CN111626355A - 一种基于Unet++卷积神经网络的地震数据初至拾取方法 - Google Patents

Abstract

本发明公开一种基于Unet++卷积神经网络的地震数据初至拾取方法，包括：获取地震数据及地震数据初至时间；根据初至时间自动制作地震数据标签；从所获取的地震数据中分别提取出地震数据训练集、验证集和测试集；针对地震数据的具体特征，对Unet++模型进行结构修改和参数调整，建立适用于地震数据的深度学习网络模型；基于所述地震数据训练及验证集训练改进后的Unet++卷积神经网络模型，获得初至拾取模型；用训练好的初至拾取模型对测试集中的数据进行初至拾取，得到初至拾取结果；本发明的方法可以实现快速精准的地震数据初至拾取，且抗噪性良好。

Description

一种基于Unet++卷积神经网络的地震数据初至拾取方法

技术领域

本发明涉及地质初至拾取技术领域，特别涉及一种基于Unet++卷积神经网络的地震数据初至拾取方法。

背景技术

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，检波器最先接收到的有效地震波称为“初至波”。初至波的拾取是地学研究中一个基础而又关键的工作，初至拾取的精度和速度直接影响其在地震勘探、地震精确定位、震相识别以及地震层析成像中的应用效率和精度。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，传统的初至拾取算法的效率和准确度都十分有限。因此，将深度学习的方法应用于地震初至拾取具有重要意义。

卷积神经网络(CNN)是深度学习领域里一种经典而广泛使用的网络结构，成功应用于计算机视觉领域，近年来应用机器学习或深度学习的技术去解决地震数据处理和解释问题也成为热点研究方向。2006年，王金峰等人对BP神经网络进行改进，提取初至波的特征进行初至拾取；2014年，Maity等人将人工神经网络用于自动确定地震信号的到达时间；2018年，Kuo Chun Tsai等人用一种半监督深度神经网络模型DSSNN进行地震初至拾取；2018年，Xudong Duan等人构建了一个CNN模型对用其它方法获得的地震初至拾取结果进行可靠性分析，识别出不可靠的拾取结果；2018年，Taqi Alyousuf等人提出了一种基于神经网络模型进行面波频散曲线自动拾取，进而反演近地表模型的方法；2019年，Xudong Duan等人提出了一种多跟踪多属性分析的支持向量机(SVM)方法来提高地震自动初至拾取的能力。2019年，Tao Xie1等人提出使用全卷积神经网络(Fully Convolut ional Networks，FCN)来进行地震初至拾取。相比于传统的地震解释方法，CNN能够从原始地震数据中自动获取不同层次的特征，这减少了地震解释过程中对人工解释的依赖。FCN与传统CNN分割不同，它可以直接在整个数据图像进行语义分割，实现像素级别的分类。然而FCN对图像边缘的分割不够清晰，无法做到准确分割地质图像中初至到达的时刻。

传统的CNN能够对整张图片进行分类和识别，但无法做到对图像实施像素级的分类。Jonathan Long等人提出了FCN这一概念后，为图像分割提供了新的思路和方向。FCN可以适应任意尺寸的输入，利用跳级结构将不同深度的预测结果进行融合，使浅层精细的外观信息与深层粗略的语义信息相结合，并通过反卷积操作达到端到端的训练目标，但上采样时固定的感受野以及粗糙的放大倍数，使最终分割结果中的边缘较差，过大的物体可能不会被连续，过小的物体容易被忽略。因此FCN不适用于地震初至拾取这种精确度要求较高的分割。

初至拾取所面临的难题是，在处理复杂地区的地震数据资料时，由于初至波形变化较大，各种波相互干扰，常常难以获得准确的初至时间。干扰初至波拾取精度的原因通常有以下两个方面，一个是初至波到达之前，周围环境的干扰波对检波器的随机干扰；另一个是初至波到达检波器之后的后续干扰波。

发明内容

本发明针对现有技术的缺陷，提供了一种基于Unet++卷积神经网络的地震数据初至拾取方法，解决了现有技术中存在的缺陷。

为了实现以上发明目的，本发明采取的技术方案如下：

一种基于Unet++卷积神经网络的地震数据初至拾取方法，其特征在于，包括：

S1、构建训练集、验证集及测试集样本；通过地震勘探方法采集得到地震数据，根据地震数据和人工拾取的初至时刻标记样本数据，再把地震数据和标记好的标签数据作为训练、验证及测试集样本；

