CN110516740A 一种基于Unet++卷积神经网络的断层识别方法 （电子科技大学）

一种基于Unet++卷积神经网络的断层识别本发明公开一种基于Unet++卷积神经网络训练好的Unet++卷积神经网络对实际的地震数2S1、构建训练集样本；根据构建的地震振幅图积层各卷积核包括64个通道；所述第二卷积层包括2个卷积核，第二卷积层各卷积核包括层的各卷积核输出尺寸为128×48×48，所述Unet++网络第三卷积层的各卷积核输出尺寸所述Unet++网络将二元交叉熵和Dice3骨架化地震相干自动提取的断层作为标签训练CNN网络，用训练好的网络识别断层获得了比骨架化地震相干自动提取分辨率更高的结果；Tao.Zhao和PradipMukhopad供了新的思路和方向。全卷积神经网络(fullyconvolutionalnetwork)实现了真正意义[0005]断层的精确识别和描述是储层油气开发勘探的关键。但断层识别的研究难度很4[0006]为解决上述技术问题，本发明提出一种基于Unet++卷积神经网络的断层识别方[0013]所述Unet++网络输入与输出之间包括三个卷积层；所述第一卷积层包括3个卷积积核包括128个通道；所述第三卷积层包括1个卷积核，第三卷积层各卷积核包括256个通第二卷积层的各卷积核输出尺寸为128×48×48，所述Unet++网络第三卷积层的各卷积核片与标记好的断层标签作为原始训练数据，并对原始训练数据进行裁剪；在裁剪后的inline切片基础上分别做水平和垂直镜像变换[0022]图5为本发明实施例提供的Unet对inline号为2290的地震振幅体切片的识别结[0023]图6为本发明实施例提供的本发明方法对inline号为2290的地震振幅体切片的识5[0024]图7为本发明实施例提供的相干体属性对inline号为2290的地震振幅体切片的识[0025]图8为本发明实施例提供的三维曲率体属性对inline号为2290的地震振幅体切片[0026]图9为本发明实施例提供的方差体对inline号为2290的地震振幅体切片的识别结[0027]图10为本发明实施例提供的CNN对inline号为2290的地震振幅体切片的识别结[0028]图11为本发明实施例提供的相干体属性对time为900ms的地震振幅体切片的识别[0029]图12为本发明实施例提供的三维曲率体对time为900ms的地震振幅体切片的识别[0030]图13为本发明实施例提供的方差体对time为900ms的地震振幅体切片的识别结[0032]图15为本发明实施例提供的本发明方法对time为900ms的地震振幅体切片的识别感受野内通过计算卷积核和输入数据(上一层)之间的卷积其可以学习到图像的局部特征。在卷积层之间加入一个池化层(PoolingLayer)来下采样即按一定比例缩小特征的尺寸并对输出的特征图进行特征选择和信息过滤从而减少模型参数数量。CNN模型结构的最后是一个全连接层(FullyConnectedLayer)即该层的神经元与上一层的所有神经元两两连[0037]卷积神经网络的训练过程可分为前向传播和反向传播两个过程。前向传播(Forwardpropagation)是网络如何根据输入来获得输出。反向传播(Backwardpropagation)是按照反向传播算法(Algorithm，BP)逐层传递前向传播的输出与标签之间ln"为l层的第i个神经元与l+1神经元6[0039]卷积神经网络的前向传播包括输入层向隐藏层的前向传播和隐藏层之间的前向[0042]a"=g(f")再通过反向传播计算出每个神经元的输入关于单个样本对应损失函数的偏导数d,之后求[0050]Unet网络具备全卷积(FullyConvolutional)、上采样(Upsampling)和跳层连接7多次上采样只能得到稀疏和粗略的结果。而加入跳层连接(skipconnection)则可以把编码器部分每一次下采样得到的特征通过级联(concatenation)和卷积与解码器部分上采样[0053]如图1所示，Unet与FCN的第一个区别是完全对称，也就是左边(encoder)和右边在裁剪的inline切片基础上再分别做水平和垂直镜像变换以[0058]本发明采用周纵苇提出的Unet++网络架构(ZongweiZhou,MdMahfuzurRahmanSiddiquee,NimaTajbakhsh,andJianmingLiang,UNet++:ANestedU-Net全卷积(FullyConvolutional)、上采样(Upsampling)和密集连接(DenseConnection)三块连接。Unet++的主要思想是在融合之前桥接编码器和解码器的特征映射之间的语义差[0060]Unet++与经典的Unet有三点不同：1)在跳层路径上具有卷积层(dense具有密集的跳层连接(skipconnection)，这改善了梯度流动；3)具有深监督(deep8连接层融合来自相同密集块的先前卷积层的输出和下密集块的相应上采样输出。本质上，密集卷积块使编码器特征映射的语义级别更接近于在解码器中期待的特征映射的语义级9率。本发明Unet++网络将平衡二元交叉熵和Dice系数的组合作为损失函数，其描述为(2-4)：[0074]本实施例采用中国西南B区地震数据中进行断层识别，本发明的测试环境为64位[0075]本实施例首先用基于Unet++网络的方法对实际工区的地震振幅体数据进行断层本发明所提出的基于Unet++的断层识别方法分别和以上三种传统属性和目前主流的基于幅体切片图。如图5所示是现有基于Unet方法对inline号为2290的地震振幅体切片的断层识别结果，如图6所示是本发明提出的方法对inline号为2290的地震振幅体切片的断层识示是相干体属性对inline号为2290的地震振幅体切片的断层识别结果，图8是曲率体属性对inline号为2290的地震振幅体切片的断层识别结果，图9是方差体对inline号为2290的断层识别的工区在inline地震振幅体切片上是一条有一定倾角的窄线即断层的开度很小比真实标签(groudtruth)和Unet++识别的结果要宽，这样也造成了连续性好的伪像。在Unet++中舍弃了全连接层，全连接层是将下采样的得到的深层高维特征张量展开为向量，幅体数据的所有inline切片上的断层全部预测完，再从time方向上截取时间为-1000ms的由图14和图15结果可知，基于CNN和基于Unet++这两种深度学习方法对断层识别效果要优地质异常体相距很近时CNN不能很好的区分；本发明所提出的基于Unet++的断层识别方法