深度学习断层实战（三）——UNet神经网络模型识别断层（附程序）

随着深度学习算法的蓬勃发展，卷积神经网络（CNN）被大规模的应用在分类任务中，输出的结果是整个图像的类标签。后来在生物医学领域，医生需要对病灶区域进行病理分析。这时需要一种更先进的网络模型，通过较少数量的训练图片，就能预测像素点类别，并且可以对像素点进行着色绘图，形成更复杂的判断，这时Unet网络设计出来了。

地震勘探领域的断层识别，同样需要对断层位置进行精准判断，并画出断层线条甚至断面。越来越多的研究学者将Unet网络运用到地震勘探行业。

01 Unet神经网络断层识别原理

UNet网络结构最初由 Ronneberger 等人在2015年提出。该网络的核心思想是引入了跳跃连接，使得图像分割的精度大大提升。地震断层识别相比图像分割问题要简单一些，因此伍新明等教授对Unet网络进行了简化，使得更适用于断层的识别。

Unet网络的主要结构包括了编码器、解码器、瓶颈层三个部分。

（1）编码器部分：包括了三个程序块。每个程序块都包括3*3的卷积（使用Relu激活函数），步幅为2的2*2的池化层。每个程序块处理后，特征图逐步缩小。

（2）瓶颈层部分：包含了两个3*3的卷积层。

（3）解码器部分：与编码器部分对称，也包括三个程序块，每个程序块包括步幅为2的2*2的上采样操作，然后与编码部分进行特征映射级联（concatenate），最后通过两个3*3的卷积（使用Relu激活函数）。

最终输出层包含一个1*1的卷积层，其后紧跟sigmoid激活函数，生成二维断层概率图像。

UNet 网络结构的关键在于编码部分和解码部分的跳跃连接（ Skip Connection），将来自解码器的深层高级特征与来自编码器的浅层低级特征相结合。编码器的浅层结构可以提取断层的简单特征，而深层结构则能抓取到断层的复杂特征。

02 实战案例应用

结合前期合成的地震断层数据作为模型训练的标签数据，我们构建一个完整的Unet神经网络作为训练模型，来给大家讲解Unet断层识别模型的构建过程。

为了能够流畅的运行，同样建议大家使用独立的显卡，并且支持CUDA GPU加速，显存8G以上，内存64G以上。

1.加载训练集数据

我们使用前期机器自动生成的数据集，包括200个样本的训练集和20个样本的验证集，每个样本的尺寸是128*128*128。

为了提高模型鲁棒性，还可以对训练数据进行增强处理。就是在加载仿真数据后，再对训练数据进行水平翻转多次翻转，进一步增加训练样本的多样性。

使用下面的程序。

2.构建Unet神经网络

根据前文的介绍，构建了一个Unet网络结构：

主要的代码包括编码、解码和瓶颈层三部分。编码部分的代码是这样的：

其中每个代码块的内容是这样的：

解码部分的代码是这样的：

其中每个代码块的内容是这样的：

瓶颈部分的代码是这样的：

训练参数部分：

由于整个地震数据中，断层部分很少，大部分都是非断层，造成了数据分布不均衡，因此这里修改了loss函数，优化了cross_entropy算法。

3.训练神经网络

整个网络训练了25个周期，平均每个周期训练时间10分钟左右。

训练准确率可以达到94.91%，验证准确率达到95.67%，可见鲁棒性较好，没有出现过拟合。

训练的图形是这样的：

从训练图像来看，训练曲线比较稳定，可以收敛。验证曲线不太稳定，说明模型还需要优化。

4.保存神经网络

我们可以将训练的模型保存下来，未来进行其它数据预测时可以直接调用模型。

5.识别效果

下面两张图显示了其中卷积层学习到的特征。

可以看到逐渐识别到了地震信号的特征。

仿真数据的识别效果见下图。

可以看到识别效果非常好，不管是主要断层还是细小的断层都能识别出来，也没有错误出现。

具体可视化显示断层的方法后续会介绍。

这次的课程就到这里。我们给大家讲解了建立Unet神经网络模型进行训练和断层识别的一套实战流程。如果大家对程序感兴趣欢迎联系我交流。再见。

扩展阅读：

怎样轻松入门地震勘探研究：先从地震数据处理开始

教你如何从0开启地震深度学习科研之路