CN115147432A - 一种基于深度残差语义分割网络的初至拾取方法 - Google Patents
一种基于深度残差语义分割网络的初至拾取方法 Download PDFInfo
- Publication number
- CN115147432A CN115147432A CN202210787746.6A CN202210787746A CN115147432A CN 115147432 A CN115147432 A CN 115147432A CN 202210787746 A CN202210787746 A CN 202210787746A CN 115147432 A CN115147432 A CN 115147432A
- Authority
- CN
- China
- Prior art keywords
- arrival
- training
- semantic segmentation
- picking
- segmentation network
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 62
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000012795 verification Methods 0.000 claims abstract description 19
- 238000010586 diagram Methods 0.000 claims abstract description 18
- 230000000694 effects Effects 0.000 claims abstract description 13
- 238000005070 sampling Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 5
- 238000010200 validation analysis Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 7
- 230000009191 jumping Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明设计了一种基于深度残差语义分割网络的初至拾取方法,其包括:步骤S1、构建初至训练集、验证集及测试集;步骤S2、构建深度残差语义分割网络结构;步骤S3、根据步骤S1的训练集、验证集及测试集对步骤S2构建的深度残差语义分割网络结构进行训练,获取初至拾取网络模型;步骤S4、根据步骤S3训练得到的初至拾取网络模型对全部实际地震数据进初至拾取。本申请采用非对称式的编码器‑译码器结构,并使用亚像素卷积实现特征图的高分辨率重建,同时编码器与译码器之间的跳跃连接,提高了初至自动拾取的精度和效率,最终通过使用深度残差语义分割网络结构对地震资料训练得到初至拾取模型,实现了训练耗时短,模型拾取初至准确率高的技术效果。
Description
技术领域
本发明属于地震数据处理领域,具体涉及一种基于深度残差语义分割网络的初至拾取方法。
背景技术
地震资料的初至拾取是地震勘探工作中的一项基本工作,初至拾取结果的质量会直接影响后续折射波静校正、垂直地震剖面解释和地震层析成像等工作的效果。随着地震采集技术的提高以及勘探地形的日益复杂,采集到的地震数据量巨大,数据信噪比较低。传统的初至自动拾取方法对低信噪比数据的拾取准确率和精度不高,需要大量的人工交互操作进行调整,耗时耗力,效率低下,无法达到工业上效率与精度的标准。
随着深度学习技术发展迅速,并广泛应用到地震勘探领域;原理上初至拾取可以看作一个二分类问题,高精度的初至拾取方法可以结合计算机视觉中的图像语义分割技术来实现,对地震数据的每一个信号时刻进行分类,得到初至位置。
中国专利CN108072896B公开了一种全自动地震波初至拾取算法,通过常速扫描炮集地震数据获取参考初至,然后利用改进的Coppens算法计算初至,通过分析拾取准确的初至与拾取不准确的初至的能量比值的差异,数量化能量比值的变化趋势,计算初至的可信度因子,通过设置可信度阈值约束,可以获取准确的初至数据供后续流程使用。其方法不仅拾取初至,并且自动的判断初至拾取的是否准确,可以有效地提高初至拾取效率。通过对不同工区的地震资料进行拾取,结果表明该算法可以快速,准确的拾取初至,极大的降低了人工交互操作的时间,有效的提高了初至拾取的效率,节省大量人力。
中国专利CN111626355A公开了一种基于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;其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。
但目前应用在初至拾取上的神经网络大多是以FCN、U-Net等为基础进行改进的编码-解码结构,依然存在初至拾取存在精度误差、效率较低等缺陷。
