CN111178320A - 地质异常体识别的方法及其模型训练方法、装置 - Google Patents

Abstract

本发明提供了一种地质异常体识别的方法及其模型训练方法、装置，涉及地震勘探技术领域，该模型训练方法包括：获取样本区域的地震绕射波数据以及地震反射波数据；将地震反射波数据以及地震绕射波数据进行渲染，得到训练样本图像；将样本图像输入至预设的神经网络模型中进行训练，得到用于地质异常体预测的模型。通过将待识别的地震波数据图像输入至预先完成训练的地质异常体识别模型中即可输出地质异常体识别的结果。该方法利用分离之后的绕射波地震数据，采用叠合显示技术将地震反射波剖面与地震绕射波剖面叠合显示，再基于已知地质异常体数据完成神经网络模型的训练，最后通过输入实际的叠合显示地震数据实现研究区的地质异常体高精度预测。

Description

地质异常体识别的方法及其模型训练方法、装置

技术领域

本发明涉及地震勘探技术领域，尤其是涉及一种地质异常体识别的方法及其模型训练方法、装置。

背景技术

地质异常是指在成分、结构、构造或成因序次上与周围环境有明显差异的地质体或地质体的组合。也常常表现为地球物理场、地球化学场及遥感影像异常等都有所差异。主要用于矿产预测，进而用来总结区域成矿规律。隐蔽致灾的地质异常体由于隐秘性强，容易被人忽视，安全隐患极大，所以亟需一种能够精细刻画隐蔽致灾地质异常体的有效方法。

目前，地质异常体的精细刻画包含了地震精细处理和地震精细解释等，辅助地震解释手段有地震属性分析、蚂蚁体等自动追踪、人工智能地质构造解释等，但是目前所用到的人工智能识别方法，都是基于反射波地震数据，预测效果还有提升空间。

发明内容

有鉴于此，本发明的目的在于提供一种地质异常体识别的方法及其模型训练方法、装置，利用分离之后的绕射波地震数据，采用叠合显示技术将地震反射波剖面与地震绕射波剖面叠合显示，再基于已知地质异常体数据完成神经网络模型的训练，最后通过输入实际的叠合显示地震数据实现研究区的地质异常体高精度预测。

