各卷积核输出尺寸为256×24×24。
所述Unet++网络将二元交叉熵和Dice系数的组合作为损失函数。
步骤S1所述训练数据集的构建过程为:原始的三维地震振幅体数据在inline方向上按一定间隔选取若干张切片,通过手动解释得到标记好的断层标签,将选取的若干张切片与标记好的断层标签作为原始训练数据,并对原始训练数据进行裁剪;在裁剪后的inline切片基础上分别做水平和垂直镜像变换以及旋转变换来扩充训练集。
本发明的有益效果:本发明使用Unet++卷积神经网络来进行断层识别能够建立一个快速的端到端的断层语义分割模型,通过密集卷积块、长跨层连接和短跨层连接来使用并融合深层特征和浅层特征的好处,提高了识别准确率,识别结果分辨率高,抗噪性好。
附图说明
图1为本发明实施例提供的Unet网络模型结构图;
图2为本发明实施例提供的本发明的方法流程图;
图3为本发明采用的Unet++网络模型结构图;
图4为本发明实施例提供的实际工区地震振幅体inline切片图;
图5为本发明实施例提供的Unet对inline号为2290的地震振幅体切片的识别结果;
图6为本发明实施例提供的本发明方法对inline号为2290的地震振幅体切片的识别结果;
图7为本发明实施例提供的相干体属性对inline号为2290的地震振幅体切片的识别结果;
图8为本发明实施例提供的三维曲率体属性对inline号为2290的地震振幅体切片的识别结果;
图9为本发明实施例提供的方差体对inline号为2290的地震振幅体切片的识别结果;
图10为本发明实施例提供的CNN对inline号为2290的地震振幅体切片的识别结果;
图11为本发明实施例提供的相干体属性对time为900ms的地震振幅体切片的识别结果;
图12为本发明实施例提供的三维曲率体对time为900ms的地震振幅体切片的识别结果;
图13为本发明实施例提供的方差体对time为900ms的地震振幅体切片的识别结果;
图14为本发明实施例提供的CNN对time为900ms的地震振幅体切片的识别结果;
图15为本发明实施例提供的本发明方法对time为900ms的地震振幅体切片的识别结果。
具体实施方式
为便于本领域技术人员理解本发明的技术内容,现对以下技术术语进行解释:
1、卷积神经网络
CNN大体可分为输入层、隐藏层(包括卷积层、池化层和全连接层)和输出层。可提取不同特征的卷积核是卷积层的主要组成部分,每一个卷积核都有固定大小的感受野,在感受野内通过计算卷积核和输入数据(上一层)之间的卷积其可以学习到图像的局部特征。在卷积层之间加入一个池化层(Pooling Layer)来下采样即按一定比例缩小特征的尺寸并对输出的特征图进行特征选择和信息过滤从而减少模型参数数量。CNN模型结构的最后是一个全连接层(Fully Connected Layer)即该层的神经元与上一层的所有神经元两两连接。
CNN能够从输入数据中提取出感兴趣的信息,可以构建出高性能的模型。
卷积神经网络的训练过程可分为前向传播和反向传播两个过程。前向传播(Forward propagation)是网络如何根据输入来获得输出。反向传播(Backwardpropagation)是按照反向传播算法(Algorithm,BP)逐层传递前向传播的输出与标签之间的误差,反复迭代更新整个网络模型的参数使得网络模型的误差最小。首先,定义一下符号,m为样本数,nl为神经网络的总层数,Ll为第l层,为l层的第i个神经元与l+1神经元之间的权值,为第l层的第i个神经元的偏置项,Sl为第l层的神经元个数,表示第l层的第i个神经元的激活值,g(x)为激活函数,为第l层的第i个神经元的输入,hwb(x)为整个网络的输出结果等价于a(nl),则相应地训练过程具体如下:
(1)前向传播
卷积神经网络的前向传播包括输入层向隐藏层的前向传播和隐藏层之间的前向传播以及输出层的传播。第l层的第i个神经元的输入可由如下的公式表示:
则第l层的第i个神经元的输出可由如下公式表示:
(2)反向传播
由卷积神经网络的结构可知,第一层的权值被嵌套的最深,反之越靠后的激活单元,其权值在损失函数中嵌套的就越浅。因此,推导时可以先从靠后的权值下手,比如倒数第二层的权值Wnl-1,在损失函数中,就是最顶层的(输出层没有权值)。为了计算的方便,可以从后向前对各层各激活单元的输入变量求导,然后再对求导。则公式(1-3)可以表示输出层的反向传播:
参数更新时,对于每个样本(xi,yi),先用前向传播计算出激活神经元的输出值再通过反向传播计算出每个神经元的输入关于单个样本对应损失函数的偏导数之后求出所有样本的每一个权值和偏置的偏导,并使用优化算法对其更新,这里使用的是梯度下降,也可以使用SGD等优化算法。权值关于损失函数的梯度为:
2、Unet卷积神经网络
Unet作为FCN的一种,主要用于医学图像分割,由O.Ronneberger等人于2015年提出。U-Net卷积神经网络结构如图1所示,包括一个捕获上下文信息的收缩路径和一个允许精确定位的对称拓展路径。这种方法可以使用非常少的数据完成端到端的训练,并获得最好的效果。
