基于深度学习边缘检测的断层构造智能解释方法及系统

技术领域

本发明涉及一种勘探地球物理领域，特别是关于一种基于深度学习边缘检测的断层构造智能解释方法及系统。

背景技术

随着油气勘探工作的不断发展与深入，对断层解释的效率与精度提出了更高的要求。早期对地震断层的解释主要是根据地震同相轴的不连续性，进行人工的断层标注，然而这类单纯依靠人工标注的方法存在一定的主观因素，不仅耗费大量人力而且解释精度难以满足勘探的需要。为此，一系列基于地震属性的自动或半自动断层识别方法被提出，由于地震断层的一个典型地震响应特征是同相轴的不连续性，因此通过特定的算法运算可以放大同相轴不连续的这一特性，从而达到自动或半自动断层识别的目的。

相干体技术是一种常用的基于地震属性的断层识别方法，它在地质结构识别和解释领域表现出良好的性能，主要被应用于地质结构、沉积环境的解释以及油气藏的勘探与解释工作。1995年，Amoco公司首次提出了相干体技术，相干体是指由地震数据体经过相关性计算而得到的一个新的属性数据体，利用该相干数据体，断层信息能够从三维地震资料中突显出来。第一代相干体技术(C1)是Bahorich等于1995年在经典的互相关理论基础上建立起来的，该算法运算量小，但对于相干噪声较敏感；在C1的基础上，Marfurt等在1998年提出了基于多道相似原理的第二代相干体技术(C2)，改进了C1因采样地震道少导致的抗噪性差的缺陷；随后Marfurt和Gersztenkorn于1999年提出了基于本征结构的第三代相干体技术(C3)，使得显示断层特征的精度明显提升。借助上述相干体技术，可以达到的自动或半自动断层识别，相较人工标注进一步提高了断层识别的准确性与解释效率，但是这种通过提取地震属性来突出不连续特性的方式，会受到地震资料中其他不连续特征(如噪声和河道等地质结构特征)的影响，也存在一定的缺陷。

另一种常用的断层解释方法是来源于仿生学理论的蚂蚁追踪技术，此种方法在断层识别等寻找最优解问题中表现出优异的特性，之所以被称为蚂蚁追踪是因为它的计算过程模拟了在自然界觅食过程中蚂蚁通过释放“信息素”聚集周围蚂蚁的行为。蚂蚁追踪技术的原理就是在地震资料中设置大量这样的“人造蚂蚁体”，并让每个“蚂蚁体”沿着可能的断层面向前移动，若沿断层爬行的“蚂蚁体”遇到预期的断层线则会用“信息素”做出标记，最终根据信息素的分布，“蚁群”将捕获地震体中的断裂信息。

BP(back propagation)神经网络是实现断层自动解释的另一种途径。上世纪40年代，科学家参考生物神经元对外部刺激的特殊应答机制，提出了神经网络模型。1986年，以McClelland和Rumelhart为代表的科学家在早期神经网络的基础上更近一步，提出BP神经网络的概念，BP神经网络能够通过将预测值与真实值间的误差逆向传播并不断调整网络权值，具有较好的泛化能力，通过一定量带有断层标签的地震数据训练后，能够较好地完成断层自动识别任务。然而，BP神经网络存在网络收敛慢的缺点，对于简单问题也可能需要上千次的学习，这意味着训练往往需要大量地震资料以及较多的运算资源。此外，BP神经网络也对初始权重过于敏感，多次训练结果可能存在较大差异。

发明内容

针对上述问题，本发明的目的是提供一种基于深度学习边缘检测(holistically-nested edge detection，HED)的断层构造智能解释方法及系统，与相干体算法相比，IHED模型对断层预测的准确性更高，连续性更好，为地震断层智能识别提供了一条可靠途径。

为实现上述目的，本发明采取以下技术方案：一种基于深度学习边缘检测的断层构造智能解释方法，其包括：利用二维合成地震数据集及其标签数据集作为训练集，对预先建立的初始HED断层智能解释网络模型进行训练，并对其网络结构和效果进行分析，得到初始HED网络特点；根据地震断层特征及初始HED网络特点，对初始HED网络进行优化处理，得到IHED网络模型，并利用二维合成地震数据集及其标签数据集作为训练集训练IHED网络模型；利用已训练的IHED模型对实际叠后地震数据进行断层智能解释。

