1.一种基于深度残差语义分割网络的初至拾取方法,其特征在于,其包括:步骤S1、构建初至训练集、验证集及测试集,比例为6:2:2;
步骤S2、构建深度残差语义分割网络结构,采用非对称式的编码-解码结构,其中编码器占比大,解码器占比小;所述编码器与解码器之间使用跳跃连接,叠加特征图维度;编码器包括残差模块;残差模块中的卷积层的卷积核尺寸为3*3,解码器使用亚像素卷积层进行特征图的超分辨率重建;
步骤S3、根据步骤S1的训练集、验证集及测试集对步骤S2构建的深度残差语义分割网络结构进行训练,获取初至拾取网络模型;训练初至拾取网络模型的方法包括:步骤S31、将所述训练集输入深度残差语义分割网络中进行训练;步骤S32、基于设置的训练参数,得到网络的训练模型;步骤S33、在所述测试集上预测训练模型的分割效果,得到对应的分割结果;步骤S34、最后将分割出的Mask结果叠加在输入数据上,得到最终的分割效果;
步骤S4、根据步骤S3训练得到的初至拾取网络模型对全部实际地震数据进行初至拾取;
所述深度残差语义分割网络结构的运行方法为:
步骤S21、首先使用一个大尺寸卷积核对输入数据进行一次卷积处理;
步骤S22、然后将经过最大池化后得到的特征图送入编码器,编码器3次进行深度卷积学习深层特征语义信息,深度卷积叠加使用的残差模块数量分别是3、4、6,通过卷积控制步长代替池化进行下采样缩小特征图尺寸,每次卷积操作后做批量归一化处理;
步骤S23、其次将编码器处理后的特征图送入到解码器,进行特征图的高分辨率重建,恢复特征图的尺寸;
步骤S24、最后将每次上采样得到的特征图与对应层编码器保存的特征图相融合,汇集低级特征与高级特征学习多尺度特征信息。
2.根据权利要求1所述的一种基于深度残差语义分割网络的初至拾取方法,其特征在于,所述步骤S1中,构建初至训练集、验证集及测试集的方法包括:步骤S11、将获得的地震数据进行裁剪,并将地震数据做归一化处理;
步骤S12、对标签数据进行0、1分类;
步骤S13、最后随机将地震数据及标签数据划分为训练集、验证集和测试集;
所述步骤S12中,初至时刻之前设置为0,初至时刻之后设置为1。
3.根据权利要求2所述的一种基于深度残差语义分割网络的初至拾取方法,其特征在于,所述地震数据和标签数据尺寸均为2000×256,其中,2000代表采样点数,256代表地震道数。
4.根据权利要求1或3任一项所述的一种基于深度残差语义分割网络的初至拾取方法,其特征在于,所述步骤S4中,根据步骤S3训练得到的初至拾取网络模型对全部实际地震数据进行初至拾取的具体方法为将未参与过训练的地震资料中的其他数据,用训练好的深度残差语义分割网络模型进行初至时刻提取。