但U-Net网络提出是为了解决医学图像分割的问题,医学图像尺寸小,内容清晰,分类简单,而地震数据尺寸大,噪声多,内容复杂,因此若将U-Net直接应用到初至拾取上会得到很差的结果。而传统的初至拾取方法主要有人工拾取和自动拾取两种。人工拾取方法主要靠工作人员根据自己的经验手动标记初至位置,这种方法主观性强、一致性差、效率低下。自动拾取算法是根据波形在能量、频率等方面的不同特征构建方程式进行识别。常用方法有:能量比值法、相关法、图像处理法、神经网络法等。这些方法大多是基于单道数据的拾取方法,缺少考虑多道数据之间的相关性,因此对于信噪比较低的地震数据初至拾取效果不佳。
因此,对于海量的中、低信噪比数据,亟需找出一种既满足精度标准又满足效率标准的初至自动拾取方法。
发明内容
为解决上述问题,以求提供一种基于深度残差语义分割网络的初至拾取方法,以提高地震数据初至拾取的精度和效率。
为达到上述效果,本发明设计一种基于深度残差语义分割网络的初至拾取方法。
一种基于深度残差语义分割网络的初至拾取方法,其包括:
步骤S1、构建初至训练集、验证集及测试集;
步骤S2、构建深度残差语义分割网络结构;
步骤S3、根据步骤S1的训练集、验证集及测试集对步骤S2构建的深度残差语义分割网络结构进行训练,获取初至拾取网络模型;
步骤S4、根据步骤S3训练得到的初至拾取网络模型对全部实际地震数据进初至拾取。
优选地,所述步骤1中,构建初至训练集、验证集及测试集的方法包括:
步骤S11、将获得的地震数据进行裁剪,并将地震数据做归一化处理;
步骤S12、对标签数据进行0、1分类;
步骤S13、最后随机将地震数据及标签数据划分为训练集、验证集和测试集。
优选地,所述地震数据和标签数据尺寸均为2000×256,其中,2000代表采样点数,256代表地震道数。
优选地,所述地震数据及标签数据划分为训练集、验证集和测试集的比例为6:2:2。
优选地,所述步骤S2中,深度残差语义分割网络结构采用非对称式的编码、解码结构;所述编码器与译码器之间使用跳跃连接,叠加特征图维度。
优选地,所述编码器包括残差模块;所述残差模块由13个卷积核尺寸为3*3的卷积层组成。
优选地,所述解码器使用亚像素卷积层进行特征图的超分辨率重建。
优选地,所述深度残差语义分割网络结构的运行方法为:
步骤S21、首先使用一个大尺寸卷积核对输入数据进行一次卷积处理;
步骤S22、然后将经过最大池化后得到的特征图送入编码器,编码器3次进行深度卷积学习深层特征语义信息;
步骤S23、其次将编码器处理后的特征图送入到解码器,进行特征图的高分辨率重建,恢复特征图的尺寸;
步骤S24、最后将每次上采样得到的特征图与对应层编码器保存的特征图相融合,汇集低级特征与高级特征学习多尺度特征信息。
优选地,所述步骤S3中,训练初至拾取网络模型的方法包括:
步骤S31、将所述训练集输入深度残差语义分割网络中进行训练;
步骤S32、基于设置的训练参数,得到网络的训练模型;
步骤S33、在所述测试集上预测训练模型的分割效果,得到对应的分割结果;
步骤S34、最后将分割出的Mask结果叠加在输入数据上,得到最终的分割效果。
优选地,所述步骤S4中,根据步骤S3训练得到的初至拾取网络模型对全部实际地震数据进初至拾取的具体方法为将未参与过训练的地震资料中的其他数据,用训练好的深度残差语义分割网络模型进行初至时刻提取。
本申请的优点和效果如下:
1、本发明设计了一种基于深度残差的端到端深度学习网络结构,使用亚像素卷积实现特征图的高分辨率重建,编码器与译码器之间的跳跃连接融合多尺度特征信息,提高初至自动拾取的精度和效率,使用该网络结构对地震资料训练得到初至拾取模型,训练耗时短,模型拾取初至准确率高。
2、本申请提出的深度残差语义分割网络,采用非对称式的编码器-译码器结构,增加编码器所占比重;为提高网络的学习能力,编码器部分使用深度残差模块,使得网络可以学习地震资料中更多特征信息;译码器部分使用亚像素卷积层对特征图进行高分辨率重建,实现初至的精准定位。
3、本申请设计的深度残差网络结构,以U-Net为基础,融合了深度残差模块和亚像素卷积层;所述深度残差网络的编码器使用深度残差模块进行下采样操作,网络层数的加深,使网络拥有更强的学习能力,进而实现学习地震数据中更多的特征信息,找到初至的位置。
4、本申请设计的深度残差网络的解码器使用亚像素卷积层进行上采样操作,对特征图进行高分辨率重建,可以实现初至的精准定位;避免了U-Net的解码器使用反卷积进行上采样操作,恢复的特征图分辨率较低,网络分割结果精度差的技术问题。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,从而可依照说明书的内容予以实施,并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂,以下以本申请的较佳实施例并配合附图详细说明如后。
