基于深度学习网络的初至拾取方法及装置

技术领域

本发明涉及油气勘探技术领域，尤其涉及一种基于深度学习网络的初至拾取方法及装置。

背景技术

目前，高效高密度采集正在逐渐在物探施工中应用，勘探目标区逐渐转向复杂地表区域。由于地表介质变化大造成声波速度变化大，致使单炮初至扭曲，串层现象严重，初至拾取困难，初至拾取的精准度差，同时由于接收道数多致使单炮数据量变大，需花费大量的人力和时间进行初至拾取，初至拾取的好坏直接影响叠加剖面的构造形态和成像品质。因此，准确地进行初至拾取十分重要。

现有技术进行初至拾取的方法很多，举例来说，有时窗地震属性特征法、相关法、数字图像处理法等，上述方法对噪声有一定的压制作用，但是，当地震记录的噪声较严重时，初至的准确拾取就会变的十分困难，初至拾取准确率较低。

发明内容

本发明实施例提供一种基于深度学习网络的初至拾取方法，初至拾取准确率较高，不受噪声的影响，该方法包括：

采集预设显示参数下的原始地震炮集数据的密度显示图像；

将所述密度显示图像切割为多个预设大小的初至样本图像；

将多个预设大小的初至样本图像输入至预先训练好的深度网络模型中，输出多个初至预测结果图像；

将多个初至预测结果图像进行合成，生成与原始地震炮集数据对应的初至拾取结果图像；

自初至拾取结果图像中提取出初至时间。

本发明实施例还提供一种基于深度学习网络的初至拾取装置，初至拾取准确率较高，不受噪声的影响，该装置包括：

图像采集模块，用于采集预设显示参数下的原始地震炮集数据的密度显示图像；

图像切割模块，用于将所述密度显示图像切割为多个预设大小的初至样本图像；

初至预测结果图像输出模块，用于将多个预设大小的初至样本图像输入至预先训练好的深度网络模型中，输出多个初至预测结果图像；

初至预测结果图像合成模块，用于将多个初至预测结果图像进行合成，生成与原始地震炮集数据对应的初至拾取结果图像；

初至时间提取模块，用于自初至拾取结果图像中提取出初至时间。

本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述方法的计算机程序。

本发明实施例中，通过采集预设显示参数下的原始地震炮集数据的密度显示图像，将密度显示图像切割为多个预设大小的初至样本图像，并将多个预设大小的初至样本图像输入至预先训练好的深度网络模型中，输出多个初至预测结果图像，再将多个初至预测结果图像进行合成，生成与原始地震炮集数据对应的初至拾取结果图像，自初至拾取结果图像中提取出初至时间，初至拾取准确率较高，不受噪声的影响。

附图说明

为了更清楚地说明本发明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，下面描述中的附图仅仅是本发明的一些实施例，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。在附图中：

图1为本发明实施例中基于深度学习网络的初至拾取方法的流程图；

图2为本发明实施例中对深度网络模型进行训练的流程图；

图3为本发明实施例中基于深度学习网络的初至拾取装置的结构示意图；

图4为本发明实施例中对深度网络模型进行训练的结构示意图；

图5是本发明实施例计算机设备示意图；

图6是本发明实施例深度网络模型训练的具体示例图；

图7是本发明实施例利用深度网络模型进行初至拾取的具体示例图；

图8是本发明实施例中选取5组类似小数据对一个小的深度网格模型进行10次迭代训练，训练完成后对测试数据进行初至拾取的效果图；

图9是本发明实施例中选取10组类似小数据对一个小的深度网格模型进行30次训练，训练完成后对测试数据进行初至拾取的效果图；

图10是本发明实施例中利用图9训练出的深度网格模型对图8中的测试数据进行初至拾取的效果图；

图11是本发明实施例中选取5炮数据对一个小的神经网格模型分别进行20次训练，训练完成后对测试数据进行初至拾取的效果图；

图12是本发明实施例中选取5炮数据对一个小的深度网格模型分别进行50训练，训练完成后对测试数据进行初至拾取的效果图。

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明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

