基于深度學(xué)習(xí)SSD算法的高密度電法智能解譯方法技術(shù)研究

師學(xué)明，黃崇鈺，王 瑞，李斌才，鄭 洪

(1.中國(guó)地質(zhì)大學(xué) 地球物理與空間信息學(xué)院,湖北 武漢 430074;2.中鐵第四勘察設(shè)計(jì)院集團(tuán)有限公司,湖北 武漢 430063)

1 引言

高密度電法具有裝置輕便、數(shù)據(jù)采集自動(dòng)化程度高、測(cè)點(diǎn)密度大、勘探精度高等優(yōu)點(diǎn),已成為灰?guī)r地區(qū)探測(cè)溶洞最有效的方法之一[1-4]。常規(guī)高密度電法資料解釋流程一般是先對(duì)高密度電法視電阻率數(shù)據(jù)進(jìn)行反演,然后基于反演視電阻率斷面圖,結(jié)合鉆孔和其他地質(zhì)資料進(jìn)行地質(zhì)解譯[5-7]。高密度電法數(shù)據(jù)反演方法有最小二乘法(如Res2dinv軟件)、共軛梯度法和高斯—牛頓法等[8]。這類線性化迭代反演方法存在解依賴于初始模型、反演結(jié)果具有多解性等問(wèn)題?；诙嘟獾姆囱萁Y(jié)果進(jìn)行地質(zhì)解譯,容易受到專業(yè)人員主觀因素影響。

隨著非線性反演和人工智能技術(shù)的發(fā)展,非線性反演[9]和基于深度學(xué)習(xí)的高密度電法數(shù)據(jù)智能反演方法技術(shù)已成為研究熱點(diǎn)。顏鐘(2012年)[10]針對(duì)土石壩研究對(duì)象,研究了基于BP神經(jīng)網(wǎng)絡(luò)的高密度電法智能反演方法,并應(yīng)用于土石壩實(shí)測(cè)數(shù)據(jù)的反演。朱聰聰?shù)热?2017年)[11]設(shè)計(jì)了三層隱含層的BP神經(jīng)網(wǎng)絡(luò),采用具有更好正演效果的ANSYS有限元軟件進(jìn)行數(shù)值模擬,生成用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練的輸入數(shù)據(jù)和輸出數(shù)據(jù),訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)權(quán)值,通過(guò)工程實(shí)例證明該算法的反演精度優(yōu)于Res2dinv軟件。但BP神經(jīng)網(wǎng)絡(luò)存在著擬合效果嚴(yán)重依賴初始模型的問(wèn)題,需要進(jìn)一步進(jìn)行研究。張凌云(2011年)[12]利用SA、GA、ACO這三種算法的全局搜索優(yōu)勢(shì),對(duì)BP網(wǎng)絡(luò)算法的初始權(quán)值、閾值矩陣進(jìn)行優(yōu)化,顯著縮短了反演計(jì)算時(shí)間,提高了BP神經(jīng)網(wǎng)絡(luò)進(jìn)行電法數(shù)據(jù)反演的準(zhǔn)確率和反演精度。郭謙(2019)[13]采用深度學(xué)習(xí)算法,基于先驗(yàn)約束提高了電阻率的反演精度。

高密度電法視電阻率數(shù)據(jù)是地下電性分布的綜合反映,具有唯一性,也可作為定性分析與地質(zhì)解釋的依據(jù)。本文針對(duì)高密度電法傳統(tǒng)最小二乘反演方法依賴初始模型、存在多解性、反演結(jié)果解譯智能化程度低、解譯結(jié)果易受到專業(yè)人員主觀因素影響等問(wèn)題,從具有唯一性的視電阻率數(shù)據(jù)出發(fā),探索研究直接基于視電阻率的智能解譯方法技術(shù)。

2 高密度電法方法原理

2.1 高密度電法工作原理

高密度電法是陣列化的直流電阻率方法,其工作原理如圖1所示,通過(guò)在地表一次性布置n個(gè)電極(30～120),然后由電極轉(zhuǎn)換器自動(dòng)選擇不同電極作為供電電極和測(cè)量電極進(jìn)行視電阻率測(cè)量。這種方法在電極布置完成后可自動(dòng)進(jìn)行一條測(cè)線各種電法裝置(溫納α、斯倫貝爾、偶極—偶極裝置等)的視電阻率測(cè)量工作,具有數(shù)據(jù)采集自動(dòng)化程度高、視電阻率測(cè)點(diǎn)密度大、測(cè)量信息豐富、成本低、工作效率高等優(yōu)點(diǎn),在巖溶探測(cè)、環(huán)境調(diào)查等方面得到廣泛應(yīng)用。

