一种三维地震断层智能组合方法与流程

1.本发明属于地震数据处理领域，特别涉及一种断层智能组合与重建技术。


背景技术：

2.断层是连续地层受应力挤压、拉伸而产生的断裂聚集带，也是基础的地质现象之一。断层按照上下盘的相对关系和断层面倾角可以分为正断层，逆断层，逆冲断层，逆掩断层，冲掩复合断层等多种类型。研究断层实际上是在研究断层的地质构造，它有众多地质意义和实际生产价值，比如：断层附近容易富集大量如石油，天然气等重要储层；活动性断层是天然地震的重要内力因素；表层断层构造是工程建设、水利建设前期勘查的重要地质结构。传统的断层建模工作一般是建立在断层识别的基础上，以断层要素(倾角，倾向，走向，断距，落差等)为约束，搜索邻域断层要素相似的断点并组合建立断层模型的空间拓扑结构。虽然近期以深度学习为基础的断层识别的相关方法居多，但是涉及到断层建模的相关方法鲜有。


技术实现要素：

3.为解决上述技术问题，本发明提出一种三维地震断层智能组合方法，基于数据驱动学习的深度学习方法实现的断层智能重建。
4.本发明采用的技术方案为：一种三维地震断层智能组合方法，包括：
5.s1、采用三维的地震空间数据体和断层实例标签构建样本数据集；
6.s2、构建视频流神经网络模型；
7.s3、根据步骤s1构建的样本数据集对步骤s2构建的视频流神经网络模型进行训练；
8.s4、采用训练得到的视频流神经网络模型进行断层识别。
9.步骤s1中断层实例标签通过对断层0
‑
1数据集进行标注得到，具体包括以下步骤：
10.a1、计算待分类断层点与已标记实例断层点之间的距离；
11.a2、按照距离的递增关系进行排序；
12.a3、选取距离最小的k个点；
13.a4、返回前k个点中出现频率最高的类别作为待分类断层点的预测分类。
14.步骤s2所述视频流神经网络模型为全连接模型，至少包括编码层、全局卷积块以及解码层，编码层的输入包括两个输入流，分别是参考剖面输入流和目标剖面输入流；全局卷积块的输入为编码层的两个输入流通过拼接操作得到的组合，所述全局卷积块用于匹配参考剖面输入流和目标剖面输入流之间的断层实例特征；解码层是由与编码层对称的解码块组成，解码块将全局卷积块的输出与目标剖面输入流的输入通过跳跃连接的方式组合在一起。
15.还包括特征提取块，特征提取块由两部分相加组成，第一部分是一个卷积块连接一个残差卷积块，第二部分是与之对应的编码块全局卷积块的上采样。
16.所述解码层依次通过三个特征提取块、一个最终的卷积层以及一个softmax，最终得到目标剖面的断层实例掩膜。
17.所述编码层的每个输入流是一对图像组合，每个图像组合包括一张原始地震剖面和一张断层实例标签。
18.本发明的有益效果：本发明的方法结合了基于参考剖面的断层分割和基于上一剖面的断层追踪这两种模式，由一个多输入，多层级的编解码卷积神经网络在线学习相邻剖面和参考剖面之间的断层实例分布与组合规律来预测目标剖面的断层实例，进而实现对整个地震空间数据体的断层组合建模。
附图说明
19.图1为本发明实施例提供的bp神经网络模型；
20.图2为本发明实施例提供的断层向量投影方法流程示意图；
21.其中，图2(a)为断层线重叠说明，图2(b)为断层线重叠部分处理说明，图2(c) 为合成置信概率最大的断层线段；
22.图3为本发明实施例提供的地震空间数据体视频流示意图；
23.图4为本发明实施例提供的断层0
‑
1标签与断层实例标签；
24.其中，图4(a)为断层0
‑
1标签，图4(b)为断层实例标签；
25.图5为本发明实施例提供的knn标记小区域断层实例标签；
26.其中，图5(a)为sse软件标记大部分断层实例标签，图5(b)为knn算法标记其他断层实例标签；
27.图6为本发明实施例提供的视频流神经网络模型；
28.图7为本发明实施例提供的迭代渐进式的神经网络训练；
29.图8为本发明实施例提供的断层识别与重建的结果；
30.其中，图8(a)为地震图像，图8(b)为断层分割结果，图8(c)为断层实例分割结果；
31.图9为本发明实施例提供的断层曲面重建结果。
具体实施方式
32.以下对与本发明相关的现有技术进行介绍：
33.1、卷积神经网络的相关技术