图1为本发明实施例提供的一种基于深度学习网络的初至拾取方法的流程图，如图1所示，该方法包括：

步骤101、采集预设显示参数下的原始地震炮集数据的密度显示图像。

步骤102、将所述密度显示图像切割为多个预设大小的初至样本图像。

具体实施时，保存指定显示参数下的原始炮集数据的密度显示图像，然后将其切割成大小为X×Y的小图像，将这些初至样本图像集作为后续深度网络模型预测用的输入数据。

步骤103、将多个预设大小的初至样本图像输入至预先训练好的深度网络模型中，输出多个初至预测结果图像。

具体实施时，加载训练好的深度网络模型，包括设置深度网络模型结构和参数等。利用加载训练好的深度网络模型对输入的初至样本图像进行预测，得到对应的初至检测数据集，由一个个与所输入的小初至样本图像对应的初至检测结果图像组成，初至检测结果图像中的数值表示该位置被识别为初至波的预测概率值，其值域为0到1。

步骤104、将多个初至预测结果图像进行合成，生成与原始地震炮集数据对应的初至拾取结果图像。

基于步骤103，具体实施时，可以根据各初至预测结果图像的编号和位置，将其组合成一个与原始炮集数据对应的大的初至结果图像。

步骤105、自初至拾取结果图像中提取出初至时间。

在实施例中，自初至拾取结果图像中提取出初至时间，包括：

自初至拾取结果图像中删除小于预设值的初至拾取结果数据，提取出初至时间。

具体实施时，自初至拾取结果图像中删除预测概率值小于一定阈值的点，认为预测概率值很小的点不是初至波点位。然后在初至拾取结果图像中提取纯初至位置信息，即在矩阵中逐列找到每列的最大值非0值，并记下该点的y坐标。之后再利用起始道在图像中的起始位置及横纵向显示分辨率等信息，从初至拾取结果图像中的初至位置反算出每道对应的实际初至时间，并将结果导出供其它软件使用。

本发明实施例提供的基于深度学习网络的初至拾取方法，通过采集预设显示参数下的原始地震炮集数据的密度显示图像，将密度显示图像切割为多个预设大小的初至样本图像，并将多个预设大小的初至样本图像输入至预先训练好的深度网络模型中，输出多个初至预测结果图像，再将多个初至预测结果图像进行合成，生成与原始地震炮集数据对应的初至拾取结果图像，自初至拾取结果图像中提取出初至时间，初至拾取准确率较高，不受噪声的影响。

图2为本发明实施例对深度网络模型进行训练的流程图，如图2所示，采集预设显示参数下的原始地震炮集数据的密度显示图像之前，所述方法还包括：

步骤201、获取预设显示参数下的地震炮集样本数据和初至标签数据，所述初至标签数据用于在地震炮集样本数据中标识初至波位置。

在实施例中，地震炮集样本数据是提供给深度网络模型用来学习的样本，通过对这些地震炮集样本数据的内容和上下文的学习，深度网络模型可以从不同层级抽象和提取出初至特征与位置信息。

为了便于计算机和深度网络模型更容易进行学习，本发明采用地震数据的密度图像作为地震炮集样本数据源，为此类图像数据中初至特征对于计算机来说更突出、更加连续、更容易学习和识别。在生成样本数据前需要对数据显示参数，显示分辨率、横向的道数显示间隔、纵向的时间显示间隔等参数进行设置，这些参数主要用于实际从图像到地震道，采样时间的定位。同时还需要在此参数生成相应的初至样本数据，数据源和样本数据的显示参数需要保持一致。

对于初至标签数据，可以在相同的显示参数下，利用初至信息生成初至标签数据。初至是地震波最先到达的位置，对于一道地震数据最多有一个点来标志初至波的位置，也可以没有。因此，初至信息通常用一个二维点坐标向量保存，每个点由道号及初至深度时间信息两部分组成。本发明所采用的方式是端到端的训练方式，因此需要地震炮集样本数据构成的图像与初至标签数据构成的图像大小一致，在初至波到达的位置用1表示，其它部分用0来表示。