S2、构建Unet++网络模型，所述Unet++网络模型为三层的encoder-decoder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的训练及验证集样本对步骤S2构建的Unet++网络模型进行训练；

S4、采用步骤S3训练好的Unet++网络模型对全部的实际地震数据进行自动初至拾取。

进一步地，步骤S2所述Unet++网络模型在跳层结构上具有卷积层；所述卷积层卷积核尺寸为3*3。

进一步地，所述Unet++网络模型输入与输出之间包括三层卷积层；所述每层卷积层包括2个卷积核，每层卷积层各卷积核分别包括64、128、512个通道。

进一步地，所述Unet++网络模型第一卷积层的各卷积核输出尺寸为3200×32×64；所述Unet++网络模型第二卷积层的各卷积核输出尺寸为1600×16×128；所述Unet++网络模型第三卷积层的各卷积核输出尺寸为800×8×512。

进一步地，步骤S1所述训练数据集的构建过程为：已知原始的地震数据和每道地震数据对应的初至时刻，对照原始地震数据手动解释制作初至标签数据，再对原始地震数据和标签数据进行裁剪；原始数据大小为6001×32，其中32代表每炮道数，6001代表每炮的采样点数；由于采样点数有冗余，因此对数据进行裁剪，裁剪后的数据大小为3200×32，标签数据也裁剪为3200×32大小的矩阵；其中在每炮数据中，初至时刻之前，值为0；初至及初至时刻以后，值为1；最后随机将地震数据及标签划分为训练集、验证集和测试集。

与现有技术相比，本发明的优点在于：

使用Unet++卷积神经网络建立一个端到端的深度学习模型，实现精准的地震波初至拾取。通过密集卷积块、长跨层连接和短跨层来提取融合地震数据中浅层和深层特征，提高了初至自动拾取的抗噪性，实现了像素级别的预测。

附图说明

图1为本发明实施例提供的FCN网络模型结构图；

图2为本发明实施例提供的U-Net网络模型结构图；

图3为本发明采用的Unet++网络模型结构图；

图4为本发明采用的Unet++网络模型中的密集连接块；

图5为本发明的初至拾取模型识别结果图；

图6为本发明初至拾取最终效果图；

图7为本发明实施例提供的本发明的方法流程图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下根据附图并列举实施例，对本发明做进一步详细说明。

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：

卷积神经网络：卷积神经网络(CNN)主要由5个基本层组成，包括输入层、卷积层、池化层、全连接层和输出层。其中，卷积层、池化层和全连接层也称为隐藏层。卷积层(Convolutional layer)的主要组成部分是卷积核，卷积核可提取输入数据的不同特征。卷积层实现的是局部连接、权值共享。局部连接可以发现数据的一些局部特征，保持了输入数据的二维空间性质。权值共享减少了需要训练的参数，减少了冗余连接，降低了复杂度。池化层(Pooling layer)是一个降采样的过程，通过降采样突出更重要的特征，降低了对输入变化的敏感程度。二次提取数据的特征并求解局部平均特征，在保持图像特征的同时，也有效地减少了训练参数的数目。池化包括最大池化和平均池化。最大池化是选取池化中所有值的最大值作为池化后的值，平均池化是计算池中所有值的平均值作为池化后的值。通过池化操作，可以极大地提高网络的效率。CNN的最后一层一般是全连接层(Fully ConnectedLayer)，全连接层的神经元与上一层的所有神经元两两连接。卷积层和池化层逐层提取输入数据的特征后，全连接层对这些特征进行整合。此时高维数据降为低维度，全连接层对前面提取的特性进行组合、分类，最终输出结果。

全卷积神经网络：简称FCN(Fully convolutional networks)。2014年，Long等人提出使用“全卷积”网络解决像素级图像分割任务，实现了端到端的训练。FCN采用已有较优的图像分类网络作为网络的编码器模块，并增加了带有转置卷积层的解码器模块，对粗粒度的特征图进行上采样得到全分辨率的分割结果。FCN的结构如图1所示，将CNN中的全连接层换成卷积层，利用已训练好的模型参数来初始化权重值。然后在网络最后一个卷积层的后边连上反卷积层，进行上采样。最后得到与输入图像相同尺寸的分割结果。

