基于CBAM注意力机制的地震相识别方法及装置

本发明涉及地震相识别的，尤其涉及一种基于cbam注意力机制的地震相识别方法，以及一种基于cbam注意力机制的地震相识别装置。

背景技术：

1、地震相识别技术是在石油勘探及某些盐矿、煤田勘探中的有力工具。地震相是地下沉积相在地震数据中的表现，可以间接反映地下沉积特征，其准确识别对于沉积相研究以及油气勘探开发具有重要意义。传统的地震相识别划分是指专业人员根据沉积相在地震剖面上的特征以及经验，通过肉眼在地震剖面上人工识别划分，俗称相面法。该方法工作量较大，专业门槛要求较高，且人工解释存在一定的多解性，使得解释结果具有一定的主观性。随着地震勘探技术的进步和勘探开发要求的提高，导致地震数据量急剧增加和解释精度需求越来越高，人工方法难以满足要求。近年得益于计算资源的快速发展，以深度学习为代表的人工智能技术也随之快速发展，该方法在自动驾驶、语言翻译和医疗影像处理等诸多领域得到广泛应用。传统地震相分析中的“相面法”依靠的是人类视觉系统进行工作，而计算机视觉就是通过使用计算机来模拟人类视觉系统，替代人类完成相应的工作。由于受到人的主观因素影响，地震相划分结果具有很强的不确定性。随着计算机性能的不断提升，属性分析和波形聚类成为主要的地震相识别方法。与人工解释相比，属性分析大大提高了地震相划分的效率，然而地震属性与目标地质体之间的关系十分复杂，很难评估分类结果的可靠性。基于地震波形聚类的方法可以消除地震属性分析的局限性，然而这种方法对地震资料的要求较高，而且不适用于地层厚度变化较大的地区。随着各大油田勘探目标转向非常规油气藏，传统方法的适用性和可靠性已不能满足现有地震相分析的要求。因此，研究一种快速有效的地震相识别方法显得尤为重要。

2、为达到这一目标，卷积神经网络(cnn)凭借其自动对图像包含的语义信息进行提取的能力，不仅能够对单个像素值的强度进行分析，还能对图像之中的纹理、边缘、形状等模式进行分析，已经成为计算机视觉领域的主导技术。为了得到更加精确的地震相分析结果，研究人员需要对地震相的边界进行准确定位，而对地震相小块使用卷积分类算法的结果往往会在不同地震相边缘出现锯齿。通过语义分割技术，能够提升地震相分析结果边缘的平滑性，提升地震相分析效果dramsch等通过迁移学习方法，使用经过预训练的vgg16模型进行地震相预测；这些学者将地震剖面划分为独立的小窗口，使用卷积层进行特征提取，之后连接全连接层输出预测的地震相类别，作为小窗口的预测结果，经过循环预测后，得到整个地震剖面的预测结果。这种方法不能有效利用地震相的空间分布规律，并且预测的分辨率和预测速度相互制约。alaudah等使用编码-解码器进行地震相识别，提高了网络的预测速度，但预测准确率仍然较低；fangyu li等将基于注意力机制的深度扩张卷积神经网络用于地震相识别，通过频谱分解，将不同的频率成分的地震记录输入网络，提高了分类精度，但是存在miou(mean intersection over union)较低的问题。

3、目前，地震相识别技术通常分为基于卷积分类网络的方法和基于语义分割的方法。实际应用中，基于卷积的方法较之基于语义分割的方法更加普遍。基于卷积分类的表示方法之所以较为流行，是因为利用卷积神经网络进行的学习任务，可以较好地建立图像特征与目标的映射关系，从而对地震剖面进行分析可以较为容易提高识别的精度。但是卷积分类网络存在数据规模越大，相应的训练时间成本也越大；使用基于语义分割的地震相识别方法，图像语义分割可以将图像中不同的目标分割出来，因此可以运用语义分割方法进行地震相图像的像素级别划分。但是存在当模型结构设计不合理时，使得地震相识别到的地质体边界不够清晰等问题。

4、深度学习中的注意力机制(attention mechanism)是一种模仿人类视觉和认知系统的方法，它允许神经网络在处理输入数据时集中注意力于相关的部分。通过引入注意力机制，神经网络能够自动地学习并选择性地关注输入中的重要信息，提高模型的性能和泛化能力。因此本文提出了一种基于u-net及cbam(convolutional block attentionmodule)注意力机制的语义分割网络。

