一种基于卷积神经网络的不良地质定位预报方法技术

本发明专利技术提供了一种基于卷积神经网络的不良地质定位预报方法，包括：首先建立物探法探测图像数据集；然后构建基于特征提取的目标预测定位神经网络模型，采用所述图像数据集，对所述目标预测定位神经网络模型进行训练，得到训练好的目标预测定位神经网络模型；最后输入某物探法得到的图像结果数据至所述训练好的目标预测定位神经网络模型中，进行实际不良地质定位预测。本发明专利技术的有益效果是：可以准确地预报隧道等地下工程建设过程中所通过范围内的不良地质体的位置规模和性质状态，为工程设计及施工管理部分提供决策依据，降低现有地质预报物探法解释性低、依赖专家经验、预测准确率不高的问题，提升工程施工的安全性。

【技术实现步骤摘要】
一种基于卷积神经网络的不良地质定位预报方法
本专利技术涉及不良地质定位预报
，尤其涉及一种基于卷积神经网络的不良地质定位预报方法。
技术介绍
在部分实际工程项目中，我们发现富水破碎带这一不良地质条件为隧道建设带来重大风险的问题，当前多采用基于物探法进行隧道地质超前预报，但现有的超前地质预报，通过物探传感器检测得到的波形数据图像，需要经过具有经验的专家来解释，在预报过程中存在着对物探传感得到测量结果图的解释性低、依赖专家经验、预测准确率不高的问题，因此针对某一特定不良地质(如富水破碎带)在超前预报图像中进行精准预测定位，十分关键。近年随着深度学习(DeepLearning)的快速发展，卷积神经网络模型(CNN，ConvolutionalNeuralNetworks)通过其特征采样、权重共享、运算降维的特性，在图像分类、目标检测、图像理解的领域取得了广泛的应用。本方法基于深度卷积神经网络对物探法(地质雷达、TSP、瞬变电磁等)探测图像进行自动辨识及概率分类，研发具有较好泛化性能的预测网络模型系统，提升超前地质预报中对富水破碎带这一不良本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的不良地质定位预报方法，其特征在于：包括以下步骤：/nS101：建立物探法探测图像数据集；/nS102：构建基于特征提取的目标预测定位神经网络模型；/nS103：采用所述图像数据集，对所述目标预测定位神经网络模型进行训练，得到训练好的目标预测定位神经网络模型；/nS104：输入物探法得到的图像结果数据至所述训练好的目标预测定位神经网络模型中，进行实际不良地质定位预测。/n

【技术特征摘要】
1.一种基于卷积神经网络的不良地质定位预报方法，其特征在于：包括以下步骤：
S101：建立物探法探测图像数据集；
S102：构建基于特征提取的目标预测定位神经网络模型；
S103：采用所述图像数据集，对所述目标预测定位神经网络模型进行训练，得到训练好的目标预测定位神经网络模型；
S104：输入物探法得到的图像结果数据至所述训练好的目标预测定位神经网络模型中，进行实际不良地质定位预测。


2.如权利要求1所述的一种基于卷积神经网络的不良地质定位预报方法，其特征在于：步骤S101中，建立物探法探测图像数据集；具体包括：
S201：通过超前地质预报案例收集或者实际现场项目数据采集，建立物探法探测结果初步图像数据集；所述初步图像数据集包括基于物探法进行超前地质预报得到的多张结果图像；
S202：根据富水破碎带预报机理及其图像学特征，对所述初步图像数据集中各图像上的异常地质进行预报；
S203：结合预报结论，并采用专家经验法再次确定所述初步图像数据集中各图像上富水破碎带的位置，以富水破碎带定位区域为标签内容对所述初步图像数据集中各图像进行数据标注，得到标注后的初步图像数据集；
S204：采用图像数据增广方法，对所述标注后的初步图像数据集进行扩容增广，并耦合部分物探法探测富水破碎带负样本数据，得到最终的图像数据集。


3.如权利要求2所述的一种基于卷积神经网络的不良地质定位预报方法，其特征在于：步骤S201中，所述物探法包括TSP、地质雷达和瞬变电磁；所述初步图像数据集中样本容量大于500幅图像。


4.如权利要求1所述的一种基于卷积神经网络的不良地质定位预报方法，其特征在于：步骤S102中，所述的基于特征提取的目标预测定位神经网络模型包括依次连接的特征提取基础网络和定位预测网络；
其中，所述特征提取基础网络包括依次连接的：CBR块、最大池化层、BaseRN1层、2个BaseRN0层、BaseRN1层、3个BaseRN0层、BaseRN1层、5个BaseRN0层；
所述定位预测网络包括依次连接的最大池化层、全连接层和Sigmoid层。


5.如权利要求4所述的一种基于卷积神经网络的不良地质定位预报方法，其特征在于：所述CBR块包括依次连接的卷基层、正则化层和激活层；其中，C代表卷积层，B代表正则化层BatchNorm，R代表激活层，采用Leaky-ReLU激活函数。


6.如权利要求5所述的一种基于卷积神经网络的不良地质定位预报方法，其特征在于：BaseRN1层和BaseRN0层均基于残差网络思想设计，引入残差项，便于构建深度网络模型；其中，BaseRN0层和BaseRN1层中主干均为CBR-CBR-CB模块，且BaseRN0层和BaseRN1层中主干CBR-CBR-CB模块参数一致，具体为：第一个CBR块的滤波器尺寸为1×1，64个通道；第二个CBR块的滤波器尺寸为3×3，64个通道；第三个CB块的滤波器尺寸为1×1，256个通道；BaseRN0层中分支CB块的滤波器尺寸与主干的CB块滤波器尺寸一致，BaseRN1中分支CBR块的滤波器尺寸与主干的第一个CBR块的滤波器尺寸一致；所述CB块包括依次连接的卷基层和正则化层。


7.如权利要求4所述的一种基于卷积神经网络的不良地质定位预报方法，其特征在于：步骤S103中，在所述特征提取基础网络中，特征提取层的输出特征映射以16倍的因子进行四级下采样，在空间分辨率和提取特征强度之间进行折衷,激活层Leaky-ReLU的最后输出为14×14×1024；所述特征提取网络采用四个阶段对输入图像进行2倍的降采样，实现16倍的下采样：具体如下：
第一阶段：输入尺寸大小为W×H×C的三通道RGB图像，在第一阶段输入进入一个CBR块；其中，W＝256为图像的宽，H＝256为图像的高，C＝3代表图像三通道；此CBR块中滤波器尺寸为1×1，64个通道，经过CBR块一次下采样，此时...

【专利技术属性】
技术研发人员：陈再励，吴立，程瑶，董道军，闫天俊，李丽平，张美霞，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北;42