MC?Res2UNet 網(wǎng)絡(luò)在鹽體識(shí)別中的應(yīng)用

摘要： 精確識(shí)別埋藏在地表下的鹽體對(duì)于石油和天然氣勘探有重大意義。傳統(tǒng)的語義分割算法依然存在對(duì)鹽體的識(shí)別精度較低、邊緣識(shí)別效果較差、識(shí)別效率低等問題。文中提出一種基于MC?Res2UNet 網(wǎng)絡(luò)的鹽體識(shí)別方法，該網(wǎng)絡(luò)整體架構(gòu)由U?Net 網(wǎng)絡(luò)改進(jìn)。首先，使用Res2Net 網(wǎng)絡(luò)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(shí)別精度。將文中提出的MC?Res2UNet 模型用于TGS 鹽體數(shù)據(jù)集進(jìn)行驗(yàn)證，像素準(zhǔn)確率可達(dá)到96. 6%，交并比可達(dá)到86. 8%，優(yōu)于傳統(tǒng)的DeepLabV3+ 、DANet 等語義分割方法，對(duì)地下鹽體有更好的識(shí)別效果。

關(guān)鍵詞： 鹽體識(shí)別，U?Net，多尺度特征融合，注意力機(jī)制

中圖分類號(hào)：P631 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10. 13810/j. cnki. issn. 1000-7210. 20240073

0 引言

鹽體是在不同地質(zhì)條件作用下，鹽巖發(fā)生塑性流動(dòng)并與周圍地層發(fā)生復(fù)雜的相互作用所形成的地質(zhì)變形體[1]。鹽體運(yùn)動(dòng)形成的豐富圈閉為油氣聚集提供了條件，且區(qū)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(qū)往往也會(huì)在地表下面形成鹽沉積物。鹽體具有特征簡單卻又難以識(shí)別的特性，鹽體密度遠(yuǎn)低于大多數(shù)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(shù)據(jù)的質(zhì)量，會(huì)導(dǎo)致地震成像問題。

近年來，隨著深度學(xué)習(xí)的快速發(fā)展，特別是卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）的提出，其在圖像分割、分類和目標(biāo)檢測等計(jì)算機(jī)視覺任務(wù)中表現(xiàn)優(yōu)異。地球物理學(xué)家應(yīng)用CNN[4-6]分析地震數(shù)據(jù)，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(shí)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(yù)測小立方體中心點(diǎn)的像素類別判斷是否為鹽，展示了CNN 在地震數(shù)據(jù)分析方面的應(yīng)用前景。而全卷積神經(jīng)網(wǎng)絡(luò)（Fully ConvolutionalNetworks，F(xiàn)CN）的提出，極大地促進(jìn)了語義分割技術(shù)的發(fā)展，實(shí)現(xiàn)了圖像像素級(jí)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(dǎo)致輸出分割圖像細(xì)節(jié)缺失的問題，隨之出現(xiàn)了一系列基于編碼器和解碼器的分割網(wǎng)絡(luò)，U?Net[8-9]網(wǎng)絡(luò)就是其中的典型代表，網(wǎng)絡(luò)架構(gòu)由對(duì)稱的編碼器和解碼器組成，同時(shí)引入跳躍連接緩解連續(xù)下采樣而損失的空間信息，將鹽體識(shí)別看做是一個(gè)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(wǎng)絡(luò)進(jìn)行訓(xùn)練，并利用集成學(xué)習(xí)提高模型識(shí)別準(zhǔn)確度， 在F3 數(shù)據(jù)集上取得了不錯(cuò)的鹽識(shí)別效果。Zeng 等[11]結(jié)合U?Net 分割網(wǎng)絡(luò)和ResNet[12]分類網(wǎng)絡(luò)實(shí)現(xiàn)鹽體圖像高精度分割，在SEG-SEAM 數(shù)據(jù)集上執(zhí)行自動(dòng)鹽體解釋，取得了和人工解釋高度一致的結(jié)果。Islam 等[13]使用SE-ResNet[14]分類網(wǎng)絡(luò)和U?Net 分割網(wǎng)絡(luò)相結(jié)合解決鹽體識(shí)別問題，驗(yàn)證了注意力機(jī)制對(duì)增強(qiáng)鹽特征提取的有效性。Saad 等[15]在U?Net 的基礎(chǔ)上結(jié)合DenseNet 網(wǎng)絡(luò)與SeNet 網(wǎng)絡(luò)設(shè)計(jì)鹽體識(shí)別網(wǎng)絡(luò)，同時(shí)該網(wǎng)絡(luò)包含雙分支解碼器結(jié)構(gòu)，通過一個(gè)分支預(yù)測鹽體，另一個(gè)分支重建輸入的地震數(shù)據(jù)，以此實(shí)現(xiàn)高精度的識(shí)別鹽體。

