CN109597129B - 基于目标检测的缝洞型油藏串珠状反射特征识别方法 - Google Patents

Abstract

本发明涉及一种基于目标检测的缝洞型油藏串珠状反射特征识别方法，本发明采用最新的深度学习目标检测技术来自动识别串珠状反射特征，针对岩缝洞型储集层高产不稳产、预测准确率低的难题，在地震多源数据管理基础上，使用“米”字剖切方法生成剖面，本发明从相似的地震串珠状反射特征入手，采用Faster R‑CNN目标检测和深度学习技术训练得到串珠状反射特征自动识别模型，得到缝洞型油藏油气储层空间分布场，明确储集单元的含油气规模，相较于原有的人工识别方法，减少人工参与，提高识别精度。

Description

基于目标检测的缝洞型油藏串珠状反射特征识别方法

技术领域

本发明属于地球物理学中物探开发领域，涉及针对碳酸盐岩缝洞型油藏串珠状反射特征的识别方法，更具体地说，涉及一种基于Faster R-CNN目标检测的碳酸盐岩缝洞型油藏串珠状反射特征自动识别技术，提高串珠状反射特征的识别效率和精度。

背景技术

碳酸盐岩缝洞型油藏复杂多重的构造和溶蚀作用导致油藏埋藏较深、储层非均质性强，常规地震、测井方法难以准确识别。目前缝洞型油藏大型储集体识别方法主要是通过人工识别地震剖面上的串珠状反射特征。该方法对海量地震数据来说，时间开销较大且不确定性强，导致识别结果具有多样性。因此快速高效的串珠状反射特征自动识别方法研究是该类型油藏开发的迫切需求。在地震剖面上寻找储层反射特征并确定特征位置，实际上就是图像处理中的目标检测问题。研究采用目标检测方法自动识别地震剖面上的串珠状反射特征。

随着深度学习理论的发展和进步，卷积神经网络算法被广泛应用图像识别中。该算法第一层输入原始图像，每一层从上一层提取抽象特征，通过多层抽象特征组合识别分类，比传统方法具有更好的鲁棒性。但该方法无法实现图像中目标的定位。传统的目标检测方法采用类似暴力枚举的滑窗局域选择，对每个滑窗进行识别分类，但时间复杂度高，难以应用于海量数据的地震勘探目标检测。2014年R.Girshick提出基于区域的卷积神经网络算法，通过区域候选代替传统滑动窗口，有效减少目标检测时间。常用的候选区域选择方法有Selective Search，Edge-Boxes等。2016年R.Girshick结合空间金字塔池化方法减少特征提取计算量并使用区域建议网络共享特征层获取候选框，提出Faster R-CNN(FasterRegion-based Convolutional Neural Networks,Faster R-CNN)提高训练精度，以适应地震特征的多样性，有效降低检测时间。

发明内容

本发明要解决的技术问题在于，提供一种基于目标检测的缝洞型油藏串珠状反射特征识别方法和装置，实现对勘探区的反射特征的准确快速识别，从纵向多角度多剖面分析缝洞串珠状反射特征空间配置关系，并直观得到勘探区的串珠状反射特征分布情况。

本发明为解决其技术问题，所采用的技术方案是：提供了一种基于目标检测的缝洞型油藏串珠状反射特征识别方法，包含如下步骤：

S1、数据预处理：读取地震数据文件，将相应的数据和对应的地震道按xline、inline、时域和属性数据组织成三维地震数据，然后进行分块多表存储，建立多级索引以对三维地震数据进行快速存取；其中，xline表示联络线地震解释剖面，inline表示主测线地震解释剖面；

