(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210467937.4 (22)申请日 2022.04.29 (71)申请人 南京大学 地址 210023 江苏省南京市栖霞区仙林大 道163号 (72)发明人 笪玥　唐杰　武港山　 (74)专利代理 机构 南京天翼专利代理有限责任 公司 321 12 专利代理师 奚铭 (51)Int.Cl. G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种融合多层空洞卷积与注意力机制的三 维断层识别方法 (57)摘要 一种融合多层空洞卷积与注意力机制的三 维断层识别方法， 通过识别网络对输入的待预测 图像输出断层识别结果， 识别网络包括基于多层 空洞卷积的H ‑Unet网络和基于注意力机制的RA ‑ Unet网络， 以三维合成地震数据体和其标签作为 输入分别训练H ‑Unet网络和RA ‑Unet网络， 将两 个网络的预测结果相融合， 对两个网络在每个像 素点上的预测结果进行加权求平均， 输出最后的 预测图像作为识别结果。 本发明针对三维地震断 层识别特点， 设计了基于多层空洞卷积的H ‑Unet 网络和基于注意力机制的RA ‑Unet网络融合的识 别网络， 能够有效提取三维地震数据体的信息， 识别断层 及其宽度和 局部细节。 权利要求书1页 说明书5页 附图3页 CN 114972939 A 2022.08.30 CN 114972939 A 1.一种融合多层空洞卷积与注意力机制的三维断层识别方法， 其特征是通过识别网络 对输入的待 预测图像输出断层识别结果， 识别网络包括基于多层空洞卷积的H ‑Unet网络和 基于注意力机制的RA ‑Unet网络， 以三维合成地震数据体和其标签作为输入分别训练H ‑ Unet网络和RA ‑Unet网络， 将 两个网络的预测结果相融合， 对两个网络在每个像素点上的预 测结果进行加权求平均， 输出最后的预测图像作为识别结果， H‑Unet网络基于Unet网络改进其收缩路径， 在收缩路径以HD模块替换Unet编码器中的 卷积块， 所述HD模块由3 ×3×3的卷积层和空洞率为3、 5的空洞卷积层组合而成， 同时使用 混合扩张卷积和正常卷积来 提取地震图像的多尺度特 征， RA‑Unet网络基于Unet网络改进其扩展路径， 扩展路径包括三级残差模块和注意门模 块， 在U‑Net网络中的跳跃连接中加入注意门模块， 低层特征图经上采样及残差模块输出， 同时作为门控信号向量与跳跃连接来的特征图经过注意门模块输出， 两个输出拼接后输入 下一级， 最终得到网络 输出， 训练分别输入两个模型， 进行 联合训练， 损失函数为： 其中N是标签的总数， gi为真实值， 即标签值， pi为网络输出的预测值， w为非断层点占 比， λ为调节参数， 通过损失函数计算网络中各网络层的参数梯度， 使用Adam优化器对其进 行监督训练。 2.根据权利要求1所述的一种融合多层空洞卷积与注意力机制的三维断层识别方法， 其特征是注意门模块接收左上层特征图xl和右下层特征图gl， 左上层指由跳跃连接过来的 编码器端的特征 图， 右下层指解码器 的上一级输出的特征 图， 右下层特征图gl作为门控信 号向量， 得到注意门模块的输出α xl， α 为注意系数： 其中σ 是sigmo id激活函数， σl是Relu激活函数， wx、 wg和 ψ是线性变换， bg和bψ是偏移项。 3.根据权利要求1所述的一种融合多层空洞卷积与注意力机制的三维断层识别方法， 其特征是针对调节参数 λ 设置 衰减策略， 设置 λ 随当前的epoc h的大小而改变， j为当前epoch数， n为总epoc h数量。权　利　要　求　书 1/1 页 2 CN 114972939 A 2一种融合多层空洞卷积与注意力机制的三维断层识别方 法 技术领域 [0001]本发明属于计算机数据处理技术领域， 涉及地震勘探数据解释以及计算机深度学 习技术， 具体为 一种融合多层空洞卷积与注意力机制的三维断层识别方法。 背景技术 [0002]断层是地壳上部因脆性变形而形成的突出地质特征。 断层识别对油气勘探有着十 分重要的意义， 因此断层识别是地震数据解释的重要内容。 传统的地震反射数据的断层解 释是一个依赖于地震反射数据质量和解释者经验的手动过程。 这一过程十 分费时又需要 大 量的手动重复工作， 对单个数据集的解释通常需要花费数周到数月的时间来完成。 研究人 员试图使用地震属 性来辅助解释， 但是 由于需要手动选择特征结果具有不确定性， 解释结 果难以量化。 深度卷积神经网络在断层识别的应用的主要优点是它们可以自动识别和描述 地质特征， 从而将断层识别这一工作流程自动化。 由于计算机性能的飞速发展， 深度卷积神 经网络将断层生 成以及断层解释生命周期从数月缩短到数小时或者数分钟。 利用D CNN进行 断层识别的方法主要有两种， 一种是把 断层识别问题转化为二值分类问题， 如Di等人[1]使 用31\times31的窗口进行滑动， 借助于滑动窗口识别中心像素是否属 于断层。 这一方法引 入了冗余参数， 且需要对处理结果重构化。 另一种是将断层识别问题视作图像分割问题， 例 如Wu等人[2]使用合成数据训练3D  U‑Net， 然后在合成和实际现场数据上进行测试， 但该方 法断层细化程度不够高， 断层边缘模糊， 且出现了孤立小连通断层区域的情况， 所以该方法 仍存在改进的空间。 [0003]对于三维地震数据断层识别， 现有技术基于U ‑Net网络也研究了各种改进， 如下列 改进的方案 。 [0004]1、 Double  Unet[3]中输入图像依次通过两个UNet的编解码结构， 基于在ImageNet 上预训练的VGG ‑19网络， 在医学图像分割上取得了不错的效果。 该框架利用了预训练的 VGG， 两个网络的Decoder部分则和原始UNet没有过多改动， 但由于该网络对应的ImageNet 与地震图像数据集识别特 征的差异性较大， 该 方法无法在地震数据集上 取得较好的结果。 [0005]2、 MultiResUNet[4]中的模块为三个3x3的卷积结果拼接起来作为一个组合的特征 图， 再与输入特征图经过1x1卷积得到的结果相加 。 对于断层识别问题， 该unet存在感受野 不够大的局限性。 [0006]参考文献 [0007][1]DI H,WANG Z,ALREGIB  G.Seismic  fault detection  from post‑stack  amplitude  by conv olutional  neural networks[C]//80th  EAGE Conference  and  Exhibiti on 2018:Vol 2018.2018 :1–5. [0008][2]WU X,LIANG L,SHI Y,et al.FaultSeg3D:Using  synthetic  data sets to  train an end‑to‑end convolutional  neural network for 3D seismic fault  segmentati on[J].Geophysics,2019,84(3):IM 35–IM45. [0009][3]D.Jha,M.A.Riegler,D.Johansen,P.Halvorsen  and H.D.Johansen,"说　明　书 1/5 页 3 CN 114972939 A 3