Unet网络具备全卷积(Fully Convolutional)、上采样(Upsampling)和跳层连接(Skip Connection)三大特点。
在Unet中舍弃了全连接层,全连接层是将下采样的得到的深层高维特征张量展开为向量,降低了维度但会丢失inline切片断层的空间特征。Unet的上采样部分对下采样得到的深层特征通过转置卷积来上采样一样的次数,因此,最后的分割结果与输入的inline切片大小是一致的,保留了断层的空间信息。
Unet将最后下采样得到的深层特征上采样恢复到原输入大小,将深层特征只经过多次上采样只能得到稀疏和粗略的结果。而加入跳层连接(skip connection)则可以把编码器部分每一次下采样得到的特征通过级联(concatenation)和卷积与解码器部分上采样结果融合,使得到的语义分割结果更加精准,因此跳层连接是非常有必要的。
如图1所示,Unet与FCN的第一个区别是完全对称,也就是左边(encoder)和右边(decoder)很类似,而FCN的decoder相对简单,只用了一个反卷积的操作,之后并没有加上卷积操作;第二个区别就是跳层连接,FCN用的是加操作(summation),Unet用的是级联操作(concatenation)。Unet一共进行了4次上采样,并在对称的encoder和decoder层使用了跳层连接,而不是直接在高级语义特征上进行监督和损失反传,这样使得最后恢复出来的特征图既融合了高级特征又融合了低级特征,即实现了对不同尺度特征的融合,从而可以进行多尺度预测和深监督,4次上采样也使得分割图的边缘等信息恢复得更加精细。
如图2所示为本发明的方法流程图,包括以下步骤:
1、训练集样本构建
原始数据为401×101×101(inline方向、xline方向、time方向),在inline方向上按一定间隔选取切片21张,一般在保证标签质量的情况下,采用在inline方向上平均取21张切片的方式。由手动解释得到精确的标记好的断层标签,以这21张切片和标记好的断层标签作为为原始训练数据,并将初始的数据为401×101的切片裁剪为96×96大小的切片。在裁剪的inline切片基础上再分别做水平和垂直镜像变换以及旋转变换来扩充训练集。
2、构建Unet++网络模型
本发明采用周纵苇提出的Unet++网络架构(Zongwei Zhou,Md Mahfuzur RahmanSiddiquee,Nima Tajbakhsh,and Jianming Liang,UNet++:A Nested U-NetArchitecture for Medical Image Segmentation[J].DLMIA,2018,1-7)。如图3所示,具备全卷积(Fully Convolutional)、上采样(Upsampling)和密集连接(Dense Connection)三大特点。为了使用浅层和深层的特征而又不训练多个网络,可以对经典的Unet做如下的改变,每一次下采样之后都进行上采样,然后使用跳层链接以及在跳层路径上使用密集的卷积块来桥接特征图之间的语义差距。
Unet++由一个编码器(X0,0)和解码器(X0,4)组成,它们通过一系列嵌套的密集卷积块连接。Unet++的主要思想是在融合之前桥接编码器和解码器的特征映射之间的语义差距。
Unet++与经典的Unet有三点不同:1)在跳层路径上具有卷积层(denseconvolutional blocks),其桥接编码器和解码器特征图之间的语义差距;2)在跳层路径上具有密集的跳层连接(skip connection),这改善了梯度流动;3)具有深监督(deepsupervision),可以进行模型修剪。
重新设计的跳层路径改变了编码器和解码器子网络的连接性。在Unet中,编码器的特征图直接在解码器中接收;然而,在Unet++中,它们经历了密集卷积块,其卷积层的数量取决于网络的层级(即与输出有关的卷积层数量取决于输出的位置)。例如,节点X0,0和X0 ,4之间的跳层路径由具有三个卷积层(即包括X0,1,X0,2,X0,3的第一卷积层;包括X1,1,X1,2的第二卷积层;包括X2,1的第三卷积层;)的密集卷积块组成,其中每个卷积层之前是连接层,该连接层融合来自相同密集块的先前卷积层的输出和下密集块的相应上采样输出。本质上,密集卷积块使编码器特征映射的语义级别更接近于在解码器中期待的特征映射的语义级别。当接收到的编码器特征映射与相应的解码器特征映射在语义上相似时,优化器在优化时更简单。
Unet++在X0,1,X0,2,X0,3,X0,4均使用了深监督,因此在测试阶段,由于输入的待识别的地震振幅体切片只会前向传播,剪掉这部分对前面的输出完全没有影响的;在训练阶段,因为既有前向传播又有反向传播,被剪掉的部分会帮助其他部分做权值更新。这就意味着在深监督的过程中,如果当子网络的断层识别结果已经足够好,即可剪枝剩余网络部分。
如表1所示,是本发明搭建的Unet++的参数设置。
表1 密集卷积块的参数设置
3、模型训练
Unet++输入为地震振幅体inline切片,输出为切片上每一个采样点属于断层的概率。本发明Unet++网络将平衡二元交叉熵和Dice系数的组合作为损失函数,其描述为(2-4):
