基于轻量化卷积神经网络的隧道勘察地层岩性划分方法

丁海英

(陕西能源职业技术学院 煤炭与化工产业学院， 陕西 咸阳 712000)

0 引言

岩性是指地层岩石构造、颜色、结构和成分等特征的总和，隧道勘察地层岩性划分是指通过一些方法区别和认识岩性的过程[1]。在地质学中如何直观地对地层岩性分布进行描述是重要问题。隧道勘察资料处理与解释中都对地层岩性进行了准确的辨识，在隧道勘察与开发过程中地层岩性划分是重要的基础工作[2]。对油藏描述、储层识别、沉积相分析、地层评价和储层划分具有重要意义，在隧道勘察过程中只有明确地层岩性才可以进行下一步工作。

贾军伟等[3]提出基于激光诱导击穿光谱技术的地层岩性划分方法，该方法选择K、Mg、Na、Si、Ca、Fe、Al7种元素构成激光诱导击穿光谱，结合有监督Kohonen神经网络、软独立建模分类方法和主成分分析方法3种化学计量方法对地层岩性进行划分，该方法没有对地层图像进行增强处理，在划分过程中容易受到噪声的干扰，导致划分结果准确率低。李国和等[4]提出基于深度信念网络的地层岩性划分方法，该方法将地层岩性数据作为输出，将多个相邻采样点的数据作为输入，通过受限玻尔兹曼机方法提取数据的特征，根据提取的特征建立深度信念网络，在随机梯度下降算法的基础上反向传递学习误差，建立地层岩性识别模型，实现地层岩性的划分，该方法没有对地层图像进行分割处理，在特征提取过程中容易受到岩屑颗粒重叠现象或无关背景的影响，导致划分结果召回率低。张翠芬等[5]提出基于监督分类方法的地层岩性划分方法，该方法在各尺度上通过灰度共生矩阵提取纹理信息，融合ASTER多光谱数据和尺度不同的纹理信息获得系统数据，通过监督分类方法对协同数据进行划分，实现地层岩性的划分，该方法在岩性划分之前没有对图像进行相关的预处理，导致F-measure低。

为了解决划分结果准确率低、召回率低、F-measure低的问题，提出基于轻量化卷积神经网络的隧道勘察地层岩性划分方法。

1 图像预处理与特征提取

1.1 图像预处理

(1) 图像增强

在采集图像和传输图像的过程中通常会受到各种噪声产生的影响，这些噪声的种类较多，包括量化处理图像时生成的噪声，传输图像时产生的噪声，以及采集仪器设备材料产生的噪声，上述噪声会对图像的清晰度产生影响，对后续图像特征提取和图像分割工作造成干扰。为了消除干扰，需要对地层图像进行增强处理[6]。

基于轻量化卷积神经网络的隧道勘察地层岩性划分方法采用灰度变化增强方法对地层图像进行处理，灰度变化增强包括非线性灰度变化增强、分段线性变化增强和线性灰度变化增强3种方式，所提方法选用伽马变换模型通过幂律变换式增强图像的对比度,如式(1)。

s=crγ

(1)

通过伽马变化能够扩展图像的灰度级，拉伸图像的对比度，通过调节参数γ可以控制岩层图像的整体灰度，当岩层图像的整体灰度较亮时，将参数γ设定为大于1的常数，提高图像的对比度，使图像变暗，凸显图像中存在的细节;当岩层灰度较暗时，将参数γ设定为小于1的常数，使图像整体灰度偏暗，增亮图像。

(2) 图像分割

在通常情况下获取的岩层图像都存在岩屑颗粒重叠现象或无关背景，对提取地层岩性特征产生干扰，使提取的结果出现误差，因此对岩层图像进行分割处理，将目标地层分割出来[7]。基于轻量化卷积神经网络的隧道勘察地层岩性划分方法采用OTSU算法对地层图像进行分割处理。

用I(x,y)描述地层图像，T代表分割背景和目标的阈值；μ0代表在地层图像中前景像素点对应的平均灰度；ω0代表在地层图像中前景像素点所占的比例；μ1代表在地层图像中背景像素点对应的平均灰度；ω1代表地层图像中背景像素点所占的比例；g代表累间方差。