34.bp神经网络模型是基础神经网络模型，如图1所示。它模拟了人脑的感知神经元系统，由多连接的神经元组成，神经元的作用是对输入的结构向量作数学变换并输出新的结构向量。如果神经元的数量和规模足够大，那么它就能够模拟生物神经系统对真实世界物体作出的交互反应。神经网络的有监督学习是通过前向传播与反向传播完成的，以经典的bp 神经网络为例进行说明，
35.a)前向传播
36.前向传播过程是给定神经元的输入，得到神经元的输出并将输出作为下一层神经元的输入，对应的公示表达如下。
37.第l层的第i个神经元的输入：
[0038][0039]
第l层的第i个神经元的输出：
[0040][0041]
其中，为第l层的第i个神经元的激活值，为第l层的第i个神经元的偏置项，为l层的第i个神经元与l+1神经元之间的权值，为第l层的第i个神经元的输入，s
l
‑1为前一层的节点总数，g(x)为激活函数。
[0042]
b)反向传播
[0043]
反向传播是根据损失函数计算真实样本和前向传播结果之间的误差，并用梯度下降算法调整权系数的过程。计算梯度的公式如下。
[0044]
权值关于损失函数的梯度为：
[0045][0046]
偏置关于损失函数的梯度为：
[0047][0048]
其中，m为样本数，w为神经元的权值，x为该层的输入，y为该层的输出，b为神经元的偏置项，为第l层的第i个神经元的输入，为第l层样本(x
i
,y
i
)对应损失函数的偏导数，x
t
,y
t
为第t个节点的输入和输出，j为损失函数，λ为更新的步长。
[0049]
随着卷积神经网络自身结构不断的完善和发展，它于多个细分应用领域产生出新的网络模型。尤其是在计算机视觉的主战场上得到了广泛的应用。计算机视觉的任务按粗粒度到细粒度依次可以分为图像分类，图像目标检测，图像语义分割，图像实例分割等。图像分类需要分类物体类别；图像目标检测需要分类物体类别，指明物体位置；图像语义分割需要分类物体，刻画物体边界；图像实例分割需要分类同一物体的多个实例，刻画实例边界。
[0050]
2、蚁群追踪方法
[0051]
蚁群算法于1991年由d.marco在第一届ecal(欧洲人工生命会议)首次提出的，算法是基于模仿蚂蚁觅食的仿生学优化算法。
[0052]
蚂蚁向前爬行的同时会释放一种名叫信息素的物质。这种物质是蚂蚁之间互通消
息的标识。随着某一条路径上的信息素物质越来越多，蚂蚁选择这条路径的概率也会越来越大，这就是信息素的正反馈机制。蚁群算法最初是用于旅行商(tsp)问题。
[0053]
tsp问题是经典的组合优化问题，它的具体描述为：在n个城市中，一个旅行商从某一个城市出发并对其他城市访问且只访问一次，最终返回原来出发的城市，求旅行所用的最短路径。用数学模型描述为：
[0054]
设c＝{c1,c2,c3,...,c
n
}是n个城市的集合，是集合c中两两连接的边 l
ij
集合，d
ij
(i,j＝1,2,...,n)是l
ij
的euclidean距离。tsp的目的是从有向图中找到长度最短的hamilton回路。
[0055]
假定b
i
(t)为t时刻在第i个城市的蚂蚁数量，τ
i,j
(t)为t时刻在连接城市i,j的路径上的信息素浓度，ρ是代表信息素剩余程度的系数。
[0056]
那么，每一次蚂蚁移动信息素浓度就会得到更新，经历了n个城市后，更新的公式为：
[0057]
τ
i,j
(t+n)＝ρ*τ
i,j
(t)+
△
τ
i,j
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0058][0059]
其中
△
τ
i,j
表示本次迭代边i,j上的信息素量，
△
τ
i,jk
(t)表示第k只蚂蚁在本次迭代中保留在边ij上的信息素量。
[0060]
蚁群算法中，蚂蚁释放的信息素浓度为上一个状态的信息素消散后剩余浓度与之前所有的剩余信息素浓度之和。ant
‑
cycle模型中，
[0061][0062]
其中q为正常数，l
k
表示第k只蚂蚁在本次周游中所走过的路径长度。
[0063]
第k只蚂蚁根据每条路径上的启发信息和信息素浓度大小来计算转移概率
[0064][0065]
