發(fā)布時間：2020-06-06 15:26

【摘要】：地球上很多石油和天然氣聚集的地區(qū),往往會在地表下形成一定規(guī)模的鹽沉積層,在開采石油和天然氣的過程中,如果對鹽體的位置判斷不準(zhǔn)確,將會帶來安全隱患。一般是通過地震成像技術(shù)把這些鹽層信息反映到圖像中。然而,從地質(zhì)圖像中標(biāo)記出鹽體的具體位置是非常困難的。因為鹽層圖像需要專業(yè)人員來解釋鹽體,這也將導(dǎo)致標(biāo)注的結(jié)果具有較大的主觀性。近年來,隨著深度學(xué)習(xí)的發(fā)展,基于深度學(xué)習(xí)的圖像分割方法也相續(xù)被提出�；谏疃葘W(xué)習(xí)的圖像分割方法可實現(xiàn)圖像像素級的語義分割,以及端到端的處理,在很多分割任務(wù)上取得成功。相對于傳統(tǒng)的分割方法,基于深度學(xué)習(xí)的方法,一般借助卷積神經(jīng)網(wǎng)絡(luò),根據(jù)圖像和其標(biāo)簽進(jìn)行自適應(yīng)的提取特征,避免了繁瑣的手工提取特征過程,建模速度快,可高效地部署到實際應(yīng)用中,在性能和準(zhǔn)確度上均有明顯提高,為相關(guān)領(lǐng)域的研究帶來便利。由于現(xiàn)有的基于深度學(xué)習(xí)圖像分割方法都是針對特定數(shù)據(jù)進(jìn)行的,例如醫(yī)學(xué)影像、自然圖像等,很難直接在鹽層圖像上取得較好效果,所以本文針對鹽層圖像提出一套基于深度學(xué)習(xí)的圖像處理、分割、訓(xùn)練方法,可用于輔助專業(yè)人員標(biāo)注工作。此外,圖像分割可以說是計算機視覺技術(shù)的基石,在眾多領(lǐng)域有著舉足輕重的地位,所以對圖像分割方法的研究以及性能提升對這些領(lǐng)域發(fā)展也有著重要意義。本文基于現(xiàn)有方法進(jìn)行研究,設(shè)計出基于深度學(xué)習(xí)的地質(zhì)鹽層圖像分割方法。在數(shù)據(jù)處理上,采用了數(shù)據(jù)增強的方式對原始數(shù)據(jù)進(jìn)行擴(kuò)充。為了進(jìn)一步提高模型的泛化能力,并提出一種基于小樣本的預(yù)處理方法,結(jié)合5折交叉驗證進(jìn)行模型訓(xùn)練。在網(wǎng)絡(luò)結(jié)構(gòu)上,本文采用經(jīng)典的編碼器-解碼器的結(jié)構(gòu),在編碼階段采用分類能力較強的深度網(wǎng)絡(luò),例如SENet、ResNet等,力求從地質(zhì)鹽層圖像中學(xué)習(xí)到更多的信息,此外,還借助遷移學(xué)習(xí)的方法,加速模型收斂并提高精度。在解碼階段采用改進(jìn)的FPN網(wǎng)絡(luò),中繼監(jiān)督優(yōu)化、Hypercolumn模塊,充分考慮上下文信息,融合多尺度信息,進(jìn)一步利用低層特征的高分辨率和高層特征的高語義信息提高預(yù)測的準(zhǔn)確率。在實驗評估上采用基于閾值的平均聯(lián)合交叉度量mIoU作為度量標(biāo)準(zhǔn),實驗表明本文提出的基于SENet、ResNet,以及融合scSE模塊的模型均取得了較優(yōu)的分割效果,證明本文提出的方法具有一定的實用價值。
【圖文】：