高密度電法常用裝置有溫納α裝置(簡(jiǎn)稱溫納裝置)、斯倫貝爾裝置、偶極-偶極裝置、二極AM裝置、三極AMN&MNB裝置等,可根據(jù)探測(cè)目的靈活選擇合適的電極裝置。溫納裝置具有垂向分辨率高、信號(hào)強(qiáng)度大、探測(cè)深度適中、應(yīng)用廣泛等優(yōu)點(diǎn),本文選擇溫納裝置進(jìn)行研究。

圖1 高密度電法工作原理示意圖Fig.1 Schematic diagram of high-density electrical method

2.2 常規(guī)高密度電法資料處理與解釋流程

常規(guī)高密度電法資料處理與解釋流程一般為：數(shù)據(jù)格式轉(zhuǎn)換、數(shù)據(jù)編輯、濾波、反演、綜合地質(zhì)解釋。

高密度電法數(shù)據(jù)反演存在多解性,不同迭代次數(shù)的反演結(jié)果往往差異很大。圖2(a)是武漢某地實(shí)測(cè)的高密度電法溫納裝置視電阻率斷面等值線圖。采用Res2dinv軟件對(duì)實(shí)測(cè)資料進(jìn)行反演,第2次、第3次和第5次迭代次數(shù)反演結(jié)果如圖2(b)～圖2(d)所示。從圖中可以看出,雖然不同迭代次數(shù)數(shù)據(jù)擬合誤差變化不大,擬合誤差在1.29 %～2.1 %,但是反演的電阻率剖面圖存在明顯差異。這給高密度電法資料解譯帶來(lái)較大的困難。所以在實(shí)際資料解釋時(shí),要結(jié)合鉆孔、地質(zhì)情況和觀測(cè)視電阻率斷面圖進(jìn)行綜合分析,解譯嚴(yán)重依賴人工經(jīng)驗(yàn)。

高密度電法視電阻率是地下電性異常體的綜合反映,具有唯一性。為此,本文直接基于高密度電法視電阻率斷面圖,采用深度學(xué)習(xí)算法,實(shí)現(xiàn)異常的智能解譯,提高解譯效率。

設(shè)計(jì)了1 400個(gè)不同填充類型、形狀、規(guī)模、數(shù)量的溶洞電性異常模型(地表水平),利用Res2dmod軟件進(jìn)行了正演數(shù)值模擬計(jì)算,用于構(gòu)建SSD算法的智能解譯學(xué)習(xí)樣本庫(kù)。圖3是Res2dmod設(shè)置的低阻巖溶地電模型與計(jì)算的溫納裝置視電阻率斷面圖。

圖2 實(shí)測(cè)高密度電法視電阻率和不同迭代次數(shù)反演電阻率斷面Fig.2 Measured apparent resistivity section and inversed resistivity section with different iteration using Res2dinv software

圖3 Res2dmod軟件高密度電法正演模擬斷面Fig.3 Schematic diagram of low resisitivity model and forward simulation result using Res2dmod software

3 基于SSD的智能解譯方法技術(shù)

3.1 SSD目標(biāo)檢測(cè)算法

基于深度學(xué)習(xí)的SSD(Single Shot Multi-Box Detector)目標(biāo)檢測(cè)算法,是Liu等[14]在2016年提出的一步到位(One-stage)的目標(biāo)檢測(cè)算法。SSD算法在Yolo(You Only Look Once)算法的基礎(chǔ)上改進(jìn)了三點(diǎn)：①多尺度特征圖;②利用卷積進(jìn)行檢測(cè);③設(shè)置先驗(yàn)框。這些改進(jìn)使得SSD在準(zhǔn)確度上比Yolo更好,對(duì)于小目標(biāo)檢測(cè)效果也相對(duì)好一點(diǎn)。

