基于深度学习SSD算法的高密度电法智能解译方法技术研究

2024-01-25师学明黄崇钰李斌才

工程地球物理学报 2024年1期

师学明，黄崇钰，王瑞，李斌才，郑洪

(1.中国地质大学地球物理与空间信息学院,湖北武汉 430074;2.中铁第四勘察设计院集团有限公司,湖北武汉 430063)

1 引言

高密度电法具有装置轻便、数据采集自动化程度高、测点密度大、勘探精度高等优点,已成为灰岩地区探测溶洞最有效的方法之一[1-4]。常规高密度电法资料解释流程一般是先对高密度电法视电阻率数据进行反演,然后基于反演视电阻率断面图,结合钻孔和其他地质资料进行地质解译[5-7]。高密度电法数据反演方法有最小二乘法(如Res2dinv软件)、共轭梯度法和高斯—牛顿法等[8]。这类线性化迭代反演方法存在解依赖于初始模型、反演结果具有多解性等问题。基于多解的反演结果进行地质解译,容易受到专业人员主观因素影响。

随着非线性反演和人工智能技术的发展,非线性反演[9]和基于深度学习的高密度电法数据智能反演方法技术已成为研究热点。颜钟(2012年)[10]针对土石坝研究对象,研究了基于BP神经网络的高密度电法智能反演方法,并应用于土石坝实测数据的反演。朱聪聪等人(2017年)[11]设计了三层隐含层的BP神经网络,采用具有更好正演效果的ANSYS有限元软件进行数值模拟,生成用于神经网络训练的输入数据和输出数据,训练BP神经网络权值,通过工程实例证明该算法的反演精度优于Res2dinv软件。但BP神经网络存在着拟合效果严重依赖初始模型的问题,需要进一步进行研究。张凌云(2011年)[12]利用SA、GA、ACO这三种算法的全局搜索优势,对BP网络算法的初始权值、阈值矩阵进行优化,显著缩短了反演计算时间,提高了BP神经网络进行电法数据反演的准确率和反演精度。郭谦(2019)[13]采用深度学习算法,基于先验约束提高了电阻率的反演精度。

高密度电法视电阻率数据是地下电性分布的综合反映,具有唯一性,也可作为定性分析与地质解释的依据。本文针对高密度电法传统最小二乘反演方法依赖初始模型、存在多解性、反演结果解译智能化程度低、解译结果易受到专业人员主观因素影响等问题,从具有唯一性的视电阻率数据出发,探索研究直接基于视电阻率的智能解译方法技术。

2 高密度电法方法原理

2.1 高密度电法工作原理

高密度电法是阵列化的直流电阻率方法,其工作原理如图1所示,通过在地表一次性布置n个电极(30～120),然后由电极转换器自动选择不同电极作为供电电极和测量电极进行视电阻率测量。这种方法在电极布置完成后可自动进行一条测线各种电法装置(温纳α、斯伦贝尔、偶极—偶极装置等)的视电阻率测量工作,具有数据采集自动化程度高、视电阻率测点密度大、测量信息丰富、成本低、工作效率高等优点,在岩溶探测、环境调查等方面得到广泛应用。

高密度电法常用装置有温纳α装置(简称温纳装置)、斯伦贝尔装置、偶极-偶极装置、二极AM装置、三极AMN&MNB装置等,可根据探测目的灵活选择合适的电极装置。温纳装置具有垂向分辨率高、信号强度大、探测深度适中、应用广泛等优点,本文选择温纳装置进行研究。

图1 高密度电法工作原理示意图Fig.1 Schematic diagram of high-density electrical method

2.2 常规高密度电法资料处理与解释流程

常规高密度电法资料处理与解释流程一般为：数据格式转换、数据编辑、滤波、反演、综合地质解释。

高密度电法数据反演存在多解性,不同迭代次数的反演结果往往差异很大。图2(a)是武汉某地实测的高密度电法温纳装置视电阻率断面等值线图。采用Res2dinv软件对实测资料进行反演,第2次、第3次和第5次迭代次数反演结果如图2(b)～图2(d)所示。从图中可以看出,虽然不同迭代次数数据拟合误差变化不大,拟合误差在1.29 %～2.1 %,但是反演的电阻率剖面图存在明显差异。这给高密度电法资料解译带来较大的困难。所以在实际资料解释时,要结合钻孔、地质情况和观测视电阻率断面图进行综合分析,解译严重依赖人工经验。

高密度电法视电阻率是地下电性异常体的综合反映,具有唯一性。为此,本文直接基于高密度电法视电阻率断面图,采用深度学习算法,实现异常的智能解译,提高解译效率。

设计了1 400个不同填充类型、形状、规模、数量的溶洞电性异常模型(地表水平),利用Res2dmod软件进行了正演数值模拟计算,用于构建SSD算法的智能解译学习样本库。图3是Res2dmod设置的低阻岩溶地电模型与计算的温纳装置视电阻率断面图。

