基于U-Net的自动初至拾取方法
发布时间：2021-09-19 19:34
初至拾取在地震勘探问题里是一个很基础但很重要的问题,因为在近地表获取的数据往往带有很强的静校正特征,会有能量低,信噪比低等问题,会导致初至拾取问题的困难,尤其是传统的自动初至拾取方法。过去初至拾取主要依靠人工拾取,比较依靠经验判断,并需要很多的人力和很大的工作量,后来产生了许多的传统方法,比如长短时窗比、分形维法、相关法等,但都离不开人为的大量参与,还是不够智能,而且在初至拾取工作中容易出现的高噪声、道缺失等情况上,传统方法的表现不够好。现在深度学习在图像处理上有很好的表现,所以很多工作开始尝试将深度学习的方法应用于初至拾取这一问题,比如使用卷积神经网络,循环神经网络进行模型训练等。初至拾取在图像处理中可以看作是图像分类的问题,把初至之前和初至之后做一个分类,而且初至作为分界线,所以也可以看作是一个图像分割的问题。本文的主要工作就是将初至拾取看作图像分割问题,并使用卷积神经网络中在医学图像上表现效果很好的U-Net网络作为训练框架,合成了需要的带标签的初至拾取训练集,并对损失函数做了修改,结合图像梯度,增大了初至部分的权重,使模型的训练更聚焦于初至的部分。从实验结果来看,深度学习可以提...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：50 页
【学位级别】：硕士
【部分图文】：
STA/LTA方法流程（图片来源于参考文献[31]）
哈尔滨工业大学理学硕士学位论文7图2-2LeNet-5网络结构（来源于参考文献[24]）2.2.1卷积和反卷积2.2.1.1卷积卷积运算]33[相较于传统神经网络，优化的的方式有三个：稀疏交互、参数共享、等变表示，所以卷积神经网络具有局部连接和参数共享的特征。卷积是卷积神经网络的核心，它的作用是提取特征，在卷积层中用卷积核扫描输入图像或者说按顺序地在图像的某个卷积核大小的位置上覆盖上卷积核，再将卷积核中的值和图像中对应的像素的值互相乘起来之后把所有乘积加一块，这就是提取特征的过程。通常来说，卷积可以帮助找到特定的局部图像特征，用于后续的处理。通过不同的卷积核可以实现各种应用，比如边缘检测、图像锐化等，所以卷积在图像处理的领域里有着很广泛的应用。浅层的卷积操作可以提取出图片的一些简单特征，比如边缘、角、线条等，然后深层的卷积可以从浅层的卷积层的输出中挖掘出比较复杂的特征。图2-3卷积操作：蓝色的是输入，绿色的是输出假设我们输入的图像大小是nm,卷积核是lk,在没有填充层和步长为1的情况下，我们可以得到一个lnkm)1()1(的特征映射；如果有填充层p层
哈尔滨工业大学理学硕士学位论文7图2-2LeNet-5网络结构（来源于参考文献[24]）2.2.1卷积和反卷积2.2.1.1卷积卷积运算]33[相较于传统神经网络，优化的的方式有三个：稀疏交互、参数共享、等变表示，所以卷积神经网络具有局部连接和参数共享的特征。卷积是卷积神经网络的核心，它的作用是提取特征，在卷积层中用卷积核扫描输入图像或者说按顺序地在图像的某个卷积核大小的位置上覆盖上卷积核，再将卷积核中的值和图像中对应的像素的值互相乘起来之后把所有乘积加一块，这就是提取特征的过程。通常来说，卷积可以帮助找到特定的局部图像特征，用于后续的处理。通过不同的卷积核可以实现各种应用，比如边缘检测、图像锐化等，所以卷积在图像处理的领域里有着很广泛的应用。浅层的卷积操作可以提取出图片的一些简单特征，比如边缘、角、线条等，然后深层的卷积可以从浅层的卷积层的输出中挖掘出比较复杂的特征。图2-3卷积操作：蓝色的是输入，绿色的是输出假设我们输入的图像大小是nm,卷积核是lk,在没有填充层和步长为1的情况下，我们可以得到一个lnkm)1()1(的特征映射；如果有填充层p层
【参考文献】：
期刊论文
[1]基于改进的STA/LTA方法的微地震P波自动拾取技术[J]. 刘晓明,赵君杰,王运敏,彭平安. 东北大学学报(自然科学版). 2017(05)
[2]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安. 自动化学报. 2016(09)
[3]微震信号自动检测的STA/LTA算法及其改进分析[J]. 刘晗,张建中. 地球物理学进展. 2014(04)
[4]基于时窗能量比和AIC的两步法微震初至自动拾取[J]. 张唤兰,朱光明,王云宏. 物探与化探. 2013(02)
[5]联合小波变换与偏振分析自动拾取微地震P波到时[J]. 吴治涛,骆循,李仕雄. 地球物理学进展. 2012(01)
[6]分形理论在地震学中的应用研究[J]. 李信富,李小凡,武晔. 地球物理学进展. 2007(02)
