基于掩码传播神经网络的故障实例自动分割

地球科学中的人工智能1（2020）31基于掩码传播神经网络的故障实例自动分割Ruoshui Zhou*，Yufei Cai**，Jingjing Zong，Xingmiao Yao，Fucai Yu，Guangmin Hu电子科技大学，中国A R T I C L E I N F O保留字：深度学习故障解释A B S T R A C T断层解释对于认识地壳的发展和勘探地下油气藏起着至关重要的作用。最近，使用深度学习的故障语义分割取得了重大进展。然而，很少有研究将深度学习用于故障实例分割。引入掩码传播神经网络进行故障实例分割。 我们的研究重点是描述每个断层剖面之间的差异和关系，以及断层实例分割与相邻剖面的一致性。我们的方法参考了参考引导的掩模传播网络，它首先用于视频对象分割：将地震剖面作为视频帧，而地震数据体作为沿顺时针方向的视频序列，我们可以实现基于掩模传播方法的断层实例分割 作为一种多层卷积神经网络，掩模传播网络接收少量用户自定义的标签作为指导，输出三维地震数据上的断层实例分割，可以方便地进行断层重建工作。与传统的深度学习方法相比，引入的掩码传播神经网络能够在保证故障检测准确性的前提下完成故障实例分割工作。1. 介绍断层解释是一项周期性的工作，需要长期迭代、反复验证。由于深度学习已被证明在发现高维数据中的复杂结构方面具有优势（Krizhevsky等人，2012），近年来引起了各领域的广泛关注，在图像分类、目标检测、语义分割等方面取得了良好的效果。例如，断层检测可以被视为语义分割问题，其中我们将地震数据中的每个点分类为“断层”或“非断层 ” 。 因 此 ， 许 多 研 究 已 经 应 用 深 度 学 习 方 法 来 解 决 此 类 问 题（Guitton，2018; Guo等人， Huanget al.（2017）使用多种地震属性作为卷积神经网络（CNN）的输入，构建大数据平台，推动了深度学习方法在地球物理学中的应用; Xionget al. （2018）使用不同方向的地震数据切片作为神经网络的输入，充分利用了断层在三维空间的连续性; Wuet al. （2019）使用大量的标记合成数据作为训练集，并引入U-net网络模型，大大提高了故障检测的有效性。的基于非网络的断层检测直接应用于整个地震体数据，而不需要单独处理每个地震体点这种方法充分利用了断层的空间特征，大大降低了计算成本。现有的断层检测研究将断层检测看作是一种语义分割，缺乏对断层之间关系的描述和断层模型空间拓扑结构的建立。 为了进一步降低人工成本，提高故障检测的有效性，本文引入实例分割来解决问题。与语义分割相比，实例分割不仅需要区分故障和非故障，还需要对不同的故障（故障1、故障2等）进行具体的分类 由于视频数据在时间上具有连续性，而地震数据在空间上具有连续性，因此采用视频实例分割的思想来处理断层实例分割。 视频对象分割方法可以分为两类：基于传播的方法和基于检测的方法。基于视差的方法主要利用对象运动的时间相干性。这些方法依赖于像素之间的时空连接。另一方面，基于检测的方法从给定的目标对象中学习目标对象的外观。* 通讯作者。** 通讯作者。电子邮箱：13558649050@163.com（R. Zhou）。https://doi.org/10.1016/j.aiig.2020.12.001接收日期：2020年8月7日;接收日期：2020年11月5日;接受日期：2020年12月5日2021年2月3日在线提供2666-5441/©2020作者。出版社：Elsevier B.V.代表科爱通信有限公司公司这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表地球科学中的人工智能杂志主页：www.keaipublishing.com/en/journals/artificial-intelligence-in-geosciencesR. Zhou等人地球科学中的人工智能1（2020）3132Fig. 1. 故障实例分割任务的标签制作。注释帧，并且在每一帧处执行目标对象的像素级检测我们的方法的核心思想是结合这两种模式的故障分割的基础上参考配置文件和故障跟踪从以前的配置文件。在我们的工作中，我们基于Wu（2019）之后的合成地震数据制作了一组3D断层实例分割标签作为训练数据。 我们训练掩码传播神经网络（Oh等人，2018年，在一个逐步迭代的过程中。我们在用户定义的范围内完成故障实例分割，并显示故障重建的最终结果该方法采用多输入、多级编码、解码的卷积神经网络，学习相邻轮廓与参考轮廓之间的故障分布及组合规律，预测目标轮廓，从而实现故障预测。