全卷积神经网络在垃圾土勘察中的应用

徐四一 张旭

（上海山南勘测设计有限公司，上海 201206）

0 引言

经济飞速发展，我国城市垃圾的总量大大增加，对城市垃圾的处理方式主要有填埋、焚烧和回收等，其中最主要的方式是填埋[1-2]。为了降低垃圾土给正常生产生活造成的风险，更好地利用垃圾填埋占用的土地，对垃圾土的探测和勘察成为了亟待解决的问题。由于垃圾土与原状土往往存在明显的地球物理特性差异，尤其体现在电阻差异上，因此垃圾土探测往往选用高密度电阻率法和时域电磁法。由于探测场地的垃圾土分布范围往往会布设多条测线，对每条测线的反演结果进行人工解释需要耗费大量的人力，解释的结果还会受到解释人员地质认知的影响。为了解决这些问题，提高解释的效率与准确性，机器学习开始应用于场地污染的识别[3]。如能昌信等[4]将卷积神经网络应用到污染场地电阻率层析成像反演中，提高了对垃圾土面积以及位置的识别精度。

卷积神经网络是最常见的机器学习算法之一，传统的卷积神经网络存在对计算机存储要求高、计算效率低、同时输入数据的大小被固定等缺点。为了克服这些缺点，Long 等于2015 年提出了全卷积神经网络[5]，将传统的卷积神经网络中的全连接层替换为卷积层，在兼具卷积神经网络优点的前提下实现了对任意大小的输入数据进行处理。从地球物理数据中提取异常体可以看作一个图像分割的过程。由于全卷积神经网络是通过对输入图像进行像素级的分类来解决图像分割问题的深度学习网络，因此可以实现自动化识别，避免人工解释对解释质量造成影响，同时极大地提高解释的效率[6]。

本文通过使用全卷积神经网络对某拆后绿地改造工程地下建（构）筑物垃圾体探测数据的识别，确定了垃圾土范围，实现从地球物理反演结果中自动识别和提取异常体，并对异常体开挖验证。

1 测区概况

某拆后绿地改造工程项目地块为减量化复垦场地，面积约8600 m2，地块内有油菜及蚕豆等农作物（见图1），地表较为平整，且为非硬化地面，鉴于减量化复垦工作可能存在施工不当或偷工减料等因素，减量化之前场地内存在的残留建构筑物等垃圾可能未完全清运干净，对场地的复垦带来一定的隐患。因此需要对场地地表以下的残留建构筑物垃圾土进行探测，为场地后期整治提供数据支撑和参考依据。

图1 项目地块航拍照片

2 探测原理及数据采集

根据现场踏勘情况、收集的地块地表建构筑物历史及减量化复垦概况，测区的地球物理特征大致如下：测区原状土层以第四纪沉积物为主，主要由黏性土、粉性土等构成。垃圾土主要由建构筑物垃圾（钢筋混凝土碎块、砖块及混合物等）、残留的建筑基础（如硬化路基、残留的房屋地下基础、桩柱、地下廊道等）及少量的生活垃圾等组成，原状土与建筑垃圾、生活垃圾存在明显的地球物理特性差异，因此在该场地内可以利用物探手段对地下垃圾土分布情况进行探测。在该场地中，建筑垃圾与原状土相比会产生高阻异常，生活垃圾与原状土相比会产生低阻异常，故本次物探工作选取高密度电阻率法进行探测，且该场地地表为非硬化地面，便于电法施工作业。

物理上用“电阻”来表征物质的导电性，同时，电阻率是岩土重要的电学参数，它表示岩土体不同的导电特性。通常用仪器测量不同岩土体的电阻率差异，来推断、寻找电阻率异常高或异常低的部位。

地下电阻率由下面方法测定：沿测线上的测点，分别打入金属电极，并用导线连接供电回路和测量回路，供电电极用A、B 表示，测量电极用M、N 表示，则测量岩土体的电阻率表达式为：

式中：ΔUMN为 测量电极MN 之间的电位差，mV；I为供电回路的电流强度，mA；K为仪器的装置系数，m。

本次针对某拆后绿地地下垃圾土探测，投入的物探设备主要为WGMD-9 型高密度直流电法仪（见图2），测量设备为华测T5 型RTK。现场探测时，沿布置好的若干条高密度电法测线，采用60 路电极根据不同的现场情况和不同要求，采取不同的点距、装置系数等参数进行数据采集。

图2 WGMD-9 型高密度直流电法仪

3 数据处理与解释

根据现场踏勘地表情况，及所收集的场地地表建构筑物历史概况，针对项目地块地下垃圾土探测目标体，在现场布设了21 条电法剖面（JY1-JY21），其中近南北向电法剖面8 条、近东西向测线13 条。所有测线均采用电极距1.5 m、温纳装置进行数据采集。

完成数据采集后，对地块现场采集的21 条电法剖面数据，先后进行数据格式转换、畸点剔除或数据平滑处理、地形校正以及测线剖面电阻率反演。考虑到人工解释，即从反演结果中提取异常体属于图像分割问题，应用全卷积神经网络对所有剖面的反演结果进行异常体自动识别，并通过图3-图5 展示其中三条测线的反演与识别结果。

图3 JY-1 测线反演结果（上）与识别结果（下）

图4 JY-2 测线反演结果（上）与识别结果（下）

图5 JY-9 测线反演结果（上）与识别结果（下）

根据图3-图5，测线反演结果中地表浅层的高阻异常体以及低阻异常体均得到了识别。其中，从JY-1 测线反演结果中识别出了代表建筑垃圾土的高阻异常体，水平分布范围在5～20 m，深度范围在-5～0 m；从JY-2 测线反演结果中同样识别出了代表建筑垃圾土的高阻异常体，水平分布范围在0～20 m，深度范围在-5～0 m；从JY-9 测线反演结果中识别出了代表生活垃圾土的低阻异常体，水平分布范围在0～20 m，深度范围在-6～0 m。对所有测线剖面进行提取异常体的操作后，最终得到该项目地块垃圾土地下分布的情况，如图6 所示。

图6 项目地块垃圾土地下分布情况

得到垃圾土地下分布情况后，对相应地区进行挖掘，最终挖掘出了大量建筑垃圾及生活垃圾，证明了本方法的有效性及实用性（见图7、图8）。

图8 挖掘出的生活垃圾

4 结论

垃圾土填埋场复垦工程是实现填埋场地农业再利用的关键环节。本文在垃圾土勘察中采用了全卷积神经网络算法，实现了从高密度电阻率法反演数据中提取异常体，自动识别和圈定垃圾土的范围，提高了垃圾土识别的准确性和可靠性，对后续垃圾土勘察、土方量计算、挖掘清理等工作提供参考，为改善填埋场的环境质量提供技术支撑。