CN114463613A - 基于残差网络与Faster R-CNN的断层检测方法及系统 - Google Patents
基于残差网络与Faster R-CNN的断层检测方法及系统 Download PDFInfo
- Publication number
- CN114463613A CN114463613A CN202210059730.3A CN202210059730A CN114463613A CN 114463613 A CN114463613 A CN 114463613A CN 202210059730 A CN202210059730 A CN 202210059730A CN 114463613 A CN114463613 A CN 114463613A
- Authority
- CN
- China
- Prior art keywords
- fault detection
- network
- fault
- candidate
- cnn
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 238000010586 diagram Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 19
- 238000012216 screening Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000001629 suppression Effects 0.000 claims description 4
- 230000008901 benefit Effects 0.000 abstract description 13
- 238000013527 convolutional neural network Methods 0.000 description 27
- 238000004590 computer program Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 5
- 238000002372 labelling Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 230000001427 coherent effect Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000002679 ablation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于残差网络与Faster R‑CNN的断层检测方法及系统，其包括：将地震断层图像输入残差网络进行特征提取，得到相应的初始特征图；利用RPN网络生成候选框，所述候选框送入Faster R‑CNN进行断层检测，将所述候选框投影到所述特征图上，得到检测结果。本发明结合了ResNet50和Faster R‑CNN的优点，具有精确的定位效率，检测断层准确率达到90％，数据增强得到了进一步优化，网络泛化能力得到增强，达到精准检测断层的目的。
Description
技术领域
本发明涉及一种于断层检测技术领域，特别是关于一种基于残差网络与FasterR-CNN的断层检测方法及系统。
背景技术
地震解释是地震资料解释中的一项重要任务，断层检测又是地震解释的重要环节，准确检测断层对油气勘探开发具有重要意义。传统的断层检测方法是手工选取断面中不连续的样本点，然后将这些点连接成线，需要人机交互完成，效率低下，而且人为因素会导致结果的不确定性很大，增加了油气勘探开发的成本和风险，所以对精准检测断层对于油气勘探开发具有重大的指导意义。
为解决上述难题，国内外专家学者已开展了一些研究，Bahorich等人以归一化互相关为基础提出第一代基于三个地震道间相关性的相干体算法C1，接着根据C1算法的不足有提出了第二代相干体算法C2及第三代相干体算法C3。Marfurt等人和Hale以相似性算法用于检测地震数据中的不连续性。Wang等提出了一种基于Hough变换的断层检测方法。Huang等人使用各种地震属性作为卷积神经网络的输入，自动检测断层。Xiong、Ma、Guo、Wu等使用卷积神经网络实现断层检测，用U-Net图像分割网络，深度残差网络结合迁移学习应用于断层检测，可以提高网络的泛化能力，优化网络的检测结果。
目前大多数基于神经网络的断层检测技术都存在有一定的缺陷，在训练的过程中，训练模型仅在信噪比较高的数据上预测结果比较好，针对复杂的实际场景不能准确检测出准确地位置。
发明内容
针对上述问题，本发明的目的是提供一种基于残差网络与Faster R-CNN的断层检测方法及系统，其能精准实现对断层区域的检测。
为实现上述目的，本发明采取以下技术方案：一种基于残差网络与Faster R-CNN的断层检测方法，其包括：将地震断层图像输入残差网络进行特征提取，得到相应的初始特征图；利用RPN网络生成候选框，所述候选框送入Faster R-CNN进行断层检测，将所述候选框投影到所述特征图上，得到检测结果。
进一步，所述残差网络采用ResNet-50，利用残差函数学习，得到相应的所述初始特征图。
进一步，所述利用RPN网络生成候选框，所述候选框基于anchor机制生成，将候选框选择、边界回归和分类集成到一个网络中，包括：