全地震资料断层组合建模。参考轮廓是带有故障标记的预定参考轮廓，而相邻轮廓是带有新故障标记的先前轮廓，该新故障标记逐轮廓向下转移。与传统的深度学习方法（如CNN）相比，我们不仅可以识别故障和非故障，还可以描述故障之间的关系。从而为更有效的断层解释提供有价值的信息2. 方法我们的思想的核心是建立一个地震体和视频流之间的类比。我们将地震体的剖面沿图二. 掩模传播神经网络模型的结构。R. Zhou等人地球科学中的人工智能1（2020）3133¼× ×þ ×¼× þ图3. 本研究中的falt实例分割的逐步训练过程。并利用掩码传播法实现了故障实例的分割实现掩码传播的网络有两个主流：一个是利用目标故障在给定参考轮廓中的出现，称为参考流，另一个是传播关键轮廓以粗略地指定和定位感兴趣的目标故障，称为目标流。掩模传播神经网络学习参考剖面、前一剖面和目标剖面之间的分布规律和形状变化，进而完成地震体数据各剖面中断层实例的分割。最后，利用故障实例分割得到的故障之间的关系，可以更方便、快速地完成故障重构。3. 训练数据我们需要带有断层实例分割标签的3D地震体数据来训练深度学习模型。利用半自动拾取方法，从三维0-1断层标签中提取出一组三维断层实例分割标签，如图1所示。1.一、我们在一个大的区域手动挑选故障切片，然后通过k-近邻（KNN）方法（Cover，1967）对剩余的未标记故障点进行分类。在我们的方法中，所选择的邻居是已经被正确分类的故障点，并且待分类点的分类是根据相邻10个故障点的类别（k 10）来确定根据故障点的空间分布，选取两个采样点在空间上的直线距离作为测量距离。测量距离定义如下：标注工作完成后，我们得到了三维断层实例分割标签，然后我们选择了256个集合作为训练数据集，12个集合作为测试数据集。每套共32条连续地震剖面。4. 网络结构在本文中，我们使用一个掩码传播神经网络与编码器解码器结构，如图所示。 二、该网络有两个输入流，包括参考流和目标流。 每个输入由一个地震剖面和一个相应的断层实例分割掩模组成。该模型输出一个结果来显示目标轮廓的故障实例分割。参考流包括第一个地震剖面以及其故障实例分段掩码。目标流由当前地震剖面和先前剖面的断层实例分段组成。两者共享设计为ResNet50的多级编码器（He等人，2016），并通过全局卷积块联系在一起，该全局卷积块用于在参考流和目标流之间匹配故障实例分割的特征。为了克服卷积运算的限制，使用了1 kk 1和k1 1 k的两个卷积层（例如，在全局卷积块中设置这两个卷积层被添加为残差卷积块的输入。解码器层由多个解码块组成，并与编码器层相匹配解码块利用编码块的跳过连接和上采样来操作最后，通过卷积层和softmax层获得目标轮廓的故障实例分割掩码作为我们的方法依赖于两种知识，如掩码传播卷积神经网络的结构所示：一种是人类知识，即人工挑选的故障实例分割标签，另一种是机器知识，即从掩码传播神经网络学习的传播规则这两种知识相互制约、相互支持，实现了三维地震数据的半监督断层实例分割5. 训练步骤在我们的工作中，掩模传播神经网络是在一个逐步迭代的过程中训练的，如图所示。 3. 如果第一个地震剖面被认为是参考剖面，则训练从第二个剖面开始，第二个剖面被选为目标剖面。 训练步骤总共需要N-1次（N是轮廓的数量）。例如，如果我们选择第p个profile作为参考profile，第t个profile作为目标profile，则整个训练步骤指示如下：在当前训练步骤中，参考流始终保持第p个profile和第p个故障实例分割掩码。目标流由第t个地震剖面和第（t-1）个断层实例分割掩模组成掩模传播神经网络接收两个输入流，并输出第t个地震剖面的断层实例分割掩模。 然后，我们通过网络将其作为目标流中的先前故障实例分割掩码进行传播。通过这种方式，32个相邻轮廓作为一个数据集进行迭代处理。我们已经训练了100个epoch的256个数据集。R. Zhou等人地球科学中的人工智能1（2020）3134¼j¼0;;见图4。 在推理步骤中对要预测的数据集进行预处理。图五. 断层面重建结果。(a)：集合A的重构结果。(b)：集合B的重构结果。(c)：集合C的重构结果。6. 推断步骤推理步骤需要用户定义的数据集中的一系列特征。我们把一个三维地震体分成几个数据集，如图所示。 四、每一个集合作为测试样本通过掩模传播神经网络，然后重新组合在一起，实现三维地震数据中的断层实例分割对于多故障实例分割的预测，一种简单的方法是独立运行每个故障，并标记具有故障实例分割的最大输出概率的像素。 