假设大小为M×N的地层图像的背景较暗，小于阈值T和大于阈值T的像素个数分别为N1、N2，此时存在式(2)。

(2)

结合上述计算，对最大类间方差g进行计算,如式(3)。

g=ω0ω1(μ0-μ1)

(3)

基于轻量化卷积神经网络的隧道勘察地层岩性划分方法选取使类间方差最大的阈值对地层图像进行分割。

1.2 图像特征提取

基于轻量化卷积神经网络的隧道勘察地层岩性划分方法通过数理统计分析方法获取地层图像的纹理特征。

通过灰度共生矩阵分析特征参数，设g(i,j)代表在点(i,j)处矩阵对应的函数值；N代表矩阵的维数，即地层图像的灰度级数，对地层图像的纹理特征进行统计之前，需要归一化处理灰度共生矩阵，获得处理后的矩阵点函数p(i,j),如式(4)。

p(i,j)=g(i,j)/N

(4)

(1) 能量：图像纹理的粗细程度和均匀性可以通过能量进行表示，能量通常在[0,1]区间内取值，当图像灰度完全相同时，能量的值为1，纹理的粗细程度可以通过矩阵的元素值进行反映，元素的纹理随着元素值的接近越细致，随着元素值差距的增大越粗糙[8-9]，利用下式对能量E进行计算,如式(5)。

(5)

(2) 对比度：图像纹理沟纹的深浅程度和清晰程度可以通过对比度进行反映，图像纹理的沟纹随着对比的增大而变深，对应的图像清晰程度越高，对角线远端的值大小在灰度共生矩阵中与对比度的大小成正相关关系[10]，对比度Con的计算式如式(6)。

Con=N·E

(6)

其中，E为能量；N为分辨率。

(3) 相关性：相关性描述了灰度共生矩阵之间元素在地层图像中的关系，图像纹理的走向可以通过灰度矩阵在图像中的相关性进行反映[11]。矩阵元素之间差值和绝对值与相关性的大小之间呈负相关关系，相关性值随着差值的减小而增大，相关性Cor的计算式如式(7)。

(7)

(4) 和的方差及方差：纹理变化的幅度大小和频率都可以通过和的方差以及方差进行反映，和的方差随着纹理周期变化的增大而增大，设VAR代表的是方差，其计算式如式(8)。

(8)

设SVAR代表的是和方差，其计算式如式(9)。

(9)

(5) 熵：在信息论图像中存在的信息量概念可以通过熵进行表示，在灰度共生矩阵中熵作为度量值可以对图像纹理复杂度进行衡量，地层图像的纹理复杂度随着灰度共生矩阵熵值的增大而增大[12]，对熵Ent进行计算,如式(10)。

(10)

(6) 和均值：描述的是像素点在地层图像内灰度值的求和平均值，可以对明暗程度进行反映，图像色调亮度随着和均值的增大而增大，和均值SVR的计算式如式(11)。

(11)

(7) 差的方差：像素在图像间的对比度可以通过差的方差进行描述，图像的对比度强弱程度与差的方差之间呈正相关[13]，其计算式如式(12)。

(12)

(8) 逆矩阵：图像的局部平稳性可以通过逆矩阵进行反映，当逆矩阵的值较大时，图像局部纹理较为规则，逆矩阵HOM的计算式如式(13)。

(13)

基于轻量化卷积神经网络的隧道勘察地层岩性划分方法利用灰度共生矩阵对地层纹理特征进行统计的步骤为：对地层图像进行灰度化处理，压缩图像灰度，降低计算量，在4个方向中设定偏移距离参数对灰度共生矩阵值进行计算，归一化处理灰度共生矩阵，通过标准差和均值获得地层图像的纹理特征向量。

2 隧道勘察地层岩性划分方法

将获取的纹理特征向量X(n)=[x1(n),x2(n),…,xn(n)]T输入轻量化卷积神经网络中实现隧道勘察地层岩性的划分，具体步骤如下。

(1) 设定迭代次数N和权值向量Wi(n),如式(14)。

Wi(n)=[wi1(n),wi2(n),…,win(n)]T

(14)