FCN主要有三个特点：全卷积化、上采样和跳跃连接。

全卷积化就是用卷积层替代网络中的所有全连接层。全连接层输出的是一维向量，而卷积层输出的是二维矩阵，可以方便后续的上采用操作。另外，相比于全连接层，卷积层可以减少参数数量，加快网络训练的速度。

上采样也称作“反卷积”，反卷积不是卷积的逆向操作，是进行转置卷积操作。对小的特征图进行上采样，可以得到大的特征图。上采样的作用是将特征图映射回原图大小。

跳跃连接。以FCN-16s为例，对网络中的conv7直接进行上采样后，得到原图大小的结果图比较粗糙，无法真实的还原原图的特征和信息。因此往前迭代，对conv7进行上采样，与pool4连接后再次上采样，最后就完成了整个图像的还原。

U-Net卷积神经网络：U-Net是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2所示，是对称的U型网络结构，分为左右两个部分。左半部分是编码即下采样部分，由卷积层和池化层组成，用于采集上下文信息。右半部分是解码即上采样部分，由卷积层和上采样层组成。在这个过程中，U-Net通过4个跳层连接构建了多条特征通道来实现高层特征图与底层特征图的拼接、结合，从而极大地提高了对图像像素级定位的精度，接着通过多次卷积和反卷积将特征图还原。

U-Net保留了FCN的跳跃连接(skip connection)，舍弃了全连接层。U-Net和FCN的不同之处在于U-Net是一个完全对称的网络。网络左边是编码部分，右边是解码部分。另外，U-Net将FCN跳跃连接(skip connection)中的加操作(summation)改为级联操作(concatenation)。通过级联操作(concatenation)，使得训练得到的特征图同时融合了高级特征和低级特征，实现了对不同尺度特征的融合，从而可以进行多尺度预测。

如图7所示，基于Unet++卷积神经网络的地震数据初至拾取方法，包括以下步骤：

1、训练集样本构建

原始的地震波数据为6001×32。其中，32代表总炮数，6001代表每炮的采样点数。根据“初至时刻之前，像素值为0。初至及初至时刻以后，像素值为1”的原则制作数据集标签。然后根据初至波的具体特点以及网络对于输入数据尺寸的要求，手动将原始数据及其标签裁剪为3200×32的大小。最后，随机将数据划分为训练集、验证集和测试集。

2、构建UNet++网络模型

本发明采用Z.W.Zhou等于2018年提出的一种“蜂巢”状的卷积神经网络架构。Unet++是在U-Net的基础上，将其1～4层进行连接。它是完全对称的编码解码结构的卷积神经网络，每一次下采样操作都对应了一次上采样操作，下采样与上采样互为反操作，同一层级上，下采样之前的卷积块和上采样之后的卷积块有着相同的尺寸，通过跳跃连接的方式将在同一层尺寸大小相同的卷积块拼接(concatenation)成为新的卷积块。Unet++“蜂巢”状的密集连接用短连接和长连接的方法将U-Net的U型结构内部填充的卷积块连接起来，这一做法可以抓取并传递不同层次的图像特征，并在反向传播过程中把目标函数的误差用梯度下降的算法更新到前面与之相连的神经元的权重系数。

Z.W.Zhou提出的Unet++为五层结构。本发明根据地震数据自身的特点，对原始的Unet++结构进行改进，并对各层的卷积核参数进行调整。经过反复实验对比，本发明的Unet++网络模型选用了3层结构，并将卷积核参数设置为64、128、512个通道。如图3所示，呈现倒金字塔形状。以每一个密集卷积块为最小单位，总体有3+2+1＝6个密集连接块。图中的圆圈表示为一个密集连接块。其中，每一个密集卷积块的模型结构如图4。