在所述初始特征图上采用滑动窗口进行滑动，每滑动到一个位置上，则生成一维向量，一维向量通过两个全连接层分别输出目标概率和边界框回归参数，所述目标概率是由前景概率和背景概率组成；
每个anchor集中于滑窗中心，关联一个尺度和一个长宽比，通过滑动窗口得到的cls和reg；
设置anchor的尺寸大小和比例，对于深度全卷积网络生成的候选框之间存在大量重叠，基于候选框的cls得分筛选出每张图片的候选框，然后根据边界框回归参数将anchor调整为候选框的参数。
进一步，所述基于候选框的cls得分筛选出每张图片的候选框，包括：采用非极大值抑制IOU设为0.7，筛选出每张图片的候选框。
进一步，所述将RPN网络生成的候选框送入Faster R-CNN进行断层检测，通过共享卷积特征将RPN和Faster R-CNN整合成一个网络，设定训练机制，包括：
将所述候选框投影到所述特征图上，获得相应的特征矩阵；
通过ROI pooling层将每个所述特征矩阵缩放为预先设定大小的特征图，并将该特征图展平后通过全连接层得到检测结果。
进一步，训练RPN采用的是正负样本，正负样本的比例是1:1，如果正样本的个数不足，则用负样本来进行填充；正样本的定义是anchor与ground truth box的IOU>0.7并且anchor与ground truth box是最大的IOU；对于负样本的定义是anchors与ground truthbox IOU的值都小于0.3；除正样本和负样本之外的东西全部丢弃；其中，ground truth box为人工标注。
进一步，所述RPN采用二值交叉熵损失函数，为：
Loss＝-(pi *·log(pi))+(1-pi *)·(log(1-pi))
式中，pi表示第i个anchor预测为真实标签的概率；pi *当为正样本即断层时为1，当为负样本即非断层时为0。
一种基于残差网络与Faster R-CNN的断层检测系统，其包括：特征提取模块，将地震断层图像输入残差网络进行特征提取，得到相应的特征图；检测模块，利用RPN网络生成候选框，所述候选框送入Faster R-CNN进行断层检测，将所述候选框投影到所述特征图上，得到检测结果。
一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行上述方法中的任一方法。
一种计算设备，其包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行上述方法中的任一方法的指令。
本发明由于采取以上技术方案，其具有以下优点：
1、本发明结合了ResNet50和Faster R-CNN的优点，具有精确的定位效率，检测断层准确率达到90％，数据增强得到了进一步优化，网络泛化能力得到增强，达到精准检测断层的目的。
2、本发明的一个巨大优点在于它是一个真正的端到端目标检测框架，生成建议框只需几毫米，在检测速度方面尤为明显，断层检测的整体性能得到显著提高。
附图说明
图1是本发明一实施例中的断层检测方法流程图；
图2是本发明一实施例中RPN和Anchor示意图；
图3a是本发明一实施例中MobileNet V2特征提取示意图；
图3b是本发明一实施例中ResNet-50特征提取示意图；
图4a是本发明一实施例中MobileNet V2断层检测结果示意图；
图4b是本发明一实施例中ResNet-50断层检测结果示意图；
图5a是本发明一实施例中单个断层的断层图像示意图；
图5b是本发明一实施例中单个断层的手工标注断层检测结果示意图；
图5c是本发明一实施例中单个断层的本发明断层检测方法得到的断层检测结果示意图；
图6a是本发明一实施例中多条交叉断层的断层图像示意图；
图6b是本发明一实施例中多条交叉断层的手工标注断层检测结果示意图；
图6c是本发明一实施例中多条交叉断层的本发明断层检测方法得到的断层检测结果示意图；
图7a是本发明一实施例中训练损失和学习率结果示意图；
图7b是本发明一实施例中结果正确率示意图；
图8是本发明一实施例中的计算设备结构示意图。
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，下面将结合本发明实施例的附图，对本发明实施例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的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
由于地震解释是地震资料解释中的一项重要任务，断层检测又是地震解释的重要环节，准确检测断层对油气勘探开发具有重要意义。本发明提供了一种基于残差网络与Faster R-CNN的断层检测方法及系统，首先将图像输入ResNet-50特征提取网络，得到相应的特征图，然后利用RPN结构生成候选框，并将RPN生成的候选框投影到特征图获得相应的特征矩阵，最后，通过ROI pooling层将每个特征矩阵缩放为一个固定大小的特征图，然后通过一系列全连接的层将特征图展平以获得预测结果。本发明方法结合了ResNet50和Faster R-CNN的优点，可以实现对断层区域进行精准检测，既可以提高效率，又能够降低人为因素导致结果的不确定性，从而最大程度降低油气勘探开发的成本和风险。
本发明具有精确的定位效率，检测断层准确率达到90％，数据增强得到了进一步优化，网络泛化能力得到增强，达到精准检测断层的目的。本发明是一个真正的端到端目标检测框架，生成建议框只需几毫米，在检测速度方面尤为明显，断层检测的整体性能得到显著提高。