根据下文结合附图对本申请具体实施例的详细描述,本领域技术人员将会更加明了本申请的上述及其他目的、优点和特征。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例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申请的一些实施例,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。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1为本发明实施例的基于深度残差语义分割网络的初至拾取方法流程图;
图2为本发明实施例中提供的U-Net网络结构图;
图3为本发明采用的深度残差语义分割网络结构图;
图4为本发明采用的深度残差语义分割网络结构中的残差模块;
图5为本发明采用的亚像素卷积层;
图6为本发明初至拾取模型识别结果图;
图7为本发明初至拾取最终效果图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中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申请一部分实施例,而不是全部的实施例。在下面的描述中,提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本申请的实施例。因此,本领域技术人员应该清楚,可以对这里描述的实施例进行各种改变和修改而不脱离本申请的范围和精神。另外,为了清楚和简洁,实施例中省略了对已知功能和构造的描述。
应该理解,说明书通篇中提到的“一个实施例”或“本实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在整个说明书各处出现的“一个实施例”或“本实施例”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
此外,本申请可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身并不指示所讨论各种实施例和/或设置之间的关系。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,单独存在B,同时存在A和B三种情况,本文中术语“/和”是描述另一种关联对象关系,表示可以存在两种关系,例如,A/和B,可以表示:单独存在A,单独存在A和B两种情况,另外,本文中字符“/”,一般表示前后关联对象是一种“或”关系。
本文中术语“至少一种”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和B的至少一种,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含。
实施例1
本实施例主要介绍了一种基于深度残差语义分割网络的初至拾取方法的最基础的设计方法,其包括一下步骤:具体请参考图1,图1为本发明实施例的基于深度残差语义分割网络的初至拾取方法流程图。
步骤S1、构建地震数据训练集、验证集及测试集;对采集得到的地震数据做预处理,并根据标记好的初至时间自动制作标签数据,再把地震数据和标签数据按比例划分为训练集、验证集及测试集;
步骤S2、设计深度残差语义分割网络结构,所述深度残差语义分割网络结构为编码器占比大、译码器占比小的非对称式编码器-译码器结构,所述深度残差语义分割网络结构编码器和译码器之间采用跳跃连接;
步骤S3、根据步骤S1的训练集、验证集及测试集对步骤S2构建的深度残差语义分割网络进行训练;
步骤S4、根据步骤S3训练得到的网络模型对全部实际地震数据进初至拾取。
进一步地,所述深度残差语义分割网络编码器使用残差模块;所述残差模块由13个卷积核尺寸为3*3的卷积层组成。
进一步地,所述深度残差语义分割网络译码器使用亚像素卷积层进行特征图的超分辨率重建。
进一步地,所述深度残差语义分割网络编码器与译码器之间使用跳跃连接,叠加特征图维度。
进一步地,步骤S1所述训练样本集的构建过程为:已知原始地震数据每一道的初至时刻,对原始地震数据进行裁剪并自动制作标签;将原始地震数据以256道为单位进行裁剪,最终样本集中的地震数据和标签数据尺均寸为2000×256,其中2000代表采样点数,256代表地震道数;标签数据中设置为0和1分类,初至时刻之前设置为0,初至时刻之后设置为1;最后随机将地震数据及标签数据划分为训练集、验证集和测试集。
本发明设计了一种基于深度残差的端到端深度学习网络结构,使用亚像素卷积实现特征图的高分辨率重建,编码器与译码器之间的跳跃连接融合多尺度特征信息,提高初至自动拾取的精度和效率。
实施例2
基于上述实施例1,本实施例主要介绍一种基于深度残差语义分割网络的初至拾取方法的最优化设计。
1、构建初至训练集、验证集、测试集:
将获得的地震数据以256道为单位进行裁剪,并将地震数据做归一化处理(如式1)。