S2、在数据预处理得到的地震数据库基础上，进行三维地震数据可视化；

S3、在可视化的基础上，针对三维地质体，设置切割面参数决定剖面方向，计算剖面经过的块体表，获取块体表的值并生成地震剖面，以二维图像的形式显示；

S4、在二维图像上，获取人工框选地震剖面上的串珠状反射区域；

S5、基于人工标定的串珠状反射区域，采用Faster R-CNN深度学习技术训练得到串珠状反射特征的网络识别模型；

S6、使用步骤S5生成的模型对检测区域的地震剖面进行检测，输出串珠状特征的类别信息和空间信息，从而得到缝洞型油藏地质特征的分布场。

进一步地，在本发明的基于目标检测的缝洞型油藏串珠状反射特征识别方法中，步骤S1具体包括：

S11、读取地震数据：地震属性数据使用SEG-Y格式进行存储，以地震道为单位进行组织，读取地震数据，组织相应的数据和对应的地震道信息按照xline、inline、时域和属性数据形式存储到内存中；

S12、属性数据体存入数据库：对内存中的三维地震体数据，获取三维地震数据的空间范围值，获取人工设定的分块块体大小，按照地震数据体拆分的块体数量，从上到下，从左至右，从后至前的规律进行分块编号多表存储，建立数据表并导入数据库；基于SQLServer数据库管理地震场数据，建立多表对三维地震数据进行管理、建立多级索引优化查询速度，便于进行可视化和切片操作；其中人工设定分块时，设置的分块参数包括：块体长度、宽度、高度和阈值属性；

S13、从数据库中读取地震数据：对勘探区中特定的点通过对应点的坐标(xline，inline，时域)获取对应的地震数据。

进一步地，在本发明基于目标检测的缝洞型油藏串珠状反射特征识别方法中，步骤S2具体为：

地震数据在SQL Server数据库中按照三维空间坐标和对应的属性值进行存储，读取数据库中对应的地震数据体，采用VTK技术对三维地震数据进行可视化。

进一步地，在本发明的基于目标检测的缝洞型油藏串珠状反射特征识别方法中，步骤S3具体包括：对勘探区三维原始地震数据体采用滑动“米”字剖切技术，设置切割面参数p1、p2确定剖切的方式，读取含有符合切割表达式的点的区块表，将这些点按照空间位置组织为二维矩阵进行可视化，从W-E、NW-SE、NE-SW、N-S四个方向剖切生成地震剖面，以二维图像的形式输出屏幕中，并以图像文件形式进行保存。

进一步地，在本发明的基于目标检测的缝洞型油藏串珠状反射特征识别方法中，步骤S4具体包括：在二维图像上，人工对部分串珠状反射特征进行标定，以图像左上角为原点，横向为X轴，纵向为Y轴建立二维坐标系，获取标定区域左上角顶点坐标信息、高度和宽度信息，保存到数据库中，将数据库中存在的标记信息输出到xml文件中，并进行保存，形成标记文件。