进一步，预先建立的初始HED断层智能解释网络模型为：在原始HED网络的多尺度多融合特性的基础上，构建二维的初始HED断层智能解释网络模型，用于断层智能解释。

进一步，对初始HED网络进行优化处理，得到IHED网络模型，包括：

取消低层网络预测失灵的侧输出及侧输出特征图，只通过感受野更大的高层网络提取、浓缩地震数据特征，并分析语义信息，输出有效的断层识别特征图；

将高层特征图重新加入低层网络，进行额外训练，使低层网络能提取到全面的断层特征，进而得到具有高分辨率的侧输出特征图；

将特征图像叠加，并加权得到网络输出作为最终断层智能识别结果。

一种基于深度学习边缘检测的断层构造智能解释系统，其包括：

第一处理模块，利用二维合成地震数据集及其标签数据集作为训练集，对预先建立的初始HED断层智能解释网络模型进行训练，并对其网络结构和效果进行分析，得到初始HED网络特点；

第二处理模块，根据地震断层特征及初始HED网络特点，对初始HED网络进行优化处理，得到IHED网络模型，并利用二维合成地震数据集及其标签数据集作为训练集训练IHED网络模型；

智能解释模块，利用已训练的IHED模型对实际叠后地震数据进行断层智能解释。

进一步，预先建立的初始HED断层智能解释网络模型为：在原始HED网络的多尺度多融合特性的基础上，构建二维的初始HED断层智能解释网络模型，用于断层智能解释。

进一步，对初始HED网络进行优化处理，得到IHED网络模型，包括：

取消低层网络预测失灵的侧输出及侧输出特征图，只通过感受野更大的高层网络提取、浓缩地震数据特征，并分析语义信息，输出有效的断层识别特征图；

将高层特征图重新加入低层网络，进行额外训练，使低层网络能提取到全面的断层特征，进而得到具有高分辨率的侧输出特征图；

将特征图像叠加，并加权得到网络输出作为最终断层智能识别结果。

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、有效利用HED网络的多尺度的特征融合能力，能够同时利用低层网络准确的位置信息与高层网络丰富的语义信息，进行多层级多尺度的特征学习。本发明提出的断层智能解释模型(improved HED，IHED)是结合实际地震数据特性在初始HED网络的基础上进行变形得到的，解决了原始HED模型的低层网络由于感受野小而无法获得有效的断层预测结果，最终导致原始HED网络低层所得特征图失效的问题。

2、本发明最终得到多尺度断层智能解释模型IHED模型，并利用本发明训练的IHED模型实现精确高效的断层智能解释工作。

附图说明

图1为本发明实施例中合成地震数据集及其标签数据集示意图，为断层标签；

图2为原始HED深度神经网络结构示意图；

图3为本发明IHED深度神经网络结构示意图；

图4为kerry3D实际地震数据Inline 530剖面数据；

图5为kerry3D实际地震数据Inline 530剖面数据及本发明IHED模型断层智能解释结果的叠合显示图像；

图6为kerry3D实际地震数据Inline 530剖面数据及第三代相干体方法断层解释结果的叠合显示图像；

图7为kerry3D实际地震数据Inline 656剖面数据；

图8为kerry3D实际地震数据Inline 656剖面数据及本发明IHED模型断层智能解释结果的叠合显示图像；

图9为kerry3D实际地震数据Inline 656剖面数据及第三代相干体方法断层解释结果的叠合显示图像。

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发明的示例性实施方式。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。