其中:x'x,j表示归一化后第j道第i个采样点的值;xi,j表示未归一化的第j道第i个采样点的值;xmin表示整个数据中的最小值;xmax表示整个数据中的最大值。
然后根据已标记好的初至时刻制作对应的地震数据标签。
标签的制作方式为:将初至时刻之前的像素值设置为0,将初至时刻之后的像素值设置为1;样本集中的地震数据和标签数据尺寸均为2000×256,其中,2000代表采样点数,256代表地震道数;最后,将数据排列顺序打乱,并按6:2:2的比例划分为训练集、验证集、测试集。
2、设计深度残差语义分割网络结构:
本发明基于如图2所示的U-Net网络结构,设计深度残差语义分割网络。如图3所示的深度残差语义分割网络,采用非对称式的编码、解码结构,增加编码器所占比重,使网络学习更加丰富的语义信息,提升网络性能;解码器部分使用深度残差模块组学习特征,解码器部分使用亚像素卷积层恢复高分辨率的特征图。
首先使用一个大尺寸卷积核对输入数据进行一次卷积处理,增大感受野并减少网络训练参数,然后将经过最大池化后得到的特征图送入编码器,编码器3次使用如图4所示的残差模块进行深度卷积学习深层特征语义信息,所述深度卷积叠加使用的残差模块数量分别是3、4、6,通过卷积控制步长代替池化进行下采样缩小特征图尺寸,为防止网络学习过于复杂发生过拟合现象,每次卷积操作后都会做批量归一化处理,这同时加快了网络的训练速度。相比于ResNet34网络结构,该编码器在保证有效提取高级语义信息前提下减少网络参数量,提高模型训练的效率,编码器的参数如表1所示。编码器会保存每次经过下采样后的特征图,用于与对应层解码器特征图做融合操作。编码器处理后的特征图送入到解码器,解码器由卷积层和亚像素卷积层构成,如图5所示的亚像素卷积层实现特征图的高分辨率重建,恢复特征图的尺寸。再将每次上采样得到的特征图与对应层编码器保存的特征图相融合,汇集低级特征与高级特征学习多尺度特征信息,使网络能够精确定位初至边界。解码器的结构参数如表2所示。解码器输出后的特征图经过两次卷积得到分割结果。除最后一次卷积,其他所有卷积操作后均使用ReLu激活,最后一次卷积后使用Sigmoid激活函数求取概率,输出的预测结果与输入进网络的数据具有相同尺寸。
表1编码器参数
Layername | Layers |
Decoder_1 | Concat,3*3,512;PixelShuffle(2),128 |
Decoder_2 | Concat,3*3,256;PixelShuffle(2),64 |
Decoder_3 | Concat,3*3,256;PixelShuffle(2),64 |
表2解码器参数
3、训练初至拾取网络模型:
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。损失函数使用LogSoftmax函数和负对数似然损失函数结合的交叉熵损失函数(如式2),首先对网络的输出进行LogSoftmax处理,然后再使用负对数似然损失函数计算预测值与标签值的损失程度。
其中,x为预测结果向量,class为标签值(0或1),N为向量x的维度,xclass和xj分别为x向量中的第class个值和第j个值。
具体的,将所述训练集输入深度残差语义分割网络中进行训练,并基于设置的训练参数(学习率、迭代次数等),得到网络的训练模型,然后,在所述测试集上预测训练模型的分割效果,得到对应的分割结果,然后将分割出的Mask结果叠加在输入数据上,得到最终的分割效果。
本发明使用语义分割中最常用的度量标准MIoU(Mean Intersection overUnion)来评估模型的效果,MIoU是计算真实值和预测值两个集合的交集和并集之比,如式(3):
其中:pij表示标签值为i,被预测为j的数量;pji表示标签值为j,被预测为i的数量;pii表示预测正确的数量;k+1表示类别总数。
训练结束后,分别对传统U-Net网络、在传统U-Net只增加了残差模块的网络与本发明改进的算法的训练准确率和所用时间进行评估,评估结果如表3所示:
表3 U-Net、RNet、RSNet训练准确率和时间
从上表可见,传统U-Net在验证集上的准确率为75.80%,所用时间为13.4h,本发明基于传统U-Net网络,结合残差学习与亚像素卷积层二者的优势,重新设计的深度残差语义分割网络在验证集上的准确率为99.96%,所用时间为4.5h,较传统U-Net网络,初至拾取的准确了和效率都有明显改善。
4、使用模型拾取初至并提取时间:
将未参与过训练的地震资料中的其他数据,用训练好的深度残差语义分割网络模型进行初至时刻提取。初至拾取分割结果如图6所示,左侧图像为输入地震数据,右侧图像为使用初至模型进行分割的结果。从结果图可以看出,采用深度残差语义分割网络训练出的初至拾取模型,对地震波数据拾取结果良好,可以精准的刻画出地震波波形的处置时刻。而后使用程序对初至拾取模型自动识别的结果图进行处理,得到地震数据初至时刻,并与原地震数据进行对比,如图7所示。本发明实例结果证明,本发明所提出的方法高效且准确。