在本发明的一个实施例中，提供一种基于残差网络与Faster R-CNN的断层检测方法，本实施例中，如图1所示，该方法包括以下步骤：
1)将地震断层图像输入残差网络进行特征提取，得到相应的初始特征图；
2)利用RPN网络生成候选框，候选框送入Faster R-CNN进行断层检测，将候选框投影到特征图上，得到检测结果。
上述步骤1)中，残差网络采用ResNet-50，利用残差函数学习，得到相应的初始特征图；可以有效解决随着网络层数量的增加而产生的拟合和网络退化问题，相较于传统的卷积神经网络具有更强的学习能力，对于提取断层这一特征具有一定的优势。
ResNet可以解决由于网络的性能随着深度的增加出现的明显的退化问题。采用恒等映射的方法，输入地震数据x，希望输出H(x)再经过一系列操作输出残差函数F(x)。令H(x)＝F(x)+x，那么网络就只需要学习输出一个残差F(x)＝H(x)-x就可。
函数F表示一个残差函数，如公式(1)所示：
yl＝h(xl)+F(xl,Wl) (1)
使用恒等映射，且相加后不使用激活函数，因此可以得到公式(2)所示：
xl+1＝xl+F(xl,Wl) (2)
递归得到第L层的表达式如公式(3)所示：
反向传播求第l层的梯度：
第l层的梯度里，包含了第L层的梯度，通俗的说就是第L层的梯度直接传递给了第l层。因为梯度消失问题主要是发生在浅层，将深层梯度直接传递给浅层的方法，ResNet50可以做到，同时也解决了深度神经网络梯度消失的问题。
对于任意深的单元L的特征xL可以表达为浅层单元l的特征xl加上一个形如
的残差函数，表明了任何单元L和l之间都具有残差特性。同样的，对于任意深的单元L，它的特征公式(3)，即为之前所有残差函数输出的总和再加上x0。
对于反向传播，假设损失函数为E，根据反向传播的链式法则可以得到公式(5)：
前者保证了能够直接传回到任意的浅层xl，同时这个公式也保证了不会出现梯度消失的现象，因为
不可能为-1。综上所述，残差网络不仅解决随网络层数增多，网络退化的问题，增加了网络层数，网络的学习能力更强，对于提取断层这种特征有一定的优势。
上述步骤2)中，利用RPN网络生成候选框，候选框基于anchor机制生成，将候选框选择、边界回归和分类集成到一个网络中，从而有效提高检测精度和检测效率；包括以下步骤：
2.1)在初始特征图上采用滑动窗口进行滑动，每滑动到一个位置上，则生成一维向量，一维向量通过两个全连接层分别输出目标概率和边界框回归参数，目标概率是由前景概率和背景概率组成；
2.2)每个anchor集中于滑窗中心，关联一个尺度(scale)和一个长宽比(aspectratio)，通过滑动窗口得到的cls和reg；
在本实施例中，采用5种scale和3种aspect ratio，如图2所示，因此对于每个滑窗位置包括的更加全面首先先确定中心点，边界再进行调整，通过滑动窗口得到的cls和reg。
2.3)设置anchor的尺寸大小和比例，对于深度全卷积网络生成的候选框之间存在大量重叠，基于候选框的cls得分筛选出每张图片的候选框，然后根据边界框回归参数将anchor调整为候选框的参数。
在本实施例中，设置anchor的尺寸大小{322,642,1282,2562,5122},设置的比例{2:1,1:1,1:2}。
上述步骤2.3)中，基于候选框的cls得分筛选出每张图片的候选框，包括：采用非极大值抑制IOU设为0.7，筛选出每张图片的候选框。
例如，每个位置在原图上都对应有5×3＝15个anchor。对于一张1000×600×3的图像，大约有60×40×15个anchor，忽略跨越边界的anchor。对于RPN生成的候选框之间存在大量重叠，基于候选框的cls得分，采用非极大值抑制IOU设为0.7，这样每张图片只剩2k个候选框。
上述步骤2)中，将RPN网络生成的候选框送入Faster R-CNN进行断层检测，通过共享卷积特征将RPN和Faster R-CNN整合成一个网络，设定训练机制，具体为：
将候选框投影到特征图上，获得相应的特征矩阵；通过ROI pooling层将每个特征矩阵缩放为预先设定大小的特征图，并将该特征图展平后通过全连接层得到检测结果。
在本实施例中，训练RPN采用的是正负样本，正负样本的比例是1:1，如果正样本的个数不足，则用负样本来进行填充；正样本的定义是anchor与ground truth box的IOU>0.7并且anchor与ground truth box是最大的IOU；对于负样本的定义是anchors与groundtruth box IOU的值都小于0.3；除正样本和负样本之外的东西全部丢弃；其中，groundtruth box为人工标注。
RPN损失函数如公式(6)所示：
Lcls(pi,pi *)＝-log[pipi *+(1-pi)(1-pi *)] (7)
式中，pi表示第i个anchor预测为真实标签的概率，pi *当为正样本时为1，当为负样本时为0，ti表示预测第i个anchor的边界框回归参数，ti *表示第i个anchor对应的groundtruth box，Ncls表示一个mini-batch中的所有样本数量256，对于1000×600的图像，Nreg也就是anchor位置的个数(不是anchor个数)约为2400；λ为正则化参数。
在当λ＝10时这个上面的这个公式(6)是可以化简的。化简后结果是公式(10)(11)所示：
则，RPN采用的二值交叉熵损失函数为：
Loss＝-(pi *·log(pi))+(1-pi *)·(log(1-pi))