为了解决原始HED模型的低层网络由于感受野小而无法获得有效的断层预测结果，最终导致原始HED网络低层所得特征图失效的问题，本发明提供一种基于深度学习边缘检测(holistically-nested edge detection，HED)的断层智能解释方法及系统。有效利用HED网络的多尺度的特征融合能力，能够同时利用低层网络准确的位置信息与高层网络丰富的语义信息，进行多层级多尺度的特征学习。本发明在借鉴原始HED网络优势的基础上，结合实际地震数据特征，解决了原始HED模型的低层网络由于感受野小而无法获得有效的断层预测结果，最终导致原始HED网络低层所得特征图失效的问题，调整其拓扑结构以改善其断层智能解释效果，减少低层网络的输出特征图，将高层特征图加入低层网络进行额外训练，将特征图加权叠加得到网络输出，提出了断层智能解释模型(improved HED，IHED)，并利用本发明训练的IHED模型实现精确高效的断层智能解释工作。

在本发明的一个实施例中，提供一种基于深度学习边缘检测的断层构造智能解释方法。本实施例中，该方法包括以下步骤：

1)利用二维合成地震数据集及其标签数据集作为训练集，对预先建立的初始HED断层智能解释网络模型进行训练，并对其网络结构和效果进行分析，得到初始HED网络特点；

2)根据地震断层特征及初始HED网络特点，对初始HED网络进行优化处理，得到IHED网络模型，并利用二维合成地震数据集及其标签数据集作为训练集训练IHED网络模型；

3)利用已训练的IHED模型对实际叠后地震数据进行断层智能解释。

上述步骤1)中，通过利用二维合成地震数据集及其标签数据集作为训练集训练初始HED网络模型(如图1所示)，并详细分析其网络结构特征和断层智能解释效果，发现网络在实际地震数据中的断层解释表现不佳。网络失灵原因如下：原始HED模型提出的初衷是解决常规图像的边缘检测问题，边缘是多个图像属性区域的交接处，是区域属性发生突变的地方，也是图像中差异化最大的地方。原始HED低层网络与常规检测算法相似，低层网络感受野较小，只考虑图像局部的急剧变化。而本发明利用HED模型的数据处理对象是地震数据及地震断层，断层是沿断裂面两侧岩层发生的显著相对位移的构造，具有一定规模，大者可连续延伸数百千米，断层通常在二维、三维的地震数据中以连续的断层线、断层面的形式存在，而不是离散孤立的断层点。这表明了断层是地质结构中的一种宏观构造，仅仅凭借局部特征并不能有效地识别断层，对一点是否为断层点的预测通常需要综合考量周边范围的地质结构特征。

如图2所示，对于原始HED网络模型来说，低层网络只有5×5的感受野范围，因此很难仅凭小尺度的像素信息得到初步有效的断层预测结果。另外，由于实际地震数据相较于人工合成的数据集数据的噪声特性更复杂，断层处也不再有非地震属性的人工合成痕迹供网络参考。这些因素使得原始HED模型的低层网络得到了无效的断层预测结果，而后深层网络根据这些错误的低层预测信息继续训练，最终导致了该断层智能解释模型失灵。

在本实施例中，构建的二维初始HED断层智能解释网络模型为深度学习模型，作为本发明的初始模型。

上述步骤2)中，对初始HED网络进行优化处理，得到IHED网络模型，包括以下步骤：

2.1)取消低层网络预测失灵的侧输出及侧输出特征图，只通过感受野更大的高层网络提取、浓缩地震数据特征，并分析语义信息，输出有效的断层识别特征图；

2.2)将高层特征图重新加入低层网络，使低层网络能提取到全面的断层特征，进而得到具有高分辨率的侧输出特征图；

2.3)将特征图像叠加，并加权得到网络输出作为最终断层智能识别结果。

上述步骤3)中，使用上述训练的IHED模型对Kerry 3D数据体进行断层自动解释，该三维实际地震数据体为时间偏移叠后地震数据(Inline 530剖面如图4所示,Inline 656剖面如图7所示)。最终得到的三维断层解释结果Inline 530剖面如图5所示,Inline 656剖面如图8所示。同时，第三代相干体(C3)方法解析结果Inline530剖面如图6所示,Inline656剖面如图9所示。

由图可知，以上两种方法均可揭示地震数据不连续的位置，但相干体方法结果较为模糊，可见相干体方法不能从地震反射不连续性中精确识别断层位置，IHED模型对断层的识别和定位效果优于相干体方法，其识别的断层更为连续，且不连续点(散点)更少，这说明IHED模型在识别不同尺度断层信息的能力上要优于相干体方法。