进一步地，在本发明的基于目标检测的缝洞型油藏串珠状反射特征识别方法中，步骤S5包含如下步骤：

S51、读取样本地震剖面图像和对应的标记文件；

S52、将地震剖面上人工标定的串珠状反射特征区域设定为目标样本，同一剖面上的其他区域默认为背景样本；

S53、初始化RPN、Fast R-CNN训练网络结构和参数；

S54、设置网络训练最大迭代次数、识别目标类别数量和学习率；

S55、将样本图片输入网络计算，比对网络输出和标签值，计算误差值loss；

S56、根据误差反向传播调整网络参数，直至网络收敛或者最大迭代次数，从而完成模型的训练。

进一步地，在本发明的基于目标检测的缝洞型油藏串珠状反射特征识别方法中，步骤S5具体为：

Step1、将人工标定的串珠状特征区域设定训练样本，同一剖面上的其他区域默认为背景样本；

Step2、初始化RPN、Fast R-CNN的网络结构，包括l层网络第i节点对下一层第j节点的权值以及学习率α；

Step3、将每一张样本图提取的区域特征输入RPN网络进行正向传递；

Step4、将当前RPN网络的输出结果y_final和设定的标签值a_final对比，计算误差值e＝y_final-a_final以及损失函数使用更新

Step5、利用步骤Step4进行迭代，直至网络收敛或者达到RPN最大训练迭代次数，得到能够生成高效的目标候选区域的RPN网络。

Step6、使用串珠状反射特征样本对Fast R-CNN进行训练，直到达到训练迭代次数或者网络收敛，得到串珠状反射特征自动识别模型。

进一步地，在本发明的基于目标检测的缝洞型油藏串珠状反射特征识别方法中，步骤S6包含如下步骤：

S61、输入待检测区域的地震剖面；

S62、输入训练得到的Faster R-CNN预测网络结构和参数；

S63、采用RPN网络生成候选区域；

S64、对所有的候选区域使用Fast R-CNN进行类别判断，得到串珠状反射特征的类别；

S65、对所有串珠状反射特征的候选区域按置信度从大到小排序，并对候选区域两两间计算重叠率IoU，若超过IoU阈值则保留置信度最大的区域；

S66、判断输出区域置信度是否超过置信度阈值，若超过置信度阈值，输出串珠状反射特征区域的类别信息和位置信息。

实施本发明的基于目标检测的缝洞型油藏串珠状反射特征识别方法，具有以下有益效果：本发明采用Faster R-CNN目标检测和深度学习技术自动识别地震剖面上的串珠状反射特征，减少人工参与、提高识别精度、降低多解性，实现对勘探区准确快速识别反射特征；本发明在地震数据管理基础上，研究采用滑动“米”字剖切技术生成地震剖面，分别从W-E、NW-SE、NE-SW、N-S四个方向生成地震剖面，从纵向多角度多剖面分析缝洞串珠状反射特征空间配置关系；本发明基于可视化框架可视化地震数据，直观分析勘探区的串珠状反射特征分布情况。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明的目标检测的缝洞型油藏串珠状反射特征识别方法实施流程图；

图2是分块分表存储命名示例图；

图3是标记区域信息的示例图；

图4是串珠识别示意图；

图5是训练网络结构示意图；

图6是预测网络结构示意图；

图7是串珠状反射特征示意图；

图8是数据录入结果示例图；

图9是三维地震数据可视化结果示例图；

图10是标记样本数据导出结果示例图；

图11是串珠状反射特征识别结果示例图；

图12是TK630井生产曲线图；

图13是TK630井剖面识别结果图；

图14是TK630井串珠状反射特征识别三维效果图；

图15是串珠状反射特征自动识别技术流程图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

参考图1，图1为本发明的目标检测的缝洞型油藏串珠状反射特征识别方法实施流程图。在本实施例中，本发明的识别方法包含如下步骤

S1、数据预处理：读取地震数据文件，将相应的数据和对应的地震道按xline、inline、时域和属性数据组织成三维地震数据，然后进行分块多表存储，建立多级索引以对三维地震数据进行快速存取；其中，xline表示联络线地震解释剖面，inline表示主测线地震解释剖面。本步骤通过输入SEG-Y地震数据文件，读取地震数据，录入到SQL Server数据库中，使用SQL Server数据库对地震数据进行管理。

具体可以划分为以下几个部分：

1)地震数据读取

地震属性数据使用SEG-Y格式进行存储，以地震道为单位进行组织。读取地震数据，组织相应的数据和对应的地震道信息按照xline、inline、时域和属性数据形式存储到内存中。

2)属性数据体存入数据库

对内存中的三维地震体数据，获取三维地震数据的空间范围值，通过人工设定分块的块体大小，计算地震数据体能够拆分的块体数量，按照从上到下，从左至右，从后至前的规律进行分块编号多表存储，建立数据表并导入数据库。基于SQL Server数据库管理地震场数据，建立多张数据表对三维地震数据进行管理，建立多级索引、优化查询速度，并进行可视化和切片操作。需要输入地震数据文件(SEG-Y类型文件)，人工设置分块参数(块体长度、宽度、高度和阈值属性)对属性体进行切割和数据表建立，并将属性数据导入到数据库中。分块多表的命名示例见图2，通过读取勘探区中点的坐标(xline，inline，时域)获取分块数据表名，从对应数据表中快速获取该点的地震数据。

3)地震数据读取

对勘探区中特定的点通过对应点的坐标(xline，inline，时域)获取对应点的地震数据。

S2、在数据预处理得到的地震数据基础上，进行多源数据库三维地震数据可视化。本步骤至步骤S4是基于多源地震数据库对地震数据管理，使用VTK(VisualizationToolkit)实现三维地震数据体可视化，在可视化的基础上人工标定串珠状反射特征的位置，并将剖面和标记数据导出为文件进行保存。