第一方面，本发明实施例提供了一种用于地质异常体识别的模型训练方法，该方法包括：

获取样本区域的地震绕射波数据以及地震反射波数据；

将地震反射波数据以及地震绕射波数据进行渲染，得到训练样本图像；

将样本图像输入至预设的神经网络模型中进行训练；

当预设的神经网络模型中的输出结果满足预设的期望阈值时停止模型的训练，得到用于地质异常体识别的模型。

在一些实施方式中，上述将地震反射波数据以及地震绕射波数据进行渲染，得到模型的样本图像的步骤，包括：

根据地震反射波数据中的能量数据，对地震反射波数据进行可视化图像渲染，得到地震反射波的数据图；

根据地震绕射波数据中的能量数据，对地震绕射波数据进行可视化图像渲染，得到地震绕射波的数据图；

将地震反射波的数据图与地震绕射波的数据图进行融合，得到模型的样本图像。

在一些实施方式中，将地震反射波的数据图与地震绕射波的数据图进行融合，得到模型的样本图像的步骤，包括：

将地震反射波的数据图设置为背景图层，背景图层设置在样本图像的底层；

将地震绕射波的数据图设置为普通图层，普通图层设置在背景图层的顶层；

根据地震反射波数据以及地震绕射波数据中的能量数据，调整普通图层的透明度和色彩参数，得到模型的样本图像。

在一些实施方式中，上述将样本图像输入至预设的神经网络模型中进行训练的步骤之前，方法还包括：

获取样本区域中的地质异常体坐标，获得该坐标对应的地质异常体数据；

根据地质异常体数据，得到该坐标中相对应的剖面图；剖面图用于神经网络模型的训练。

在一些实施方式中，上述根据地质异常体数据，得到该坐标中相对应的剖面图的步骤，包括：

通过对样本区域进行等距切取，获得剖面图；或者通过对样本区域进行随机切取，获得剖面图。

在一些实施方式中，上述神经网络模型为CNN、AlexNet、ZFNet、VGGNet、GoogLeNet、ResNet、UNet以及SRCNN中的任意一种。

第二方面，本发明实施例提供了一种地质异常体识别的方法，该方法包括：

获取待识别的地震波数据图像；地震波数据图像通过地震反射波数据以及地震绕射波数据经过可视化渲染得到；

将待识别地震波数据图像输入至预先完成训练的地质异常体识别模型中，输出地质异常体识别的结果；地质异常体识别模型通过上述用于地质异常体识别的模型训练方法训练得到。

第三方面，本发明实施例提供了一种用于地质异常体识别的模型训练装置，该装置包括：

数据采集模块，用于获取样本区域的地震绕射波数据以及地震反射波数据；

样本图像生成模块，用于将地震反射波数据以及地震绕射波数据进行渲染，得到模型的训练样本图像；

模型训练模块，用于将样本图像输入至预设的神经网络模型中进行训练；

模型获取模块，用于当预设的神经网络模型中的输出结果满足预设的期望阈值时停止模型的训练，得到用于地质异常体识别的模型。

第四方面，本发明实施例提供了一种地质异常体识别的装置，该装置包括：

数据获取模块，用于获取待识别的地震波数据图像；地震波数据图像通过地震反射波数据以及地震绕射波数据经过可视化渲染得到；

识别模块，用于将待识别地震波数据图像输入至预先完成训练的地质异常体识别模型中，输出地质异常体识别的结果；地质异常体识别模型通过上述用于地质异常体识别的模型训练方法训练得到。

第五方面，本发明实施例提供了一种电子设备，该电子设备包括：处理器和存储装置；存储装置上存储有计算机程序，计算机程序在被处理器运行时执行如第一方面和第二方面提供的方法。

本发明实施例带来了以下有益效果：本发明实施例提供了一种地质异常体识别的方法及其模型训练方法、装置，该地质异常体识别的模型训练方法首先获取样本区域的地震绕射波数据以及地震反射波数据，然后将地震反射波数据以及地震绕射波数据进行渲染，得到训练样本图像，再将样本图像输入至预设的神经网络模型中进行训练，当预设的神经网络模型中的输出结果满足预设的期望阈值时停止模型的训练，得到用于地质异常体预测的模型。当训练完成的地质异常体识别模型进行地质异常体识别的过程中，首先获取待识别的地震波数据图像，其中地震波数据图像通过地震反射波数据以及地震绕射波数据经过可视化渲染得到。然后将待识别地震波数据图像输入至预先完成训练的地质异常体识别模型中，输出地质异常体识别的结果。通过利用分离之后的绕射波地震数据，采用叠合显示技术将地震反射波剖面与地震绕射波剖面叠合显示，再基于已知地质异常体数据完成神经网络模型的训练，最后通过输入实际的叠合显示地震数据实现研究区的地质异常体高精度预测果。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的用于地质异常体识别的模型训练方法的流程图；

图2为本发明实施例提供的用于地质异常体识别的模型训练方法中步骤S102的流程图；

图3为本发明实施例提供的用于地质异常体识别的模型训练方法中步骤S203的流程图；

图4为本发明实施例提供的用于地质异常体识别的模型训练方法中步骤S103前的方法流程图；

图5为本发明实施例提供的用于地质异常体识别的模型训练方法中的卷积神经网络结构示意图；

图6为本发明实施例提供的地质异常体识别方法的流程图；

图7为本发明实施例提供的另一种地质异常体识别的方法流程图；

图8为本发明实施例提供的地质异常体识别方法的识别结果；

图9为本发明实施例提供的用于地质异常体识别的模型训练装置的结构示意图；

图10为本发明实施例提供的地质异常体识别装置的结构示意图；

图11为本发明实施例提供的一种电子设备的结构示意图。

图标：

901-数据采集模块；902-样本图像生成模块；903-模型训练模块；904-模型获取模块；1001-数据获取模块；1002-识别模块；101-处理器；102-存储器；103-总线；104-通信接口。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

地质异常是指在成分、结构、构造或成因序次上与周围环境有明显差异的地质体或地质体的组合。也常常表现为地球物理场、地球化学场及遥感影像异常等都有所差异。主要用于矿产预测，进而用来总结区域成矿规律。隐蔽致灾的地质异常体由于隐秘性强，容易被人忽视，安全隐患极大，所以亟需一种能够精细刻画隐蔽致灾地质异常体的有效方法。