步骤202、利用所述地震炮集样本数据和所述初至标签数据对深度网络模型进行训练。

进一步地，在深度学习的目标数据中，初至是一条曲线，相对整个地震数据是非常小的一部分。为了缩小数据范围，锁定学习目标，提高学习效率，可以对地震炮集样本数据和初至标签数据进行切割和筛选。具体地，举例来说，首先，可以将地震炮集样本数据和初至标签数据切割成若干大小为X×Y的小矩阵，对于数据不足的地方用0补充，一共分割成R×C个小矩阵，切割后的小初至属性矩阵和小初至标签矩阵一一对应。然后以分割后的小初至标签矩阵为依据，分别统计各个小初至矩阵中初至数据的个数，如果所含初至个数小于c，则删除此小初至标签数据及其对应的小初至属性数据。

此外，由于初至数据与地表地形对应，当地形发生倾斜时，对应的初至数据也发生倾斜。为了更好的利用筛选出的有限的训练数据来模拟地表形态多样所造成的初至数据形态的复杂性与多样性，需要对筛选出的数据(初至属性数据及其对应的初至标签数据一起)进行一些小角度的旋转变换(包括左右翻转等)，来模拟地表地形变化所带来的初至变化达到扩充训练样本的目的。待数据扩容训练后，将生成的初至属性数据及初至标志数据分别放到指定目录，然后依次读取成对的初至属性数据和初至标志数据，分别进行归一化处理后加载到深度网络模型中进行训练。

在本发明实施例中，采用的深度网络模型是一种编码-解码器结构的深度网络模型,主要由两个部分组成，第一个部分是初至的特征抽向与提取部分，用来捕获数据上下文信息进行初至特征提取，第二部分是初至位置还原部分。具体地：

第一个部分由多个尺寸依次递减的初至特征提取层所组成的一个特征抽象网络，用来实现初至特征的抽向和压缩。其中每一个初至特征提取层都由卷积层、池化层、数据规范化层组成的一个整体，上一层的输出为下一层的输入，

第二部分用来解决初至波位置还原与高精度定位问题的网络部分，此部分由多个尺寸依次增加的层级组成，每层都由反褶积层、数据合并层、卷积层、数据规范化层组成的一个整体，以一层输出为输入，同时加入编码部分同尺度层的前置输出，提高初至特征位置恢复的精度。最后利用激励判别层的输出与标签结果判别，检测生成的误差与初至目标之间的误差，从而对权值进行反射修正。

进一步地，可以采用二分类方式进行初至的检测和判别，将整个深度网络模型的损失函数采用对数损失函数，即二进制交叉熵进行计算，通过交叉熵损失函数可以衡量给定初至与神经网络学习得到的初至的相似程度。

其中，深度网络模型采用的损失函数为如下交叉熵：

其中，y为期望输出，a为神经无实际输出，a＝σ(z)wherez＝∑W

具体实施时，在定义好深度网络模型后，采用正态分布初始化方法对各神经元的权值进行初始化。利用Adam等常规的深度学习优化算法作为深度网络模型的学习调整算法。通过不断的迭代和训练来调整各神经元节点权值。这些方法具有学习速度快，抗扰能力强等特点。

下面以一具体实施例对本发明进行说明：

首先，设置好显示参数等，将地震数据保存成指定形式和格式的初至样本图像数据。利用给定的初至信息生成对应的初至标签图像，其显示参数与初至样本图像保持一致，大小也保持一致。对初至样本数据和初至标签数据按指定尺寸进行切割，并根据初至标签数据中初至标识的数量对数据进行剔除，删除不包含初至标识和初至标识含量很少的初至样本数据和初至标签数据。对成对的初至样本数据和初至标签数据一起进行小角度旋转或左右翻转等操作，模拟地形变化来对训练样本进行扩充。