ypredict=argmaxtP(Y=t|x;W,b) (2-3)
其中,x是输入Unet++的地震振幅体inline切片,t取值为0代表非断层,t取值为1代表断层,W是权重系数矩阵,b是偏置矩阵,P(Y=t|x;W,b)代表在输入为x的情况下,输出Y等于t(0或1)的概率。ypredict是Unet++模型对测试集预测的最大后验概率。和Yb分别表示预测概率和第b个图像的展开真实标签(ground truth),N表示批量(batch size)。本发明使用Adam随机梯度下降优化算法来训练Unet++。
采用训练好的Unet++可以实现对断层的有效识别,具体识别效果通过以下具体例子进行说明:
本实施例采用中国西南B区地震数据中进行断层识别,本发明的测试环境为64位Ubuntu,32GB内存,12GB显存的NVIDIA GTX TITAN X(Pascal),使用以tensorflow为后端的GPU-Keras深度学习框架搭建用于识别断层的Unet++,使用的编程语言为python和matlab。
本实施例首先用基于Unet++网络的方法对实际工区的地震振幅体数据进行断层识别,并与目前主流的基于CNN的断层识别、传统的基于相干体属性的断层识别、基于三维曲率体属性的断层识别、基于方差体属性的断层识别等方法进行了对比。沿着inline方向的切片同相轴错动更加明显连续性更好且断层与周围的区别更加明显,因此手动解释起来也更加方便。
本实施例选择相干体、三维曲率体、方差体这三种对本发明工区效果好的属性对地震振幅体数据进行处理。由于是直接在原始的地震振幅体数据上处理,因而存在各种噪音,接下来通过对这几种方法的识别结果展示来分析这些方法的识别效果,以及抗噪性能。本发明所提出的基于Unet++的断层识别方法分别和以上三种传统属性和目前主流的基于卷积神经网络(CNN)的方法进行对比。如图4所示是本发明工区中inline号为2290的地震振幅体切片图。如图5所示是现有基于Unet方法对inline号为2290的地震振幅体切片的断层识别结果,如图6所示是本发明提出的方法对inline号为2290的地震振幅体切片的断层识别结果,Unet++预测的结果为每个点为断层或非断层的概率即热度图(heat map)。如图7所示是相干体属性对inline号为2290的地震振幅体切片的断层识别结果,图8是曲率体属性对inline号为2290的地震振幅体切片的断层识别结果,图9是方差体对inline号为2290的地震振幅体切片的断层识别结果,图10是卷积神经网络对inline号为2290的地震振幅体切片的断层识别结果。
由图5,6和10可知,基于深度学习的断层识别方法(Unet,Unet++全卷积神经和卷积神经网络)无论是连续性还是抗噪性都优于传统的单一属性断层识别方法。由图6和10的对比可知,基于卷积神经网络的断层识别方法识别的断层,相较于真实标签(groudtruth)更宽即CNN将断层点及其周围相距较近的非断层点都被识别为断层。这是因为CNN在做断层识别时,将每一个点及其周围一定范围内的点作为一个小片(patch),用作训练和预测,在切片上中心点相距较近的小片(patch)的特征一般及其相近,因此训练时会导致计算冗余,网络参数更新慢,预测时相邻中心点的小片(patch)很容易被预测为同一类。对于本实施例断层识别的工区在inline地震振幅体切片上是一条有一定倾角的窄线即断层的开度很小因此预测的难度很大,CNN在断层附近取patch时由于断层点和非断层点彼此距离很近特征相似,导致网络难以区分,因而断层点附近的非断层点也被识别为断层即CNN识别的结果要比真实标签(groudtruth)和Unet++识别的结果要宽,这样也造成了连续性好的伪像。在Unet++中舍弃了全连接层,全连接层是将下采样的得到的深层高维特征张量展开为向量,降低了维度但会丢失inline切片断层的空间特征。Unet++的上采样部分对下采样得到的深层特征通过转置卷积来上采样一样的次数,因此,最后的分割结果与输入的inline切片大小是一致的,保留了断层的空间信息。通过Unet++与CNN、相干体、三维曲率体、方差体等断层识别方法结果对比可知,基于深度学习的断层识别方法无论是连续性还是抗噪性都要优于传统的单一属性的断层识别方法。而对比图5和图6,在方框标记处能明显看出Unet++识别结果的分辨率要高于Unet的。证明了本发明所提出的基于Unet++的断层识别方法在地震振幅体数据上对断层的识别更加准确。
为了验证本发明所提出的基于Unet++的断层识别方法的鲁棒性,将工区的地震振幅体数据的所有inline切片上的断层全部预测完,再从time方向上截取时间为-1000ms的属性体剖面与本发明的识别结果进一步对比。