可视化时，地震数据在SQL Server数据库中按照三维空间坐标和对应的位置的值进行存储，读取数据库中对应的地震数据体，采用VTK对三维地震数据进行可视化。

具体包括：

(1)从数据库中读取地震数据；

(2)将属性值转换为颜色值，生成三维块体；

(3)在画布上绘制三维地震体。

S3、在可视化的基础上，针对三维地质体，设置切割面参数决定剖面方向，计算剖面经过的块体表，获取块体表中的值并生成地震剖面，以二维图像的形式进行显示。对勘探区三维原始地震数据体采用滑动“米”字剖切技术，设置切割面参数p1、p2确定剖切的方式，其切割方式如下表，然后读取符合切割表达式的点的区块表，将这些点按照空间位置组织为二维矩阵进行可视化，从W-E、NW-SE、NE-SW、N-S四个方向剖切生成地震剖面，以二维图像的形式输出屏幕中，并以图像文件形式进行保存。

切割参数p1	切割表达式
		10	xline＝p2
20	inline＝p2
		1	xline+inline＝p2
-1	xline-inline＝p2

其中关于二维图像，包括：基于VTK框架可视化二维矩阵，生成地震剖面，将剖面导出为图像文件，按照“属性名称_p1_p2.jpg”方式命名。具体步骤如下：

具体步骤如下：

(1)设置剖面参数p1及p2；

(2)计算剖面经过的块体，得到对应块体表名；

(3)从对应块体表名中获取对应点数据；

(4)将获取的所有点按照空间信息组织成二维矩阵；

(5)基于VTK可视化二维矩阵，生成地震剖面。

S4、在二维图像上，人工框选的剖面上的串珠状反射区域。

在地震可视化形成的二维图像基础上，人工对串珠状反射特征进行标定，以图像左上角为原点，横向为X轴，纵向为Y轴建立二维坐标系，获取标定区域左上角顶点坐标信息、高度和宽度信息，保存到数据库中。将数据库中存在的标记信息输出到xml文件中，并进行保存，形成标记文件。

具体包含如下步骤：

(1)在生成的剖面上，绘制矩形框定剖面上的串珠状反射区域；

(2)记录目标区域相对剖面左上角的位置、宽度和高度，并保存到数据库中；

(3)以xml文件形式导出数据库中的标记区域信息。

实现示例具体见图3。

S5、基于人工标定的串珠状反射区域，采用Faster R-CNN深度学习技术训练得到串珠状反射特征网络结构参数识别模型。

S6、使用步骤S5生成的模型对检测区域的地震剖面进行地震特征检测，输出串珠状特征的类别信息和空间信息，从而得到缝洞型油藏地质特征的分布场。

参考图4，基于地震数据剖面图的特征，采用基于深度学习的Faster R-CNN图像识别技术训练得到地质体特征自动识别模型，进一步将模型用于串珠状反射特征的检测得到缝洞型油藏地质特征的分布场。

Faster R-CNN基于卷积神经网络构建，包括卷积层、池化层和SoftMax层。本发明使用基于VGG_cnn_m_1024修改的网络，分训练网络和识别网络。

1、训练网络部分

网络结构参考图5，训练部分本质上是利用人工标定的串珠状反射模式调整RPN和Fast R-CNN参数，使网络学习到输入的地震剖面与串珠状反射特征的映射关系，得到串珠状反射特征识别模型。训练部分基本步骤如下：