技术实现思路

1、为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种基于cbam注意力机制的地震相识别方法，其对六种地震相的识别准确，保持地震相边缘信息使得分割画面细致完整，为地震相的智能检测提供有力支持。

2、本发明的技术方案是：这种基于cbam注意力机制的地震相识别方法，包括以下步骤：

3、(1)数据处理，从原始数据集中选择二维切片作为图像数据和相应的标签数据，将图像数据和标签数据扩展到三维张量，使用双线性插值将图像数据和标签数据调整为指定的尺寸，对图像数据进行归一化处理；

4、(2)构建cbam-u-net模型，通过u-net的编码器-解码器结构进行特征提取和重建，并通过cbam模块增强特征表示能力，网络以u-net为主体框架，分为编码器和解码器两部分，每层编码器由两层卷积核为3的卷积层、注意力模块和下采样层构成；

5、(3)构建cbam注意力模块，其包括：增强特征通道之间相关性的通道注意力模块cam、对特征图的每个位置进行自适应加权的空间注意力模块sam；通道注意力模块中，给定一个特征图f，对该特征图分别进行最大平均池化和全局平均池化，最大池化提取纹理细节特征，减少无用信息影响，平均池化保留背景语义信息，将所获取的两种特征信息送入全连接层，将所得结果进行融合以获取拥有更丰富语义细节的特征，随后利用激活函数将权重归一化与原始特征进行相乘得到最终结果；空间注意力模块中，对于图像分割重要的像素点分配权重以增强网络分割性能；

6、(4)采用dice loss作为损失函数

7、

8、在训练图像分割模型时，将dice loss作为优化目标，最小化diceloss。

9、本发明在收缩-扩张路径的u-net网络中嵌入注意力模块，使网络处理数据时重点关注地震相边缘信息，提高多任务细节分割精度，改善错分、漏分现象；cbam轻量型注意力模块动态调整每个特征通道的权重，使模型更加关注输入图片中的地震相边缘信息、整体走向，增强特征表示；cbam-u-net在边界划分上更加规整，对薄层的识别度有所提升，分割精度明显提高，cbam-u-net对地震相的识别最准确，保持地震相边缘信息使得分割画面细致完整；结果证实了注意力模块在多目标语义分割中的有效性和必要性，为地震相的智能检测提供有力支持，可以大大降低地震相识别的应用难度，潜在应用十分广泛。

10、还提供了一种基于cbam注意力机制的地震相识别装置，该装置包括：

11、数据处理模块，其从原始数据集中选择二维切片作为图像数据和相应的标签数据，将图像数据和标签数据扩展到三维张量，使用双线性插值将图像数据和标签数据调整为指定的尺寸，对图像数据进行归一化处理；

12、cbam-u-net模型，其通过u-net的编码器-解码器结构进行特征提取和重建，并通过cbam模块增强特征表示能力，网络以u-net为主体框架，分为编码器和解码器两部分，每层编码器由两层卷积核为3的卷积层、注意力模块和下采样层构成；

13、cbam注意力模块，其包括：增强特征通道之间相关性的通道注意力模块cam、对特征图的每个位置进行自适应加权的空间注意力模块sam；通道注意力模块中，给定一个特征图f，对该特征图分别进行最大平均池化和全局平均池化，最大池化提取纹理细节特征，减少无用信息影响，平均池化保留背景语义信息，将所获取的两种特征信息送入全连接层，将所得结果进行融合以获取拥有更丰富语义细节的特征，随后利用激活函数将权重归一化与原始特征进行相乘得到最终结果；空间注意力模块中，对于图像分割重要的像素点分配权重以增强网络分割性能；

14、损失函数模块，其采用dice loss作为损失函数

15、

16、在训练图像分割模型时，将dice loss作为优化目标，最小化dice

17、loss。

技术特征：

1.基于cbam注意力机制的地震相识别方法，其特征在于：该方法包括以下步骤：

2.根据权利要求1所述的基于cbam注意力机制的地震相识别方法，其特征在于：所述步骤(1)中，将像素值缩放到[0,1]的范围内，将归一化后的图像数据转换为整数类型，并将像素值限制在[0,255]的范围内；再次对图像数据进行归一化处理，并将图像数据复制到三个通道以匹配典型的彩色图像格式。