由图11、12、13可知三种传统属性方法大体上将整个工区的断层识别出来了,从时间切片上看其中三维曲率体属性识别结果连续性最好,分辨率较高,但是结果中存在很多噪声,方差体属性识别结果噪声最少,但连续性最差,相差体属性识别结果介于二者之间。由图14和图15结果可知,基于CNN和基于Unet++这两种深度学习方法对断层识别效果要优于传统的单一属性的方法。该切片中坐标(1500,1375)附近的振幅能量值很高,并呈现椭圆状,同相轴存在很强的绕射,经专家解释该处为盐丘(另一种地质异常体)。由图11,13,15结果可知,相干体属性,方差体属性,Unet++识别结果在坐标(1500,1375)没有相应的椭圆状斑点,这三种方法可以有效的将断层和盐丘这两种地质异常体区分开来,而三维曲率体属性和CNN则不能将断层和盐丘这两种地质异常体区分开来。其中,本发明所使用的相干体属性和方差体属性的计算窗口迭代时是沿着层位(相同的同相轴)移动的,而断层的主要特征是同相轴出发生错动,而盐丘的主要特征是同相轴绕射弯曲严重并没有发生错动,因此当窗口的中心为断层则相干性和协方差会出现异常值,当窗口的中心为盐丘时相干性和协方差不会出现异常值,所以相干体和方差体可以区分断层和盐丘。三维曲率体属性是通过扫描地震振幅体数据来计算地震同相轴的空间二阶导数从而得到三维地震曲率体属性,断层的同相轴错动和盐丘的同相轴绕射都会引起曲率的异常,因此曲率属性并不能区分断层和盐丘。其中,CNN识别的结果中坐标(1500,1375)也有一个斑点,由以上各种属性和Unet++识别结果综合比对可知,该处不但有盐丘还有断层,且盐丘和断层距离较近训练时相邻patch特征相似因而难以区分。由图15所示,Unet++没有出现误判,可以很好的区分盐丘和断层,并且在断层密集处可以以极高的分辨率将密集的小断层区分开来。
综上所述,传统的相干体和方差体属性可以将断层较好地识别出来识别的结果噪声少且可以将断层和其它地质异常体区分开来,但这两种方法识别的结果连续性不佳;三维的曲率体属性识别的结果分辨率高,但得到的结果噪声多且不能将断层和其它地质异常体区分;CNN识别的结果连续性好噪声少,但是由于CNN本身做语义分割的固有缺陷,导致其分割结果分辨率不高,当断层周围的其它非断层点都会被识别为断层,因此当断层和其它地质异常体相距很近时CNN不能很好的区分;本发明所提出的基于Unet++的断层识别方法从分辨率、抗噪性、连续性和区分其它地质异常体等多重指标的评判下都是最优的,证明了本发明所提出的方法的高效和准确。
本实施例图4-10中的横坐标xline是道号,纵坐标time是时间,图11-15中的横坐标xline是道号,纵坐标inline是线号。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (6)
1.一种基于Unet++卷积神经网络的断层识别方法,其特征在于,包括:
S1、构建训练集样本;根据构建的地震振幅图像和已经标记好的断层标签作为训练集样本;
S2、构建Unet++网络模型,所述Unet++网络为四层结构,所述Unet++网络每一次下采样之后都进行上采样;
S3、根据步骤S1的训练集样本对步骤S2构建的Unet++网络模型进行训练;
S4、采用步骤S3训练好的Unet++网络模型对实际的地震数据进行断层识别。
2.根据权利要求1所述的一种基于Unet++卷积神经网络的断层识别方法,其特征在于,步骤S2所述Unet++网络在跳层路径上具有卷积层;所述卷积层卷积核尺寸为3*3。
3.根据权利要求2所述的一种基于Unet++卷积神经网络的断层识别方法,其特征在于,所述Unet++网络输入与输出之间包括三个卷积层;所述第一卷积层包括3个卷积核,第一卷积层各卷积核包括64个通道;所述第二卷积层包括2个卷积核,第二卷积层各卷积核包括128个通道;所述第三卷积层包括1个卷积核,第三卷积层各卷积核包括256个通道。
4.根据权利要求3所述的一种基于Unet++卷积神经网络的断层识别方法,其特征在于,所述Unet++网络第一卷积层的各卷积核输出尺寸为64×96×96,所述Unet++网络第二卷积层的各卷积核输出尺寸为128×48×48,所述Unet++网络第三卷积层的各卷积核输出尺寸为256×24×24。
5.根据权利要求4所述的一种基于Unet++卷积神经网络的断层识别方法,其特征在于,所述Unet++网络将二元交叉熵和Dice系数的组合作为损失函数。
6.根据权利要求1所述的一种基于Unet++卷积神经网络的断层识别方法,其特征在于,步骤S1所述训练数据集的构建过程为:原始的三维地震振幅体数据在inline方向上按一定间隔选取若干张切片,通过手动解释得到标记好的断层标签,将选取的若干张切片与标记好的断层标签作为原始训练数据,并对原始训练数据进行裁剪;在裁剪后的inline切片基础上分别做水平和垂直镜像变换以及旋转变换来扩充训练集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910800119.XA CN110516740A (zh) | 2019-08-28 | 2019-08-28 | 一种基于Unet++卷积神经网络的断层识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910800119.XA CN110516740A (zh) | 2019-08-28 | 2019-08-28 | 一种基于Unet++卷积神经网络的断层识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110516740A true CN110516740A (zh) | 2019-11-29 |