图2 实测高密度电法视电阻率和不同迭代次数反演电阻率断面Fig.2 Measured apparent resistivity section and inversed resistivity section with different iteration using Res2dinv software

图3 Res2dmod软件高密度电法正演模拟断面Fig.3 Schematic diagram of low resisitivity model and forward simulation result using Res2dmod software

3 基于SSD的智能解译方法技术

3.1 SSD目标检测算法

基于深度学习的SSD(Single Shot Multi-Box Detector)目标检测算法,是Liu等[14]在2016年提出的一步到位(One-stage)的目标检测算法。SSD算法在Yolo(You Only Look Once)算法的基础上改进了三点：①多尺度特征图;②利用卷积进行检测;③设置先验框。这些改进使得SSD在准确度上比Yolo更好,对于小目标检测效果也相对好一点。

SSD算法的主要思路是均匀地在图片的不同位置进行密集抽样,抽样时可以采用不同的尺度和长宽比,然后利用卷积神经网络[15-18](Convolutional Neural Network,CNN)提取特征后直接进行分类与回归,整个过程只需要一步,算法速度快。其网络结构如图4所示。

图4 SSD目标检测算法网络结构Fig.4 Network architecture of SSD object detection algorithm

从网络结构上分析,SSD目标检测网络保留了VGG16中所有卷积层,利用conv4_3输出图片作为特征图进行目标检测[19],去掉了全连接层,并添加了额外的卷积层用于提取不同尺度的特征图进行目标检测,在不同尺度的特征图上产生先验框(Prior Box),与真实框(标签中设定)进行匹配,进行网络权值的训练。

3.2 学习样本库构建

本文旨在实现高密度电阻率法温纳装置视电阻率异常的智能解译,需要从视电阻率断面图中智能解译出地下电性异常体的类别、位置和规模。为此,将视电阻率断面图作为深度学习的输入数据,地下电性异常体的类别、位置和规模作为标签数据,然后用SSD算法进行学习训练。

一般而言,深度学习中的目标检测算法输入图像通常为*.jpg、*.png格式,标签的制作通过利用Labelimg软件进行手工标注,其工作界面如图5所示,操作人员使用鼠标框选出目标体的真实框(Ground Truth),得到目标的位置和规模信息,再对其进行类别的设置,需要耗费大量的人力和时间。

图5 Labelimg软件操作界面Fig.5 Labelimg software operation interface

本文高密度电法异常智能解译学习样本库的构建流程如下：

1)使用Python语言批量生成用于岩溶电阻率模型*.mod文件;

2)将*.mod文件导入Res2dmod软件中,进行视电阻率正演计算并保存视电阻率断面图,得到深度学习训练的输入数据;

3)使用Python语言设计程序,根据电阻率模型生成包含电性异常体类别、位置和规模信息的*.xml格式文件,文件内容如图6所示。

本文构建的高密度电法温纳装置视电阻率异常智能解译学习样本库,共包含1 400个样本。每个样本中电极数设为60,剖面长度59 m,有限探测深度(AB/6)为10 m。背景地层为灰岩,电阻率设为800 Ω·m,全填充型溶洞和未填充型溶洞的电阻率分别设为100 Ω·m和5 000 Ω·m,溶洞位置随机分布在地下1～10 m、水平范围10～50 m的地下空间。学习样本库信息如表1所示。

SSD目标检测算法的实现基于TensorFlow框架,使用Python编程语言,计算机配置参数如表2所示。

图6 目标检测算法标签文件Fig.6 Target detection algorithm label file

表1 学习样本库信息

表2 计算机配置

3.3 网络训练

将视电阻率异常智能解译样本库中的样本按照9∶1的比例随机划分为训练集和验证集,其中训练集用于训练网络权值,验证集的样本不参与网络训练,划分验证集的目的是在训练过程中实时观察损失函数的下降情况,以便在损失函数收敛效果不好的情况下对超参数进行动态调整,训练超参数如表3所示。

训练批次是指将所有数据输入给网络完成前向计算与误差反向传播的总次数,在训练起始批次,损失值下降速度较快,然后下降趋势逐渐变缓。需要注意的是,训练批次并不是越多越好,过度训练可能会造成过拟合问题。批处理大小是指在每次迭代中,将一批数据送入神经网络,计算它们的损失函数,然后反向传播误差,更新模型参数。批处理的大小可以是任意值,通常在几十到几百之间,取决于硬件设备的内存大小和计算性能。批处理值越大,每次更新模型的方差越小,模型训练的稳定性也越高,但是计算速度可能会降低。学习率控制要调整网络的权重,以符合梯度损失。值越低,沿着梯度下降越慢。Dropout层是在训练过程中将部分神经元失活,可以提高训练效率,并有效缓解过拟合现象。Adam优化器具有计算效率高、适用于不稳定的目标函数、可自适应地调整学习率、可有效处理梯度稀疏问题等优点。ReLU激活函数是现在使用较为广泛的一种深度学习激活函数,它具有计算效率高、可缓解过拟合问题等优点。