算法模型实现步骤如下：
[0066]
step1：初始化参数：
[0067]
step2：把个蚂蚁随机置于个城市中。设定最大循环次数,计时器，循环计数器＝0，边给定一个初始常数。
[0068]
step3：循环计数+1，蚂蚁数目+1。
[0069]
step4：蚂蚁k计算转移概率式(8)，选择下一个城市，并把加入城市
[0070]
禁忌表。
[0071]
step5：如果，跳回step3，否则转入step6。
[0072]
step6：对每条路径上的信息更新。
[0073]
step7：判断是否满足终止条件，若满足输出结果，若不满足则清空城市禁忌
[0074]
表转入step2。
[0075]
3、断层向量投影与联合方法
[0076]
断层向量投影与联合方法是2007年由w.zhen提出的断层提取方法，它利用了视频编码中i帧(关键帧)和b帧(双向差别帧)的概念，把地震剖面分为两组：i帧剖面和b 帧剖面。其中，i帧剖面是关键帧剖面，占有整个地震数据体的一小部分，需要用霍夫变换的方法检测此类剖面上的断层。b帧剖面是i帧剖面附近的相邻帧，占有整个地震数据体的大多部分，需要用断层向量投影和断层向量联合的办法检测此类剖面上的断层。该方法的主要思路是检测少量地震剖面的断层，并将其投影到相邻的地震剖面上，来实现整个三维地震数据的断层识别。
[0077]
a)断层向量投影
[0078]
断层向量投影是把参考剖面中已经标记的断层线用向量投影的方法直接投影到还未标记断层线的相邻剖面中。投影坐标系中x,y,z分别对应xline，inline，time方向。在参考剖面中，以l
r
＝(x
r
,z
r
)表示断层线，x
r
和z
r
表示xline和inline方向上的坐标分量。垂直方向上用长度为rt的滑动窗口截取得到断层线片段i
i,r
，i＝1,2,...，后将其平行投影到相邻预测剖面的相同位置上。因为两个相邻的地震剖面上的断层在inline方向上并没有严格的平行关系，所以初始的断层投影在预测剖面上是不准确的，需要进一步的修正断层线的位置。以预测剖面地震概率属性最大为优化目标，断层片段的方向修正公式为
[0079][0080]
其中，|i
i,r
|是断层线段的长度，d
p
是预测剖面对应的断层概率属性，i
i,r
(n)是中第n 个断层点。最终，对断层线端上的点追加一个新的追踪向量v，如式(10)
[0081]
l
i,p
(n)＝l
i,r
(n)+v
i
, n＝1,2,...,|l
i
|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0082]
b)断层向量联合
[0083]
断层向量联合是把预测剖面上的断层投影线段合成断层线，上一步得到的预测剖面上的新断层线段l
pm
＝(x
pm
,z
pm
)于滑动窗口重叠部分存在不一致，如图2所示。按照式(11)计算重叠部分的断层位置。
[0084][0085]
其中，x
p1
是下一个滑动窗口截取的断层线段在x坐标上的范围，x
p2
是上一个滑动窗口截取的断层线段x坐标上的范围，x
pm
是两个滑动窗口重叠部分的断层线段在x坐标上的范围，z
pm
是两个滑动窗口重叠部分的断层线段在z坐标上的范围。按照式(12)确定最终重叠窗口的断层投影位置
[0086]
[0087][0088]
是正则化项，是断层向量的最小长度与最大长度在x方向上的比，μ
p
和μ
m
分别表示参考剖面和l
pm
的权重系数。通常，μ
p
＝0.6，μ
m
＝0.4，μ
p
大于μ
m
是因为投影断层可能性大于合成断层。
[0089]
以下结合附图对本发明的内容做详细阐述：
[0090]
断层解释的工作是一项长期迭代，反复验证更新的周期性工作，它的地质意义在于探究断裂系统的地质构造并给出科学合理的地质特征解释。为了进一步研究断层的形成机理和断裂发育特征，需要对识别的断层进行组合建模的工作。
[0091]
传统的断层建模工作一般是建立在断层识别的基础上，以断层要素(倾角，倾向，走向，断距，落差等)为约束，搜索邻域断层要素相似的断点并组合建立断层模型的空间拓扑结构。虽然近期以深度学习为基础的断层识别的相关研究增多，但是涉及到断层建模的相关方法却鲜有。