式中，pi表示第i个anchor预测为真实标签的概率；pi *当为正样本即断层时为1，当为负样本即非断层时为0。对于断层数据只有两类是否是断层区域，所以采用二值交叉熵损失。本发明将ResNet-50特征提取网络和Faster R-CNN网络进行结合准确检测断层的位置，ResNet-50有着可以训练深层网络的优势，Faster-RCNN有着进行端到端训练的训练优势，两者相结合有良好的定位效率。
实施例：
设置好断层检测特征提取网络模型和目标模型以及损失函数、激活函数等关键部分之后，还需要从地震数据中获取训练样本集和测试样本集才可以训练神经网络模型并对断层进行检测。地震剖面数据来自生成训练样本集和测试样本集。自主截取地震断层图片并对其进行数据扩充，使用LableImage平台进行数据标注，设置断层标签类别为Fault，标注后的标注信息保存为XML格式的文本发明件，即PASCAL VOC的标准文件格式，由于原始数据集为采集的深度图，不利于标注，所以先将数据增强调参后的深度图转换成对应易于标注的浅色图片，通过读取标注后的标注框信息，标注后的数据集共有5000张图片，由于断层的类别只有两种类别，类别数目比较少，5000条数据足够可以验证，从中随机选取2500张作为训练集、2500张作为测试集、1000张作为验证集(训练集：验证集＝1:1)要求训练集测试集和验证集之间无交集现象。在训练好之后在含单个断层和多个交叉断层的地震断层面上进行测试。实验环境采用操作系统Windows10 64位，处理器Inter(R)Core(TM)i7，深度学习框架PyTorch，编程语言Python3.7，设置动态学习率，每5步降低学习率，每5步训练将学习率乘以0.33。选用的GPU最大分辨率为7680×4320，可处理多幅图像，数据加快了网络模型的训练速度，从而提高了图像处理速度和模型训练效率。
为了验证ResNet-50模型提取的特征图是否详细，是否具有提取深层特征的优势，与MobileNet V2模型相比，将两个网络提取的特征图与检测结果进行比较，以验证ResNet-50模型对于断层检测的必要性。为了验证该方法在地震断层检测中的有效性，将其与人工断层检测方法进行了实验对比分析。
提取的特征不同，如图3a、图3b所示，分别是由MobileNet V2和ResNet-50提取的特征。由于断层与周围区域非常相似，因此所看到的特征图差别不大。在深层次上，与MobileNet V2相比，ResNet-50可以看到输入图像的非常详细的特征图。MobileNet V2和ResNet-50之间地震断层检测结果的比较，如图4a、图4b所示。
通过以上对实际地震资料的实验，由于ResNet-50在深层提取了更全面的特征，因此在检测断层时检测效果更全面。通过比较ResNet-50和MobileNet V2，得出了深层网络上的断层检测效果较好，验证了本发明基于ResNet-50的特征提取网络的有效性。
断层检测结果比较：
在训练神经网络模型后，为了验证所提出的ResNet-50与Faster R-CNN断层检测方法的有效性，将实验结果与人工方法进行了比较。测试是在生成的测试集上执行的。获得的断层检测结果如图5a至图6c所示。当存在单个断层时，图5a为断层原图像，图5b为手工标注的结果，图5c为本发明方法检测出的断层。当地震剖面存在多个断层时，图6a为断层图像，图6b为手工标注结果，图6c为本发明方法检测的断层结果。
在单一断层的情况下，本发明方法与人工检测断层位置的方法基本相同。当地震剖面中存在多条交叉断层时，本发明提出的断层检测方法与人工检测断层的方法相比有一定的误差。为了验证所提出的断层检测方法的实时性能，当地震剖面包含单个断层、多个未交叉断层和多个相交断层时，分别计算断层剖面上的不同时间消耗，如表1所示。
表1断层检测平均时间消耗比较
通过表1的比较，本发明所提出的方法明显在速度上明显比手工标注有优势。为了验证所提出的断层检测方法的准确性，当地震剖面包含单个断层、多个不相叉断层和多个相交叉断层时，将通过断层检测获得的断层数量与手动获得的断层数量进行比较，如表2所示。
表2检测断层总数的比较
通过表2的比较，在单个断层检测上，本发明方法和手工方法检测到的断层总数几乎相同，在多个未交叉断层和多个交叉断层检测比较上检测准确率在百分之九十左右。
为了验证骨干特征提取网络的必要性，当地震剖面包含单个断层，多个不相交断层和多个相交的断层时，将通过设置输入图像的不同尺寸分别输入不同的骨干特征提取网络进行实验结果对比，如表3所示。
表3不同的骨干特征提取网络检测时间对比
| 骨干网络 | 输入图像 | 检测出的断层数 | 检测时间(秒) |
| ResNet-50 | 1024×1024 | 281 | 0.233 |
| ResNet-50 | 512×512 | 274 | 0.221 |
| MobileNet-V2 | 1024×1024 | 273 | 0.274 |
| MobileNet-V2 | 512×512 | 269 | 0.267 |
| 手工标注 | 1024×1024 | 300 | 30 |
| 手工标注 | 512×512 | 300 | 30 |
将ResNet-50和MobileNet-V2这两种主干特征提取网络针对输入图像大小不同做了对比实验，主干特征提取网络选取ResNet-50，输入图像为512×512大小检测速度较快。
为了验证不同的尺寸和不同比例的锚框对断层实验结果的影响，将通过设置锚框尺寸和比例进行实验结果对比，如表4所示。
表4不同的尺寸和不同比例的锚框对断层实验结果
