一种基于深度学习的断层识别方法及系统

本发明属于煤炭勘探，尤其涉及一种基于深度学习的断层识别方法及系统。

背景技术：

1、地震断层识别是煤矿勘探的关键环节，通过地震断层识别，一方面能够识别煤层错断，为准确核算煤炭储量、合理划分采区、优化井筒与工作面布置提供重要参考；另一方面也能够识别导水、瓦斯富集、高应力等危险区域，有效防范突水、瓦斯突出、冲击地压等重大灾害。现有基于深度学习的三维地震断层识别方法，存在原始地震坏道噪声干扰、单频段数据丢失多尺度断层信息、3d卷积网络深浅断层特征匹配效果差、分块推理产生拼接伪影、预测结果含大量人工难以剔除的三维伪断层等问题，导致断层识别精度低、微小断层漏识别的问题。

技术实现思路

1、为了解决现有技术中存在的上述问题，本发明提出一种基于深度学习的断层识别方法及系统，能够提高断层识别精度，降低微小断层漏识别概率。

2、为了实现上述目的，本发明具体采用了如下技术方案：一种基于深度学习的断层识别方法，包括：

3、s1：读取矿区勘查区segy格式三维地震数据，解析道头信息并重塑为三维地震数据立方体；依次执行单道标准差能量均衡、全局[-1，1]区间归一化；计算全部地震道能量并取能量序列5%分位数作为自适应阈值识别坏道，通过可滑动空间邻域窗均值插值修复所有坏道，得到预处理后地震数据；

4、s2：根据数据采样频率计算奈奎斯特频率，分别构建低、中、高频三组128阶零相位双向fir带通滤波器，逐道滤波分解得到低频、中频、高频分频体；对三类分频体分别实施3×3中值滤波抑制随机噪声，加权融合三分频体后再次归一化至[-1，1]区间，生成三维断层输入体；

5、s3：构建包含三级编码单元、两级解码单元的特征对齐型3d-resunet网络，在网络内部设置残差短路支路和u型跨层跳跃融合支路，实现编码层输入与残差分支特征对齐，以及深浅断层特征跨尺度对齐；基于三维断层输入体，针对特征对齐型3d-resunet网络，采用学习率0.0001、批次大小为2的adam自适应梯度优化器完成网络迭代，得到网络迭代结果；

6、s4：构建沿三维坐标轴拓展的三维余弦衰减权重矩阵，截取三维断层输入体并逐块前向推理；将单块预测概率与余弦权重矩阵点乘后分别累加至全局概率存储数组、权重累加数组；通过概率数组除以权重数组逐元素归一化，得到三维断层概率体；

7、s5：设定断层概率阈值对三维断层概率体二值分割，采用26邻域连通判别规则提取全部独立三维断层连通区域；统计各连通区域空间体积，基于预设最小有效元素阈值滤除体积过小的伪断层连通域，保留断层有效区域，输出断层识别结果。

8、进一步地，s1具体包括：

9、s101：读取segy数据，获得地震波形数据和地震道头信息结构体；利用预设时间采样点、预设主测线总数和预设联络测线总数对地震波形数据进行维度重塑和单精度浮点数转换，获得三维地震数据立方体；

10、s102：读取三维地震数据立方体的时间采样点数，主测线总数，联络测线总数，以序号x等于1至主测线总数为外层循环，以序号y等于1至联络测线总数为内层循环，提取当前位置的三维地震数据立方体对应的完整单道一维地震波形数据，计算完整单道一维地震波形数据的标准差，利用完整单道一维地震波形数据除以标准差，更新三维地震数据立方体对应的数据，并在内层循环和外层循环结束后得到更新后的三维地震数据立方体；对更新后的三维地震数据立方体进行单精度浮点数转换，得到均衡后三维地震数据立方体；

11、s103：将均衡后三维地震数据立方体展开成一维长向量，并求取一维长向量的最大值和最小值，将均衡后三维地震数据立方体减去一维长向量的最小值后记为第一差值，将一维长向量的最大值减去一维长向量的最小值后记为第二差值，将第一差值除以第二差值后乘以2再减去1，得到归一化三维地震数据立方体；