[0092]
本发明主要研究了一种基于视频流的断层智能组合与重建方法。本发明的方法设计了一套端到端的断层识别与组合一体化流程，依据用户可定义的少量标签为引导，通过视频流神经网络模型，实现了地震振幅空间数据体的断层组合，并以此为基础快速重建断层模型。
[0093]
本发明的断层重建方法，首次用深度学习的方法实现了断层数据体的实例分割，并以此为基础快速完成断层重建。断层实例分割不仅区分了断层与非断层，还区分了不同期不同组合的断层类别，这为断层重建提供了数据基础。该模型将地震剖面看作视频帧，地震数据看作由地震剖面组成的视频序列，以少量的人工手动解释地震剖面为指引，学习地震剖面之间的相关关系。
[0094]
本发明的方法结合了专家知识经验与机器学习经验，能够准确地分割断层数据体的实例，并实现快速的断层组合与重建。本发明通过理论模拟地震数据验证了方法的创新性和有效性。
[0095]
本发明从断层建模问题本身出发，如果将地震振幅空间数据体看作多帧的视频序列，那么以主测线inline方向为视频流的时间序列可以建立多组的视频流，如图3所示。以每一组的第一张inline号为起始帧，可以建立多组有起始帧的视频流。进而以起始帧为参考标准，沿时间方向依次预测每一帧的断层实例掩膜，那么可以实现全帧视频流的断层实例掩膜预测。
[0096]
基于上述的研究思路，本发明参考了o.w.seoung提出的参考帧引导的视频目标分割方法，提出了一种基于视频流的断层智能组合与重建方法。
[0097]
本发明方法的核心思想是结合了基于参考剖面的断层分割和基于上一剖面的断层追踪这两种模式，由一个多输入，多层级的编解码卷积神经网络在线学习相邻剖面和参考剖面之间的断层实例分布与组合规律来预测目标剖面的断层实例，进而实现对整个地震空间数据体的断层组合建模。其中，参考剖面是预先给定的含有断层掩膜标记的参考剖面，相邻剖面是逐剖面传递下来含有新的断层掩膜标记的上一剖面。
[0098]
1、基于视频流的断层智能组合与重建方法的样本数据集的构建
[0099]
深度学习方法的关键除了设计出色的神经网络模型之外，还依赖于大量真实有效的数据样本。考虑到本方法是基于视频流序列实现断层实例分割建模，神经网络模型训练和预测所需要的数据样本应该为三维格式的地震数据和断层实例标签，而三维格式的断层实例标签的获取有一定的难度。本发明所用的断层实例标签与断层标签有所不同。两者虽然都是三维格式的断层理论模型标签，但不同之处在于标签的细分类别。断层识别的标签是一个典型的二分类标签，只存在是断层或不是断层两个类别，而断层实例分割的标签是二分类多实例的标签，不仅存在是断层或不是断层两个类别，而且在断层这一大类别中要区分不同期，不同组合的断层实例。以二维剖面说明两者的区别，如图4所示。
[0100]
本发明在x.m.wu公开的数据集[x.m.wu,l.m.liang,y.z.shi,et al.faultseg3d: using synthetic datasets to train an end
‑
to
‑
end convolutional neural network for 3d seismic fault segmentation[j].geophysics,2019.]的基础之上制作了一套三维的断层实例标签。采用的是一种半自动的三维断层实例标签标记方法，通过结合手动解释和knn分类的方法快速完成标签的制作。
[0101]
首先，将0
‑
1标签初始化为断层点云数据，并用手动解释的方法标记大部分容易标记的断层实例。手动解释使用了一个基于react,paper.js和three.js开发的标签工具semanticsegmentation editor，简称为sse。具体操作是通过手动标记的方法将断层点云数据分类为不同的断层实例，如图5(a)和图5(b)所示。
[0102]
手动标记只能圈定大面积范围的断层片，但是比如交叉的断层片或者临近的断层片等小部分区域直接用手动标记可能会有分类错误。本发明的处理方法是对于小区域的断层点不予手动标记，而是用已经标记的断层点作为样本数据，通过knn算法自动标记出小区域内的断层点所属实例。如图5白色圆圈是部分还未手动标记实例的断层，可以通过knn算法判断其所属类别为最大概率的断层实例，如图5(b)。
