12、基于语义分割的地震图像断层检测方法

基于语义分割的地震图像断层检测方法

1. 引言

在固体矿产资源调查、石油地质调查等多学科领域中，地震图像断层检测具有重要的实际意义。传统的断层检测方法依赖人工解释，效率低下且主观性强。如今，深度学习方法在分割任务上有显著提升，但大多需要大量的地震数据支持。而语义分割方法在数据不足的情况下能取得更好的性能。

为了在缺乏实际地震数据的情况下仍能获得准确的断层检测结果，研究人员设计了基于通道注意力模块的 Channel - UNet 网络。同时，为解决地震数据稀缺的问题，利用合成地震数据集平台生成带有随机断层的地震图像，定义断层参数并生成断层标签。此外，采用语义分割方法提升模型在不同数据集上的性能，并用霍夫变换对检测结果进行后处理以提高结果质量。

2. 研究背景

• 传统断层检测方法的局限性 ：传统的断层检测采用手动跟踪方法选择断层，由于大量的人工干预，很难保证效率。
• 已有改进方法 ：
  • 研究人员提出了多种方法来提高断层检测的效率和准确性，如 Bahoric 提出的相干方法，Robert 对二维曲率属性的系统分类及公式计算，Dorn 和 James 提出的 AFE 自动断层解释技术。
  • 随着深度学习的普及，许多基于深度学习的断层检测网络被开发出来，如 Zhang 等人用机器学习方法直接将原始输入地震数据合成为二维断层；Zhao 等人结合卷积神经网络（CNNs）和图像处理技术研究断层检测工作流程；Lu 等人用生成对抗网络（GANs）对地震数据进行上采样以提高断层检测质量；Wu 等人将断层方向估计作为图