[7]基于边缘检测的初至波自动拾取方法[J]. 李辉峰,邹强,金文昱. 石油地球物理勘探. 2006(02)
[8]基于图论的图像分割研究进展[J]. 闫成新,桑农,张天序. 计算机工程与应用. 2006(05)
[9]图像分割方法综述[J]. 罗希平,田捷,诸葛婴,王靖,戴汝为. 模式识别与人工智能. 1999(03)
[10]利用人工神经网络自动拾取地震记录初至[J]. 庄东海,肖春燕,颜永宁. 石油地球物理勘探. 1994(05)
本文编号：3402209
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：50 页
【学位级别】：硕士
【部分图文】：
STA/LTA方法流程（图片来源于参考文献[31]）
哈尔滨工业大学理学硕士学位论文7图2-2LeNet-5网络结构（来源于参考文献[24]）2.2.1卷积和反卷积2.2.1.1卷积卷积运算]33[相较于传统神经网络，优化的的方式有三个：稀疏交互、参数共享、等变表示，所以卷积神经网络具有局部连接和参数共享的特征。卷积是卷积神经网络的核心，它的作用是提取特征，在卷积层中用卷积核扫描输入图像或者说按顺序地在图像的某个卷积核大小的位置上覆盖上卷积核，再将卷积核中的值和图像中对应的像素的值互相乘起来之后把所有乘积加一块，这就是提取特征的过程。通常来说，卷积可以帮助找到特定的局部图像特征，用于后续的处理。通过不同的卷积核可以实现各种应用，比如边缘检测、图像锐化等，所以卷积在图像处理的领域里有着很广泛的应用。浅层的卷积操作可以提取出图片的一些简单特征，比如边缘、角、线条等，然后深层的卷积可以从浅层的卷积层的输出中挖掘出比较复杂的特征。图2-3卷积操作：蓝色的是输入，绿色的是输出假设我们输入的图像大小是nm,卷积核是lk,在没有填充层和步长为1的情况下，我们可以得到一个lnkm)1()1(的特征映射；如果有填充层p层
哈尔滨工业大学理学硕士学位论文7图2-2LeNet-5网络结构（来源于参考文献[24]）2.2.1卷积和反卷积2.2.1.1卷积卷积运算]33[相较于传统神经网络，优化的的方式有三个：稀疏交互、参数共享、等变表示，所以卷积神经网络具有局部连接和参数共享的特征。卷积是卷积神经网络的核心，它的作用是提取特征，在卷积层中用卷积核扫描输入图像或者说按顺序地在图像的某个卷积核大小的位置上覆盖上卷积核，再将卷积核中的值和图像中对应的像素的值互相乘起来之后把所有乘积加一块，这就是提取特征的过程。通常来说，卷积可以帮助找到特定的局部图像特征，用于后续的处理。通过不同的卷积核可以实现各种应用，比如边缘检测、图像锐化等，所以卷积在图像处理的领域里有着很广泛的应用。浅层的卷积操作可以提取出图片的一些简单特征，比如边缘、角、线条等，然后深层的卷积可以从浅层的卷积层的输出中挖掘出比较复杂的特征。图2-3卷积操作：蓝色的是输入，绿色的是输出假设我们输入的图像大小是nm,卷积核是lk,在没有填充层和步长为1的情况下，我们可以得到一个lnkm)1()1(的特征映射；如果有填充层p层
【参考文献】：
期刊论文
[1]基于改进的STA/LTA方法的微地震P波自动拾取技术[J]. 刘晓明,赵君杰,王运敏,彭平安. 东北大学学报(自然科学版). 2017(05)
[2]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安. 自动化学报. 2016(09)
[3]微震信号自动检测的STA/LTA算法及其改进分析[J]. 刘晗,张建中. 地球物理学进展. 2014(04)
[4]基于时窗能量比和AIC的两步法微震初至自动拾取[J]. 张唤兰,朱光明,王云宏. 物探与化探. 2013(02)
[5]联合小波变换与偏振分析自动拾取微地震P波到时[J]. 吴治涛,骆循,李仕雄. 地球物理学进展. 2012(01)
[6]分形理论在地震学中的应用研究[J]. 李信富,李小凡,武晔. 地球物理学进展. 2007(02)
[7]基于边缘检测的初至波自动拾取方法[J]. 李辉峰,邹强,金文昱. 石油地球物理勘探. 2006(02)
[8]基于图论的图像分割研究进展[J]. 闫成新,桑农,张天序. 计算机工程与应用. 2006(05)
[9]图像分割方法综述[J]. 罗希平,田捷,诸葛婴,王靖,戴汝为. 模式识别与人工智能. 1999(03)
[10]利用人工神经网络自动拾取地震记录初至[J]. 庄东海,肖春燕,颜永宁. 石油地球物理勘探. 1994(05)
本文编号：3402209
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3402209.html
