本发明涉及地震信号处理及解释，尤其涉及一种基于深度学习的断层检测方法、装置、设备及介质。
背景技术：
1、断层是地壳受力发生断裂，沿破裂面两侧岩块发生显著相对位移的构造。断层的规模大小不等，大者沿着走向延长可达上千千米，向下可切穿地壳，通常由许多断层组成的，称为断裂带；小者长以厘米计，可见于岩石标本中。
2、油气因断层控制而生，依断层封堵而存；断层可使油气运移、逸散或将储层切割成几部分。断层解释的结果是地质建模以及后续油藏评价的重要基础信息。传统上，断层的识别是依靠解释人员利用经验和一些地震属性的辅助从地震剖面中手工拾取断层。这样往往需要耗费大量时间，并且精度难以保证。近年来，为了提高断层解释的效率和精度，有一些断层自动追踪技术相继被提出，一般是在沿层切片上进行边缘检测，同时结合属性信息，效率比人工解释大幅提高，但精度往往不能达到生产要求。为了解决人工识别断层中的问题，深度学习技术被引入用于断层检测。
3、目前，传统的深度学习断层检测技术基于端到端神经网络，使用模拟数据作为训练数据集对网络进行训练，然后将训练后的网络直接用于实际数据的预测。这种做法在数据信噪比较高和构造较简单的地区能够取得良好的效果，但对于一些需要依靠其他地质背景或测井钻井信息才能解释出的断层无响应。
技术实现思路
1、有鉴于此，有必要针对以上技术问题，提供一种基于深度学习的断层检测方法、装置、设备及介质。
2、根据本发明的第一方面，提供了一种基于深度学习的断层检测方法，所述方法包括：
3、获取三维合成地震数据；
4、利用所述三维合成地震数据构造训练样本以对高分辨率特征网络进行训练，得到三维断层检测模型，其中，所述三维断层检测模型的输出为断层体；
5、获取待检测三维地震数据；
6、将所述待检测三维地震数据输入到所述三维断层检测模型，得到第一断层体作为断层检测结果。
7、在一些实施例中，所述方法还包括：
8、对所述三维合成地震数据进行处理，得到二维地震数据；
9、利用所述二维地震数据构造训练样本以对高效空间金字塔网络进行训练，得到二维断层检测模型，其中，所述二维断层检测模型的输出为断层体；
10、将所述待检测三维地震数据进行处理得到待检测二维地震数据；
11、将所述待检测二维地震数据输入到所述二维断层检测模型，得到第二断层体；
12、将所述第一断层体和所述第二断层体输入到断层校准网络得到断层检测结果。
13、在一些实施例中，在所述将所述第一断层体和所述第二断层体输入到断层校准网络得到断层检测结果的步骤之前还包括：
14、获取人工断层解释信息；
15、利用迁移学习方法采用所述人工断层解释信息对所述第二断层体进行调整并更新第二断层体。
16、在一些实施例中，所述断层校准网络包括端到端神经网络和空间变换网络，所述将所述第一断层体和所述第二断层体输入到断层校准网络得到断层检测结果的步骤包括：
17、将所述第一断层体和所述第二断层体输入到端到端卷积神经网络，得到变形场；
18、将所述第一断层体和所述变形场输入到空间变换网络，并将所述空间变换网络的输出作为断层检测结果。
19、在一些实施例中，所述高分辨率特征网络包括第一输入层、与所述第一输入层依次连接的二十个第一卷积层，依次连接的十六个第二卷积层，依次连接的十一个第三卷层和依次连接的六个第四卷积层、多个上采样层和多个下采样层，以及第一输出层；
20、自所述第一输入层一侧起第三个第一卷积层的输出通过下采样层与首个第二卷积层的输入连接，第八个第一卷积层的输出通过两个下采样层分别与第六个第二卷层的输入、首个第三卷层的输入连接，第十三个第一卷积层的输出通过三个下采样层分别与第十一个第二卷层的输入、第六个第三卷积层的输入、首个第四卷层的输入连接；第十八个第一卷积层的输出通过四个下采样层分别与第十五个第二卷积层的输出、第十个第三卷层的输出、第五个第四卷积层的输出连接；