[0103]
knn又称k临近算法(k
‑
nearest neighbors)，是由t.m.cover,p.e.hart于1968年提出用于解决分类的算法。算法的分类依据是如果单样本在特征空间中的k个最邻近的样本归属于i类别的数目最多，是欧式距离，如式(14)：
[0104][0105]
其中x1,y1,z1以及x2,y2,z2分别表示相邻的两个点在空间中的坐标。
[0106]
knn算法的具体流程如下：
[0107]
step1：计算待分类断层点与已标记实例断层点之间的距离；
[0108]
step2：按照距离的递增关系进行排序；
[0109]
step3：选取距离最小的k个点；
[0110]
step4：返回前k个点中出现频率最高的类别作为待分类断层点的预测分类；
[0111]
按照上述方法对断层0
‑
1数据集完成断层实例标签的标注工作(本发明方法k＝10)。本发明以32张连续的地震剖面为一组视频序列，即一个数据样本。总共选取了256个数据样本作为训练集数据，12个数据样本作为测试集数据。
[0112]
2、视频流神经网络模型的构建
[0113]
本发明构建了一个编解码结构的视频流神经网络模型，如图6。该网络能够有效地处理四个输入图像，并输出一个有断层实例掩膜标记的图像。整个网络主要分为两个部分，
分别是编码层和解码层。网络被设计成全连接模型，能够适应任意尺寸大小的输入并输出清晰的断层实例掩膜。
[0114]
a)编码器
[0115]
编码器的输入有两个输入流，分别是参考剖面输入流和目标剖面输入流，每个输入流是一对图像组合，每个图像组合包括一张原始地震剖面和一张断层实例标签。第一个输入流是参考剖面，由第一剖面的地震剖面和断层实例标签组成。第二个输入流是目标剖面，由目标剖面的地震剖面和上一剖面的断层实例标签组成。地震剖面和断层实例标签作为不同的颜色通道组合为一个输入流，并同时共享一组编码块。残差块的模型结构是基于 resnet50
[5]
设定的。
[0116]
b)全局卷积块
[0117]
两个输入流部分通过拼接操作组合为全局的卷积块的输入，全局卷积块用于匹配参考剖面输入流和目标剖面输入流之间的断层实例特征。为了克服卷积操作的局限性，本发明设定了两个分支卷积，分别是卷积大小为1
×
k+k
×
1和k
×
1+1
×
k的卷积层(本发明方法中 k＝7，k为卷积层的大小)。两个分支卷积的结果相加并紧接一个残差卷积块结构。
[0118]
c)解码器
[0119]
解码器是由与编码器对称的解码块组成。解码块将全局卷积块的输出与目标剖面输入流的输入通过跳跃连接的方式组合在一起。为了充分融合卷积操作在不同尺度上的特征，解码块由两部分相加组成，第一部分是一个卷积块连接一个残差卷积块，第二部分是与之对应的编码块全局卷积块的上采样。
[0120]
整个解码器依次通过解码块，一个最终的卷积层以及一个softmax，最终得到目标剖面的断层实例掩膜。
[0121]
3、视频流神经网络模型的训练与推理
[0122]
a)训练部分
[0123]
本发明准备了256组三维的地震空间数据体和断层实例标签作为训练数据样本，采用的是一种迭代渐进式的神经网络训练方法，如图7所示。
[0124]
迭代渐进式的视频流神经网络模型训练方法以一个三维地震空间数据体为一组训练样本。每个训练样本的输入包含有四个图像，每次训练的输出结果为一个断层实例的掩膜。
[0125]
若指定第一剖面作为参考剖面，迭代式的训练实际以第二剖面为目标剖面开始训练，共计训练n
‑
1次(n为该组inline方向上的剖面数量)。具体实现为，设p剖面为参考剖面，以t时刻的训练为例，输入流有两个部分，分别是参考剖面输入流和目标剖面输入流。目标剖面输入流由目标剖面(t剖面)的地震振幅剖面和上一剖面(t
‑
1剖面)的断层实例标签作为一组输入，参考剖面输入流由参考剖面(p剖面)的地震振幅剖面和参考剖面(p 剖面)的断层实例标签作为另一组输入。两组输入经过视频流神经网络输出得到目标剖面 (t剖面)的断层实例掩膜。随后，将这一结果作为下一剖面(t+1剖面)的输入。此时，目标剖面更新为下一剖面(t+1剖面)，上一剖面(t剖面)输出的断层实例掩膜重新作为目标剖面(t+1剖面)输入流部分中的断层实例标签。