Family
ID=68628393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910800119.XA Pending CN110516740A (zh) | 2019-08-28 | 2019-08-28 | 一种基于Unet++卷积神经网络的断层识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110516740A (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178320A (zh) * | 2020-01-07 | 2020-05-19 | 中国矿业大学(北京) | 地质异常体识别的方法及其模型训练方法、装置 |
CN111368680A (zh) * | 2020-02-27 | 2020-07-03 | 东北石油大学 | 基于波原子变换的深度学习抗假频地震数据规则化方法 |
CN111382799A (zh) * | 2020-03-11 | 2020-07-07 | 合肥鼎方信息科技有限公司 | 一种地震断层图像处理方法 |
CN111626355A (zh) * | 2020-05-27 | 2020-09-04 | 中油奥博(成都)科技有限公司 | 一种基于Unet++卷积神经网络的地震数据初至拾取方法 |
CN111815680A (zh) * | 2020-08-20 | 2020-10-23 | 电子科技大学 | 基于恒等快捷映射的深层卷积神经网络自动层位追踪方法 |
CN111815628A (zh) * | 2020-08-24 | 2020-10-23 | 武汉精测电子集团股份有限公司 | 显示面板缺陷检测方法、装置、设备及可读存储介质 |
CN111856561A (zh) * | 2020-07-28 | 2020-10-30 | 清华大学 | 一种基于深度学习的高精度地震构造曲率体计算方法 |
CN112102322A (zh) * | 2020-09-16 | 2020-12-18 | 电子科技大学 | 一种基于多模态U-Net的断层识别方法 |
CN112130200A (zh) * | 2020-09-23 | 2020-12-25 | 电子科技大学 | 一种基于grad-CAM注意力引导的断层识别方法 |
CN112258456A (zh) * | 2020-09-28 | 2021-01-22 | 汕头大学 | 一种基于卷积神经网络监督的三维图像分割方法 |
CN112464725A (zh) * | 2020-10-30 | 2021-03-09 | 中国石油天然气集团有限公司 | 基于深度学习网络的初至拾取方法及装置 |
CN112464975A (zh) * | 2020-09-30 | 2021-03-09 | 电子科技大学 | 一种三维地震断层智能组合方法 |
CN112731522A (zh) * | 2020-12-14 | 2021-04-30 | 中国地质大学(武汉) | 地震地层智能识别方法、装置、设备及存储介质 |
CN112883355A (zh) * | 2021-03-24 | 2021-06-01 | 南京邮电大学 | 一种基于rfid和卷积神经网络的非接触式用户身份认证方法 |
CN113034373A (zh) * | 2019-12-24 | 2021-06-25 | 无锡祥生医疗科技股份有限公司 | 超声图像去噪神经网络、去噪方法及超声诊断设备 |
CN113379774A (zh) * | 2021-06-30 | 2021-09-10 | 哈尔滨理工大学 | 一种基于Unet神经网络的动物轮廓分割方法、***、设备及存储介质 |
CN113516084A (zh) * | 2021-07-20 | 2021-10-19 | 海南长光卫星信息技术有限公司 | 高分辨率遥感影像半监督分类方法、装置、设备及介质 |
CN113568043A (zh) * | 2021-07-23 | 2021-10-29 | 哈尔滨工业大学 | 基于深度卷积神经网络的三阶段震相拾取方法 |
CN113703048A (zh) * | 2021-08-30 | 2021-11-26 | 中国科学院地质与地球物理研究所 | 对抗神经网络高分辨率地震断层检测方法和*** |
CN114063164A (zh) * | 2020-08-05 | 2022-02-18 | 中国石油天然气股份有限公司 | 基于U-net++卷积神经网络的初至波拾取方法及装置 |
CN114170249A (zh) * | 2022-02-08 | 2022-03-11 | 湖南大学 | 一种基于CNUNet3+网络的图像语义分割方法 |
