基于改進UNet++的地震斷層識別方法研究

張利霞,高俊濤,馬 強,楊潤湉,王志寶,李 菲

(1.東北石油大學 計算機與信息技術學院,黑龍江 大慶 163318;2.黑龍江八一農墾大學 信息與電氣工程學院,黑龍江 大慶 163319)

0 引 言

斷層是地下巖層沿破裂面或破裂帶發生位移而形成的一種地質構造。它是油氣運移和聚集的主要通道。在油氣勘探開發過程中,斷層解釋是地震資料解釋的關鍵,弄清斷層的位置及分布對于油氣勘探有著十分重要的作用,斷層解釋的結果直接關系到儲層預測的精度。因此,如何從變化多樣的地震剖面數據中準確高效地識別斷層成為了一項難題,對此,許多國內外學者進行了大量研究。

傳統斷層解釋由解釋人員手工拾取地震剖面上的同相軸不連續點,將這些點連接成斷層線,逐個地震剖面解釋完畢后,將斷層線在三維空間中進行組合,得到斷層面。人工解釋的結果準確度雖然高,但是比較耗時費力,并且主觀性強,非常依賴于解釋人員的經驗。為了解決傳統斷層識別方法存在的不足,相關學者提出了利用相干體、曲率、方差等地震屬性來識別斷層的方法,Bahorich等人[1]在1995年提出C1相干體技術,此方法的計算速度很快,但易受噪聲的干擾。為了彌補C1相干體技術存在的不足,Marfurt等人[2]在1998年提出了C2相干體技術,不僅保證了計算速度,同時提高了抗噪性,但是對于小斷層的識別效率比較低。Gersztenkorn等人[3]在1999年提出了C3相干體技術,提高了斷層識別的精度,但是計算量較大。印興耀等人[4]在2014年提出了一種基于離心窗的傾角掃描方法,降低了地震噪聲的影響,提高了計算的效率。楊國權等人[5]在2015年提出了使用不同網格提取曲率的方法,但是曲率易受人為因素影響,主觀性大,識別準確率較低。汪杰和汪銳[6]在2016年提出了方差相干體技術,改善了噪聲影響,對較大斷層識別效果較好,但小斷層的識別效果較差。馬藝璇等人[7]在2020年提出了基于匹配追蹤頻譜分解的分頻相干體技術,改進螞蟻追蹤流程,提高斷裂刻畫精度。謝清惠等人[8]在2021年根據工區實際情況,引進螞蟻追蹤技術來進行裂縫預測,并通過降噪、增強連續性、突出斷層邊界、剔除假構造等手段提高裂縫預測的精度。基于地震屬性的斷層識別算法在不斷的優化與改進,但是依賴于算法參數的設置,許多參數需要經過多次測試才能得到理想效果,并且對于地質構造復雜的斷層仍然很難有效識別。

近年來,深度學習被廣泛應用于各個領域,深度學習通過多層網絡可以自動提取圖像特征,因其高效、便捷,許多學者提出基于深度學習的斷層識別方案。Huang等人[9]在2017年將多種地震屬性作為CNN的輸入,應用于斷層識別。Guo等人[10]在2018年從三維地震數據中提取出帶有斷層標簽的二維圖像用于卷積神經網絡模型的訓練,再用此模型進行高精度斷層自動識別。H.Di等人[11]在2018年將MLP和CNN的實驗結果進行對比分析,發現CNN在斷層識別效率與準確率方面均優于MLP,證明了CNN比傳統的機器學習方法好。Chang等人[12]在2019年提出了用UNet網絡識別斷層,利用合成數據與實際數據相結合,嘗試解決泛化能力低的問題。Di等人[13]在2020年以新西蘭塔拉納基盆地為例用深度卷積神經網絡(CNN),高效完成斷層的自動解釋工作。Augusto Cunha等人[14]在2020年提出在合成地震數據上利用卷積神經網絡(CNN)進行訓練和調整,并利用遷移學習預測F3地震數據的方法。Liu等人[15]在2020年提出了UNet結合ResNe-34的方法,進一步提高了斷層自動識別的精度。張政等人[16]在2020年提出了深度殘差網絡與遷移學習相結合的方法,利用人工合成的樣本加上少量的實際樣本進行遷移學習,提高了實際數據中斷層識別能力。席英杰等人[17]在2021年提出了一種改進的SPD-UNet模型,并利用空洞卷積擴大了感受野,更加有效地提高了斷層識別的能力。

已有的利用深度學習來識別斷層的方法取得了很大的進步,但仍然存在一些不足,如斷層識別的結果連續性不足,存在錯誤識別、漏識別的現象,導致無法較為精準地分割出斷層。針對該問題,提出基于CBAM-UNet++的斷層識別方法,在UNet++模型的跳躍連接處添加注意力模塊,提高UNet++對斷層的特征提取能力,從通道和空間兩個維度抑制非斷層信號的干擾。使用DropBlock防止網絡過擬合。最終對連續性不足的斷層實現準確識別,提高斷層識別的準確率。

