[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡(luò)的不良地質(zhì)定位預(yù)報(bào)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010838249.5
• 申請(qǐng)日: 2020-08-19
• 公開（公告）號(hào): CN112149502A
• 公開（公告）日: 2020-12-29
• 發(fā)明（設(shè)計(jì)）人: 陳再勵(lì);吳立;程瑤;董道軍;閆天俊;李麗平;張美霞
• 申請(qǐng)（專利權(quán)）人: 中國(guó)地質(zhì)大學(xué)（武漢）
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/32;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 武漢知產(chǎn)時(shí)代知識(shí)產(chǎn)權(quán)代理有限公司 42238
• 代理人: 孔燦

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的不良地質(zhì)定位預(yù)報(bào)方法，其特征在于：包括以下步驟：

S101：建立物探法探測(cè)圖像數(shù)據(jù)集；

S102：構(gòu)建基于特征提取的目標(biāo)預(yù)測(cè)定位神經(jīng)網(wǎng)絡(luò)模型；

S103：采用所述圖像數(shù)據(jù)集，對(duì)所述目標(biāo)預(yù)測(cè)定位神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的目標(biāo)預(yù)測(cè)定位神經(jīng)網(wǎng)絡(luò)模型；

S104：輸入物探法得到的圖像結(jié)果數(shù)據(jù)至所述訓(xùn)練好的目標(biāo)預(yù)測(cè)定位神經(jīng)網(wǎng)絡(luò)模型中，進(jìn)行實(shí)際不良地質(zhì)定位預(yù)測(cè)。

2.如權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的不良地質(zhì)定位預(yù)報(bào)方法，其特征在于：步驟S101中，建立物探法探測(cè)圖像數(shù)據(jù)集；具體包括：

S201：通過超前地質(zhì)預(yù)報(bào)案例收集或者實(shí)際現(xiàn)場(chǎng)項(xiàng)目數(shù)據(jù)采集，建立物探法探測(cè)結(jié)果初步圖像數(shù)據(jù)集；所述初步圖像數(shù)據(jù)集包括基于物探法進(jìn)行超前地質(zhì)預(yù)報(bào)得到的多張結(jié)果圖像；

S202：根據(jù)富水破碎帶預(yù)報(bào)機(jī)理及其圖像學(xué)特征，對(duì)所述初步圖像數(shù)據(jù)集中各圖像上的異常地質(zhì)進(jìn)行預(yù)報(bào)；

S203：結(jié)合預(yù)報(bào)結(jié)論，并采用專家經(jīng)驗(yàn)法再次確定所述初步圖像數(shù)據(jù)集中各圖像上富水破碎帶的位置，以富水破碎帶定位區(qū)域?yàn)闃?biāo)簽內(nèi)容對(duì)所述初步圖像數(shù)據(jù)集中各圖像進(jìn)行數(shù)據(jù)標(biāo)注，得到標(biāo)注后的初步圖像數(shù)據(jù)集；

S204：采用圖像數(shù)據(jù)增廣方法，對(duì)所述標(biāo)注后的初步圖像數(shù)據(jù)集進(jìn)行擴(kuò)容增廣，并耦合部分物探法探測(cè)富水破碎帶負(fù)樣本數(shù)據(jù)，得到最終的圖像數(shù)據(jù)集。

3.如權(quán)利要求2所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的不良地質(zhì)定位預(yù)報(bào)方法，其特征在于：步驟S201中，所述物探法包括TSP、地質(zhì)雷達(dá)和瞬變電磁；所述初步圖像數(shù)據(jù)集中樣本容量大于500幅圖像。

4.如權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的不良地質(zhì)定位預(yù)報(bào)方法，其特征在于：步驟S102中，所述的基于特征提取的目標(biāo)預(yù)測(cè)定位神經(jīng)網(wǎng)絡(luò)模型包括依次連接的特征提取基礎(chǔ)網(wǎng)絡(luò)和定位預(yù)測(cè)網(wǎng)絡(luò)；

其中，所述特征提取基礎(chǔ)網(wǎng)絡(luò)包括依次連接的：CBR塊、最大池化層、BaseRN1層、2個(gè)BaseRN0層、BaseRN1層、3個(gè)BaseRN0層、BaseRN1層、5個(gè)BaseRN0層；

所述定位預(yù)測(cè)網(wǎng)絡(luò)包括依次連接的最大池化層、全連接層和Sigmoid層。

5.如權(quán)利要求4所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的不良地質(zhì)定位預(yù)報(bào)方法，其特征在于：所述CBR塊包括依次連接的卷基層、正則化層和激活層；其中，C代表卷積層，B代表正則化層Batch Norm，R代表激活層，采用Leaky-ReLU激活函數(shù)。

6.如權(quán)利要求5所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的不良地質(zhì)定位預(yù)報(bào)方法，其特征在于：BaseRN1層和BaseRN0層均基于殘差網(wǎng)絡(luò)思想設(shè)計(jì)，引入殘差項(xiàng)，便于構(gòu)建深度網(wǎng)絡(luò)模型；其中，BaseRN0層和BaseRN1層中主干均為CBR-CBR-CB模塊，且BaseRN0層和BaseRN1層中主干CBR-CBR-CB模塊參數(shù)一致，具體為：第一個(gè)CBR塊的濾波器尺寸為1×1，64個(gè)通道；第二個(gè)CBR塊的濾波器尺寸為3×3，64個(gè)通道；第三個(gè)CB塊的濾波器尺寸為1×1，256個(gè)通道；BaseRN0層中分支CB塊的濾波器尺寸與主干的CB塊濾波器尺寸一致，BaseRN1中分支CBR塊的濾波器尺寸與主干的第一個(gè)CBR塊的濾波器尺寸一致；所述CB塊包括依次連接的卷基層和正則化層。