表4针对不同尺寸和不同比例的锚框进行了消融实验对比，可知5种尺寸和3种比例的锚框检测出的断层总数比其他的尺寸和比例多，证明5种尺寸和3种比例的锚框感受野更大，获取的目标更准确。当包含单个断层时，可以获得与手动标记相同的正确断层数；当存在多个未交叉和交叉断层时，本发明方法仍能获得与手工法基本一致的断层数，准确率分别为90％和91％左右，在准备好训练集后，在网络训练过程中，将保存丢失值和准确率的训练日志，日志信息将可视化并绘制，结果如图7a、图7b所示。
在本发明的一个实施例中，提供一种基于残差网络与Faster R-CNN的断层检测系统，其包括：
特征提取模块，将地震断层图像输入残差网络进行特征提取，得到相应的特征图；
检测模块，利用RPN网络生成候选框，候选框送入Faster R-CNN进行断层检测，将候选框投影到特征图上，得到检测结果。
本实施例提供的系统是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
如图8所示，为本发明一实施例中提供的计算设备结构示意图，该计算设备可以是终端，其可以包括：处理器(processor)、通信接口(Communications Interface)、存储器(memory)、显示屏和输入装置。其中，处理器、通信接口、存储器通过通信总线完成相互间的通信。该处理器用于提供计算和控制能力。该存储器包括非易失性存储介质、内存储器，该非易失性存储介质存储有操作系统和计算机程序，该计算机程序被处理器执行时以实现一种断层检测方法；该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、管理商网络、NFC(近场通信)或其他技术实现。该显示屏可以是液晶显示屏或者电子墨水显示屏，该输入装置可以是显示屏上覆盖的触摸层，也可以是计算设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。处理器可以调用存储器中的逻辑指令，以执行如下方法：将地震断层图像输入残差网络进行特征提取，得到相应的初始特征图；利用RPN网络生成候选框，候选框送入Faster R-CNN进行断层检测，将候选框投影到特征图上，得到检测结果。
此外，上述的存储器中的逻辑指令可以通过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以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所述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-Only Memory)、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。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算设备的限定，具体的计算设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在本发明的一个实施例中，提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：将地震断层图像输入残差网络进行特征提取，得到相应的初始特征图；利用RPN网络生成候选框，候选框送入Faster R-CNN进行断层检测，将候选框投影到特征图上，得到检测结果。
在本发明的一个实施例中，提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储服务器指令，该计算机指令使计算机执行上述各实施例提供的方法，例如包括：将地震断层图像输入残差网络进行特征提取，得到相应的初始特征图；利用RPN网络生成候选框，候选框送入Faster R-CNN进行断层检测，将候选框投影到特征图上，得到检测结果。
上述实施例提供的一种计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于残差网络与Faster R-CNN的断层检测方法，其特征在于，包括：
将地震断层图像输入残差网络进行特征提取，得到相应的初始特征图；
利用RPN网络生成候选框，所述候选框送入Faster R-CNN进行断层检测，将所述候选框投影到所述特征图上，得到检测结果。
2.如权利要求1所述断层检测方法，其特征在于，所述残差网络采用ResNet-50，利用残差函数学习，得到相应的所述初始特征图。
3.如权利要求1所述断层检测方法，其特征在于，所述利用RPN网络生成候选框，所述候选框基于anchor机制生成，将候选框选择、边界回归和分类集成到一个网络中，包括：
在所述初始特征图上采用滑动窗口进行滑动，每滑动到一个位置上，则生成一维向量，一维向量通过两个全连接层分别输出目标概率和边界框回归参数，所述目标概率是由前景概率和背景概率组成；
每个anchor集中于滑窗中心，关联一个尺度和一个长宽比，通过滑动窗口得到的cls和reg；
设置anchor的尺寸大小和比例，对于深度全卷积网络生成的候选框之间存在大量重叠，基于候选框的cls得分筛选出每张图片的候选框，然后根据边界框回归参数将anchor调整为候选框的参数。
4.如权利要求3所述断层检测方法，其特征在于，所述基于候选框的cls得分筛选出每张图片的候选框，包括：采用非极大值抑制IOU设为0.7，筛选出每张图片的候选框。