每一个密集块依次由两层卷积块，一层批量归一化(BN)块，一层ReLU块串联组成。每个卷积块的卷积核尺寸大小为3*3，卷积块个数随层数加深而增多，依次为64,128,512。整个网络模型密集卷积块的参数如表1-1所示，密集卷积块跳跃连接设置如表1-2所示：

表1-1密集卷积块的参数设置

表1-2密集卷积块跳跃连接设置

3、模型训练

初至拾取的最终目的是给出地震空间数据体的每一个点是初至时刻或者不是初至时刻的类别信息，这归属于一个二分类的问题。解决分类问题的经典二元损失函数是交叉熵，如式(1)：

其中，N代表输入地震空间体上待预测点的个数，y代表断层标签，

表示预测结果的概率。

因此本发明采用交叉熵作为损失函数，将处理好的地震初至波数据输入Unet++网络中，使用Adam随机梯度下降优化算法进行训练。采用训练好的Unet++可以实现对地震波数据的有效初至拾取，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C区地震数据中进行地震波初至拾取，本发明所用计算机系统及配置为64位Ubuntu，32GB内存，12GB显存的NVIDIA TELSA K80，使用Python和matlab进行编程，本发明采用的深度学习框架为Keras。

本实施例从采集的1126组地震波数据中随机选取100组数据，对数据进行处理后喂入Unet++网络中进行训练，得到训练好的网络模型。训练的loss和accuracy数据如表1-3所示：

表1-3 Unet++网络训练参数

Accuracy	Loss
		0.9996	0.0011

而后从剩下的地震波数据中随机选择数据，用训练好的Unet++网络模型进行初至时刻提取。初至提取后的识别结果图如图5所示：结果图最左侧图像为初至提取结果，中间图像为原始地震波数据，右侧图像为标准数据。从结果图可以看出，采用Unet++训练的网络模型，对地震波数据初至拾取结果良好，可以精准的刻画出地震波形的初至时刻。而后用Matlab对初至拾取模型自动识别的结果图进行处理，得到地震数据的初至时间，并与原始地震波图像进行对比，如图6所示。本发明实施例结果证明，本发明所提出的方法高效且准确。

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实施方法，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Unet++卷积神经网络的地震数据初至拾取方法，其特征在于，包括：

S1、构建训练集、验证集及测试集样本；通过地震勘探方法采集得到地震数据，根据地震数据和人工拾取的初至时刻标记样本数据，再把地震数据和标记好的标签数据作为训练、验证及测试集样本；

S2、构建Unet++网络模型，所述Unet++网络模型为三层的encoder-decoder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的训练及验证集样本对步骤S2构建的Unet++网络模型进行训练；

S4、采用步骤S3训练好的Unet++网络模型对全部的实际地震数据进行自动初至拾取。

2.根据权利要求1所述的一种基于Unet++卷积神经网络的地震数据初至拾取方法，其特征在于：步骤S2所述Unet++网络模型在跳层结构上具有卷积层；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++卷积神经网络的地震数据初至拾取方法，其特征在于：所述Unet++网络模型输入与输出之间包括三层卷积层；所述每层卷积层包括2个卷积核，每层卷积层各卷积核分别包括64、128、512个通道。

4.根据权利要求3所述的一种基于Unet++卷积神经网络的地震数据初至拾取方法，其特征在于：所述Unet++网络模型第一卷积层的各卷积核输出尺寸为3200×32×64；所述Unet++网络模型第二卷积层的各卷积核输出尺寸为1600×16×128；所述Unet++网络模型第三卷积层的各卷积核输出尺寸为800×8×512。

5.根据权利要求1所述的一种基于Unet++卷积神经网络的地震数据初至拾取方法，其特征在于：步骤S1所述训练数据集的构建过程为：已知原始的地震数据和每道地震数据对应的初至时刻，对照原始地震数据手动解释制作初至标签数据，再对原始地震数据和标签数据进行裁剪；原始数据大小为6001×32，其中32代表每炮道数，6001代表每炮的采样点数；由于采样点数有冗余，因此对数据进行裁剪，裁剪后的数据大小为3200×32，标签数据也裁剪为3200×32大小的矩阵；其中在每炮数据中，初至时刻之前，值为0；初至及初至时刻以后，值为1；最后随机将地震数据及标签划分为训练集、验证集和测试集。

Images