目前，地质异常体的精细刻画包含了地震精细处理和地震精细解释等，辅助地震解释手段有地震属性分析、蚂蚁体等自动追踪、人工智能地质构造解释等，但是目前所用到的人工智能识别方法，都是基于反射波地震数据，也初步能到了一定的预测效果。

基于反射波地震数据的地质异常体智能识别方法，是利用反射波地震数据及已知地质异常体来训练神经网络模型，再利用训练好的网络模型，输入需要预测区域的反射波地震数据即可得到地质异常体的预测结果。

绕射波地震不连续异常体检测技术，是将地震发射信号和绕射波信号进行有效分离，根据绕射波可以进行边缘点刻画的特征，把绕射波信号作为常规地震解释的辅助手段，可以帮助解释人员识别异常体的边界，从而提高异常体的识别精度。

可见，在当前的地质异常体的识别过程中所用到的人工智能识别方法，都是基于反射波地震数据，预测效果还有提升空间。

考虑到现有地质异常体识别中存在的上述问题，本发明的目的在于提供一种地质异常体识别的方法及其模型训练方法、装置，该技术可以应用于地质异常体识别的过程中，可以采用相关的软件或硬件实现，下面通过实施例进行描述。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种用于地质异常体识别的模型训练方法进行详细介绍，该方法的流程图如图1所示，包括：

步骤S101，获取样本区域的地震绕射波数据以及地震反射波数据。

地震波在传播过程中，遇到地质异常体时会形成新震源，以球面波的形式继续向前传播，形成绕射波，由于绕射波携带有地质异常体的有效信息，对绕射波进行有效的成像处理，可以得到地质异常体的具体定位信息。

样本区域优先选择特征明显的区域，即地震数据(包括反射和绕射数据)在地质异常体处的响应比较明显的区域。例如，反射波能量变化、同向轴错段、绕射波能量较强且规律等区域。通过选取各种复杂场景下特征明显的区域，有利于提升模型的识别精度。

步骤S102，将地震反射波数据以及地震绕射波数据进行渲染，得到训练样本图像。

渲染的过程是图像生成的方案之一，在本领域中的渲染过程是指将三维的光能传递处理转换为一个二维图像的过程。场景和实体用三维形式表示，更接近于现实世界，便于操纵和变换，而图形的显示设备大多是二维的光栅化显示器和点阵化打印机。

通过渲染过程可以将基于地震数据的训练样本图像的显示更加真实、清晰、分辨率更高，有利于后续的模型训练过程。

步骤S103，将样本图像输入至预设的神经网络模型中进行训练。

该神经网络模型在样本图像输入之前已完成初始化，此时的神经网络模型状态可以是刚刚完成初始化过程，并未开始训练；也可以是已经训练中的状态。

样本图像输入至该神经网络模型后，通过相关运算改变模型的相关参数，以此提升模型的识别精度。例如，样本图像训练过程中对神经网络模型的惩罚因子进行优化，惩罚因子是表征误差的宽容度的参数，惩罚因子的数值越大，表明越不能容忍误差的出现，相对而言更容易出现过拟合的现象；反之，惩罚因子的数值越小，相对而言更容易出现欠拟合的现象。

还有一个参数对于神经网络模型中的训练至关重要，那就是径向基核函数参数，该参数决定了数据映射到新的特征空间后的分布，该数值越大，表明支持向量越少，更容易出现过拟合；该数值越小，表明支持向量越多，更容易出现欠拟合。

将样本图像输入至预设的神经网络模型中进行训练的过程中还包括模型其它参数的优化，在此不再赘述。

步骤S104，当预设的神经网络模型中的输出结果满足预设的期望阈值时停止模型的训练，得到用于地质异常体识别的模型。

模型在训练中是对相关参数进行优化，在优化过程中可采用粒子群优化算法进一步对神经网络模型中的相关参数进行优化计算。粒子群优化算法也称为粒子群算法，可完成人工神经网络中的连接权值的训练、结构设计、学习规则调整、特征选择、连接权值的初始化和规则提取等。

