CN109086773A - 基于全卷积神经网络的断层面识别方法 - Google Patents

Abstract

本发明公开了一种基于全卷积神经网络的断层面识别方法，其包括获取地震振幅断层数据，构建全卷积神经网络模型，训练全卷积神经网络训练模型，对地震振幅断层数据进行识别。本发明从地震振幅图像级别的断层分类识别延伸到了像素级别的分类，使用全卷积神经网络来对三维地震振幅数据体进行断层识别分割，既能够实现快速的断层识别，也通过使用全卷积的方式代替全连接层来避免空间信息的丢失，从而得到更精准的断层分割和识别。

Description

基于全卷积神经网络的断层面识别方法

技术领域

本发明属于人工智能与机器学习技术领域，具体涉及一种基于全卷积神经网络的断层面识别方法。

背景技术

断层解释是地震构造解释的基础与关键，能够直接影响到油气的勘探与开采的效率与效益。由于断层本身形态多样，结构离散复杂，具有不确定性和分散性，又加上地震噪声，层位裂隙和特殊地层产状的干扰，断层识别难度更被放大。而现今勘探开采周期逐渐缩短，精细解释要求日益提高，如何提高断层解释的效率与精准性是现在地质勘探的研究热点，也是重大挑战。

随着计算机图像处理相关技术以及人工智能技术的发展进步，地质勘探研究人员对地震断层的解释和识别开展了深入的学习与研究，由最早的手动人工解释到后来的同断层切片相互结合，目前也相继提出了多种半自动与全自动的断层识别办法。

最初，相关科学研究人员相继地提出了强化地震数据断层特征的办法，由最初的中值滤波方法至Randen等改进后的数值拟合分析办法；后来Gibson与Bakker提出了基于张量结构分析的特征分析办法和改进的结构张量方法来进行断层识别；Jacquemin等提出通过对断层剖面进行霍夫曼变换的方法进行断层的自动识别；Admasu等又提出基于主动轮廓模型的断层半自动提取方法。上述所提出的各种方法都是基于断层剖面图像处理的，为断层结构的解释、识别和提取提供了十分不错的基础。但上述类别方法忽略了地质断层其他方向上的解释并且存在人为影响断层线拼接的问题，也不适应于形态复杂的断层提取。

自1990年中期后，Farmer S及Bahorich M等相继发明了基于三维地震数据体的相干分析的技术来解决断层识别问题，该技术的良好结果使得大量的地质研究人员快速研究和应用该技术。1999年，Gersztenkorn等提出了一种变异相干体改进的相干体分析方法，为后面的相干体技术的发展与进步提供了十分关键的理论技术支持。2002年，Randen他们首次提出利用“人工蚂蚁”的办法来完成对地震断层的自动提取，并且在此基础上Pedersen等又做了十分详细的解释。该方法主要是进行断层属性增强、人工蚂蚁追踪以及地震断层交互式地提取的整个流程，而且该方法的流程因为在地质断层解释中有十分良好的效果从而被商业地质软件Petrel所实现和推广应用。但是该流程较为复杂并且需要人为地进行断层交互提取。21世纪初Gibson又提出一种基于最大置信度合并的三维地震断层自动识别算法，通过曲面可变模型与最大可信度合并方法的实现了对断层曲面的融合提取。但是该方法人为参数选择影响较大并且也易被噪声所干扰。随后，Wonki等提出通过GPU技术来快速实现断层提取，但是该方法得到的断层连续性较差并且过于依赖参数的选择。在2013年Zhang等提出了一种利用细化处理的三维地震断层半自动提取算法，该办法通过了在二维时间切片上的相关计算以及断层相似性来获取相干属性，继而对数据进行二值化处理并且追踪断层条，从而实现了断层曲面的构造。但是该方法人为参数选择影响较大并且也易被噪声所干扰。在2017年张翔宇通过在三维水平集的处理上根据数学上脊谷的定义完成了断层曲面自动提取的方法。该方法利用三维水平集的方法分割出蚂蚁数据体中断层目标区域和背景区域，最后再将断层曲面作为数据体内目标区域的脊结构进行提取。但是该方法实现时间较长和较为复杂，并且在连续场重建的过程中易受到参数的选择影响。