1)读取采用所述二维图像形式构成的地震剖面和标记文件；

2)将地震剖面上人工标定的串珠状反射特征区域设定为目标样本，同一剖面上的其他区域默认为背景样本；

3)设置训练过程迭代次数、识别目标类别数量和学习率；

4)初始化Faster R-CNN训练网络结构和参数；

5)将样本图片输入网络计算，比对网络输出和标签值，计算误差值e和损失函数J；

6)使用e和J反向调整RPN网络参数，直至网络收敛。

具体的，本发明优选为下述方式实现：

步骤S5具体为：

Step1、将人工标定的串珠状特征区域设定训练样本，同一剖面上的其他区域默认为背景样本；

Step2、初始化RPN、Fast R-CNN的网络结构，包括l层网络第i节点对下一层第j节点的权值以及学习率α；

Step3、将每一张样本图提取的区域特征输入RPN网络进行正向传递；

Step4、将当前RPN网络的输出结果y_final和设定的标签值a_final对比，计算误差值e＝y_final-a_final以及损失函数采用更新

Step5、利用步骤Step4进行迭代，直至网络收敛或者达到RPN最大训练迭代次数，得到能够生成高效的目标候选区域的RPN网络。

Step6、使用串珠状反射特征样本对Fast R-CNN进行训练，直到达到训练迭代次数或者网络收敛，得到串珠状反射特征自动识别模型。

至此，完成了串珠状反射特征自动识别模型的训练，得到了自动识别模型。

2、识别网络部分

识别网络结构参考图6，输入“米”字剖切生成的地震剖面，使用训练得到的串珠状反射特征自动识别模型对剖面图进行串珠状反射特征识别。识别部分步骤如下：

1)输入地震剖面，提取地震剖面特征；

2)输入训练得到的Faster R-CNN预测网络结构和参数；

3)采用RPN网络生成候选区域；

4)对所有的候选区域使用Fast R-CNN进行类别判断，得到串珠状反射特征类别判断特征；

5)对所有的串珠状反射特征候选区域按置信度从大到小排序，并对候选区域两两间计算重叠率IoU，若超过IoU阈值则保留置信度最大的区域，否则不进行额外的处理；

6)判断输出区域置信度是否超过置信度阈值，若超过置信度阈值，并输出串珠状反射特征区域的类别信息和位置信息，若未超过置信度阈值，则认为该区域为背景不做输出处理。

研究针对塔里木盆地奥陶系碳酸盐岩缝洞型储集层高产不稳产、预测准确率低的难题，从相似的地震串珠状反射特征入手，在地震多源数据管理基础上，以单井样本的多维属性(相关联地震地质体属性特征、生产数据特征)作为输入，使用“米”字剖切方法生成剖面，并使用目标检测技术识别串珠状反射特征。传统的目标检测方法采用类似暴力枚举的滑窗局域选择，对每个滑窗进行识别分类，但时间复杂度高，难以应用于海量数据的地震勘探目标检测。2014年R.Girshick提出基于区域的卷积神经网络(Region-basedConvolutional Neural Networks，R-CNN)，通过区域候选代替传统滑动窗口，有效减少目标检测时间。2016年R.Girshick结合空间金字塔池化方法减少特征提取计算量并使用区域建议网络共享特征层获取候选框，提出Faster R-CNN(Faster Region-basedConvolutional Neural Networks,Faster R-CNN)提高训练精度，以适应地震特征的多样性，有效降低检测时间。研究首次采用Faster R-CNN深度学习技术训练得到串珠状反射特征自动识别模型，进而得到缝洞型油藏油气储层空间分布场，建立一套由地震数据到串珠状反射特征判别的自动化方法，明确储集单元的含油气规模。相较于原有的人工识别方法，减少人工参与，提高识别精度。

实例:

实验数据来自塔河油田67区，位于塔河油田己探明储量区中部偏北，缝洞发育系统以南北向、北东向为主。该区缝洞型储层位于中下奥陶统碳酸盐岩地层，其基质岩块渗透性极差。有效储集空间是构造作用及岩溶作用形成的溶蚀孔洞和裂缝(其中溶洞是主要的储集空间)。这些以次生孔隙为主的储渗空间，几何形态多样，大小悬殊，极具非均质性，常规地震、测井等方法难以准确识别。该区域储集空间主要为溶蚀孔洞，在地震剖面上表现为串珠状反射特征，如图7所示。