[0126]
本发明以上述迭代渐进式的训练方法完成256组训练样本的训练。共计训练100个 epoch。
[0127]
b)推理部分
[0128]
推理阶段和训练阶段相同，仍然需要一组参考剖面，包括地震振幅剖面和对应的断层实例标签。不同之处在于解决多实例的部分。设给定参考剖面的断层实例标签有多组实例 m＝{m1,m2,m3,...,m
k
}。对于每组断层实例的预测，简单的处理办法是将每组断层实例的个数分为多个批次，分别对于每一个断层实例完成预测，最终根据当前位置的每个断层实例的概率最大输出断层实例预测掩膜。本发明选用了softmax的方法，约定多类实例的概率为正，且相加为1。如式(15)计算了每一张剖面的断层实例，并传递给下一剖面作为其输入。
[0129][0130]
σ和logit分别表示softmax函数和逻辑回归函数，p
i,m
代表最后输出的目标剖面实例m在位置i上的概率，表示视频流神经网络的输出目标剖面实例m在位置i上的概率，表示视频流神经网络的输出目标剖面实例m在位置i上的概率，m＝0表示背景类别， m表示实例类别总数。
[0131]
视频流神经网络的训练和推理所需要的数据样本是以组剖面的数据格式管理的，每一组的训练或推理是无关乎每组的剖面数量。以剖面序列p＝{p1,p2,p3,...,p
n
}为例子，沿时间推移方向依次给定了p
a
,p
b
,p
c
,...等k组地震剖面与断层实例标签作为参考剖面。那么可以将整个剖面序列p分组为{p
a
,p
a+1
,p
a+2
,...,p
b
‑1}，{p
b
,p
b+1
,p
b+2
,...,p
c
‑1}， {p
c
,p
c+1
,p
c+2
,...,p
d
‑1}
…
等k组数据样本，记为m＝{m1,m2,m3,...,m
k
}。每一组数据样本m
i
作为一个样本单元进行上述推理，利用已有训练好的视频流神经网络，预测得到整组的实例掩膜。
[0132]
推理阶段的方法流程是较相似于传统断层解释方法的。由专业解释人员预先手动标记感兴趣的或是有解释意义的多张地震剖面，并设定与其相邻的断层实例预测区间，区间范围可以是任意的。区间范围内的地震剖面按照上述推理阶段的方法通过视频流神经网络获得对应的多张断层实例掩膜。如果预测的区间范围内有不符合真实地质环境的断层实例掩膜，专业人员可以重新用手动解释的方法去修正该张解释结果，并以此张为其起始参考剖面，进行下一组的断层实例预测。这点在实际的地震勘探生产中有着指导意义。
[0133]
推理阶段的关键在于每组的断层实例掩膜预测依赖于两个知识经验，一个是由专业解释人员手动解释的参考地震剖面的断层实例标签，另一个是在参考剖面指引下具有预测断层实例掩膜功能的视频流神经网络。前者为人为解释经验，后者为机器解释经验。本方法充分地结合了两者的知识经验并相互作为约束和依赖实现了半监督的三维地震断层实例识别。同时，专业解释人员给定的断层实例标签是任意张和任意范围的，可以灵活方便地制定解释任务。
[0134]
本发明是基于数据驱动学习的深度学习方法实现的断层智能重建。智能化在于时间上的优化和效果上的优化。时间上的优化体现在简化了解释流程，能够实现端到端的断层识别与重建，极大地缩短了时间成本，提高了勘探效率。效果上的优化体现在深度学习方法能够捕获高维度的断层信息特征，断层识别的结果符合地质意义，保留了断层的三维整体结构，分割结果断层边缘清晰，断层连续性好，如图8所示。
[0135]
如图9所示，从断层重建的效果来看本发明的基于视频流的断层智能组合与重建，
断层前后景分离边缘清晰，断层多实例分离完整，清晰，断层连续性好。实例分割的结果无论是在断层非断层的前后景还是断层多实例本身局部交叉地方的分割边缘清晰。断层实例分割进一步地提升了断层智能解释的效率，实现了端到端的断层智能实例识别与组合和快速的断层重建。
[0136]
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。