12、s104：计算预设主测线总数和预设联络测线总数的乘积并作为平面总道数，以序号id等于1至平面总道数为循环遍历全部平面道数，使用ind2sub函数将每一个序号id还原成二维网格位置，截取每一个序号id对应的二维网格位置下的单道地震波形数据，求单道地震波形数据中每一个时间采样点的振幅平方并求和作为序号id的能量，循环结束后获得能量序列；

13、s105：取能量序列的5%分位数作为自适应阈值，将能量序列中低于自适应阈值的道判定为坏道并得到坏道一维索引badidx；构造预设主测线总数为行数，预设联络测线总数为列数的布尔掩码矩阵，将坏道一维索引badidx对应的布尔掩码矩阵赋值为真；

14、s106：预设窗宽，以序号x1等于1至预设主测线总数为外层循环，以序号y1等于1至预设联络测线总数为内层循环，遍历全部平面道数，对于布尔掩码矩阵为真的位置，定义其位置横纵坐标分别为x1’和y1’，计算x1’与预设窗宽的差值并与常数1取较大值作为左边界，计算x1’与预设窗宽的和值并与预设主测线总数取较小值作为右边界，计算y1’与预设窗宽的差值并与常数1取较大值作为下边界，计算y1’与预设窗宽的和值并与预设联络测线总数取较小值作为上边界，依据左边界、右边界、下边界和上边界截取归一化三维地震数据立方体并保留时间采样点，得到局部三维地震数据立方体，对局部三维地震数据立方体的第二维和第三维做算术平均并替换对应坏道，执行循环结束并完成所有坏道替换；

15、s107：执行与s102相同的步骤，得到均衡后三维地震坏道替换数据立方体，作为预处理后地震数据。

16、进一步地，s2具体包括：

17、s201：基于数据采样频率fs计算奈奎斯特频率，将预设低频通带区间除以奈奎斯特频率后得到归一化低频频率范围，基于归一化低频频率范围构建128阶低频带通滤波器；将预设中频通带区间除以奈奎斯特频率后得到归一化中频频率范围，基于归一化中频频率范围构建128阶中频带通滤波器；将预设高频通带区间除以奈奎斯特频率后得到归一化高频频率范围，基于归一化高频频率范围构建128阶高频带通滤波器；

18、s202：以序号x2等于1至预设主测线总数为外层循环，以序号y2等于1至预设联络测线总数为内层循环，提取当前(x2，y2)位置的预处理后地震数据对应的完整单道一维地震波形数据；采用s201中的128阶低频带通滤波器、128阶中频带通滤波器和128阶高频带通滤波器分别对预处理后地震数据对应的完整单道一维地震波形数据进行零相位双向fir滤波，执行循环结束后得到低频分频体、中频分频体和高频分频体；

19、s203：对低频分频体、中频分频体和高频分频体分别执行3×3中值滤波，得到滤波后低频分频体、滤波后中频分频体和滤波后高频分频体；对滤波后低频分频体、滤波后中频分频体和滤波后高频分频体执行加权求和，得到时域分频分解后三维断层输入体；

20、s204：将时域分频分解后三维断层输入体展开成一维长向量，并求取一维长向量的最大值和最小值，将时域分频分解后三维断层输入体减去一维长向量的最小值后记为第一差值，将一维长向量的最大值减去一维长向量的最小值后记为第二差值，将第一差值除以第二差值后乘以2再减去1，得到时域分频分解后三维断层输入体，作为s2的三维断层输入体。

21、进一步地，s3中包括：

22、s301：配置三维输入层，以预设输入尺寸参数和1构造尺寸矩阵以限定三维数据各维度长度，并为输入层配置唯一标识名称；

23、s302：设置输出通道为16的第一级编码器；先搭建第一三维卷积层、第一批量归一化层、relu激活层、第二三维卷积层和第二批量归一化层，构成主特征分支，再配置双通道加法层实现残差特征融合，最后设置relu输出层以激活输出浅层特征；在残差模块前端增设三维卷积将单通道输入升维至16通道，组合形成完整一级编码单元；在编码单元后接入步长为2的三维最大池化层，三维维度同步下采样压缩特征尺寸，池化输出作为下一级残差短路支路的特征输入源；