模型在训练的过程中，样本图像输入至预设的神经网络模型中得到输出结果，对输出的结果进行判断从而确定该模型的性能是否达到要求。例如可根据损失函数的数值，来对模型的训练过程进行判定，当损失函数的数值达到预设的阈值时，则认为该模型的性能满足要求，即可停止模型的训练，得到用于地质异常体识别的模型。

在本发明实施例提到的用于地质异常体识别的模型训练方法中，首先获取样本区域的地震绕射波数据以及地震反射波数据，然后将地震反射波数据以及地震绕射波数据进行渲染，得到训练样本图像，再将样本图像输入至预设的神经网络模型中进行训练，当预设的神经网络模型中的输出结果满足预设的期望阈值时停止模型的训练，得到用于地质异常体识别的模型。可见，该模型的训练过程中通过利用分离之后的绕射波地震数据，采用叠合显示技术将地震反射波剖面与地震绕射波剖面叠合作为样本数据，再基于已知地质异常体数据完成神经网络模型的训练，该模型基于绕射波地震数据进行模型训练，有利于提升预测效果。

在一些实施方式中，上述将地震反射波数据以及地震绕射波数据进行渲染，得到模型的样本图像的步骤S102，如图2所示，包括：

步骤S201，根据地震反射波数据中的能量数据，对地震反射波数据进行可视化图像渲染，得到地震反射波的数据图。

步骤S202，根据地震绕射波数据中的能量数据，对地震绕射波的数据进行可视化图像渲染，得到地震绕射波的数据图。

上述地震反射波的数据图以及地震绕射波的数据图的获取过程，采用本领域的图像渲染得以实现，通过将三维的光能传递处理转换为一个二维图像的过程。场景和实体用三维形式表示，更接近于现实世界，便于操纵和变换，而图形的显示设备大多是二维的光栅化显示器和点阵化打印机。

步骤S203，将地震反射波的数据图与地震绕射波的数据图进行融合，得到模型的样本图像。

对地震反射波的数据图与地震绕射波的数据图进行融合的过程，需要对地震反射波的数据图与地震绕射波的数据图像格式进行预处理，例如如果地震反射波的数据图与地震绕射波的数据图的大小不一致，需要进行图像裁切，使得二者大小相同。

融合的过程可通过对地震反射波的数据图与地震绕射波的数据图各自的透明度进行设置，透明度的大小通常介于0和1之间，越趋近于0表明该图像越透明，越趋近于1表明该图像越明显。融合的过程中还可调整图像的色彩参数，例如对图像的某个色彩通道进行特殊处理，或者执行二值化操作。

具体的，在一些实施方式中，将地震反射波的数据图与地震绕射波的数据图进行融合，得到模型的样本图像的步骤S203，如图3所示，包括：

步骤S301，将地震反射波的数据图设置为背景图层，背景图层设置在样本图像的底层。

步骤S302，将地震绕射波的数据图设置为普通图层，普通图层设置在背景图层的顶层。

通过将地震反射波的数据图作为背景图，将地震绕射波的数据图像作为普通图层置于地震反射波的数据图的上方，通过设置地震绕射波的数据图像的透明度以及色彩参数，可实现二者的融合。

步骤S303，根据地震反射波数据以及地震绕射波数据中的能量数据，调整普通图层的透明度和色彩参数，得到模型的样本图像。

图像的透明度以及色彩参数根据地震反射波数据以及地震绕射波数据中的能量数据进行设置，例如能量越高，其透明度数值越大，显示区域就越明显；能量越低，其透明度数值越小，显示的区域就越不明显。

在一些实施方式中，上述将样本图像输入至预设的神经网络模型中进行训练的步骤之前，如图4所示，该地质异常体识别的模型训练方法还包括：

步骤S401，获取样本区域中的地质异常体坐标，获得该坐标对应的地质异常体数据。

步骤S402，根据地质异常体数据，得到该坐标中相对应的剖面图；剖面图用于神经网络模型的训练。

上述步骤是通过获取对样本区域中的已知地质异常体的剖面图来用于神经网络模型的训练，该数据可理解为正向训练的数据，具体的，在一些实施方式中，上述根据地质异常体数据，得到该坐标中相对应的剖面图的步骤，包括：

