在前面的課程中，我們講解了通過構造斷層標籤數據來訓練神經網路模型。但在實際應用中，當我們拿到一個目標工區數據體資料，怎樣自動進行斷層識別呢？今天給大家進行一次全流程的講解。
01 實驗數據情況
這次我們使用一個模模擬實地震工區程度比較高的合成三維數據，來講解拿到一個真實地震資料數據怎樣來做斷層自動識別。地震三維圖像如圖所示。
這是一個尺寸為（141,311,251）的三維數據體，有比較明顯的斷層結構，可以較好體現程序的斷層識別能力。
02 斷層自動識別
1.訓練模型導入
我們使用前面訓練好的UNet神經網路模型，具體訓練方法見課程《深度學習斷層實戰（三）——UNet神經網路模型建立》。
從上面導入模型的代碼來看，導入模型需要導入json文件和h5模型文件。
2.預測地震數據體
首先是讀取地震數據，如圖所示。
這裡使用了obspy庫的_read_segy方法來讀取了三維地震數據。
接下來是地震數據的預測，主要代碼如圖所示。
代碼的主要原理是先將整個數據體切分為模型的可以處理的大小（這裡是128*128*128），然後使用模型對每個數據分塊進行預測，最後再將模型預測結果進行重構組裝為整個工區的預測結果。預測的結果以二進位的格式保存到了磁碟。
這裡要注意：
對於數據體預測的運算量很大，對於普通的電腦配置（如CPU運行模型，內存8G以內），最好每次處理400*400*400以下的數據體。否則很容易內存資源耗盡，導致死機。
當然，如果你是GPU運行模型，或是內存資源比較大，可以一次處理比較大的數據體。
03 斷層結果展示
斷層識別後，我們就需要觀察處理的效果了。
1.二維剖面斷層效果顯示
我們如果要觀察二維剖面與對應的斷層對比圖。比如我們想看左邊是剖面，右邊是對應斷層的效果，如圖所示。
主要程序是這樣寫的：
這裡展示了xiline為29的地震剖面效果。如果賦值三維數組的其它位置，可以顯示xline, tline等不同維度的剖面效果。
我們將斷層線設置為了紅色，更容易觀察。
如果希望觀察剖面和斷層疊加的圖像，如圖所示。
可以這樣寫程序：
其中alpha參數設置透明度，實現了地震剖面和斷層的疊加。
2.三維數據體斷層效果顯示
如果我們想從三維視野來整體觀察斷層的識別結果，可以使用mayavi來繪製圖形，如圖所示。
主要原理和程序在前面課程《深度學習斷層實戰（五）——預測結果定性分析》有詳細的講解，大家可以移步過去學習。
從上面二維和三維的斷層識別效果來看，UNet模型對比較主要斷層識別效果還是比較好的，大的斷層結構都能識別出來。
不過由於這個地震資料數據與實際情況相似，不是所有的斷層結構都是非常規律的，識別出來的斷層結果比模擬數據要差一些。
從圖中可以看到，不管是斷層的連續性還、準確性還是斷層線條精細程度，都沒有識別簡單模擬數據那麼理想。當然這裡的模型結構和顯示圖像的參數都有進一步優化的空間，需要大家深入的研究和探索。
今天的課程就到這裡。這節課講解了非常實用的內容，教會大家使用真實數據做斷層識別的整個流程。相信不管是做斷層演算法研究，還是做資料解釋，都能給大家帶來比較大的幫助。如果對文中的程序和數據感興趣，歡迎聯繫我獲取。再見。
相關閱讀：
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-