我们采用softmax聚合作为损失函数，将多实例概率软结合起来。 它假设正样本和负样本的概率之和为1。 我们使用下面的公式计算故障实例分割掩码，并将其作为下一个profile的输入。bpi;m，1-bpi;mpi;mσlogitpi;m¼在工作流程中，推理步骤类似于传统的断层解释。 它从感兴趣的配置文件的标记故障实例开始，并在用户定义的范围内创建后续的故障实例，如图。四、如果在剖面M中存在一些错误分类 我们可以重新标记轮廓M，并将其视为第一个参考轮廓。然后，推理步骤从轮廓M开始 实例分割结果可以将故障点从一系列轮廓中分类到不同的实例中。 然后，我们很容易和快速重建断层表面的基础上故障实例分割，如图所示。 五、7. 结果我们评估我们的方法上选择的两个集（集A和B）从合成地震体，其大小为128*128*32。 每个故障实例分割掩码已在第一个配置文件中标记。我们在图中显示了第1，9，17，25个轮廓的故障实例分割结果。第六章集合A包含四个不相交的故障实例，它们具有断层倾向和走向相似我们可以看到蓝色故障实例逐渐消失，1-bPMbpi j，1-bpijinline方向goes on.给出了集合B的一些故障实例的洋红色断层实例和蓝色断层实例属于同一断层实例分段，但属于“Y”形的两个不同分支。其中σ和logit分别表示softmax和logit函数Pi;m是实例m在piX el位置i处的网络输出概率。（m 0表示背景），M是实例数。该方法能够在故障检测中刻画出前地（故障）和背景（非故障）之间的故障边缘细节，在同一轮廓中检测出多个故障实例分割，同时保持了交叉和孤立故障实例分割的形状R. Zhou等人地球科学中的人工智能1（2020）3135见图6。集合A、集合B和集合C的分割结果。(a)：地震图像。(b)：基于CNN的故障语义分割结果。(c)故障实例分割的结果。地区8. 结论大多数基于深度学习的断层解释方法都集中在断层检测上。 我们首次尝试基于深度学习研究3D地震数据的断层实例分割。我们的方法将三维地震数据看作是一个轮廓序列，类似于视频帧的形式。掩模传播神经网络被设计为学习故障实例分割在剖面中沿着内联方向的传播。在此基础上进行了断层实例的分割和断层面的重建，并在多组验证数据集上进行了断层实例分割和断层面重建。验证样本包括独立故障实例和跨故障实例。 实验结果表明，故障和非故障的前、后场景得到了清晰的分离。此外，多个故障实例的分离是完整和清晰的，这验证了我们的方法的 断层实例分割进一步提高了断层智能解释的效率，具有较高的实用价值和研究意义。 与基于其他深度学习方法（如CNN）的故障检测相比，我们的方法不仅可以识别故障，还可以表征故障之间的关系。在未来的研究中，我们希望在故障中加入连续性约束，以解决故障远离参考轮廓时故障线的不连续性问题。竞合利益我们声明，我们没有任何商业或关联利益，代表与提交的工作有关的利益冲突确认本工作得到了国家自然科学基金项目（U1562218和41974147）的资助，作者在此感谢X.M. Wu的公共地震合成数据集。引用掩护T例如，1967.最近邻模式分类。IEEE信息论汇刊。Guitton，A.，2018.用于断层解释的3D卷积神经网络第80届EAGE会议和E XE2018。Guo，B.，卢，L.，Liu，Y.，2018.基于卷积神经网络的地震断层自动检测[C]. 国际地球物理会议，中国北京。他K.M.张，X.，Ren，S.，例如，2016.深度残差学习在图像识别中的应用[C]. IEEE计算机视觉&模式识别会议。IEEE计算机协会。黄湖，加-地Dong，X.，（中国科学院，中国地质研究所，北京，2003）Clee，T.E.，2017.一种可扩展的地震属性地质特征识别深度学习平台[J]. 线索了 Edge 36（3），249- 256.克里热夫斯基，A.，萨茨克弗岛，巴西-地辛顿，通用电气，2012. Imagenet分类与深度卷积神经网络[C]//神经信息处理系统的进展，pp. 1097- 1105年。哦，S. W.，李，J.Y.，Sunkavalli，K.，例如，2018.基于参考引导掩模传播的快速视频对象分割[C]. IEEE CVF计算机视觉&模式识别会议。美国电气与电子工程师协会。Wu，X.M.，Liang，L.M.，Shi，Y.Z.，例如，2019年。FaultSeg3D：利用合成数据集训练端到端卷积神经网络进行三维地震断层分割[J]. 地球物理学。Xiong，W.，Ji，X.，妈妈，Y.，王玉仙例如，2018.基于卷积神经网络的地震断层检测[J].Geophysics 83（5），97- 103.