而如今随着人工智能与机器学习的发展和进步，也有不少地质研究学者基于人工智能和机器学习提出了一些更加智能化的地震解释方法。在2005年，Tingdahl等实现了一种利用人工神经网络的断层识别半自动算法，该方法利用了地震资料的多种属性与人工神经网络的技术来进行对断层的判断和识别；ZH Zheng等人在2014年提出了一种优化的神经网络断层检测方法，该方法利用神经网络将多个属性合并为一个新的对象敏感属性，通过新产生的断层概率属性来抑制周围的噪声，从而突出断层，随后再使用蚂蚁跟踪算法进行断层追踪。在2017年Jahan等提出了使用主成成分分析PCA(principal componentanalysis)的方法来对地震资料多种属性进行融合的方式来进行断层识别和提取,Huang L等也提出了使用卷积神经网络对各种地震属性进行断层识别和融合各种地震资料属性的预测结果来达到断层提取的目的。但是上述的方法结果好坏取决于人为所选取的地震资料属性以及属性计算方法有关，在融合的过程也忽略了原始地震振幅体数据中的地质含义。

全卷积网络(Fully Convolutional Networks，FCN)自Jonathan Long等人提出以来就得到了十分广泛的应用和发展，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。使用全卷积网络来对三维地震振幅数据体进行断层识别分割，既能够实现快速的断层识别，也通过使用全卷积的方式代替全连接层来避免空间信息的丢失，从而得到更精准的断层分割。

通常情况下，CNN体系结构由一堆不同的隐藏层组成，它们将输入数据转换为输出体积。每个卷积层(Convolution Layer)由一组可学习的过滤器组成，这些过滤器具有小的感知学习域，但却能够拓展输入的深度。在参数的正向反馈期间，通过计算滤波器和前一层输入之间的点积，将每个滤波器都卷入输入。另外，在卷积层之间也通常会加入一个池化层(pooling layer)。池化层的作用就是逐渐缩小表示的空间尺寸，且利用池化操作来减少参数和计算的总量。在CNN模型结构的最后，在全连接层(Fully Connected Layer)中，人工神经元完全连接到前一层的所有输出。CNN强大的数据表示能力使其能够从数据中提取有价值的信息作为新的数据表示形式，从而构建高性能的模型。

断层解释是地震解释的核心，目前在断层解释中存在两个问题，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，如何摆脱人工解释断层的困难及复杂的地震属性计算。

发明内容

本发明的发明目的是：为了解决现有技术中存在的以上问题，本发明提出了一种基于全卷积神经网络的断层面识别方法。

本发明的技术方案是：一种基于全卷积神经网络的断层面识别方法，包括以下步骤：

A、从三维地震振幅数据体中获取已标记地震振幅断层数据和待识别地震振幅断层数据；

B、构建全卷积神经网络模型；

C、利用步骤A中地震振幅断层数据作为训练集，训练步骤B中全卷积神经网络模型，得到全卷积神经网络训练模型；

D、利用步骤C得到的全卷积神经网络训练模型对步骤A中待识别地震振幅断层数据进行识别。

进一步地，所述步骤B中，全卷积神经网络模型包括多组用于提取地震振幅图像特征的卷积层，在每两次或三次卷积之后将特征图进行最大化池化处理，再使用转置卷积将在不同比例学习的特征图上采样到原始分辨率，然后将所有多尺度的特征图按照权重进行相加连接，最后经过3次卷积后利用softmax函数得到所有像素点的预测结果。

进一步地，所述步骤C中，采用Dropout方法训练全卷积神经网络模型，并使用交叉熵通来作为损失函数，添加一个softmax层计算预测损失。

进一步地，所述步骤C中，采用Dropout方法训练全卷积神经网络模型具体为：保持输入层和输出层不变，根据Dropout方法的设定参数临时删除全卷积神经网络中的神经元，使用BP算法更新全卷积神经网络中的权值；在下一次迭代过程中，根据Dropout方法的设定参数临时删除与上一次被临时删除神经元不同的神经元，依此进行迭代。

进一步地，所述步骤C中，损失层的计算模型表示为

y_pred＝argmax_tP(Y＝t|x,W,b)

其中，P表示输出概率，x表示输入的地震振幅断层数据，t表示断层或非断层，W表示权重矩阵，b表示偏置项，y_pred表示预测具有最大概率的类，D表示地震振幅断层数据训练集，L表示交叉损失函数之和。

本发明的有益效果是：本发明从地震振幅图像级别的断层分类识别延伸到了像素级别的分类，使用全卷积神经网络来对三维地震振幅数据体进行断层识别分割，既能够实现快速的断层识别，也通过使用全卷积的方式代替全连接层来避免空间信息的丢失，从而得到更精准的断层分割和识别。