综上所述，本发明针对地震断层特征以及初始HED网络特点，重新调整了初始HED网络的拓扑结构，提出了一种改进的HED网络结构(Improved HED，IHED)，如图3所示。

本发明的核心是解决了原始HED模型的低层网络由于感受野小而无法获得有效的断层预测结果，最终导致HED网络低层所得特征图失效的问题。首先，IHED网络模型取消了低层网络预测失灵的侧输出及侧输出特征图(o1，o2)，只通过感受野更大的高层网络提取、浓缩地震数据特征，并分析语义信息，最后输出有效的断层识别特征图(o3，o4，o5)。其次，深层网络随着池化过程损失了部分细节信息，所得深层网络特征图(o3，o4，o5)断层分辨率不足，具体表现为断层线“粗”，断层边缘模糊。鉴于此，IHED网络模型将高层特征图重新加入低层网络，进行额外训练。由于结合了大感受野的高层网络信息，低层网络也能提取到全面的断层特征，最终得到了具有高分辨率的侧输出特征图(o1，o2)，弥补了深层网络特征图分辨率上的缺失。最后，将(o1，o2，o3，o4，o5)这5个特征图像叠加，并加权得到网络输出(ofuse)作为IHED学习得到的最终断层智能识别结果。同样，利用二维合成地震数据集及其标签数据集作为训练集训练得到IHED模型。

综上，与现有技术相比，本发明结合实际地震数据特性在初始HED网络模型的基础上进行变形和改进，给出了IHED深度学习网络的断层智能解释方法，该模型保留了原始HED网络模型的多尺度多特征的融合能力，同时解决了原始HED模型在断层解释中的兼容性问题。本发明解决了原始HED模型的低层网络由于感受野小而无法获得有效的断层预测结果，最终导致原始HED网络低层所得特征图失效的问题。具体改进包括两方面，①IHED网络取消了低层网络预测失灵的侧输出及侧输出特征图(o1，o2)，只通过感受野更大的高层网络提取、浓缩地震数据特征，并分析语义信息，最后输出有效的断层识别特征图(o3，o4，o5)，②IHED网络将高层特征图重新加入低层网络，进行额外的训练，这样使得低层网络也能提取到全面的断层特征，最终得到了具有高分辨率的侧输出特征图(o1，o2)，弥补了深层网络特征图分辨率上的缺失。最后IHED模型将(o1，o2，o3，o4，o5)这5个特征图像叠加，并加权得到网络输出(ofuse)作为IHED模型的最终断层智能识别结果。

在本发明的一个实施例中，提供一种基于深度学习边缘检测的断层构造智能解释系统，其包括：

第一处理模块，利用二维合成地震数据集及其标签数据集作为训练集，对预先建立的初始HED断层智能解释网络模型进行训练，并对其网络结构和效果进行分析，得到初始HED网络特点；

第二处理模块，根据地震断层特征及初始HED网络特点，对初始HED网络进行优化处理，得到IHED网络模型，并利用二维合成地震数据集及其标签数据集作为训练集训练IHED网络模型；

智能解释模块，利用已训练的IHED模型对实际叠后地震数据进行断层智能解释。

上述第一处理模块中，预先建立的初始HED断层智能解释网络模型为：在原始HED网络的多尺度多融合特性的基础上，构建二维的初始HED断层智能解释网络模型，用于断层智能解释。

上述第二处理模块中，对初始HED网络进行优化处理，得到IHED网络模型，包括：

取消低层网络预测失灵的侧输出及侧输出特征图，只通过感受野更大的高层网络提取、浓缩地震数据特征，并分析语义信息，输出有效的断层识别特征图；

将高层特征图重新加入低层网络，进行额外训练，使低层网络能提取到全面的断层特征，进而得到具有高分辨率的侧输出特征图；

将特征图像叠加，并加权得到网络输出作为最终断层智能识别结果。

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。

在本发明一实施例中提供的计算设备结构，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基于深度学习边缘检测算法的断层构造智能解释方法；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。

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。

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。

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。

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。

本发明是参照根据本发明实施例的方法、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。