MC?Res2UNet 網絡在鹽體識別中的應用

摘要： 精確識別埋藏在地表下的鹽體對于石油和天然氣勘探有重大意義。傳統的語義分割算法依然存在對鹽體的識別精度較低、邊緣識別效果較差、識別效率低等問題。文中提出一種基于MC?Res2UNet 網絡的鹽體識別方法，該網絡整體架構由U?Net 網絡改進。首先，使用Res2Net 網絡作為編碼器提取鹽體特征信息；然后，在解碼層中的卷積之后引入CBAM 注意力模塊重新分配鹽體空間信息和通道信息，抑制不重要的信息；最后，利用多尺度特征融合模塊融合空間信息和語義信息，提高鹽體識別精度。將文中提出的MC?Res2UNet 模型用于TGS 鹽體數據集進行驗證，像素準確率可達到96. 6%，交并比可達到86. 8%，優于傳統的DeepLabV3+ 、DANet 等語義分割方法，對地下鹽體有更好的識別效果。

關鍵詞： 鹽體識別，U?Net，多尺度特征融合，注意力機制

中圖分類號：P631 文獻標識碼：A DOI：10. 13810/j. cnki. issn. 1000-7210. 20240073

0 引言

鹽體是在不同地質條件作用下，鹽巖發生塑性流動并與周圍地層發生復雜的相互作用所形成的地質變形體[1]。鹽體運動形成的豐富圈閉為油氣聚集提供了條件，且區域性鹽巖的存在和分布也為油氣的保存提供了良好的條件[2-3]，所以有大量石油和天然氣聚集的地區往往也會在地表下面形成鹽沉積物。鹽體具有特征簡單卻又難以識別的特性，鹽體密度遠低于大多數周圍的巖石密度，而鹽體的地震速度卻比周圍巖石速度高。鹽體的異常高的地震速度可能影響地震數據的質量，會導致地震成像問題。

近年來，隨著深度學習的快速發展，特別是卷積神經網絡（Convolutional Neural Network，CNN）的提出，其在圖像分割、分類和目標檢測等計算機視覺任務中表現優異。地球物理學家應用CNN[4-6]分析地震數據，以加快解釋過程，在一定程度上減少了人為偏差。Waldeland 等[7]將CNN 用于鹽體識別，將三維地震圖像切分成65×65×65 大小的地震振幅立方體，通過預測小立方體中心點的像素類別判斷是否為鹽，展示了CNN 在地震數據分析方面的應用前景。而全卷積神經網絡（Fully ConvolutionalNetworks，FCN）的提出，極大地促進了語義分割技術的發展，實現了圖像像素級別的分類。但為了克服FCN 中直接將低分辨率的特征圖上采樣到原始輸入圖像的大小，導致輸出分割圖像細節缺失的問題，隨之出現了一系列基于編碼器和解碼器的分割網絡，U?Net[8-9]網絡就是其中的典型代表，網絡架構由對稱的編碼器和解碼器組成，同時引入跳躍連接緩解連續下采樣而損失的空間信息，將鹽體識別看做是一個二分類語義分割問題。張玉璽等[10]將鹽敏感地震屬性輸入到U?Net 網絡進行訓練，并利用集成學習提高模型識別準確度， 在F3 數據集上取得了不錯的鹽識別效果。Zeng 等[11]結合U?Net 分割網絡和ResNet[12]分類網絡實現鹽體圖像高精度分割，在SEG-SEAM 數據集上執行自動鹽體解釋，取得了和人工解釋高度一致的結果。Islam 等[13]使用SE-ResNet[14]分類網絡和U?Net 分割網絡相結合解決鹽體識別問題，驗證了注意力機制對增強鹽特征提取的有效性。Saad 等[15]在U?Net 的基礎上結合DenseNet 網絡與SeNet 網絡設計鹽體識別網絡，同時該網絡包含雙分支解碼器結構，通過一個分支預測鹽體，另一個分支重建輸入的地震數據，以此實現高精度的識別鹽體。

由于鹽體結構通常無定形，沒有一些特殊的內部結構，現有的逐層多尺度卷積方法未能充分的提取鹽體多尺度特征信息，導致網絡對于狹長鹽體和復雜結構鹽體識別精度較低、邊緣識別效果較差。

為了改善地震鹽體分割效果，更加高效、準確識別地震圖像中的鹽體信息，本文提出了一種U?Net網絡和Res2Net[16]網絡相結合的方法進行地震鹽體分割，命名為MC?Res2UNet。首先在U?Net 基礎上進行改進，利用Res2Net 網絡作為編碼器，Res2Net 具有強大的多尺度特征提取能力，可以在更細粒度層面提取多尺度特征，從而增大模型的感受野并獲取更豐富的鹽體特征；其次將CBAM[17]注意力模塊引入網絡解碼層中，通過重新分配特征圖通道權重和空間權重，進一步整合鹽體特征圖的空間信息和通道信息，抑制不相關的信息；最后利用多尺度特征融合模塊充分融合不同層級的鹽空間信息和語義信息，增強模型特征表示能力，提高模型的鹽體識別精度。實驗結果表明，本文方法能夠精確地識別地震圖像中的復雜鹽體。

1 鹽體識別模型

1. 1 MC?Res2UNet 鹽體識別網絡

本文在傳統的U?Net 網絡結構上進行相關改進，結合注意力機制和特征提取網絡Res2Net 以及多尺度特征融合模塊，形成MC?Res2UNet 網絡結構（圖1），將地震數據分為鹽和非鹽類，輸入地震圖像尺寸為128×128×3，最后一個維度表示RGB 顏色，網絡輸出維度為128×128×2。

首先，將原始U?Net 網絡的編碼器替換為能夠在細粒度級別提取多尺度特征的Res2Net50 網絡，增強模型的感受野并獲取更豐富的鹽體特征信息。其中Res2-1～Res2-4 均為Res2Net50 網絡的四個不同階段，其基本單元Res2 塊的數量分別為3、4、6、3。為了防止下采樣次數過多，損失過多的空間信息，便將Conv-1 的最大池化操作去掉，鹽體特征圖經過5 次連續卷積編碼后，特征圖大小從128×128縮小至8×8，通道數則從3 維增加到2048 維，之后通過兩個3×3 卷積操作將特征圖降維至256 維。

其次，解碼器（Decoder）部分與U?Net 網絡類似，將編碼器的低級語義信息與下層解碼器經過上采樣得到的高級語義特征進行拼接并進行卷積操作，同時在拼接處引入dropout 層防止模型過擬合并在每層解碼模塊之后引入CBAM 注意力模塊，進一步整合鹽體特征圖的空間特征信息和通道特征信息，抑制不重要的信息。最后，將不同層級的特征圖通過Upsample 函數上采樣到與輸入數據相同大小進行多尺度特征融合（MFF），充分融合鹽體空間信息和語義信息，從而訓練出更準確的分割模型。

1. 2 編碼模塊

使用Res2Net 作為編碼器對輸入地震數據進行特征提取。與ResNet 結構類似，其在傳統殘差結構進行多尺度增強，在單個殘差塊內構造具有等級制的類似殘差連接，取代了通用的單個3×3 卷積核。從而在更細粒度級別表示多尺度特征，并增加了每個網絡層的感受野，其結構圖如圖2 所示。