附图说明

图1是本发明的基于全卷积神经网络的断层面识别方法的流程示意图；

图2是本发明实施例中地震振幅断层数据示意图；

图3是本发明实施例中已标记地震振幅断层数据示意图；

图4是本发明实施例中构建的全卷积神经网络模型示意图；

图5是本发明实施例中原始输入的地震振幅断层数据示意图；

图6是本发明实施例中原始输入的地震振幅断层数据的断层概率示意图；

图7是本发明实施例中原始输入的地震振幅断层数据的非断层概率示意图；

图8是本发明的人工标记地震振幅断层数据示意图；

图9是本发明进行识别后的地震振幅断层数据示意图；

图10是本发明进行识别后的地震振幅断层数据在三维空间中的可视化结果示意图；

图11是本发明进行识别后的地震振幅断层数据在三维空间中的可视化结果局部示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，为本发明的基于全卷积神经网络的断层面识别方法的流程示意图。一种基于全卷积神经网络的断层面识别方法，其特征在于，包括以下步骤：

A、从三维地震振幅数据体中获取已标记地震振幅断层数据和待识别地震振幅断层数据；

B、构建全卷积神经网络模型；

C、利用步骤A中地震振幅断层数据作为训练集，训练步骤B中全卷积神经网络模型，得到全卷积神经网络训练模型；

D、利用步骤C得到的全卷积神经网络训练模型对步骤A中待识别地震振幅断层数据进行识别。

在本发明的一个可选实施例中，上述步骤A从三维地震振幅数据体中获取地震振幅断层切片数据，再通过专家解释，标定出切片数据上属于断层的位置，得到已标记地震振幅断层数据。如图2所示，为本发明实施例中地震振幅断层数据示意图；如图3所示，为本发明实施例中已标记地震振幅断层数据示意图。

在本发明的一个可选实施例中，上述步骤B中，卷积神经网络一般适用于解决图像分类问题，但是要实现对图像中的所有像素点的分类，传统的做法是都是基于“patch”的做法。基于“patch”的方法就是利用CNN对以每个像素点位中心取邻域方形图像小块进行分类从而得到所有像素点的类别。但是这种做法缺点很明显，由于对每个像素点都取邻域方形图像块，所以对于相邻的像素点而言其对应的patch很大部分都会重叠从而导致反复计算，并且选择固定大小的patch并不具有层次性与整体性。基于以上CNN在图像语义分割上的不足，本命法采用全卷积神经网络高效准确地实现所有像素点的分类。从CNN与FCN的网络结构上来看，前者借助全连接层来获得确定大小的特征向量并使用softmax输出分类结果，而后者使用反卷积层来代替全连接层，将得到的特征图采用上采样操作来恢复到原始图像的大小，并最终再使用softmax函数来得到所有像素点的预测结果，这样也就是相当于每一个像素点都是一个训练样本，而且相应地结合了图像的整体空间信息，能够适应于任意尺度的输入图像。

全卷积神经网络具备全卷积(Fully Convolutional)、上采样(Unsampling)以及跳跃结构这三种特点。

首先，全卷积化是指使用卷积层来代替原来CNN中的全连接层，往往全连接层会对得到的特征图进行一维向量化，但这样其实是会损失图像的空间信息的。在FCN中，通过对二维特征图直接采用上采样的变换，可以实现从特征图恢复到原始尺寸大小图像，并借助卷积来代替全连接层，得到待分类类别个数的特征图后再使用softmax进行预测。卷积化的特点不仅仅减少了参数的数量和计算时间，也使得网络不受输入图像尺寸的影响。

上采样(Upsamping)是对图像进行尺寸放大的一种操作，tensorflow里又可理解为反卷积。当然，此处的反卷积并不意味着数学形式上的逆操作，而应该理解为转置卷积，该过程相当于CNN中前向传递的一个反操作。例如，一个6×6的图像，通过卷积池化后得到3×3的特征输出，那么上采样就是将3×3还原到6×6的这样一个过程。

上采样的实现类似于插值的过程。假定下层为输入M×M的图像，卷积核大小为N，上层为卷积计算获得的上采样结果，那么上采样的输出尺寸为O＝S(M-1)+N，且是通过双线性插值来初始化卷积核参数的。

但是通常情况下，直接将一系列卷积、激活函数以及池化后得到的最小特征图进行上采样到原图大小的pixel-dense输出是比较粗糙的，所以跳跃结构的使用是非常有必要的。所谓跳跃结构，就是把卷积池化之后的不同分辨率的特征图联合利用起来，这样就实现了整体的信息及相对的信息互相融合，可以得到更加精准的语义分割结果。