SSD算法的主要思路是均勻地在圖片的不同位置進(jìn)行密集抽樣,抽樣時(shí)可以采用不同的尺度和長(zhǎng)寬比,然后利用卷積神經(jīng)網(wǎng)絡(luò)[15-18](Convolutional Neural Network,CNN)提取特征后直接進(jìn)行分類與回歸,整個(gè)過(guò)程只需要一步,算法速度快。其網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

圖4 SSD目標(biāo)檢測(cè)算法網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Network architecture of SSD object detection algorithm

從網(wǎng)絡(luò)結(jié)構(gòu)上分析,SSD目標(biāo)檢測(cè)網(wǎng)絡(luò)保留了VGG16中所有卷積層,利用conv4_3輸出圖片作為特征圖進(jìn)行目標(biāo)檢測(cè)[19],去掉了全連接層,并添加了額外的卷積層用于提取不同尺度的特征圖進(jìn)行目標(biāo)檢測(cè),在不同尺度的特征圖上產(chǎn)生先驗(yàn)框(Prior Box),與真實(shí)框(標(biāo)簽中設(shè)定)進(jìn)行匹配,進(jìn)行網(wǎng)絡(luò)權(quán)值的訓(xùn)練。

3.2 學(xué)習(xí)樣本庫(kù)構(gòu)建

本文旨在實(shí)現(xiàn)高密度電阻率法溫納裝置視電阻率異常的智能解譯,需要從視電阻率斷面圖中智能解譯出地下電性異常體的類別、位置和規(guī)模。為此,將視電阻率斷面圖作為深度學(xué)習(xí)的輸入數(shù)據(jù),地下電性異常體的類別、位置和規(guī)模作為標(biāo)簽數(shù)據(jù),然后用SSD算法進(jìn)行學(xué)習(xí)訓(xùn)練。

一般而言,深度學(xué)習(xí)中的目標(biāo)檢測(cè)算法輸入圖像通常為*.jpg、*.png格式,標(biāo)簽的制作通過(guò)利用Labelimg軟件進(jìn)行手工標(biāo)注,其工作界面如圖5所示,操作人員使用鼠標(biāo)框選出目標(biāo)體的真實(shí)框(Ground Truth),得到目標(biāo)的位置和規(guī)模信息,再對(duì)其進(jìn)行類別的設(shè)置,需要耗費(fèi)大量的人力和時(shí)間。

圖5 Labelimg軟件操作界面Fig.5 Labelimg software operation interface

本文高密度電法異常智能解譯學(xué)習(xí)樣本庫(kù)的構(gòu)建流程如下：

1)使用Python語(yǔ)言批量生成用于巖溶電阻率模型*.mod文件;

2)將*.mod文件導(dǎo)入Res2dmod軟件中,進(jìn)行視電阻率正演計(jì)算并保存視電阻率斷面圖,得到深度學(xué)習(xí)訓(xùn)練的輸入數(shù)據(jù);

3)使用Python語(yǔ)言設(shè)計(jì)程序,根據(jù)電阻率模型生成包含電性異常體類別、位置和規(guī)模信息的*.xml格式文件,文件內(nèi)容如圖6所示。

本文構(gòu)建的高密度電法溫納裝置視電阻率異常智能解譯學(xué)習(xí)樣本庫(kù),共包含1 400個(gè)樣本。每個(gè)樣本中電極數(shù)設(shè)為60,剖面長(zhǎng)度59 m,有限探測(cè)深度(AB/6)為10 m。背景地層為灰?guī)r,電阻率設(shè)為800 Ω·m,全填充型溶洞和未填充型溶洞的電阻率分別設(shè)為100 Ω·m和5 000 Ω·m,溶洞位置隨機(jī)分布在地下1～10 m、水平范圍10～50 m的地下空間。學(xué)習(xí)樣本庫(kù)信息如表1所示。

SSD目標(biāo)檢測(cè)算法的實(shí)現(xiàn)基于TensorFlow框架,使用Python編程語(yǔ)言,計(jì)算機(jī)配置參數(shù)如表2所示。