式中，i=1,2,…,m。

(2) 初始化：对权值向量和学习率η0进行初始化处理。归一化处理输入的纹理特征向量和权值向量，避免量纲对地层岩性的划分产生影响[14]，进行初始化处理,如式(15)、式(16)。

(15)

(16)

(3) 采样，选取输入空间中存在的样本X′，将其作为轻量化卷积神经网络的训练样本。

(4) 对归一化处理后的权值W′与输入特征X′之间存在的距离进行计算，并通过欧式距离dij进行表示,如式(17)。

(17)

(5) 匹配：在竞争层中通过欧式距离最小原则选择获胜的神经元,如式(18)。

(18)

(6) 修改权值：通过下式对兴奋区域中存在的神经元以及获胜神经元对应的权值向量进行修改[15],如式(19)。

(19)

(7) 对学习率η(n)进行计算,如式(20)。

(20)

对兴奋区域进行更新,如式(21)。

(21)

归一化处理权值向量,如式(22)。

(22)

(8) 当迭代次数为N时，停止迭代，输出最优解；当迭代次数小于N时，转到步骤(3)，重新进行迭代。

将输入空间中存在的样本X′替换为经过上述8个步骤得到的最优解，即将其作为轻量化卷积神经网络的训练样本，在综合逻辑上形成纹理特征向量，以向量形式实现隧道勘察地层岩性的划分。

3 实验及分析

为了验证基于轻量化卷积神经网络的隧道勘察地层岩性划分方法的整体有效性，需要对基于轻量化卷积神经网络的隧道勘察地层岩性划分方法进行测试，本次测试所用网络结构都为caffe框架，在i7-6700K四核CPU、Ubuntul4.04操作系统，NVIDIA-GTX 1070的GPU上完成。通过准确率、召回率和F-measure3个指标对基于轻量化卷积神经网络的隧道勘察地层岩性划分方法(方法1)、文献[3]中基于激光诱导击穿光谱技术的地层岩性划分方法(方法2)和文献[4]中基于深度信念网络的地层岩性划分方法(方法3)进行测试。

(1) 准确率

准确率Accuracy的计算式如式(23)。

(23)

式中，TP代表正样本正确识别为正样本；TN代表负样本被正确地识别为负样本；FN代表正样本错误的识别为负样本；FP代表负样本错误的判定为正样本。

方法1、方法2和方法3的划分准确率,如图1所示。

图1 准确率测试结果

(2) 召回率

召回率Recall描述的是在所有的正样本中识别正确的正样本数所占的比例，其计算式如式(24)。

(24)

方法1、方法2和方法3的召回率如图2所示。

图2 召回率测试结果

(3)F-measure

F-measure的计算式如式(25)。

(25)

方法1、方法2和方法3的F-measure如图3所示。

图3 F-measure测试结果

通过上述测试可知，在多次迭代中方法1的准确率、召回率和F-measure均高于方法2和方法3，因为方法1对地层岩性进行划分之前，对地层图像进行了预处理，通过图像增强处理消除了量化处理图像时生成的噪声，传输图像时产生的噪声，以及采集仪器设备材料产生的噪声；通过图像分割处理将目标地层分割处理，避免岩屑颗粒重叠现象或无关背景产生的干扰，提高了方法1的划分效果。

4 总结

在隧道勘察资料解释过程中识别地层岩性是重要内容，对油藏描述、储层划分和定位具有重大意义。随着勘探技术的不断发展，快速、准确、高效地在隧道勘察过程中划分地层岩性成为当前隧道勘察资料解释的迫切需求。目前隧道勘察地层岩性划分方法存在准确率低、召回率低和F-measure低的问题，提出基于轻量化卷积神经网络的隧道勘察地层岩性划分方法，首先对地层图像进行预处理，提取纹理特征，并将其输入卷积神经网络中，实现地层岩性的划分，解决了目前方法中存在的问题，为隧道勘察工作提供了保障。

受到实验样本难以选取、实验指标难以控制等问题的影响，没有给出所提方法的实际应用案例，同时现阶段，在隧道施工过程中变形、坍塌等情况屡见不鲜。因此，在实现隧道勘察地层岩性划分后，在下一个研究阶段，要深入挖掘现有资料，结合实际应用情况，逐步分析影响隧道施工安全的要素。