通过对样本区域进行等距切取，获得剖面图；或者通过对样本区域进行随机切取，获得剖面图。

获得剖面图的过程可以根据地质异常体数据的特点，选择最具有特征的剖面进行切取操作，可以有效提高模型的训练精度。

在一些实施方式中，上述神经网络模型为CNN(Convolutional Neural Networks，卷积神经网络)、AlexNet、ZFNet、VGGNet、GoogLeNet、ResNet、UNet以及SRCNN中的任意一种。

具体的，该实施例中选取CNN卷积神经网络进行模型的训练，该模型的结构如图5所示。

本发明实施例提供了一种地质异常体识别的方法，如图6所示，该方法包括：

步骤S601，获取待识别的地震波数据图像。

该步骤中地震波数据图像通过地震反射波数据以及地震绕射波数据经过可视化渲染得到。

步骤S602，将待识别地震波数据图像输入至预先完成训练的地质异常体识别模型中，输出地质异常体识别的结果。

该步骤中的地质异常体识别模型通过上述提到的用于地质异常体识别的模型训练方法训练得到，通过模型的识别运算，最终得到地质异常体识别的结果。

具体的，上述过程如图7所示，地震反射波数据与地震绕射波数据作为输入数据，通过地震剖面叠合显示步骤S701实现了进行图像融合，得到的融合图像与已知地质异常体数据步骤S702的结果共同用于CNN网络模型的训练步骤S703。当CNN网络模型训练结束后，通过叠合显示的地震数据步骤S704中获得的数据作为待识别数据，输入至CNN网络模型中进行CNN网络预测步骤S705，最终得到地质异常体识别结果。该结果可通过图片的方式进行展示，如图8所示。

对应于上述用于地质异常体识别的模型训练方法的实施例，本实施例还提供一种用于地质异常体识别的模型训练装置，如图9所示，该装置包括：

数据采集模块901，用于获取样本区域的地震绕射波数据以及地震反射波数据；

样本图像生成模块902，用于将地震反射波数据以及地震绕射波数据进行渲染，得到模型的训练样本图像；

模型训练模块903，用于将样本图像输入至预设的神经网络模型中进行训练；

模型获取模块904，用于当预设的神经网络模型中的输出结果满足预设的期望阈值时停止模型的训练，得到用于地质异常体识别的模型。

本发明实施例所提供的用于地质异常体识别的模型训练装置，其实现原理及产生的技术效果和前述用于地质异常体识别的模型训练方法的实施例相同，为简要描述，实施例部分未提及之处，可参考前述方法实施例中相应内容。

对应于上述地质异常体识别方法的实施例，本实施例还提供一种地质异常体识别装置，如图10所示，该装置包括：

数据获取模块1001，用于获取待识别的地震波数据图像。

该地震波数据图像通过地震反射波数据以及地震绕射波数据经过可视化渲染得到。

识别模块1002，用于将待识别地震波数据图像输入至预先完成训练的地质异常体识别模型中，输出地质异常体识别的结果。地质异常体识别模型通过上述用于地质异常体识别的模型训练方法训练得到。

本发明实施例所提供的地质异常体识别装置，其实现原理及产生的技术效果和前述地质异常体识别方法的实施例相同，为简要描述，实施例部分未提及之处，可参考前述方法实施例中相应内容。

本实施例还提供一种电子设备，为该电子设备的结构示意图如图11所示，该设备包括处理器101和存储器102；其中，存储器102用于存储一条或多条计算机指令，一条或多条计算机指令被处理器执行，以实现上述地质异常体识别的模型训练方法以及地质异常体识别方法。

图11所示的服务器还包括总线103和通信接口104，处理器101、通信接口104和存储器102通过总线103连接。

其中，存储器102可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。总线103可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图11中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

通信接口104用于通过网络接口与至少一个用户终端及其它网络单元连接，将封装好的IPv4报文或IPv4报文通过网络接口发送至用户终端。

处理器101可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processor，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本公开实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本公开实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器102，处理器101读取存储器102中的信息，结合其硬件完成前述实施例的方法的步骤。

本发明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上存储有计算机程序，该计算机程序被处理器运行时执行前述实施例的方法的步骤。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、设备和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，设备或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以用软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种用于地质异常体识别的模型训练方法，其特征在于，所述方法包括：