24、设置输出通道为32的第二级编码器；先搭建第一三维卷积层、第一批量归一化层、relu激活层、第二三维卷积层和第二批量归一化层，构成主特征分支，再配置双通道加法层实现残差特征融合，最后设置relu输出层以激活输出中层特征；在残差模块前端增设三维卷积对上一级下采样后的特征升维至32通道，组合形成完整二级编码单元；在编码单元后接入步长为2的三维最大池化层，三维维度同步下采样压缩特征尺寸，池化输出作为下一级残差短路支路的特征输入源；

25、设置输出通道为64的第三级编码器；先搭建第一三维卷积层、第一批量归一化层、relu激活层、第二三维卷积层和第二批量归一化层，构成主特征分支，再配置双通道加法层实现残差特征融合，最后设置relu输出层以激活输出深层全局语义特征；在残差模块前端增设三维卷积对上一级下采样后的特征升维至64通道，组合形成完整三级编码单元；

26、s303：设置通道数为32的第一级解码单元；先配置步长为2的三维转置卷积层对第三级编码器输出的全局深层特征进行上采样，恢复三维特征分辨率；设置通道维度拼接层实现深层上采样特征与第二级编码器中层细节特征的融合；搭建由第一三维卷积层、第一批量归一化层、relu激活层、第二三维卷积层、第二批量归一化层构成的解码主特征分支，配置双通道加法层完成残差特征融合，最后经relu激活输出融合解码特征；在残差模块前端增设三维卷积对拼接后的融合特征进行通道映射与特征优化，组合形成完整的解码特征恢复单元；

27、设置通道数为16的第二级解码单元；先配置步长为2的三维转置卷积层对第一级解码单元的解码输出特征进行上采样，恢复三维特征分辨率；设置通道维度拼接层实现上采样特征与第一级编码器浅层细节特征的融合；搭建由第一三维卷积层、第一批量归一化层、relu激活层、第二三维卷积层、第二批量归一化层构成的解码主特征分支，配置双通道加法层完成残差特征融合，最后经relu激活输出融合解码特征；在残差模块前端增设三维卷积对拼接后的融合特征进行通道映射与特征优化，组合形成完整的解码特征恢复单元；

28、s304：设置1×1×1三维卷积层，对第二级解码单元输出的融合特征进行通道降维压缩，在三维卷积层后配置sigmoid激活层，对卷积输出特征做归一化处理，将特征数值映射至0-1概率区间；

29、s305：将三维输入层、第一级编码单元、第一级下采样池化层、第二级编码单元、第二级下采样池化层、第三级编码单元、第一级解码单元配套上采样层与拼接层、第一级解码单元、第二级解码单元配套上采样层与拼接层、第二级解码单元、1×1×1三维卷积输出层、sigmoid激活层按照特征前向传播顺序依次串行拼接，得到完整线性层序列；

30、s306：基于图结构网络搭建三组残差短路支路，将唯一标识名称、各级下采样池化层输出特征和对应编码单元自身卷积主分支输出特征进行对齐；将带有唯一标识名称的三维输入层输出特征接入第一级编码器双通道加法层的第二输入端口，将第一级下采样池化层输出特征接入第二级编码器双通道加法层的第二输入端口，将第二级下采样池化层输出特征接入第三级编码器双通道加法层的第二输入端口；