表3 SSD算法学习训练的超参数设置

图7是网络训练的损失函数下降曲线。图中红色实线是训练集损失函数,橙色实线是验证集损失函数,绿色虚线是光滑后的训练集损失函数,褐色虚线是光滑后的验证集损失函数。从图7中可以看出,随着深度学习训练轮次(Eoch)的增加,训练集和验证集损失函数先是快速下降,然后是缓慢下降。训练50轮次之后,已达到最佳训练效果。

训练过程中,网络性能指标如图8所示。图8(a)是未填充型溶洞的查全率(Recall)曲线,图8(b)是填充型溶洞的查全率曲线,图8(c)是未填充型溶洞的查准率曲线,图8(d)是填充型溶洞的查准率曲线。从图8可以看出,当阈值选定为0.5(Score_threshold = 0.5)时,未填充型溶洞的查准率可达90 %,填充型溶洞查准率可达79.49 %。

图9是溶洞地质病害体的智能解译平均精度图。mAP(Mean Average Precsion)是衡量算法精确度的重要指标,是任务中多类目标AP的平均值,每类目标体都可以计算出其查准率和查全率,每个类都可以得到一条P-R曲线,AP就是取0～1之间的recall值对应的precision再求平均。mean的意思是对每个类的AP再求平均,得到mAP值,大小在[0,1]区间。mAP值越高,表明网络学习效果越好。从图9可以看出,通过50个轮次训练,未填充型溶洞的AP值达94 %,填充型溶洞的AP值达88 %,多目标mAP值为90.68 %,网络学习取得了较好效果。

图8 网络性能指标曲线Fig.8 Network performance of indicators recall and precision

图9 岩溶地质病害体的智能解译平均精度Fig.9 Intelligent interpretation of karst caves mAP

3.4 高密度电法视电阻率异常智能解译结果分析

使用保存的网络模型(包含网络结构和权值)对高密度电法温纳装置的视电阻率异常进行智能解译数值试验,检测SSD智能算法的解译效果和效率。

对单个溶洞视电阻率异常进行智能解译。溶洞地电模型中,电极数为60,电极距为1 m,剖面长度59 m,测线左端为坐标原点,背景地层为灰岩,电阻率800 Ω·m,全填充溶洞和未填充溶洞电阻率分别为100 Ω·m和5 000 Ω·m,溶洞类型为未填充型溶洞,规模为2 m×2 m,中心位置(30 m,2 m),如图10(a)所示。

采用SSD算法进行智能解译的结果如图10(b)所示。智能解译耗时约0.62 s。从图10可知,SSD网络能准确地将异常解译为填充型溶洞,置信度为0.60,溶洞异常体水平长度为2.08 m,超出实际规模0.08 m,垂向厚度为1.96 m,比溶洞小0.04 m,误差仅为厘米级。根据预测框左、右、上、下边界位置计算的异常体中心位置为(29.84 m,2.04 m),与真实的(30 m,2 m)非常接近,智能解译效果好,精度高。

图10 未填充型溶洞地电模型与智能解译结果Fig.10 Electrical model and artificial intelligent interpretation results of unfilled karst cave

对多个溶洞模型视电阻率异常进行智能解译。多溶洞地电模型为：地下存在一个填充型溶洞和一个未填充型溶洞。未填充型溶洞的规模为4 m×2.5 m,中心位置(20 m,2.25 m),填充型溶洞规模为5 m×5 m,中心位置(40 m,4 m),如图11(a)所示。

采用SSD算法进行智能解译的结果如图11(b)所示。智能解译耗时约0.63 s。从图11可知,SSD网络能准确地将异常解译为1个未填充型溶洞和1个填充型溶洞。剖面左边的非填充型溶洞的水平长度和厚度分别为4.19 m和2.54 m,分别超出实际规模0.19 m和0.04 m,中心位置为(20.02 m,2.56 m),与真实位置(20 m,2.5 m)相比,误差为厘米级;剖面右边的填充型溶洞的水平长度和厚度分别为5.56 m和4.14 m,分别比实际规模小0.44 m和0.86 m,中心位置为(40.00 m,4.22 m),与真实位置(40 m,4 m)相比,非常接近,智能解译效果好,精度高。