获取样本区域的地震绕射波数据以及地震反射波数据；

将所述地震反射波数据以及所述地震绕射波数据进行渲染，得到训练样本图像；

将所述样本图像输入至预设的神经网络模型中进行训练；

当所述预设的神经网络模型中的输出结果满足预设的期望阈值时停止所述模型的训练，得到所述用于地质异常体识别的模型。

2.根据权利要求1所述的模型训练方法，其特征在于，将所述地震反射波数据以及所述地震绕射波数据进行渲染，得到所述模型的样本图像的步骤，包括：

根据所述地震反射波数据中的能量数据，对所述地震反射波数据进行可视化图像渲染，得到所述地震反射波的数据图；

根据所述地震绕射波数据中的能量数据，对所述地震绕射波数据进行可视化图像渲染，得到所述地震绕射波的数据图；

将所述地震反射波的数据图与所述地震绕射波的数据图进行融合，得到所述模型的样本图像。

3.根据权利要求2所述的模型训练方法，其特征在于，将所述地震反射波的数据图与所述地震绕射波的数据图进行融合，得到所述模型的样本图像的步骤，包括：

将所述地震反射波的数据图设置为背景图层，所述背景图层设置在所述样本图像的底层；

将所述地震绕射波的数据图设置为普通图层，所述普通图层设置在所述背景图层的顶层；

根据所述地震反射波数据以及所述地震绕射波数据中的能量数据，调整所述普通图层的透明度和色彩参数，得到所述模型的样本图像。

4.根据权利要求1所述的模型训练方法，其特征在于，所述将所述样本图像输入至预设的神经网络模型中进行训练的步骤之前，所述方法还包括：

获取所述样本区域中的地质异常体坐标，获得该所述坐标对应的地质异常体数据；

根据所述地质异常体数据，得到该所述坐标中相对应的剖面图；所述剖面图用于所述神经网络模型的训练。

5.根据权利要求4所述的模型训练方法，其特征在于，根据所述地质异常体数据，得到该所述坐标中相对应的剖面图的步骤，包括：

通过对所述样本区域进行等距切取，获得所述剖面图；或者

通过对所述样本区域进行随机切取，获得所述剖面图。

6.根据权利要求1所述的模型训练方法，其特征在于，所述神经网络模型为CNN、AlexNet、ZFNet、VGGNet、GoogLeNet、ResNet、UNet以及SRCNN中的任意一种。

7.一种地质异常体识别的方法，其特征在于，所述方法包括：

获取待识别的地震波数据图像；所述地震波数据图像通过所述地震反射波数据以及所述地震绕射波数据经过可视化渲染得到；

将所述待识别的地震波数据图像输入至预先完成训练的地质异常体识别模型中，输出所述地质异常体识别的结果；所述地质异常体识别模型通过权利要求1-6任一项所述的用于地质异常体识别的模型训练方法训练得到。

8.一种用于地质异常体识别的模型训练装置，其特征在于，所述装置包括：

数据采集模块，用于获取样本区域的地震绕射波数据以及地震反射波数据；

样本图像生成模块，用于将所述地震反射波数据以及所述地震绕射波数据进行渲染，得到所述模型的训练样本图像；

模型训练模块，用于将所述样本图像输入至预设的神经网络模型中进行训练；

模型获取模块，用于当所述预设的神经网络模型中的输出结果满足预设的期望阈值时停止所述模型的训练，得到所述用于地质异常体识别的模型。

9.一种地质异常体识别的装置，其特征在于，所述装置包括：

数据获取模块，用于获取待识别的地震波数据图像；所述地震波数据图像通过所述地震反射波数据以及所述地震绕射波数据经过可视化渲染得到；

识别模块，用于将所述待识别的地震波数据图像输入至预先完成训练的地质异常体识别模型中，输出所述地质异常体识别的结果；所述地质异常体识别模型通过权利要求1-6任一项所述的用于地质异常体识别的模型训练方法训练得到。

10.一种电子设备，其特征在于，包括：处理器和存储装置；所述存储装置上存储有计算机程序，所述计算机程序在被所述处理器运行时执行如权利要求1至7任一项所述的方法的步骤。

Images