如图4所示，为发明实施例中构建的全卷积神经网络模型示意图；本发明采用的全卷积神经网络模型包括多组用于提取地震振幅图像特征的卷积层，每个卷积核都使用3×3的大小，然后就是批量归一化和ReLu激活函数；在每两次或三次卷积之后将特征图下采样2倍，以便在更全局的范围内学习特征，这里使用的池化均未最大化池化；再使用转置卷积将在不同比例学习的特征图上采样到原始分辨率，然后将所有多尺度的特征图按照权重进行相加连接；最后三个内核大小为1×1的卷积层，以及softmax函数，用于预测概率标签图，经过3次卷积后利用softmax函数得到所有像素点的预测结果。断层的分割由在每个像素处具有最高softmax概率的标签类来确定的；不包括转置的卷积层，这个网络共包含了16个卷积层操作。

本发明基于VGG网络对FCN体系进行了改进。如表1所示，为基于VGG网络改进的FCN结构参数。

表1、基于VGG网络改进的FCN结构参数

在本发明的一个可选实施例中，上述步骤C中，对于地震振幅断层数据中的任何像素，相应的FCN输出表示为该像素属于断层的估计后验概率。由于FCN本质上执行像素分类，因此本发明使用交叉熵通来作为损失函数。在训练全卷积神经网络模型中，本发明添加一个softmax层来计算预测损失。损失层的计算模型表示为

y_pred＝arg max_tP(Y＝t|x,W,b)

其中，P(Y＝t|x,W,b)当输入为x，权重为W，偏置为b时，输出Y为第t类的概率，x表示输入的地震振幅断层数据，t为1或者0分别表示断层或非断层的类别，k表示神经元节点序号，W表示权重矩阵，W_t表示第t类的权重矩阵，W_k表示第k个神经元节点的权重矩阵，b表示偏置项，b_t表示第t类的偏置项，b_k表示第k个神经元节点的偏置项，softmax_t表示对t类别的一个分类，通过信息熵分类，如果信息熵大于阈值，那么就属于断层或者非断层，反之，小于的时候就是非断层和断层，y_pred表示预测具有最大概率的类，D表示地震振幅断层数据训练集，L表示交叉损失函数之和，x^(t)表示输入的图像是断层图像或者是非断层图像，y^(t)表示对于输入的图像，被识别为断层或者是非断层。由于网络结构较深，因此本发明使用adam随机梯度下降优化算法来训练全卷积神经网络模型；同样的，本发明在训练过程中的激活函数都选择ReLU激活函数。

在深度神经网络中，因为训练数据有限，采样噪声会造成复杂的关系出现，往往只在训练数据中才有这种噪声，即便训练数据及测试数据属于相同概率分布的样本空间，这也会导致过拟合的产生。因此本发明采用Dropout方法，通过防止训练数据的复杂适应性来减少神经网络中的过度拟合，可在训练数据有限的非常深的FCN模型时减少过度拟合。Dropout方法将给定层中每个神经元的输出按照概率随机设置为零，从而消除了来自正向传播和反向传播的那些“退出”神经元的贡献。

本发明采用Dropout方法训练全卷积神经网络模型具体为：保持输入层和输出层不变，根据Dropout方法的设定参数临时删除全卷积神经网络中的神经元，使用BP算法更新全卷积神经网络中的权值；在下一次迭代过程中，根据Dropout方法的设定参数临时删除与上一次被临时删除神经元不同的神经元，依此进行迭代。特别地，在训练完成后的预测阶段，所有的神经元正常工作。通过这种方式，神经元不能依赖特定其他神经元的存在，因此它不得不学习在不同的随机子集中有效的更强大的特征。这也能使得本发明训练后的FCN模型更加健壮并且提高了泛化能力。在本发明中的softmax之前的dropout的参数设置中，把设为0.5，即每个神经元有50％的概率不作用。

在本发明的一个可选实施例中，上述步骤D利用步骤C得到的全卷积神经网络训练模型对步骤A中待识别地震振幅断层数据进行识别。

本发明以中国西南B区地震数据为例进行断层识别，测试环境为Intel(R)Core(TM)i5-2450MCPU@2.50GHz，8.00GB内存，NVIDIA GeForce GTX750，64位Windows7旗舰版操作系统，使用的编程工具为Anaconda3和tensorflow框架，主要运用的编程语言为python和matlab。