本发明提出的深度残差语义分割网络,采用非对称式的Encoder-Decoder结构,增加Encoder所占比重。为提高网络的学习能力,Encoder部分使用深度残差模块,使得网络可以学习地震资料中更多特征信息;Decoder部分使用亚像素卷积层对特征图进行高分辨率重建,实现初至的精准定位。使用该网络结构对地震资料训练得到初至拾取模型,训练耗时短,模型拾取初至准确率高。
本发明设计的网络结构以U-Net为基础,融合了深度残差模块和亚像素卷积层。
本发明的深度残差网络与U-Net的对比:
U-Net的编码器卷积和池化进行下采样操作,无法学习地震数据足够的特征信息,网络无法正常收敛;深度残差网络的编码器使用深度残差模块进行下采样操作,网络层数加深,使网络拥有更强的学习能力,可以学习地震数据中更多的特征信息,找到初至的位置。
U-Net的解码器使用反卷积进行上采样操作,恢复的特征图分辨率较低,网络分割结果精度差;深度残差网络的解码器使用亚像素卷积层进行上采样操作,对特征图进行高分辨率重建,可以实现初至的精准定位。
以上所述仅为本发明的优选实施例而已,其并非因此限制本发明的保护范围,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,通过常规的替代或者能够实现相同的功能在不脱离本发明的原理和精神的情况下对这些实施例进行变化、修改、替换、整合和参数变更均落入本发明的保护范围内。
Claims (10)
1.一种基于深度残差语义分割网络的初至拾取方法,其特征在于,其包括:
步骤S1、构建初至训练集、验证集及测试集;
步骤S2、构建深度残差语义分割网络结构;
步骤S3、根据步骤S1的训练集、验证集及测试集对步骤S2构建的深度残差语义分割网络结构进行训练,获取初至拾取网络模型;
步骤S4、根据步骤S3训练得到的初至拾取网络模型对全部实际地震数据进初至拾取。
2.根据权利要求1所述的一种基于深度残差语义分割网络的初至拾取方法,其特征在于,所述步骤1中,构建初至训练集、验证集及测试集的方法包括:
步骤S11、将获得的地震数据进行裁剪,并将地震数据做归一化处理;
步骤S12、对标签数据进行0、1分类;
步骤S13、最后随机将地震数据及标签数据划分为训练集、验证集和测试集。
3.根据权利要求2所述的一种基于深度残差语义分割网络的初至拾取方法,其特征在于,所述地震数据和标签数据尺寸均为2000×256,其中,2000代表采样点数,256代表地震道数。
4.根据权利要求2或3任一项所述的一种基于深度残差语义分割网络的初至拾取方法,其特征在于,所述地震数据及标签数据划分为训练集、验证集和测试集的比例为6:2:2。
5.根据权利要求1所述的一种基于深度残差语义分割网络的初至拾取方法,其特征在于,所述步骤S2中,深度残差语义分割网络结构采用非对称式的编码、解码结构;所述编码器与译码器之间使用跳跃连接,叠加特征图维度。
6.根据权利要求5所述的一种基于深度残差语义分割网络的初至拾取方法,其特征在于,所述编码器包括残差模块;所述残差模块由13个卷积核尺寸为3*3的卷积层组成。
7.根据权利要求5或6任一项所述的一种基于深度残差语义分割网络的初至拾取方法,其特征在于,所述解码器使用亚像素卷积层进行特征图的超分辨率重建。
8.根据权利要求1-7所述的一种基于深度残差语义分割网络的初至拾取方法,其特征在于,所述深度残差语义分割网络结构的运行方法为:
步骤S21、首先使用一个大尺寸卷积核对输入数据进行一次卷积处理;
步骤S22、然后将经过最大池化后得到的特征图送入编码器,编码器3次进行深度卷积学习深层特征语义信息;
步骤S23、其次将编码器处理后的特征图送入到解码器,进行特征图的高分辨率重建,恢复特征图的尺寸;
步骤S24、最后将每次上采样得到的特征图与对应层编码器保存的特征图相融合,汇集低级特征与高级特征学习多尺度特征信息。
9.根据权利要求1-8所述的一种基于深度残差语义分割网络的初至拾取方法,其特征在于,所述步骤S3中,训练初至拾取网络模型的方法包括:
步骤S31、将所述训练集输入深度残差语义分割网络中进行训练;
步骤S32、基于设置的训练参数,得到网络的训练模型;
步骤S33、在所述测试集上预测训练模型的分割效果,得到对应的分割结果;
步骤S34、最后将分割出的Mask结果叠加在输入数据上,得到最终的分割效果。
10.根据权利要求1-9所述的一种基于深度残差语义分割网络的初至拾取方法,其特征在于,所述步骤S4中,根据步骤S3训练得到的初至拾取网络模型对全部实际地震数据进初至拾取的具体方法为将未参与过训练的地震资料中的其他数据,用训练好的深度残差语义分割网络模型进行初至时刻提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210787746.6A CN115147432A (zh) | 2022-07-06 | 2022-07-06 | 一种基于深度残差语义分割网络的初至拾取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210787746.6A CN115147432A (zh) | 2022-07-06 | 2022-07-06 | 一种基于深度残差语义分割网络的初至拾取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115147432A true CN115147432A (zh) | 2022-10-04 |