其次，采用一种端到端的深度网络模型结构进行初至的学习与训练，该深度网络模型由初至特征提取部分和初至位置恢复部分组成。由初至特征提取部分逐层进行初至特征的抽向与提取。初至位置恢复部分通过逐层反卷积来恢复初至特征及其位置，同时为了提高初至定位精度，直接叠加初至特征提取部分同尺寸网络层的输出结果，同时保持了初至的抽象特征信息和高精度位置信息。深度网络模型训练的具体示例图可参见图6。

最后，按指定的显示参数等将待检测的地震数据保存成指定形式和格式的初至样本图像，然后对初至样本图像按指定尺寸进行切割，切割成一组小尺寸的初至样本数据。定义和加载训练好的初至检测网络模型，然后利用此模型对生成的初至样本图像进行预测，得到一组相应的初至预测结果数据，然后对这些预测结果进行合并，得到一个大的与初至样本图像相匹配的初至结果数据，删除预测结果中小的初至预测值，然后逐列查找最大的非0值，将此位置作为初至波位置进行初至信息提取，利用显示参数等反向计算出各道的初至时间。利用深度网络模型进行初至拾取的具体示例图可参见图7。

具体地，举例来说，图8为选取5组类似小数据对一个小的深度网格模型进行10次迭代训练，训练完成后对测试数据进行初至拾取的效果图。对于高信噪比数据，目前方法能有效地拾取。图9为选取10组类似小数据对一个小的深度网格模型进行30次训练，训练完成后对测试数据进行初至拾取的效果图。图10为利用图9训练出的深度网格模型对图8中的测试数据进行初至拾取的效果图。图11为选取5炮数据对一个小的神经网格模型分别进行20次训练，训练完成后对测试数据进行初至拾取的效果图。图12为选取5炮数据对一个小的深度网格模型分别进行50训练，训练完成后对测试数据进行初至拾取的效果图。

基于同一发明构思，本发明实施例中还提供了一种基于深度学习网络的初至拾取装置，如下面的实施例所述。由于基于深度学习网络的初至拾取装置解决问题的原理与基于深度学习网络的初至拾取方法相似，因此，基于深度学习网络的初至拾取装置的实施可以参见基于深度学习网络的初至拾取方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图3为本发明实施例提供的一种基于深度学习网络的初至拾取装置的结构示意图，如图3所示，该装置包括：

图像采集模块301，用于采集预设显示参数下的原始地震炮集数据的密度显示图像；

图像切割模块302，用于将所述密度显示图像切割为多个预设大小的初至样本图像；

初至预测结果图像输出模块303，用于将多个预设大小的初至样本图像输入至预先训练好的深度网络模型中，输出多个初至预测结果图像；

初至预测结果图像合成模块304，用于将多个初至预测结果图像进行合成，生成与原始地震炮集数据对应的初至拾取结果图像；

初至时间提取模块305，用于自初至拾取结果图像中提取出初至时间。

图4为本发明实施例对深度网络模型进行训练的结构示意图，如图4所示，该装置还包括：

数据获取模块401，用于获取预设显示参数下的地震炮集样本数据和初至标签数据，所述初至标签数据用于在地震炮集样本数据中标识初至波位置；

深度网络模型训练模块402，用于利用所述地震炮集样本数据和所述初至标签数据对深度网络模型进行训练。

在本发明实施例中，所述深度网络模型采用的损失函数为如下交叉熵：

其中，y为期望输出，a为神经无实际输出，a＝σ(z)wherez＝∑W

在本发明实施例中，初至时间提取模块305进一步用于：

自初至拾取结果图像中删除小于预设值的初至拾取结果数据，提取出初至时间。

为了实现上述目的，根据本申请的另一方面，还提供了一种计算机设备。如图5所示，该计算机设备包括存储器、处理器、通信接口以及通信总线，在存储器上存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述实施例方法中的步骤。

处理器可以为中央处理器(Central Processing Unit，CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及单元，如本发明上述方法实施例中对应的程序单元。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及作品数据处理，即实现上述方法实施例中的方法。

存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述一个或者多个单元存储在所述存储器中，当被所述处理器执行时，执行上述实施例中的方法。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述方法的计算机程序。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

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。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。