实验参数设置

(1)数据管理模块分块大小120×120×60；

(2)Faster R-CNN初始网络使用VGG_CNN_M_1024网络；

(3)Faster R-CNN训练迭代次数都设置为80000代；

(4)Faster R-CNN IoU阈值NMS_THRESH设置为0.1；

(5)Faster R-CNN置信度阈值CONF_THRESH设置为0.8；

(6)Faster R-CNN训练样本图片和人工标定的区域共400张；

(7)学习率α为0.1。

数据录入结果

输入地震数据文件，使用地震数据管理模块对其录入，在SQL Server数据库中分表存储地震数据，设置块体大小为120×120×60，分表存储地震数据，表名和表中的数据如下图8。

数据可视化结果

三维地震数据体可视化结果实例如图9所示。

人工标定样本数据导出结果

样本图片和人工标定的串珠状反射特征区域结果实例如图10所示。

基于Faster R-CNN的碳酸盐岩缝洞型油藏串珠状反射特征自动识别结果

将导出的地震剖面和相应的标记信息输入到网络模型中进行训练，得到串珠状反射特征自动识别模型，使用该模型自动识别“米”字剖切生成的地震剖面上的串珠状反射特征，结果实例如图11所示。

在对多张剖面进行分析后，发现该方法能够识别串珠状特征反射，在未被标注出来的类串珠状反射特征也有较好的识别能力，能够较好的对串珠状反射特征进行识别。

对勘探区串珠状反射特征识别结果结合TK630井生产动态信息进行正确性分析

1)TK630井史

参考图12，TK630井是位于塔河油田6区，于2001年11月28日开钻，目前井深5598.0m，完钻层位奥陶系，日产油32.2m³/d，日产气2044m³/d。

根据生产数据的特征可知：该井产量较高，拥有1000天以上的稳产期；见水后含水上升速度较慢，3年内含水能达到90％；见水后产能下降较快。综合以上特征判定该井下方存在较大的储集空间。

2)TK630井地震串珠状反射特征识别结果

研究对原始地震数据在TK630井附近进行米字剖切，对各剖面采用基于Faster R-CNN的碳酸盐岩缝洞型油藏串珠状反射特征自动识别方法进行识别，地震剖面上的识别结果如图13所示，新方法能够较为准确地识别出剖面上的“串珠”储层反射特征。

进一步将识别结果在三维空间中进行可视化，结果如图14所示。

TK630井轨迹穿过串珠状反射特征，其穿过的串珠体体积较大，和生产数据反映的储层特征相一致。

其技术流程图如附图15所示。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (7)

1.一种基于目标检测的缝洞型油藏串珠状反射特征识别方法，其特征在于，包含如下步骤：

S1、数据预处理：读取地震数据文件，将相应的数据和对应的地震道按xline、inline、时域和属性数据组织成三维地震数据，然后进行分块多表存储，建立多级索引以对三维地震数据进行快速存取；其中，xline表示联络线地震解释剖面，inline表示主测线地震解释剖面；

S2、在数据预处理得到的地震数据库基础上，进行三维地震数据可视化；

S3、在可视化的基础上，针对三维地质体，设置切割面参数决定剖面方向，计算剖面经过的块体表，获取块体表的值并生成地震剖面，以二维图像的形式显示；具体包括：对勘探区三维原始地震数据体采用滑动“米”字剖切技术，通过设置切割面参数确定剖切的方式，读取含有符合切割表达式的点的区块表，将这些点按照空间位置组织为二维矩阵进行可视化，从W-E、NW-SE、NE-SW、N-S四个方向剖切生成地震剖面，以二维图像的形式输出屏幕中，并以图像文件形式进行保存；

S4、在二维图像上，获取人工框选地震剖面上的串珠状反射区域；

S5、基于人工标定的串珠状反射区域，采用Faster R-CNN深度学习技术训练得到含有串珠状反射特征的网络识别模型；

S6、使用步骤S5生成的模型对待检测区域的地震剖面进行检测，输出串珠状特征的类别信息和空间信息，从而得到缝洞型油藏地质特征的分布场。

2.根据权利要求1所述的基于目标检测的缝洞型油藏串珠状反射特征识别方法，其特征在于，步骤S1具体包括：

S11、读取地震数据：地震属性数据使用SEG-Y格式进行存储，以地震道为单位进行组织，读取地震数据，组织相应的数据和对应的地震道信息按照xline、inline、时域和属性数据形式存储到内存中；