US20220113440A1 (en) * | 2018-09-13 | 2022-04-14 | Shell Oil Company | Method for predicting subsurface features from seismic using deep learning dimensionality reduction for segmentation |
CN115639605A (zh) * | 2022-10-28 | 2023-01-24 | 中国地质大学(武汉) | 基于深度学习的高分辨率断层的自动识别方法和装置 |
WO2024000709A1 (zh) * | 2022-06-30 | 2024-01-04 | 西安交通大学 | 一种基于自注意力机制与u型结构结合的地震相自动化识别方法 |
US11922679B2 (en) | 2022-06-30 | 2024-03-05 | Xi'an Jiaotong University | Automatic seismic facies identification method based on combination of self-attention mechanism and u-shape network architecture |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086773A (zh) * | 2018-08-29 | 2018-12-25 | 电子科技大学 | 基于全卷积神经网络的断层面识别方法 |
-
2019
- 2019-08-28 CN CN201910800119.XA patent/CN110516740A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086773A (zh) * | 2018-08-29 | 2018-12-25 | 电子科技大学 | 基于全卷积神经网络的断层面识别方法 |
Non-Patent Citations (2)
Title |
---|
DEKUAN CHANG等: "Seismic fault detection using deep learning technology", 《2018 CPS/SEG INTERNATIONAL GEOPHYSICAL CONFERENCE》 * |
ZONGWEI ZHOU等: "UNet++: A Nested U-Net Architecture for Medical Image Segmentation", 《SPRINGER NATURE SWITZERLAND AG 2018》 * |
Cited By (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220113440A1 (en) * | 2018-09-13 | 2022-04-14 | Shell Oil Company | Method for predicting subsurface features from seismic using deep learning dimensionality reduction for segmentation |
US11808906B2 (en) * | 2018-09-13 | 2023-11-07 | Shell Usa, Inc. | Method for predicting subsurface features from seismic using deep learning dimensionality reduction for segmentation |
CN113034373A (zh) * | 2019-12-24 | 2021-06-25 | 无锡祥生医疗科技股份有限公司 | 超声图像去噪神经网络、去噪方法及超声诊断设备 |
CN111178320A (zh) * | 2020-01-07 | 2020-05-19 | 中国矿业大学(北京) | 地质异常体识别的方法及其模型训练方法、装置 |
CN111368680A (zh) * | 2020-02-27 | 2020-07-03 | 东北石油大学 | 基于波原子变换的深度学习抗假频地震数据规则化方法 |
CN111368680B (zh) * | 2020-02-27 | 2022-03-15 | 东北石油大学 | 基于波原子变换的深度学习抗假频地震数据规则化方法 |
CN111382799A (zh) * | 2020-03-11 | 2020-07-07 | 合肥鼎方信息科技有限公司 | 一种地震断层图像处理方法 |
CN111382799B (zh) * | 2020-03-11 | 2023-04-28 | 合肥鼎方信息科技有限公司 | 一种地震断层图像处理方法 |
CN111626355A (zh) * | 2020-05-27 | 2020-09-04 | 中油奥博(成都)科技有限公司 | 一种基于Unet++卷积神经网络的地震数据初至拾取方法 |
CN111856561A (zh) * | 2020-07-28 | 2020-10-30 | 清华大学 | 一种基于深度学习的高精度地震构造曲率体计算方法 |
