[发明专利]一种基于深度学习的盐体语义分割方法及语义分割系统

说明书

本发明公开了一种基于深度学习的盐体语义分割方法及语义分割模型，采用预处理模型做基础模型进行特征提取，得到的特征图经过分类监督模块预测图片有盐与否作为辅助监督加速收敛，同时监督盐体分割分支模块输出的含盐图片分割结果和整体分割分支模块输出的所有图片分割结果，边缘预测模块输出边缘预测结果，组成混合损失有效提高盐体分割精度，最终得到较好的语义分割结果。语义分割模型中每级上采样的特征图经过特征融合模块，将每级上采样的特征图与上一级上采样特征图级联，这样逐级加强特征通道信息的密集获取，更好的利用每级上采样的特征图信息，更好的融合高层的语义信息和底层的空间信息。

技术领域

本发明属于图像语义分割和深度学习领域，具体涉及一种基于深度学习的盐体语义分割方法及语义分割系统。

背景技术

地球上有大量石油和天然气聚集的地区也会在地表下面形成巨大的盐沉积物，此外，盐体边界解析对于理解盐层构造和地震迁移速度的模型建设具有重要意义。目前专业的地震成像仍然需要专业人士解析盐体。手工设计的属性是根据专业知识设计的；但是这些属性可能尚未完全描述复杂的噪声污染的现实地震数据。这导致非常主观的，高度可变的结果。更令人担忧的是，这会给石油和天然气公司的钻探人员带来潜在的危险情况。近来的一些工作表明，深度学习能够应用于地质数据的分析，并且效果优于传统的方法。盐体的分类可以看作语义分割的范畴，本文提出利用深度学习算法对地质数据中的盐体进行语义分割。

目前，因为深度卷积神经网络的强大特征表征能力，基于深度卷积神经网络的方法在图像分类，目标检测和图像语义分割获得了巨大的进步。语义分割的目的就是给一个给定图像的每一个像素赋一个语义标签。

近年来，绝大多数当前最佳的图像语义分割方法都是基于全卷积神经网络的。全卷积神经网络结构是一个典型的编码器解码器结构，语义信息经过编码器被嵌入到特征图当中，然后解码器负责产生语义分割结果。通常解码器就是预训练好的卷积神经网络分类模型用于提取图像特征，而解码器则含有多种上采样操作，用于恢复图像分辨率。尽管编码器前端的特征图含有更多的语义但是在重建细节时会受限于低分辨率。为了解决它，我们需要更好的将高级别特征与低级别特征进行融合，避免高低级别的特征融合不充分，造成的语义分割结果的精度较低。

发明内容

本发明的目的在于：现有的图像语义分割方法高低级别的特征融合不充分，因此受限于低分辨率令重建细节时造成语义分割结果精度较低，应用在盐体语义分割上时，影响得到的盐体数据准确性的问题，提出了一种基于深度学习的盐体语义分割方法。

本发明采用的技术方案如下：

一种基于深度学习的盐体语义分割方法，方法为：

构建基于深度学习的盐体语义分割模型，盐体语义分割模型包括：预处理模型、分类监督模块、特征重校正模块、特征融合模块、盐体分割分支模块、整体分割分支模块、边缘预测模块、上采样层，在盐体语义分割模型中：预处理模型对图像进行预处理得到不同尺度的特征图，不同尺度的特征图分别依次经过特征重校正模块，然后分别输入对应的上采样层，再输入特征融合模块将每级尺度对应上采样的特征图与上一级尺度对应上采样的特征图级联，最后再分别输入特征重校正模块，将得到结果中最末一级尺度的特征图分别输入盐体分割分支模块、整体分割分支模块、边缘预测模块，其中分类监督模块对整个过程中每个模块输出特征图进行监督预测是否有盐；

选择盐体图像的训练数据集，输入构建的盐体语义分割模型，并对盐体语义分割模型进行训练，模型训练过程中将盐体分割分支模块、整体分割分支模块、边缘预测模块和分类监督模块的损失进行混合作为总损失，根据总损失进行模型参数更新；

输入待分析盐体图像到训练好的盐体语义分割模型，端到端地输出预测的语义分割结果。