S12、属性数据体存入数据库：对内存中的三维地震体数据，获取三维地震数据的空间范围值，获取人工设定的分块的块体大小，按照地震数据体拆分的块体数量，从上到下，从左至右，从后至前的规律进行分块编号多表存储，建立数据表并导入数据库；基于SQLServer数据库管理地震场数据，建立多表对三维地震数据进行管理、建立多级索引优化查询速度，便于进行可视化和切片操作；其中人工设定分块时，设置的分块参数包括：块体长度、宽度、高度和阈值属性；

S13、从数据库中读取地震数据：对勘探区中特定的点通过对应点的坐标(xline，inline，时域)获取对应点的地震数据。

3.根据权利要求1所述的基于目标检测的缝洞型油藏串珠状反射特征识别方法，其特征在于，步骤S2具体为：

地震数据在SQL Server数据库中按照三维空间坐标和对应的属性值进行存储，读取数据库中对应的地震数据体，采用VTK技术对三维地震数据进行可视化。

4.根据权利要求3所述的基于目标检测的缝洞型油藏串珠状反射特征识别方法，其特征在于，步骤S4具体包括：在二维图像上，人工对部分串珠状反射特征进行标定，以图像左上角为原点，横向为X轴，纵向为Y轴建立二维坐标系，获取标定区域左上角顶点坐标信息、高度和宽度信息，保存到数据库中，将数据库中存在的标记信息输出到xml文件中，并进行保存，形成标记文件。

5.根据权利要求2所述的基于目标检测的缝洞型油藏串珠状反射特征识别方法，其特征在于，步骤S5包含如下步骤：

S51、读取样本地震剖面图像和对应的标记文件；

S52、将地震剖面上人工标定的串珠状反射特征区域设定为目标样本，同一剖面上的其他区域默认为背景样本；

S53、初始化RPN、Fast R-CNN训练网络结构和参数；

S54、设置网络训练最大迭代次数、识别目标类别数量和学习率；

S55、将样本图片输入网络计算，比对网络输出和标签值，计算误差值loss；

S56、根据误差反向传播调整网络参数，直至网络收敛或者达到设定的最大迭代次数，完成模型的训练。

6.根据权利要求1所述的基于目标检测的缝洞型油藏串珠状反射特征识别方法，其特征在于，步骤S5具体为：

Step1、将人工标定的串珠状特征区域设定训练样本，同一剖面上的其他区域默认为背景样本；

Step2、初始化RPN、Fast R-CNN的网络结构，包括l层网络第i节点对下一层第j节点的权值以及学习率α；

Step3、将每一张样本图提取的区域特征输入RPN网络进行正向传递；

Step4、将当前RPN网络的输出结果y_final和设定的标签值a_final对比，计算误差值e＝y_final-a_final以及损失函数采用更新

Step5、利用步骤Step4进行迭代，直至网络收敛或者达到RPN最大训练迭代次数，得到能够生成高效的目标候选区域的RPN网络；

Step6、使用串珠状反射特征样本对Fast R-CNN进行训练，直到达到训练迭代次数或者网络收敛，得到串珠状反射特征自动识别模型。

7.根据权利要求1所述的基于目标检测的缝洞型油藏串珠状反射特征识别方法，其特征在于，步骤S6包含如下步骤：

S61、输入待检测区域的地震剖面；

S62、输入训练得到的Faster R-CNN预测网络结构和参数；

S63、采用RPN网络生成候选区域；

S64、对所有的候选区域使用Fast R-CNN进行类别判断，得到串珠状反射特征的类别；

S65、对所有串珠状反射特征的候选区域按置信度从大到小排序，并对候选区域两两间计算重叠率IoU，若超过IoU阈值则保留置信度最大的区域；

S66、判断输出区域置信度是否超过置信度阈值，若超过置信度阈值，输出串珠状反射特征反射区域的类别信息和位置信息。