1 方法技術

1.1 圖像分割與UNet++網絡

圖像分割是將圖像分割成不同的連續像素點的集合,按照圖像中如像素值、紋理、顏色等對圖像有意義的特征進行識別。在地質勘探中,斷層識別可以將地震數據中的斷層和非斷層看作不同的區域,用圖像分割方法提取斷層。

UNet++是一種基于深度學習的圖像分割方法,使用UNet++可以直接對地震數據進行特征提取。UNet++[18]由Zhou等人提出,該網絡是對UNet網絡模型的改進,解決了隨著UNet[19]網絡深度的增加,識別效果不一定越好的局限。UNet++由不同層級UNet疊加組成,其解碼器利用重新設計的跳躍連接以相同的分辨率密集連接,其結構如圖1所示。在UNet++中,由淺到深將2、3、4、5深度的UNet依次疊加,各層互不孤立,通過跳躍連接,依次被連接起來。由于不同層級UNet最后得到的特征維度不同,所以在每個UNet的右端模塊與1*1卷積核的卷積層連接,降低維度并監督各層訓練,最后將每層特征圖相加,得到相加特征。UNet++能夠提取到來自不同深度的特征,學習到不同深度的特征的重要程度。地震剖面圖像中同時存在局部小斷層和全局大斷層,UNet++具有考慮不同深度圖像特征的特點,因此非常適用于同時識別地震圖像中的小斷層以及大斷層。

1.2 CBAM注意力模型

2018年,WOO等人[20]提出了CBAM(Convolutional Block Attention Module),它同時結合了通道注意力和空間注意力,是一種簡單且有效的卷積神經網絡注意力模塊。CBAM模塊如圖2所示。CBAM的運算分為兩個部分,首先將通道注意力Mc(F)與輸入F相乘,得到特征圖F';然后將空間注意力Ms(F')與F'按元素相乘,得到特征圖F'',具體流程如圖2,CBAM的過程可描述為:

圖2 CBAM 模塊示意圖

F'=Mc(F)?F

(1)

F''=Ms(F')?F'

(2)

其中,F'為輸入特征圖;F''為輸出特征圖;Mc(F)為通道注意力模塊;Ms(F')為空間注意力模塊。

(1)通道注意力模塊。

通道注意力主要關注哪些特征為有意義的特征。通道注意力計算過程為:

Mc(F)=σ(MLP(AvgPool(F))+

MLP(MaxPool(F)))

(3)

其中,F為輸入特征圖;Mc(F)為通道注意力模塊;σ為sigmoid 激活函數;MLP為多層感知器;AvgPool為平均池化;MaxPool為最大池化。

它將輸入F分別通過最大值池化和平均池化得到兩個特征圖;然后將這兩個特征圖輸入到多層感知器中做降維、升維處理;之后將從多層感知器中得到兩個特征圖進行加和;同時經過sigmoid激活函數處理后,得到通道注意力Mc(F),如圖3所示。

圖3 通道注意力示意圖

(2)空間注意力模塊。

空間注意力主要關注哪些地方特征為有意義的特征,是對通道注意力的補充。空間注意力計算過程可描述為:

Ms(F')=σ(f([AvgPool(F');MaxPool(F')]))

(4)

其中,Ms(F')為空間注意力模塊;f為卷積層運算;σ為sigmoid 激活函數;AvgPool為平均池化;MaxPool為最大池化。

首先,將輸入F'分別通過最大值池化和平均池化,并將它們連接起來;然后,利用卷積網絡將其降維為一通道;之后,經過sigmoid激活函數得到空間注意力模塊,如圖4所示。

圖4 空間注意力示意圖

2 改進的CBAM-UNet++模型

為了便于理解該文的整體思路,圖5展示了完整的工作流程,分為四個步驟。第一步是樣本準備階段,在三維地震圖像中裁剪出一定的切片作為訓練樣本和預測樣本。第二步是斷層識別網絡構建階段,針對目前斷層識別存在的問題,構建CBAM-UNet++模型。第三步,利用訓練后獲得的最佳預測模型對預測數據集進行預測。第四步,將預測后的輸出圖像進行霍夫變換、膨脹腐蝕、骨架提取等后處理,得到最終的預測結果。