CN111856561B (zh) * | 2020-07-28 | 2023-03-14 | 清华大学 | 一种基于深度学习的高精度地震构造曲率体计算方法 |
CN114063164A (zh) * | 2020-08-05 | 2022-02-18 | 中国石油天然气股份有限公司 | 基于U-net++卷积神经网络的初至波拾取方法及装置 |
CN111815680A (zh) * | 2020-08-20 | 2020-10-23 | 电子科技大学 | 基于恒等快捷映射的深层卷积神经网络自动层位追踪方法 |
CN111815628A (zh) * | 2020-08-24 | 2020-10-23 | 武汉精测电子集团股份有限公司 | 显示面板缺陷检测方法、装置、设备及可读存储介质 |
CN112102322A (zh) * | 2020-09-16 | 2020-12-18 | 电子科技大学 | 一种基于多模态U-Net的断层识别方法 |
CN112130200A (zh) * | 2020-09-23 | 2020-12-25 | 电子科技大学 | 一种基于grad-CAM注意力引导的断层识别方法 |
CN112130200B (zh) * | 2020-09-23 | 2021-07-20 | 电子科技大学 | 一种基于grad-CAM注意力引导的断层识别方法 |
CN112258456A (zh) * | 2020-09-28 | 2021-01-22 | 汕头大学 | 一种基于卷积神经网络监督的三维图像分割方法 |
CN112258456B (zh) * | 2020-09-28 | 2023-10-17 | 汕头大学 | 一种基于卷积神经网络监督的三维图像分割方法 |
CN112464975A (zh) * | 2020-09-30 | 2021-03-09 | 电子科技大学 | 一种三维地震断层智能组合方法 |
CN112464725A (zh) * | 2020-10-30 | 2021-03-09 | 中国石油天然气集团有限公司 | 基于深度学习网络的初至拾取方法及装置 |
CN112731522A (zh) * | 2020-12-14 | 2021-04-30 | 中国地质大学(武汉) | 地震地层智能识别方法、装置、设备及存储介质 |
CN112731522B (zh) * | 2020-12-14 | 2022-11-04 | 中国地质大学(武汉) | 地震地层智能识别方法、装置、设备及存储介质 |
CN112883355A (zh) * | 2021-03-24 | 2021-06-01 | 南京邮电大学 | 一种基于rfid和卷积神经网络的非接触式用户身份认证方法 |
CN112883355B (zh) * | 2021-03-24 | 2023-05-02 | 南京邮电大学 | 一种基于rfid和卷积神经网络的非接触式用户身份认证方法 |
CN113379774A (zh) * | 2021-06-30 | 2021-09-10 | 哈尔滨理工大学 | 一种基于Unet神经网络的动物轮廓分割方法、***、设备及存储介质 |
CN113516084A (zh) * | 2021-07-20 | 2021-10-19 | 海南长光卫星信息技术有限公司 | 高分辨率遥感影像半监督分类方法、装置、设备及介质 |
CN113568043A (zh) * | 2021-07-23 | 2021-10-29 | 哈尔滨工业大学 | 基于深度卷积神经网络的三阶段震相拾取方法 |
CN113703048B (zh) * | 2021-08-30 | 2022-08-23 | 中国科学院地质与地球物理研究所 | 对抗神经网络高分辨率地震断层检测方法和*** |
CN113703048A (zh) * | 2021-08-30 | 2021-11-26 | 中国科学院地质与地球物理研究所 | 对抗神经网络高分辨率地震断层检测方法和*** |
CN114170249B (zh) * | 2022-02-08 | 2022-04-19 | 湖南大学 | 一种基于CNUNet3+网络的图像语义分割方法 |
CN114170249A (zh) * | 2022-02-08 | 2022-03-11 | 湖南大学 | 一种基于CNUNet3+网络的图像语义分割方法 |
WO2024000709A1 (zh) * | 2022-06-30 | 2024-01-04 | 西安交通大学 | 一种基于自注意力机制与u型结构结合的地震相自动化识别方法 |
US11922679B2 (en) | 2022-06-30 | 2024-03-05 | Xi'an Jiaotong University | Automatic seismic facies identification method based on combination of self-attention mechanism and u-shape network architecture |
