[發(fā)明專利]一種基于深度學(xué)習(xí)語義邊界增強(qiáng)的鹽體識別方法

在審

• 申請?zhí)枺?/td>: 201910552738.1
• 申請日: 2019-06-25
• 公開（公告）號: CN110276402A
• 公開（公告）日: 2019-09-24
• 發(fā)明（設(shè)計(jì)）人: 劉博;趙業(yè)隆
• 申請（專利權(quán)）人: 北京工業(yè)大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46
• 代理公司: 北京思海天達(dá)知識產(chǎn)權(quán)代理有限公司 11203
• 代理人: 沈波

本發(fā)明公開了一種基于深度學(xué)習(xí)語義邊界增強(qiáng)的鹽體識別方法，本發(fā)明除了關(guān)注語義圖像的識別功能，同樣也對語義邊界的提取進(jìn)行了訓(xùn)練，增強(qiáng)語義圖像的識別效果。由于網(wǎng)絡(luò)獲得了邊界提取的相關(guān)能力，模型輸出的語義圖像邊界會(huì)因此變得更加清晰，增加準(zhǔn)確率。而且語義邊界識別的特征也會(huì)直接顯示地輸入到語義圖像提取的過程之中，以對鹽體識別結(jié)果進(jìn)行直接的監(jiān)督與加強(qiáng)。語義圖像提取網(wǎng)絡(luò)中的注意力模塊scSE也讓模型在訓(xùn)練過程中自行學(xué)習(xí)，獲取每個(gè)特征的重要程度，然后依照這個(gè)重要程度去提升有用的特征并抑制對當(dāng)前任務(wù)用處不大的特征，顯式地建模特征通道之間的相互依賴關(guān)系，也讓模型更加穩(wěn)定。本方法可以比較高效準(zhǔn)確的對地質(zhì)鹽層圖像進(jìn)行分割。

技術(shù)領(lǐng)域

本發(fā)明屬于計(jì)算機(jī)視覺技術(shù)領(lǐng)域以及地質(zhì)勘測領(lǐng)域。其中主要涉及的知識包括一些圖像增強(qiáng)、邊界檢測、圖像語義分割方法、深度學(xué)習(xí)圖像分割方法等。

背景技術(shù)

地震圖像是指通過地震成像技術(shù)，觀測地震波在不同巖層之下傳播的速度，進(jìn)而獲得相對應(yīng)的聲波圖。地震圖像作為一種有組織的、可理解的數(shù)據(jù)顯示，是獲取和傳遞地球結(jié)構(gòu)和材料特性信息的寶貴工具。通常在地下巨大的鹽沉積物附近，往往會(huì)有大量石油或者天然氣等重要資源。這些資源聚集的地區(qū)往往會(huì)在地表下面形成鹽體。然而，鹽體在地下通常以高溫液態(tài)的形式存在，直接進(jìn)行盲目的勘探不僅會(huì)造成資金、資源的浪費(fèi)，還有可能對鉆探人員的生命安全形成威脅。而地震圖像因其本身的性質(zhì)，可以把地下的一些鹽層、巖層的特殊結(jié)構(gòu)反應(yīng)到圖像中，對于鹽體的檢測具有重要意義。目前，對這些地震圖像的識別與標(biāo)注時(shí)要進(jìn)行極其細(xì)致的分析，因此主要是通過經(jīng)驗(yàn)豐富的專業(yè)人士手工進(jìn)行標(biāo)注。但是人工標(biāo)注的結(jié)果很容易受到標(biāo)注人情緒與疲勞程度等高度主觀因素的影響，最終每個(gè)標(biāo)注人的標(biāo)注結(jié)果往往一定的偏差，不具有穩(wěn)定性，同時(shí)也會(huì)浪費(fèi)大量勞動(dòng)力。

在計(jì)算機(jī)數(shù)字圖像處理領(lǐng)域內(nèi)，地震圖像的鹽體識別問題可以被歸類為圖像的語義分割問題，即對圖像中的每一個(gè)像素確定為一種類別，將圖像劃分為不同的區(qū)域，因此該問題可以被視為一個(gè)逐像素的分類問題。在傳統(tǒng)的圖像語義分割方法中，使用的方法主要是根據(jù)圖像紋理、顏色等特征，人工設(shè)計(jì)圖像特征的提取內(nèi)容，并使用支持向量機(jī)（SVM）、隨機(jī)森林、AdaBoost等分類算法進(jìn)行分類。由于語義分割問題具有一定復(fù)雜性，傳統(tǒng)的人工特征提取方法效果并不理想。

近年來，隨著計(jì)算機(jī)運(yùn)算能力的不斷提升以及機(jī)器學(xué)習(xí)相關(guān)算法的不斷積累，深度學(xué)習(xí)這一領(lǐng)域日益火熱。由于其極強(qiáng)的數(shù)據(jù)特征提取的強(qiáng)能力，深度學(xué)習(xí)相繼在計(jì)算機(jī)視覺、語音識別、語義分析、序列預(yù)測等諸多重要領(lǐng)域內(nèi)取得了突破性的進(jìn)展。在計(jì)算機(jī)視覺領(lǐng)域，Krizhevsky等人在2012年提出了一個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的模型AlexNet，并取得了該年度ImageNet分類比賽的冠軍。AlexNet的成功使得研究者們紛紛嘗試使用CNN解決計(jì)算機(jī)視覺問題。2015 年He等人提出了深度殘差網(wǎng)絡(luò)（ResNet），ResNet引進(jìn)了跳躍式連接的結(jié)構(gòu)，使得模塊輸入可以直接加到模塊的輸出上，網(wǎng)絡(luò)深度也因此達(dá)到了前所未有的152 層，這種跳躍式連接的結(jié)構(gòu)也基本成為今后CNN設(shè)計(jì)的基礎(chǔ)單元。在語義分割領(lǐng)域，2014年，Long等人提出了全卷積神經(jīng)網(wǎng)絡(luò)（FCN），該網(wǎng)絡(luò)可以直接進(jìn)行逐像素的端到端圖像語義分割，使得深度學(xué)習(xí)在語義分割領(lǐng)域內(nèi)產(chǎn)生了突破性進(jìn)展。隨后的幾年中，SegNet，DeepLab，以及針對醫(yī)療圖像設(shè)計(jì)的語義分割網(wǎng)絡(luò)U-Net等模型相繼出現(xiàn)，這些方法使得深度學(xué)習(xí)在語義分割領(lǐng)域大放異彩。

目前，使用深度學(xué)習(xí)方法應(yīng)用于鹽體識別仍然存在一些問題。首先進(jìn)行過良好數(shù)據(jù)標(biāo)注的地震圖像本身數(shù)據(jù)量就不夠豐富，不利于網(wǎng)絡(luò)的的訓(xùn)練。同時(shí)由于其成像原理，鹽體區(qū)域與其他背景區(qū)域之間的差異較小，缺少較為清晰的語義邊界，這會(huì)使得模型的分割結(jié)果在邊界處不夠準(zhǔn)確。

發(fā)明內(nèi)容