5.如权利要求1所述断层检测方法，其特征在于，所述将RPN网络生成的候选框送入Faster R-CNN进行断层检测，通过共享卷积特征将RPN和Faster R-CNN整合成一个网络，设定训练机制，包括：
将所述候选框投影到所述特征图上，获得相应的特征矩阵；
通过ROI pooling层将每个所述特征矩阵缩放为预先设定大小的特征图，并将该特征图展平后通过全连接层得到检测结果。
6.如权利要求5所述断层检测方法，其特征在于，训练RPN采用的是正负样本，正负样本的比例是1:1，如果正样本的个数不足，则用负样本来进行填充；正样本的定义是anchor与ground truth box的IOU>0.7并且anchor与ground truth box是最大的IOU；对于负样本的定义是anchors与ground truth box IOU的值都小于0.3；除正样本和负样本之外的东西全部丢弃；其中，ground truth box为人工标注。
7.如权利要求5所述断层检测方法，其特征在于，所述RPN采用二值交叉熵损失函数，为：
Loss＝-(pi *·log(pi))+(1-pi *)·(log(1-pi))
式中，pi表示第i个anchor预测为真实标签的概率；pi *当为正样本即断层时为1，当为负样本即非断层时为0。
8.一种基于残差网络与Faster R-CNN的断层检测系统，其特征在于，包括：
特征提取模块，将地震断层图像输入残差网络进行特征提取，得到相应的特征图；
检测模块，利用RPN网络生成候选框，所述候选框送入Faster R-CNN进行断层检测，将所述候选框投影到所述特征图上，得到检测结果。
9.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行如权利要求1至7所述方法中的任一方法。
10.一种计算设备，其特征在于，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行如权利要求1至7所述方法中的任一方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210059730.3A CN114463613A (zh) | 2022-01-19 | 2022-01-19 | 基于残差网络与Faster R-CNN的断层检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210059730.3A CN114463613A (zh) | 2022-01-19 | 2022-01-19 | 基于残差网络与Faster R-CNN的断层检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114463613A true CN114463613A (zh) | 2022-05-10 |
Family
ID=81409236
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210059730.3A Pending CN114463613A (zh) | 2022-01-19 | 2022-01-19 | 基于残差网络与Faster R-CNN的断层检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114463613A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116758579A (zh) * | 2023-04-17 | 2023-09-15 | 三峡大学 | 一种基于特征增强的多实例行人检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018165753A1 (en) * | 2017-03-14 | 2018-09-20 | University Of Manitoba | Structure defect detection using machine learning algorithms |
| CN108734705A (zh) * | 2018-05-17 | 2018-11-02 | 杭州电子科技大学 | 基于深度学习的数字乳腺断层影像钙化簇自动检测方法 |
| CN110211097A (zh) * | 2019-05-14 | 2019-09-06 | 河海大学 | 一种基于Faster R-CNN参数迁移的裂缝图像检测方法 |
| CN113743346A (zh) * | 2021-09-13 | 2021-12-03 | 北京航空航天大学 | 图像识别方法、装置、电子设备及存储介质 |
-
2022
- 2022-01-19 CN CN202210059730.3A patent/CN114463613A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018165753A1 (en) * | 2017-03-14 | 2018-09-20 | University Of Manitoba | Structure defect detection using machine learning algorithms |
| CN108734705A (zh) * | 2018-05-17 | 2018-11-02 | 杭州电子科技大学 | 基于深度学习的数字乳腺断层影像钙化簇自动检测方法 |