首先，为了训练全卷积网络来完成断层分割识别，先选择三维地震振幅数据体中的部分地震振幅断层图像数据，然后对这些地震振幅图像进行人工断层解释获得手工标记结果。

然后对于输入的振幅图像数据，经过网络分类后，输出两张热力图(heatmap)，它们各自代表了地震振幅图像里像素点是断层或者非断层的概率，如图5所示，为本发明实施例中原始输入的地震振幅断层数据示意图；如图6所示，为本发明实施例中原始输入的地震振幅断层数据的断层概率示意图；如图7所示，为本发明实施例中原始输入的地震振幅断层数据的非断层概率示意图。

基于上述断层与非断层的概率图，可以比较图像中每个像素点位置属于断层与非断层的概率大小来判别其是断层还是非断层，相应的可视化结果如图10所示，为本发明进行识别后的地震振幅断层数据在三维空间中的可视化结果示意图。

如图8所示，为本发明的人工标记地震振幅断层数据示意图，分别对应于输入的地震振幅图像，以及人工标记好的groundtruth即断层识别的输出结果，通过本发明中训练好的全卷积神经网络模型进行断层识别得到的结果如图9所示，为本发明进行识别后的地震振幅断层数据示意图。由此可知，本发明提出方法的断层分割识别结果，经过阈值分割后，与人工标记的结果是基本拟合的，其准确率达到了98.6％。也证明了本发明提出的基于全卷积网络的断层识别方法在地震振幅数据体上实现了更加高效精准的断层识别。

同样使用全卷积网络模型识别的断层在三维空间中的可视化结果分别如图10所示，为本发明进行识别后的地震振幅断层数据在三维空间中的可视化结果示意图；如图11所示，为本发明进行识别后的地震振幅断层数据在三维空间中的可视化结果局部示意图；相比之前，断层在三维空间中的分布情况与拓扑形态十分明显，也表明了基于全卷积网络的断层识别在地震振幅数据体上实现了更加高效精准的断层识别。

本发明提出了一种基于全卷积网络来对三维地震振幅体数据进行断层识别的方法。使用全卷积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，可以得到更加精准的断层识别结果；该方法从地震振幅图像级别的断层分类识别延伸到了像素级别的分类，并实现了断层的高效分割识别。

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。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (5)

1.一种基于全卷积神经网络的断层面识别方法，其特征在于，包括以下步骤：

A、从三维地震振幅数据体中获取已标记地震振幅断层数据和待识别地震振幅断层数据；

B、构建全卷积神经网络模型；

C、利用步骤A中地震振幅断层数据作为训练集，训练步骤B中全卷积神经网络模型，得到全卷积神经网络训练模型；

D、利用步骤C得到的全卷积神经网络训练模型对步骤A中待识别地震振幅断层数据进行识别。

2.如权利要求1所述的基于全卷积神经网络的断层面识别方法，其特征在于，所述步骤B中，全卷积神经网络模型包括多组用于提取地震振幅图像特征的卷积层，在每两次或三次卷积之后将特征图进行最大化池化处理，再使用转置卷积将在不同比例学习的特征图上采样到原始分辨率，然后将所有多尺度的特征图按照权重进行相加连接，最后经过3次卷积后利用softmax函数得到所有像素点的预测结果。

3.如权利要求2所述的基于全卷积神经网络的断层面识别方法，其特征在于，所述步骤C中，采用Dropout方法训练全卷积神经网络模型，并使用交叉熵通来作为损失函数，添加一个softmax层计算预测损失。

4.如权利要求3所述的基于全卷积神经网络的断层面识别方法，其特征在于，所述步骤C中，采用Dropout方法训练全卷积神经网络模型具体为：保持输入层和输出层不变，根据Dropout方法的设定参数临时删除全卷积神经网络中的神经元，使用BP算法更新全卷积神经网络中的权值；在下一次迭代过程中，根据Dropout方法的设定参数临时删除与上一次被临时删除神经元不同的神经元，依此进行迭代。

5.如权利要求4所述的基于全卷积神经网络的断层面识别方法，其特征在于，所述步骤C中，损失层的计算模型表示为

y_pred＝argmax_tP(Y＝t|x,W,b)

其中，P表示输出概率，x表示输入的地震振幅断层数据，t表示断层或非断层，k表示神经元节点序号，W表示权重矩阵，b表示偏置项，y_pred表示预测具有最大概率的类，D表示地震振幅断层数据训练集，L表示交叉损失函数之和。