1.一种目标边缘检测神经网络的低序级断层智能识别方法，其特征在于，包括：步骤1：构建训练集，生成200对模拟的三维地震数据及对应的标签；

步骤2：根据低序级断层的特点搭建网络结构SH‑Unet；

步骤3：对所有的数据做预处理；

步骤4：模型训练，将数据放入搭建的网络中，使用类平衡交叉熵作为损失函数，进行模型训练，得到训练后的SH‑UNet网络模型；

步骤5：模型试算，用步骤4中得到的网络模型预测未参与训练的模拟数据和实际地震数据，得到预测结果。

2.根据权利要求1所述的一种目标边缘检测神经网络的低序级断层智能识别方法，其特征在于，搭建网络结构SH‑Unet包括：通过膨胀卷积构建编码器，扩大卷积核的感受野，卷积核尺寸大小为3×3×3，k表示膨’胀卷积核的大小，d表示膨胀系数，感受野k的计算公式为： ；

在每个侧输出前加入SE注意力模块融合深层网络特征，指导浅层网络去除弱边缘和噪声，通过concat函数融合解码器输出的不同尺度的断层信息，提高网络对低序级断层的识别精度。

3.根据权利要求2所述的一种目标边缘检测神经网络的低序级断层智能识别方法，其特征在于，SE注意力模块包括：通过卷积获得的特征图执行Squeeze操作，获得channel级的全局特征，对全局特征进行Excitation操作并学习各channel之间的关系，获得到不同channel的权重，将原来特征相乘得到最终特征，channel表示卷积网络中的通道。

4.根据权利要求3所述的一种目标边缘检测神经网络的低序级断层智能识别方法，其特征在于，Squeeze操作包括：通过全局平均池化把H×W×D×C压缩为1×1×1×C，将H×W×D压缩成一维后，获得了之前全局的视野，感受区域更广，Squeeze操作的结果 如下：；

其中， 表示Squeeze操作,  ，c表示channel，H表示高度，W表示宽度，D表示深度， 表示遍历的参数；

上式将输入转化成输出，Squeeze操作的结果 ，用两个1×1×1的卷积层学习通道间的相关性：第一个卷积层是 ，起到降维的作用，再采用ReLU函数激活，然后再和第二个卷积层 相乘，恢复原始的维度，经过Sigmoid函数得到输出结果s：；

其中， 表示Excitation操作,  表示Relu函数， 表示Sigmoid函数， 表示第一个1×1×1卷积操作的参数，目的是降维， 表示第二个1×1×1卷积操作的参数，将维度恢复为输入维度；

通过对每个通道的前面特征进行加权来重新设置通道维度中的原始特征如下式：；

其中， 表示Scale操作， 表示一个三维矩阵， 表示一个权重。

5.根据权利要求4所述的一种目标边缘检测神经网络的低序级断层智能识别方法，其特征在于，网络结构SH‑Unet在每一个尺度的最后引出一个侧输出，共引出5个不同尺度侧输出；

当输入的数据矩阵尺寸是128×128×128×1，此时5个侧输出的特征图分别为O1、O2、O3、O4、O5，5个特征图尺寸分别是128×128×128×1，64×64×64×1，32×32×32×1，16×

16×16×1，8×8×8×1，每一个尺度输出的特征图尺寸不同，SH‑Une采用转置卷积对得到的不同尺寸的特征图进行反卷积运算，分别将O2 O5得到的特征图的尺寸放大了2 16倍，O1~ ~特征图尺寸保持不变，使SH‑Unet在每个尺度上得到了相同尺寸的特征图，将这5个特征图叠加得到128×128×128×5的特征数据集合，引入输出通道数为1，卷积核尺寸为1×1×1的卷积操作。

6.根据权利要求5所述的一种目标边缘检测神经网络的低序级断层智能识别方法，其特征在于，对所有数据集进行Z‑Score标准化，在模型的训练过程中利用小批量的均值和方差调整网络的中间的输出，数据由此变得更加稳定，Z‑Score标准化公式如下：Z‑Score标准化公式： ；

其中，x表示地原始数据， 表示全部数据的均值， 表示标准差。

7.根据权利要求6所述的一种目标边缘检测神经网络的低序级断层智能识别方法，其特征在于，步骤4引入类平衡交叉熵损失函数平衡正负样本之间的损失，BCE Loss损失函数的计算过程如下：；

其中， 为非断层数据点与总数据点之间的比率， 为三维地震数据中断层数据点的比率，N为输入的三维地震数据点数， 为断层二进制标签值， 为断层二进制预测值。

8.根据权利要求7所述的一种目标边缘检测神经网络的低序级断层智能识别方法，其特征在于，用步骤4中训练好的SH‑UNet模型预测未训练过的数据和实际地震数据。