[發明專利]一種基于卷積神經網絡的不良地質定位預報方法

在審

• 申請號: 202010838249.5
• 申請日: 2020-08-19
• 公開（公告）號: CN112149502A
• 公開（公告）日: 2020-12-29
• 發明（設計）人: 陳再勵;吳立;程瑤;董道軍;閆天俊;李麗平;張美霞
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 武漢知產時代知識產權代理有限公司 42238
• 代理人: 孔燦

本發明提供了一種基于卷積神經網絡的不良地質定位預報方法，包括：首先建立物探法探測圖像數據集；然后構建基于特征提取的目標預測定位神經網絡模型，采用所述圖像數據集，對所述目標預測定位神經網絡模型進行訓練，得到訓練好的目標預測定位神經網絡模型；最后輸入某物探法得到的圖像結果數據至所述訓練好的目標預測定位神經網絡模型中，進行實際不良地質定位預測。本發明的有益效果是：可以準確地預報隧道等地下工程建設過程中所通過范圍內的不良地質體的位置規模和性質狀態，為工程設計及施工管理部分提供決策依據，降低現有地質預報物探法解釋性低、依賴專家經驗、預測準確率不高的問題，提升工程施工的安全性。

技術領域

本發明涉及不良地質定位預報技術領域，尤其涉及一種基于卷積神經網絡的不良地質定位預報方法。

背景技術

在部分實際工程項目中，我們發現富水破碎帶這一不良地質條件為隧道建設帶來重大風險的問題，當前多采用基于物探法進行隧道地質超前預報，但現有的超前地質預報，通過物探傳感器檢測得到的波形數據圖像，需要經過具有經驗的專家來解釋，在預報過程中存在著對物探傳感得到測量結果圖的解釋性低、依賴專家經驗、預測準確率不高的問題，因此針對某一特定不良地質(如富水破碎帶)在超前預報圖像中進行精準預測定位，十分關鍵。

近年隨著深度學習(Deep Learning)的快速發展，卷積神經網絡模型(CNN，Convolutional Neural Networks)通過其特征采樣、權重共享、運算降維的特性，在圖像分類、目標檢測、圖像理解的領域取得了廣泛的應用。本方法基于深度卷積神經網絡對物探法(地質雷達、TSP、瞬變電磁等)探測圖像進行自動辨識及概率分類，研發具有較好泛化性能的預測網絡模型系統，提升超前地質預報中對富水破碎帶這一不良地質的可解釋性及準確度。

發明內容

為了解決上述問題，本發明提供了一種基于卷積神經網絡的不良地質定位預報方法，主要包括以下步驟：

本申請以富水破碎帶這一不良地質超前預報的示例說明，本方法可以適用于物探法圖像數據，實現富水破碎帶或其他不良地質的精準預報。

一種基于卷積神經網絡的不良地質定位預報方法，包括以下步驟：

S101：建立物探法探測圖像數據集；

S102：構建基于特征提取的目標預測定位神經網絡模型；

S103：采用所述圖像數據集，對所述目標預測定位神經網絡模型進行訓練，得到訓練好的目標預測定位神經網絡模型；

S104：輸入某物探法得到的圖像結果數據至所述訓練好的目標預測定位神經網絡模型中，進行實際不良地質定位預測。

進一步地，步驟S101中，建立物探法探測圖像數據集；具體包括：

S201：通過超前地質預報案例收集、實際現場項目數據采集，建立物探法探測結果初步圖像數據集；所述初步圖像數據集包括基于物探法進行超前地質預報得到的多張結果圖像；

S202：根據富水帶破碎帶預報機理及其圖像學特征，對所述初步圖像數據集中各圖像上的異常地質進行預報；

S203：結合預報結論，并采用專家經驗法再次確定所述初步圖像數據集中各圖像上富水破碎帶的位置，以富水破碎帶定位區域為標簽內容對所述初步圖像數據集中各圖像進行數據標注，得到標注后的初步圖像數據集；

S204：采用多種圖像數據增廣方法，對所述標注后的初步圖像數據集進行擴容增廣，并耦合部分物探法探測富水破碎帶負樣本數據，得到最終的圖像數據集。

進一步地，步驟S201中，所述物探法包括TSP、地質雷達和瞬變電磁等；所述初步圖像數據集中樣本容量大于500幅圖像。