Family
ID=83411912
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210787746.6A Pending CN115147432A (zh) | 2022-07-06 | 2022-07-06 | 一种基于深度残差语义分割网络的初至拾取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115147432A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115657132A (zh) * | 2022-12-29 | 2023-01-31 | 成都捷科思石油天然气技术发展有限公司 | 一种基于机器学习的储层预测方法及系统 |
-
2022
- 2022-07-06 CN CN202210787746.6A patent/CN115147432A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115657132A (zh) * | 2022-12-29 | 2023-01-31 | 成都捷科思石油天然气技术发展有限公司 | 一种基于机器学习的储层预测方法及系统 |
CN115657132B (zh) * | 2022-12-29 | 2023-03-10 | 成都捷科思石油天然气技术发展有限公司 | 一种基于机器学习的储层预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108399428B (zh) | 一种基于迹比准则的三元组损失函数设计方法 | |
CN111626355A (zh) | 一种基于Unet++卷积神经网络的地震数据初至拾取方法 | |
CN112232371B (zh) | 一种基于YOLOv3与文本识别的美式车牌识别方法 | |
CN111950453A (zh) | 一种基于选择性注意力机制的任意形状文本识别方法 | |
CN111259940A (zh) | 一种基于空间注意力地图的目标检测方法 | |
CN112633149B (zh) | 一种域自适应雾天图像目标检测方法和装置 | |
CN113011357A (zh) | 基于时空融合的深度伪造人脸视频定位方法 | |
CN112381763A (zh) | 一种表面缺陷检测方法 | |
CN112950780B (zh) | 一种基于遥感影像的网络地图智能生成方法及系统 | |
CN116012653A (zh) | 一种注意力残差单元神经网络高光谱图像分类方法及系统 | |
CN114821299B (zh) | 一种遥感图像变化检测方法 | |
CN110659572B (zh) | 基于双向特征金字塔的视频动作检测方法 | |
CN109685823B (zh) | 一种基于深度森林的目标跟踪方法 | |
CN115147432A (zh) | 一种基于深度残差语义分割网络的初至拾取方法 | |
CN113705715B (zh) | 一种基于lstm和多尺度fcn的时间序列分类方法 | |
CN112488043B (zh) | 一种基于边缘智能的无人机车辆目标检测方法 | |
CN111242131B (zh) | 一种智能阅卷中图像识别的方法、存储介质及装置 | |
CN110458120B (zh) | 一种复杂环境下不同车型识别方法及系统 | |
CN116719936B (zh) | 一种基于集成学习的网络不可靠信息早期检测方法 | |
CN112861840A (zh) | 基于多特征融合卷积网络的复杂场景字符识别方法及系统 | |
CN112395952A (zh) | 一种用于铁轨缺陷检测的无人机 | |
CN109829887B (zh) | 一种基于深度神经网络的图像质量评估方法 | |
CN111612803A (zh) | 一种基于图像清晰度的车辆图像语义分割方法 | |
CN115761888A (zh) | 基于nl-c3d模型的塔吊操作人员异常行为检测方法 | |
CN114581780A (zh) | 一种改进U-Net网络结构的隧道表面裂缝检测方法 |
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 |