基于深度学习的地质图像盐层分割方法研究

发布时间：2020-06-06 15:26

【摘要】：地球上很多石油和天然气聚集的地区,往往会在地表下形成一定规模的盐沉积层,在开采石油和天然气的过程中,如果对盐体的位置判断不准确,将会带来安全隐患。一般是通过地震成像技术把这些盐层信息反映到图像中。然而,从地质图像中标记出盐体的具体位置是非常困难的。因为盐层图像需要专业人员来解释盐体,这也将导致标注的结果具有较大的主观性。近年来,随着深度学习的发展,基于深度学习的图像分割方法也相续被提出。基于深度学习的图像分割方法可实现图像像素级的语义分割,以及端到端的处理,在很多分割任务上取得成功。相对于传统的分割方法,基于深度学习的方法,一般借助卷积神经网络,根据图像和其标签进行自适应的提取特征,避免了繁琐的手工提取特征过程,建模速度快,可高效地部署到实际应用中,在性能和准确度上均有明显提高,为相关领域的研究带来便利。由于现有的基于深度学习图像分割方法都是针对特定数据进行的,例如医学影像、自然图像等,很难直接在盐层图像上取得较好效果,所以本文针对盐层图像提出一套基于深度学习的图像处理、分割、训练方法,可用于辅助专业人员标注工作。此外,图像分割可以说是计算机视觉技术的基石,在众多领域有着举足轻重的地位,所以对图像分割方法的研究以及性能提升对这些领域发展也有着重要意义。本文基于现有方法进行研究,设计出基于深度学习的地质盐层图像分割方法。在数据处理上,采用了数据增强的方式对原始数据进行扩充。为了进一步提高模型的泛化能力,并提出一种基于小样本的预处理方法,结合5折交叉验证进行模型训练。在网络结构上,本文采用经典的编码器-解码器的结构,在编码阶段采用分类能力较强的深度网络,例如SENet、ResNet等,力求从地质盐层图像中学习到更多的信息,此外,还借助迁移学习的方法,加速模型收敛并提高精度。在解码阶段采用改进的FPN网络,中继监督优化、Hypercolumn模块,充分考虑上下文信息,融合多尺度信息,进一步利用低层特征的高分辨率和高层特征的高语义信息提高预测的准确率。在实验评估上采用基于阈值的平均联合交叉度量mIoU作为度量标准,实验表明本文提出的基于SENet、ResNet,以及融合scSE模块的模型均取得了较优的分割效果,证明本文提出的方法具有一定的实用价值。
【图文】：

盐层,图像数据

图 1-1 盐层图像数据展示Figure 1-1 salt layer image data display为了准确标记出地质盐层区域位置，辅助地质相关领域得到准确的震图像以 3D 渲染，本课题将以 TGS（世界领先的地球科学数据公司）在 kaggle[9]平台开放的地质盐层图像数据（如图 1-1 所示上面是原始数据集，下面是标注的数集，其中白色区域表示盐层）为基础，进行基于深度学习的地质图像分割方法研究。利用成熟的图像预处理技术，对图像数据进行初步的处理，，并以现有的度学习图像分割方法为基础，构造新的深度学习模型，对地质盐层图像进行像级别的分割。此外，借助迁移学习[10,11]方法加载预训练模型，以加速模型收敛。解码阶段采用改进的 FPN 网络[12]，并结合 1x1 卷积核、中继监督优化[13]模块、percolumn 模块[14]，充分考虑上下文、融合多尺度信息，进一步利用低层特征高分辨率和高层特征的高语义信息，通过融合这些不同层的特征提高预测的效。

小节,非线性层,基本结构,热门话题

本章主要介绍图像分割技术以及深度学习相关的理论基础。2.1 小节主要介绍卷积神经网络的基本结构，例如卷积核、池化层等，2.2 小节主要介绍图像分割和语义分割的一些定义，2.3、2.4 小节主要介绍常见的基于传统的图像分割方法和基于深度学习的图像分割方法。最后是对全章的总结。2.1 卷积神经网络卷积神经网络（Convolutional Neural Networks，CNN），是近几年在人工智能领域热门话题之一，其历史最早可追溯到上世纪六十年代 Hubel 等人提出的感受野的概念[33]。2012 年 AlexNet[25]在 ImageNet 比赛中一鸣惊人，从此拉开了以卷积神经网络为基础的研究热潮。卷积神经网络发展至此有了比较全面的体系结构。卷积神经网络的具体结构可总结为卷积层、池化层、非线性层、全连接层。第一个被认可的卷积神经网络是被 Y. LeCun 等人提出的 LeNet5[24]（如下图 2-1所示）。接下来本文将详细介绍卷积神经网络的基本结构的相关细节。
【学位授予单位】：北京工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：P631.4;TP391.41

【参考文献】