圖 1-1 鹽層圖像數(shù)據(jù)展示Figure 1-1 salt layer image data display為了準(zhǔn)確標(biāo)記出地質(zhì)鹽層區(qū)域位置，輔助地質(zhì)相關(guān)領(lǐng)域得到準(zhǔn)確的震圖像以 3D 渲染，本課題將以 TGS（世界領(lǐng)先的地球科學(xué)數(shù)據(jù)公司）在 kaggle[9]平臺開放的地質(zhì)鹽層圖像數(shù)據(jù)（如圖 1-1 所示上面是原始數(shù)據(jù)集，下面是標(biāo)注的數(shù)集，其中白色區(qū)域表示鹽層）為基礎(chǔ)，進(jìn)行基于深度學(xué)習(xí)的地質(zhì)圖像分割方法研究。利用成熟的圖像預(yù)處理技術(shù)，對圖像數(shù)據(jù)進(jìn)行初步的處理，，并以現(xiàn)有的度學(xué)習(xí)圖像分割方法為基礎(chǔ)，構(gòu)造新的深度學(xué)習(xí)模型，對地質(zhì)鹽層圖像進(jìn)行像級別的分割。此外，借助遷移學(xué)習(xí)[10,11]方法加載預(yù)訓(xùn)練模型，以加速模型收斂。解碼階段采用改進(jìn)的 FPN 網(wǎng)絡(luò)[12]，并結(jié)合 1x1 卷積核、中繼監(jiān)督優(yōu)化[13]模塊、percolumn 模塊[14]，充分考慮上下文、融合多尺度信息，進(jìn)一步利用低層特征高分辨率和高層特征的高語義信息，通過融合這些不同層的特征提高預(yù)測的效。

本章主要介紹圖像分割技術(shù)以及深度學(xué)習(xí)相關(guān)的理論基礎(chǔ)。2.1 小節(jié)主要介紹卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)，例如卷積核、池化層等，2.2 小節(jié)主要介紹圖像分割和語義分割的一些定義，2.3、2.4 小節(jié)主要介紹常見的基于傳統(tǒng)的圖像分割方法和基于深度學(xué)習(xí)的圖像分割方法。最后是對全章的總結(jié)。2.1 卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN），是近幾年在人工智能領(lǐng)域熱門話題之一，其歷史最早可追溯到上世紀(jì)六十年代 Hubel 等人提出的感受野的概念[33]。2012 年 AlexNet[25]在 ImageNet 比賽中一鳴驚人，從此拉開了以卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的研究熱潮。卷積神經(jīng)網(wǎng)絡(luò)發(fā)展至此有了比較全面的體系結(jié)構(gòu)。卷積神經(jīng)網(wǎng)絡(luò)的具體結(jié)構(gòu)可總結(jié)為卷積層、池化層、非線性層、全連接層。第一個被認(rèn)可的卷積神經(jīng)網(wǎng)絡(luò)是被 Y. LeCun 等人提出的 LeNet5[24]（如下圖 2-1所示）。接下來本文將詳細(xì)介紹卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)的相關(guān)細(xì)節(jié)。
【學(xué)位授予單位】：北京工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：P631.4;TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 甘麗麗;何志強;董文玉;徐猛;;塔河油田南部鹽下流體分布的控制因素[J];油氣地球物理;2013年01期

2 楊修國;;關(guān)于直方圖雙峰法的研究與改進(jìn)[J];電子設(shè)計工程;2012年12期

3 李敏;羅洪艷;鄭小林;譚立文;朱文武;;一種改進(jìn)的最大類間方差圖像分割法[J];南京理工大學(xué)學(xué)報;2012年02期

4 刁智華;趙春江;郭新宇;陸聲鏈;王秀徽;;分水嶺算法的改進(jìn)方法研究[J];計算機工程;2010年17期

5 胡斌;宮寧生;;一種改進(jìn)的Otsu閾值分割算法[J];微電子學(xué)與計算機;2009年12期

6 王國權(quán);周小紅;蔚立磊;;基于分水嶺算法的圖像分割方法研究[J];計算機仿真;2009年05期

7 孔俊;王佳男;谷文祥;殷明浩;;基于區(qū)域的自動種子區(qū)域生長法的彩色圖像分割算法[J];東北師大學(xué)報(自然科學(xué)版);2008年04期

8 梁朝暉;王宗培;;塔河油田鹽下超深井鉆井技術(shù)[J];西部探礦工程;2006年05期

9 王茜,彭中,劉莉;一種基于自適應(yīng)閾值的圖像分割算法[J];北京理工大學(xué)學(xué)報;2003年04期

10 陳濤,卜佳俊;一種新穎的基于邊緣檢測的圖像分割方法[J];計算機工程;2003年07期

相關(guān)碩士學(xué)位論文 前2條

1 侯津京;基于GAN的城市環(huán)境圖像語義分割[D];吉林大學(xué);2018年

2 童悍操;一個基于區(qū)域分割的圖論圖像分割方法的改進(jìn)[D];清華大學(xué);2012年

本文編號：2699882