3.根据权利要求2所述的基于cbam注意力机制的地震相识别方法，其特征在于：所述步骤(1)中，数据集以训练部分的每个采样点为中心，切割成1372个图像，每个类的样本数量相等，四种增强方法用于生成不同的数据立方体:翻转、拉伸、旋转和倾斜，将图像按照7：2：1随机划分为训练集、验证集、测试集。

4.根据权利要求3所述的基于cbam注意力机制的地震相识别方法，其特征在于：所述步骤(2)中，输入一张地震剖面图，蓝色箭头表示卷积层，首先对其进行卷积，其中蓝色箭头代表3×3卷积用于特征提取，每个编码层包含两个卷积层，doubleconv模块是一个基础卷积块，包括两个连续的卷积层，每个卷积层后面跟着批量归一化和relu激活函数，通过两次卷积操作提取丰富的特征，并通过批量归一化稳定训练，relu激活函数引入非线性，提高模型的表达能力；对特征图进行最大池化操作，对图像进行下采样，重复5次下采样共得到5个特征图，特征图从大而扁平变得小而立体；通过池化层降低特征图的空间分辨率，增加特征的感受野；跳跃连接存储每个卷积块的输出，用于后续解码器路径中的特征融合；将编码器阶段所得的5层特征图先通过cbam进行特征加强，聚焦地震相边缘信息减弱对非边缘信息的关注，每层解码器包含两层卷积核为3的卷积层和上采样层，每次上采样后，将上采样后的特征图与对应的跳跃连接特征图拼接，拼接后的特征图通过卷积块doubleconv和cbam模块进一步处理，确保拼接时特征图尺寸一致，如果不一致，使用图像处理函数调整尺寸；

5.根据权利要求4所述的基于cbam注意力机制的地震相识别方法，其特征在于：所述步骤(3)的通道注意力模块cam中，首先对输入特征f进行max-pooling和average-pooling操作，

6.根据权利要求5所述的基于cbam注意力机制的地震相识别方法，其特征在于：所述步骤(3)的空间注意力模块sam中，对输入进来的特征层，在每一个特征点的通道上取最大值和平均值，之后将这两个结果进行一个堆叠，利用一次通道数为1的卷积调整通道数，然后取一个sigmod，获得输入特征层每一个特征点的权值，其在0-1之间，在获得这个权值后，将这个权值乘上原输入特征层，其公式表示如下：

7.根据权利要求6所述的基于cbam注意力机制的地震相识别方法，其特征在于：该方法还包括步骤(5)，模型进行图像分割时，对每个像素进行识别并为其分配一个唯一的标签，抽取6张具有代表性的图片，以验证各个模型对不同类型裂缝的分割效果。

8.基于cbam注意力机制的地震相识别装置，其特征在于：该装置包括：

9.根据权利要求8所述的基于cbam注意力机制的地震相识别装置，其特征在于：所述数据处理模块中，将像素值缩放到[0,1]的范围内，将归一化后的图像数据转换为整数类型，并将像素值限制在[0,255]的范围内；再次对图像数据进行归一化处理，并将图像数据复制到三个通道以匹配典型的彩色图像格式；

10.根据权利要求9所述的基于cbam注意力机制的地震相识别装置，其特征在于：所述cbam-u-net模型中，输入一张地震剖面图，蓝色箭头表示卷积层，首先对其进行卷积，其中蓝色箭头代表3×3卷积用于特征提取，每个编码层包含两个卷积层，doubleconv模块是一个基础卷积块，包括两个连续的卷积层，每个卷积层后面跟着批量归一化和relu激活函数，通过两次卷积操作提取丰富的特征，并通过批量归一化稳定训练，relu激活函数引入非线性，提高模型的表达能力；

技术总结
基于CBAM注意力机制的地震相识别方法及装置，对六种地震相的识别准确，保持地震相边缘信息使得分割画面细致完整，为地震相的智能检测提供有力支持。方法包括：(1)数据处理；(2)构建CBAM‑U‑Net模型；(3)构建CBAM注意力模块；(4)采用Dice Loss作为损失函数，在训练图像分割模型时，将Dice Loss作为优化目标，最小化Dice Loss。

技术研发人员：郭恒亮,周文阁,吴刚,李庆洋,张杜娟,万涛,国运东,郭阳,刘向东,商建东
受保护的技术使用者：郑州大学
技术研发日：
技术公布日：2024/12/5