31、s307：基于图结构网络搭建两组u型跨层跳跃融合支路，u型跨层跳跃融合支路用于将浅层细节特征、中层特征跨层级传递至解码阶段，实现深浅层断层特征跨尺度语义对齐；将第二级编码器输出的中层特征跨层接入第一级解码器通道拼接层的第二输入端口，将第一级编码器输出的浅层细节特征跨层接入第二级解码器通道拼接层的第二输入端口；沿通道维度拼接深层全局语义特征与浅层高分辨率细节特征，在完整线性层序列的基础上，通过残差短路支路逐元素相加融合编码阶段多尺度特征、通过u型跨层跳跃融合支路通道拼接融合编解码间深浅特征，得到多尺度残差跳跃特征对齐型3d-resunet网络图结构变量。

32、进一步地，s3中还包括：

33、s308：以序号x3等于1至300为外层循环，以预设时间采样点减去预设输入尺寸参数加1作为第一上边界，以常数1作为第一下边界，生成一个介于第一上边界和第一下边界之间的随机整数并记为st，以预设主测线总数减去预设输入尺寸参数加1作为第二上边界，以常数1作为第二下边界，生成一个介于第二上边界和第二下边界之间的随机整数并记为sx，以预设联络测线总数减去预设输入尺寸参数加1作为第三上边界，以常数1作为第三下边界，生成一个介于第三上边界和第三下边界之间的随机整数并记为sy；分别以st、sx和sy为起点，以预设输入尺寸参数为长度截取三维断层输入体，得到三维断层输入体子块；

34、s309：创建一个三维全0数组label，以序号d等于1至预设输入尺寸参数为中层循环，以序号x4等于1至预设输入尺寸参数为内层循环，将d和x4加权求和以后叠加一个范围为-2到2的整数偏移，再将结果取值后作为整数坐标yf，判断整数坐标yf是否处于由常数2和预设输入尺寸参数减1组成的区间内，若处于则以d、x4锁定三维全0数组label的前两个维度，在三维全0数组label的第三个维度截取以整数坐标yf为中心、上下各延伸1的连续区间，并赋值上述连续区间为1得到更新后的三维全0数组label；对三维断层输入体子块叠加同尺寸正态分布随机噪声后存入预定义的训练集元胞数组的第x3位，并将更新后的三维全0数组label存入预定义的标签元胞数组的第x3位；

35、s310：结束序号x3的外层循环后，将训练集元胞数组和标签元胞数组转换为训练集元胞数据存储对象和标签元胞数据存储对象，并读取训练集元胞数据存储对象和标签元胞数据存储对象中相同索引批次的数据，得到合并后训练数据存储对象；

36、s311：使用adam优化器，以学习率为0.0001和批次大小为2，对数据进行学习训练并限定学习训练上限为12，生成训练选项对象；将多尺度残差跳跃特征对齐型3d-resunet网络图结构变量、合并后训练数据存储对象和训练选项对象，输入网络训练单元，得到网络迭代结果。

37、进一步地，s4中得到三维断层概率体，具体包括：

38、s401：读取三维断层输入体的三个维度的长度，分别记为第一长度、第二长度和第三长度，初始化概率体三维数组和权重累加体三维数组，使得概率体三维数组和权重累加体三维数组与三维断层输入体的维度相同；构建长度等于预设输入尺寸参数、角度区间为[-π/2，π/2]的一维余弦衰减窗函数，对一维余弦衰减窗函数分别沿三个空间坐标轴做三维网格拓展，生成三个三维权重矩阵wx、wy和wz；将三维权重矩阵wx、wy和wz进行逐元素相乘后转换为单精度浮点格式得到三维单精度浮点数组；

39、s402：构建序号为st1，起始点为1，终点为预设时间采样点减去预设输入尺寸参数再加1，步长为预设输入尺寸参数的二分之一的外层循环，构建序号为sx1，起始点为1，终点为预设主测线总数减去预设输入尺寸参数再加1，步长为预设输入尺寸参数的二分之一的中层循环，构建序号为sy1，起始点为1，终点为预设联络测线总数减去预设输入尺寸参数再加1，步长为预设输入尺寸参数的二分之一的内层循环；分别以st1、sx1和sy1为起点，以预设输入尺寸参数为长度截取三维断层输入体，然后新增一维样本维度对截取后的三维断层输入体进行维度重构，生成四维数据样本；