圖5 總體流程

針對深度學習方法在斷層識別時存在的斷層識別結果連續性不足、地震資料中非斷層樣本高于斷層樣本的問題,在UNet++網絡的基礎上,提出CBAM-UNet++模型,用于地震圖像的斷層識別,CBAM-UNet++模型整體結構如圖6所示。在UNet++跳躍連接處添加CBAM注意力模型,提高斷層區域的關注度,同時抑制無關區域的干擾,以提高標簽預測的準確性。它從通道和空間兩個維度抑制干擾,增強地震斷層的檢測能力。同時,采用了Dropout卷積塊,即每個卷積層后面都有一個DropBlock,一個批處理歸一化(BN)層和一個ReLU激活單元,如圖7所示,來達到防止神經網絡過擬合的目的。在神經網絡中引入注意力機制可以提高模型的特征表達能力[21]。

圖6 CBAM_UNet++結構

圖7 添加DropBlock后的卷積單元

2.1 DropBlock與損失函數

為避免原始UNet++訓練過程中出現的過擬合問題,在網絡模型中加入DropBlock[22]來規范卷積架構。DropBlock從一個層的特征圖中丟棄連續的區域,它是dropout的一種結構化形式[23]。DropBlock有兩個參數,分別為block_size和γ。

block_size為DropBlock的長寬,當block_size為1時,DropBlock類似于dropout。

γ為伯努利函數的概率,控制要刪除的特征數,計算公式如下:

(5)

在地震剖面圖像中,斷層線像素區域面積較小,會導致正負樣本不平衡,最終影響模型識別效果。采用Dice損失函數[24]緩解樣本的不平衡問題。

Dice系數的計算公式如下:

(6)

其中,P為斷層預測結果,G為斷層標簽,N為斷層圖像的總數,pi為P中的某一像素,gi為相同位置中G的某一像素。Dice損失函數公式如下:

(7)

2.2 斷層識別后處理

基于CBAM-UNet++的斷層識別模型可以準確提取地震剖面中的斷層線,相較于其他深度學習模型,對不連續斷層的識別精度更高。但是,由于地震剖面中的斷層存在反射特征不明顯但屬于同一斷層的問題以及破裂面破碎嚴重的問題,因此模型的輸出中不可避免有部分不連續斷層。

從圖像分割的角度看,斷層中存在的不連續的現象是正常的,但是模型輸出的直接結果降低了應用性,不能真正地被應用于地震解釋處理中,需要對輸出的初步識別結果進行后處理。方法如下:

首先對斷層預測結果進行霍夫變換,連接斷開的斷層。霍夫變換根據圖像空間中共線的點對應在參數空間里相交的線的關系把在圖像空間中的直線檢測問題轉換到參數空間里,在參數空間里進行累加統計完成直線檢測任務。

然后對霍夫變換處理后的斷層圖像進行膨脹、腐蝕、骨架提取處理,填充斷層區域,同時將斷層細化成一條線。

3 實驗與結果分析

3.1 數據集

在地震斷層識別實驗中,數據集的制作主要通過兩種方法,一種是利用人工合成的地震數據及其標簽進行訓練和測試,另一種是采用真實的地震數據及人工標注的斷層標簽進行訓練。

為了避免不正確的標注數據對網絡的學習造成誤導的問題,采用Wu等人[25]提出的合成地震斷層數據的方法,將合成地震斷層數據作為樣本集。人工合成的方法可以快速且大量地生成實驗數據,有利于實驗研究,同時避免手動標記耗時且斷層位置主觀性大的問題。

合成地震斷層數據是由地震正演模擬得到,合成過程如下:

(1)創建一維反射模型;(2)應用高斯函數在模型中增加褶皺構造;(3)添加平面剪切構造;(4)添加斷層;(5)同雷克子波褶積;(6)添加隨機噪聲。

通過此方法生成7 819張分辨率為128*128的合成地震數據和斷層標簽數據用于模型訓練,同時生成3 150張用于驗證,1 150張用于預測,生成的合成地震數據及其斷層標簽如圖8所示,其中(a)(c)(e)(g)為合成地震數據,(b)(d)(f)(h)分別為(a)(c)(e)(g)對應的斷層標簽。

圖8 合成地震數據及其斷層標簽

3.2 網絡搭建與模型訓練

提出的模型在Pytorch神經網絡框架中完成,使用的硬件環境為AMD Ryzen 9 3950X 16-Core Processor～3.49 GHz,搭載了英偉達2080 Ti GPU。實驗過程中batch_size設置為20,epoch設置為60,使用學習率1×10-4的Adam 優化器對模型訓練過程進行優化。模型的輸入尺寸為128*128*3像素。訓練平臺配置見表1。

表1 訓練平臺配置

3.3 評估指標

地震斷層的分割任務主要是將斷層從地震數據中提取出來,將二值黑白圖與斷層標簽做對比,計算出混亂矩陣中的各個數據,用于分割斷層的混亂矩陣分布,如表2所示。

表2 混亂矩陣

地震斷層識別的結果實質上是二分類的結果,同時也是一個不平衡分類問題,可以采用機器學習中分類器的評價指標來對地震斷層識別進行評價。為了評價提出方法的有效性,采用IOU、ACC、Dice、Precision、Specificity多個指標進行綜合的比較和分析,每個評估指標計算公式如下:

(8)

(9)

(10)

(11)

(12)

其中,TP代表實際是斷層且識別結果也為斷層的像素點數量,TN為實際不是斷層且識別結果也不是斷層的像素點數量,FP為實際不是斷層但是被識別成斷層部分的像素點數量,FN為實際是斷層但是沒被識別成斷層部分的像素點數量。

3.4 不同語義分割網絡對比

將設計的CBAM-UNet++與UNet++、UNet、SegNet進行比較。由表3可以看出,CBAM-UNet++算法相比于UNet++方法在IOU、ACC、Dice、Precision、Specificity分別提高了0.73、0.35、0.6、5.5、0.67百分點,相比于UNet方法在ACC、Precision、Specificity分別提高了0.18、3.87、0.5百分點,這說明加入CBAM注意力機制后,新的算法有利于斷層的分割,這說明提出的模型具有一定的優越性。

表3 CBAM-UNet++與UNet、UNet++、SegNet的結果比較 %

不同算法的分割效果如圖9所示,其中,(a)表示地震斷層原始圖像;(b)表示地震斷層實際標注;(c)表示用SegNet模型進行斷層識別的結果;(d)表示用UNet模型進行斷層識別的結果;(e)表示用UNet++模型進行斷層識別的結果;(f)表示加入CBAM注意力模型的CBAM-UNet++識別結果。從實驗結果中可以看出,SegNet在斷層中部位置存在漏識別的現象,同時在斷層頂部有部分錯誤識別;UNet、UNet++同樣在斷層中部位置存在漏失別的現象,但是相對于SegNet,在中部位置漏識別的區域減少,識別效果有明顯提高;CBAM-UNet++識別的斷層相對于以上三種模型,連續性有明顯提升,與實際標注的地震斷層形狀及位置更接近。

圖9 合成地震數據不同算法對斷層識別效果對比

3.5 北海地區F3區塊地震數據實驗結果

為了驗證CBAM-UNet++斷層識別方法在實際工區地震數據中的有效性,將提出的方法應用于北海荷蘭地區F3的某工區地震數據。從圖10中可以看出,SegNet漏識別的情況比較嚴重;UNet、UNet++同樣在剖面的中間位置存在漏識別的現象,但是相對于SegNet識別效果有明顯提高;而CBAM-UNet++與其他三種方法對比,在斷層連續性方面較好,錯誤識別率較低,能夠有效識別出絕大多數斷層線,證明了所提方法的有效性。

圖10 F3區塊不同算法的斷層識別效果對比

從表4中可以看出,CBAM-UNet++算法在IOU、ACC、Dice、Precision、Specificity這幾個評價指標上優于UNet++,同時與其他兩個算法相比CBAM-UNet++獲得了較大的提升,得到了更好的識別效果。CBAM-UNet++不僅在合成地震數據中有較好的效果,在實際地震工區中也同樣具備較好的效果。

表4 4種語義分割模型在F3地震工區中的斷層識別效果比較 %

用CBAM-UNet++網絡對F3地震數據檢測斷層,斷層檢測效果如圖10(f)所示,圖中斷層仍存在少部分斷層斷裂,此檢測結果降低了應用性,所以對CBAM-UNet++網絡檢測的斷層結果進行進一步處理。通過霍夫變換、膨脹、腐蝕、骨架提取等方法進行后處理,連接斷層斷裂的部分。最終后處理的斷層效果(圖11)與地震斷層標簽(圖10(a))進行對比,可以看出所提方法最終的預測效果與地震斷層標簽基本一致。

圖11 F3區塊地震數據后處理效果

4 結束語

從地震數據中自動提取斷層是地震解釋工作中的難點。針對人工標注斷層效率低、傳統斷層識別方法對實際地震斷層預測效果不理想的問題,將注意力機制融入到UNet++算法中,建立CBAM-UNet++模型,并將其應用地震斷層識別中,抑制無關特征的干擾,同時采用DropBlock有效地抑制網絡中產生的過擬合問題,通過引入Dice Loss損失函數以減輕地震斷層識別任務中的數據不均衡問題。該方法在合成地震數據集上進行訓練和預測,其中,IOU、ACC、Dice、Precision和Specificity指標分別達到了55.09%、96.08%、71.04%、75.51%、98.32%。CBAM提高了特征提取能力,為地震斷層識別提供了一種很好的識別效果。同時,將該方法應用于真實地震數據F3區塊進行檢驗,實驗結果表明該網絡能夠對斷層進行精準的提取。該研究展示了從二維的角度解釋斷層線,在未來的工作中,將應用深度學習方法進行三維斷層解釋的研究,直接提取三維斷層面并自動連接不連續斷層面。