21、第四个第二卷积层的输出通过下采样层与首个第三卷积层的输入连接；第九个第二卷积层的输出通过两个下采样层分别与第六个第三卷层的输入、首个第四卷积层的输入连接，第九个第二卷积层的输出还通过上采样层与第十五个第一卷层的输入连接，第十四个第二卷层的输出通过两个下采样层分别与第十一个第三卷积层的输入、第六个第四卷积层的输入连接，第十四个第二卷层的输出还通过上采样层与第二十个第一卷积层的输入连接；
22、第四个第三卷积层的输出通过下采样层与首个第四卷积层的输入连接，第四个第三卷积层的输出还通过两个上采样层分别与第十五个第一卷积层的输入和第十一个第二卷层的输入连接，第九个第三卷积层的输出通过两个上采样层分别与第二十个第一卷积层的输入和第十六个第二卷积层的输入连接，第九个第三卷积层的输出还通过下采样层与第五个第四卷层的输入连接；
23、第四个第四卷积层的输出通过三个上采样层分别与第二十个第一卷积层的输入、第十六个第二卷积层的输入、第十一个第三卷积层的输入连接；
24、第二十个第一卷积层的输出与第一所述输出层连接，第十六个第二卷积层的输出、第十一个第三卷积层的输出和第六个第四卷积层的输出通过三个上采样层与所述第一输出层连接。
25、在一些实施例中，所述高效空间金字塔网络包括第二输入层、依次设置的四个第五卷积层和六个esp模块和第二输出层；
26、首个第五卷积层的输入与第二输入层连接，第一个第五卷积层的输出和第二个第五卷积层的输入之间通过一个esp模块连接，第二个第五卷积层的输出和第三个第五卷积层的输入之间通过两个串联的esp模块连接，第三个第五卷积层的输出和第四个第五卷积层的输出之间通过三个串联的esp模块连接，第四个第五卷积层的输出与所述第二输出层连接。
27、在一些实施例中，所述esp模块包括四个空洞卷积层、第一融合层、第二融合层、第三融合层和第四融合层；
28、四个空洞卷积层配置用于将输入所述esp模块的特征转换成第一尺度特征、第二尺度特征、第三尺度特征和第四尺度特征；
29、所述第一融合层配置用于将所述第一尺度特征和所述第二尺度特征融合后输出；
30、所述第二融合层配置用于将第一融合层的输出与第三尺度特征融合后输出；
31、所述第三融合层配置用于将第二融合层的输出与第四尺度的特征融合后输出；
32、所述第四融合层配置用于将所述第一融合层的输出、第二融合层的输出、第三融合层的输出融合后作为所述esp模块的输出。
33、根据本发明的第二方面，提供了一种基于深度学习的断层检测装置，所述装置包括：
34、第一获取模块，配置为获取三维合成地震数据；
35、训练模块，配置为利用所述三维合成地震数据构造训练样本以对高分辨率特征网络进行训练，得到三维断层检测模型，其中，所述三维断层检测模型的输出为断层体；
36、第二获取模块，配置为获取待检测三维地震数据；
37、检测模块，配置为将所述待检测三维地震数据输入到所述三维断层检测模型，得到第一断层体作为断层检测结果。
38、根据本发明的第三方面，还提供了一种计算机设备，该计算机设备包括：
39、至少一个处理器；以及
40、存储器，存储器存储有可在处理器上运行的计算机程序，处理器执行程序时执行前述的基于深度学习的断层检测方法。
41、根据本发明的第四方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时执行前述的基于深度学习的断层检测方法。
42、上述一种基于深度学习的断层检测方法，通过采用三维合成地震数据构造训练样本对高分辨率网络进行训练得到三维断层检测模型，然后将待检测的三维地震数据输入到三维断层监测模型，将三维断层检测模型输出的第一断层体作为断层检测结果，藉由高分辨率卷积神经网络对三维地震数据进行特征提取最终预测相应的断层体，显著地提高了断层解释效率与准确率，为后续地质建模及储层预测提供可靠数据。
43、此外，本发明提供的一种基于深度学习的断层检测装置、一种计算机设备和一种计算机可读存储介质，同样能实现上述技术效果，这里不再赘述。