40、s403：将四维数据样本和网络迭代结果作为输入，执行前向推理运算，得到初始预测结果，然后删除一维样本维度将初始预测结果还原为三维数组结构，作为预测概率数组；将预测概率数组与三维单精度浮点数组执行点乘，利用点乘结果叠加概率体三维数组以st1、sx1和sy1为起点，以预设输入尺寸参数为长度的切块区域后更新切块区域；利用三维单精度浮点数组叠加权重累加体三维数组以st1、sx1和sy1为起点，以预设输入尺寸参数为长度的切块区域后更新切块区域，直到s402的外层循环结束；

41、s404：将s403结束后得到的概率体三维数组点与权重累加体三维数组执行逐元素相除，得到三维断层概率体。

42、进一步地，s5具体包括：

43、s501：依据预设断层概率阈值对三维断层概率体进行逐元素二值化，将元素高于阈值的区域标记为断层有效区域，其余标记为背景，并转换为单精度浮点格式得到原始断层二值数据体；

44、s502：对原始断层二值数据体进行三维连通区域检测，采用26邻域空间连通判别规则识别相互独立的断层构造区域，并记录各独立断层区域包含的全部元素位置与断层总块数作为输出结构体；对输出结构体，统计每一处断层构造区域对应的空间体积，生成各断层块体积统计数据表；提取各独立断层区域对应的体积统计数值，形成存储所有断层块元素总量的一维数值序列；

45、s503：根据预设最小有效元素阈值筛选出体积达标的独立断层区域编号；生成与原始断层二值数据体尺寸一致、初始全为背景值的空白三维存储数组；依次遍历所有保留的断层区域，读取各断层区域对应的全部空间元素位置，在空白数组中将对应位置标记为断层有效区域，得到三维二值断层数据体，作为断层识别结果。

46、本发明还提出一种基于深度学习的断层识别系统，用于实现上述的一种基于深度学习的断层识别方法，基于深度学习的断层识别系统包括数据获取模块、数据分析模块和结果输出模块，数据获取模块与数据分析模块相连，数据分析模块与结果输出模块相连，数据获取模块用于获取矿区勘查区的存储格式为segy的三维地震数据，数据分析模块用于获得断层识别结果，结果输出模块用于输出断层识别结果。

47、本发明与现有技术相比的有益技术效果在于：

48、（1）通过单道振幅均衡、全域数据归一化、5%分位数自适应坏道判别与3×3邻域均值插值修复，消除数据采集过程存在的道间振幅差异、坏道与基底随机噪声，最大限度保留微小断裂等弱反射细节特征；

49、（2）采用128阶零相位双向fir带通滤波器完成地震数据低、中、高频精准分频，利用陡峭过渡带实现频段无混叠分割；结合中频偏重加权融合规则与3×3中值降噪，充分利用了中频信号对中小断层的高敏感性特征，减轻了传统方法大小断层特征相互干扰、薄层微小断裂特征难以凸显的问题；

50、（3）构建16-32-64通道的逐级升维三级编码与两级解码三维残差网络，设置残差短路支路与u型跳跃融合支路，实现编码输入特征、中层压缩特征与解码重构特征的精准语义对齐，有效缓解三维深度网络梯度消失问题；

51、（4）构建三维余弦衰减权重矩阵，采用半重叠滑动窗口逐块推理，通过块中心高权重、边缘低权重的加权累加与全局归一化融合策略，平滑拼接块边界差异，消除切块拼接伪影，保证最终三维断层概率体空间过渡连续、构造形态完整，避免断层断裂、虚假边界等失真问题的出现；

52、（5）在概率二值化基础上采用三维26邻域连通域检测规则精准划分独立断层单元，通过量化统计各断块空间体积并设置最小有效元素阈值，自动滤除噪声误判产生的零散微小伪断层碎块，解决传统阈值分割易产生大量细碎噪点、伪断层误识别率高的问题，在保留真实微小断层的同时抑制虚假异常，显著提升断层识别结果的精度。