CN115639605A (zh) * | 2022-10-28 | 2023-01-24 | 中国地质大学(武汉) | 基于深度学习的高分辨率断层的自动识别方法和装置 |
CN115639605B (zh) * | 2022-10-28 | 2024-05-28 | 中国地质大学(武汉) | 基于深度学习的高分辨率断层的自动识别方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110516740A (zh) | 一种基于Unet++卷积神经网络的断层识别方法 | |
CN109086773B (zh) | 基于全卷积神经网络的断层面识别方法 | |
US9128204B2 (en) | Shape-based metrics in reservoir characterization | |
EP3894906A1 (en) | Training machine learning systems for seismic interpretation | |
CN110609320B (zh) | 一种基于多尺度特征融合的叠前地震反射模式识别方法 | |
CN109709603A (zh) | 地震层位识别与追踪方法、*** | |
Zhang et al. | Automatic seismic facies interpretation using supervised deep learning | |
Azevedo et al. | Generative adversarial network as a stochastic subsurface model reconstruction | |
CN103886216B (zh) | 一种基于地质矢量信息的多点地质统计方法 | |
CN109215029B (zh) | 一种基于卷积神经网络的三维地质异常体的分割提取方法 | |
CN107688201A (zh) | 基于rbm地震叠前信号聚类方法 | |
CN111080021B (zh) | 一种基于地质信息库的砂体构型cmm神经网络预测方法 | |
CN109763814B (zh) | 基于多维测井数据的地层匹配可视分析方法 | |
Yang et al. | Seismic fault detection based on 3D Unet++ model | |
Wu et al. | MTL-FaultNet: Seismic data reconstruction assisted multi-task deep learning 3D fault interpretation | |
Kang et al. | Managing Uncertainty in Geological Scenarios Using Machine Learning‐Based Classification Model on Production Data | |
US20230176242A1 (en) | Framework for integration of geo-information extraction, geo-reasoning and geologist-responsive inquiries | |
Carneiro et al. | High-dimensional geostatistical history matching: Vectorial multi-objective geostatistical history matching of oil reservoirs and uncertainty assessment | |
CN115639605B (zh) | 基于深度学习的高分辨率断层的自动识别方法和装置 | |
CN113688901B (zh) | 一种基于膨胀卷积神经网络的储层不连续界线识别方法 | |
Taner et al. | Reservoir characterization by calibration of selforganized map clusters | |
Bedi et al. | SFA-GTM: seismic facies analysis based on generative topographic map and RBF | |
KR102276369B1 (ko) | 3차원 포인트 클라우드 신뢰도 판단 시스템 및 방법 | |
Liu | Downscaling seismic data into a geologically sound numerical model | |
CN115880455A (zh) | 基于深度学习的三维智能插值方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191129 |
|
RJ01 | Rejection of invention patent application after publication |