| CN110211097A (zh) * | 2019-05-14 | 2019-09-06 | 河海大学 | 一种基于Faster R-CNN参数迁移的裂缝图像检测方法 |
| CN113743346A (zh) * | 2021-09-13 | 2021-12-03 | 北京航空航天大学 | 图像识别方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 林海;许杰;幸雪松;范白涛;邓金根;张羽臣;王桂萍;王晓鹏;: "过断层井段井壁稳定性分析", 中国海上油气, no. 01, 28 February 2017 (2017-02-28) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116758579A (zh) * | 2023-04-17 | 2023-09-15 | 三峡大学 | 一种基于特征增强的多实例行人检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Guo et al. | Data‐driven flood emulation: Speeding up urban flood predictions by deep convolutional neural networks | |
| TWI773189B (zh) | 基於人工智慧的物體檢測方法、裝置、設備及儲存媒體 | |
| US20190279014A1 (en) | Method and apparatus for detecting object keypoint, and electronic device | |
| EP4044115A1 (en) | Image processing method and apparatus based on artificial intelligence, and device and storage medium | |
| CN111192292A (zh) | 基于注意力机制与孪生网络的目标跟踪方法及相关设备 | |
| US11210546B2 (en) | End-to-end text recognition method and apparatus, computer device and readable medium | |
| CN110827236B (zh) | 基于神经网络的脑组织分层方法、装置、计算机设备 | |
| US10504007B2 (en) | Determination of population density using convoluted neural networks | |
| CN107784288A (zh) | 一种基于深度神经网络的迭代定位式人脸检测方法 | |
| CN115861462B (zh) | 图像生成模型的训练方法、装置、电子设备及存储介质 | |
| CN111723815B (zh) | 模型训练方法、图像处理方法、装置、计算机系统和介质 | |
| CN109285105A (zh) | 水印检测方法、装置、计算机设备和存储介质 | |
| EP3998583A2 (en) | Method and apparatus of training cycle generative networks model, and method and apparatus of building character library | |
| CN111401192B (zh) | 基于人工智能的模型训练方法和相关装置 | |
| US20220375211A1 (en) | Multi-layer perceptron-based computer vision neural networks | |
| US20230012372A1 (en) | Methods and systems for generating three dimensional (3d) models of objects | |
| CN111768405B (zh) | 处理标注图像的方法、装置、设备和存储介质 | |
| CN109165654B (zh) | 一种目标定位模型的训练方法和目标定位方法及装置 | |
| JP2022185144A (ja) | 対象検出方法、対象検出モデルのレーニング方法および装置 | |
| US20240037898A1 (en) | Method for predicting reconstructabilit, computer device and storage medium | |
| CN116596916A (zh) | 缺陷检测模型的训练和缺陷检测方法及其装置 | |
| US20220188636A1 (en) | Meta pseudo-labels | |
| CN114463613A (zh) | 基于残差网络与Faster R-CNN的断层检测方法及系统 | |
| CN111583264A (zh) | 图像分割网络的训练方法、图像分割方法和存储介质 | |
| US20220172066A1 (en) | End-to-end training of neural networks for image processing |
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 |