由于鹽體結(jié)構(gòu)通常無定形，沒有一些特殊的內(nèi)部結(jié)構(gòu)，現(xiàn)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(dǎo)致網(wǎng)絡(luò)對(duì)于狹長鹽體和復(fù)雜結(jié)構(gòu)鹽體識(shí)別精度較低、邊緣識(shí)別效果較差。

為了改善地震鹽體分割效果，更加高效、準(zhǔn)確識(shí)別地震圖像中的鹽體信息，本文提出了一種U?Net網(wǎng)絡(luò)和Res2Net[16]網(wǎng)絡(luò)相結(jié)合的方法進(jìn)行地震鹽體分割，命名為MC?Res2UNet。首先在U?Net 基礎(chǔ)上進(jìn)行改進(jìn)，利用Res2Net 網(wǎng)絡(luò)作為編碼器，Res2Net 具有強(qiáng)大的多尺度特征提取能力，可以在更細(xì)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(wǎng)絡(luò)解碼層中，通過重新分配特征圖通道權(quán)重和空間權(quán)重，進(jìn)一步整合鹽體特征圖的空間信息和通道信息，抑制不相關(guān)的信息；最后利用多尺度特征融合模塊充分融合不同層級(jí)的鹽空間信息和語義信息，增強(qiáng)模型特征表示能力，提高模型的鹽體識(shí)別精度。實(shí)驗(yàn)結(jié)果表明，本文方法能夠精確地識(shí)別地震圖像中的復(fù)雜鹽體。

1 鹽體識(shí)別模型

1. 1 MC?Res2UNet 鹽體識(shí)別網(wǎng)絡(luò)

本文在傳統(tǒng)的U?Net 網(wǎng)絡(luò)結(jié)構(gòu)上進(jìn)行相關(guān)改進(jìn)，結(jié)合注意力機(jī)制和特征提取網(wǎng)絡(luò)Res2Net 以及多尺度特征融合模塊，形成MC?Res2UNet 網(wǎng)絡(luò)結(jié)構(gòu)（圖1），將地震數(shù)據(jù)分為鹽和非鹽類，輸入地震圖像尺寸為128×128×3，最后一個(gè)維度表示RGB 顏色，網(wǎng)絡(luò)輸出維度為128×128×2。

首先，將原始U?Net 網(wǎng)絡(luò)的編碼器替換為能夠在細(xì)粒度級(jí)別提取多尺度特征的Res2Net50 網(wǎng)絡(luò)，增強(qiáng)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(wǎng)絡(luò)的四個(gè)不同階段，其基本單元Res2 塊的數(shù)量分別為3、4、6、3。為了防止下采樣次數(shù)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(jīng)過5 次連續(xù)卷積編碼后，特征圖大小從128×128縮小至8×8，通道數(shù)則從3 維增加到2048 維，之后通過兩個(gè)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(wǎng)絡(luò)類似，將編碼器的低級(jí)語義信息與下層解碼器經(jīng)過上采樣得到的高級(jí)語義特征進(jìn)行拼接并進(jìn)行卷積操作，同時(shí)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(jìn)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(jí)的特征圖通過Upsample 函數(shù)上采樣到與輸入數(shù)據(jù)相同大小進(jìn)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(xùn)練出更準(zhǔn)確的分割模型。

1. 2 編碼模塊

使用Res2Net 作為編碼器對(duì)輸入地震數(shù)據(jù)進(jìn)行特征提取。與ResNet 結(jié)構(gòu)類似，其在傳統(tǒng)殘差結(jié)構(gòu)進(jìn)行多尺度增強(qiáng)，在單個(gè)殘差塊內(nèi)構(gòu)造具有等級(jí)制的類似殘差連接，取代了通用的單個(gè)3×3 卷積核。從而在更細(xì)粒度級(jí)別表示多尺度特征，并增加了每個(gè)網(wǎng)絡(luò)層的感受野，其結(jié)構(gòu)圖如圖2 所示。