圖6 目標(biāo)檢測(cè)算法標(biāo)簽文件Fig.6 Target detection algorithm label file

表1 學(xué)習(xí)樣本庫(kù)信息

表2 計(jì)算機(jī)配置

3.3 網(wǎng)絡(luò)訓(xùn)練

將視電阻率異常智能解譯樣本庫(kù)中的樣本按照9∶1的比例隨機(jī)劃分為訓(xùn)練集和驗(yàn)證集,其中訓(xùn)練集用于訓(xùn)練網(wǎng)絡(luò)權(quán)值,驗(yàn)證集的樣本不參與網(wǎng)絡(luò)訓(xùn)練,劃分驗(yàn)證集的目的是在訓(xùn)練過(guò)程中實(shí)時(shí)觀察損失函數(shù)的下降情況,以便在損失函數(shù)收斂效果不好的情況下對(duì)超參數(shù)進(jìn)行動(dòng)態(tài)調(diào)整,訓(xùn)練超參數(shù)如表3所示。

訓(xùn)練批次是指將所有數(shù)據(jù)輸入給網(wǎng)絡(luò)完成前向計(jì)算與誤差反向傳播的總次數(shù),在訓(xùn)練起始批次,損失值下降速度較快,然后下降趨勢(shì)逐漸變緩。需要注意的是,訓(xùn)練批次并不是越多越好,過(guò)度訓(xùn)練可能會(huì)造成過(guò)擬合問(wèn)題。批處理大小是指在每次迭代中,將一批數(shù)據(jù)送入神經(jīng)網(wǎng)絡(luò),計(jì)算它們的損失函數(shù),然后反向傳播誤差,更新模型參數(shù)。批處理的大小可以是任意值,通常在幾十到幾百之間,取決于硬件設(shè)備的內(nèi)存大小和計(jì)算性能。批處理值越大,每次更新模型的方差越小,模型訓(xùn)練的穩(wěn)定性也越高,但是計(jì)算速度可能會(huì)降低。學(xué)習(xí)率控制要調(diào)整網(wǎng)絡(luò)的權(quán)重,以符合梯度損失。值越低,沿著梯度下降越慢。Dropout層是在訓(xùn)練過(guò)程中將部分神經(jīng)元失活,可以提高訓(xùn)練效率,并有效緩解過(guò)擬合現(xiàn)象。Adam優(yōu)化器具有計(jì)算效率高、適用于不穩(wěn)定的目標(biāo)函數(shù)、可自適應(yīng)地調(diào)整學(xué)習(xí)率、可有效處理梯度稀疏問(wèn)題等優(yōu)點(diǎn)。ReLU激活函數(shù)是現(xiàn)在使用較為廣泛的一種深度學(xué)習(xí)激活函數(shù),它具有計(jì)算效率高、可緩解過(guò)擬合問(wèn)題等優(yōu)點(diǎn)。

表3 SSD算法學(xué)習(xí)訓(xùn)練的超參數(shù)設(shè)置

圖7是網(wǎng)絡(luò)訓(xùn)練的損失函數(shù)下降曲線。圖中紅色實(shí)線是訓(xùn)練集損失函數(shù),橙色實(shí)線是驗(yàn)證集損失函數(shù),綠色虛線是光滑后的訓(xùn)練集損失函數(shù),褐色虛線是光滑后的驗(yàn)證集損失函數(shù)。從圖7中可以看出,隨著深度學(xué)習(xí)訓(xùn)練輪次(Eoch)的增加,訓(xùn)練集和驗(yàn)證集損失函數(shù)先是快速下降,然后是緩慢下降。訓(xùn)練50輪次之后,已達(dá)到最佳訓(xùn)練效果。

訓(xùn)練過(guò)程中,網(wǎng)絡(luò)性能指標(biāo)如圖8所示。圖8(a)是未填充型溶洞的查全率(Recall)曲線,圖8(b)是填充型溶洞的查全率曲線,圖8(c)是未填充型溶洞的查準(zhǔn)率曲線,圖8(d)是填充型溶洞的查準(zhǔn)率曲線。從圖8可以看出,當(dāng)閾值選定為0.5(Score_threshold = 0.5)時(shí),未填充型溶洞的查準(zhǔn)率可達(dá)90 %,填充型溶洞查準(zhǔn)率可達(dá)79.49 %。

圖9是溶洞地質(zhì)病害體的智能解譯平均精度圖。mAP(Mean Average Precsion)是衡量算法精確度的重要指標(biāo),是任務(wù)中多類目標(biāo)AP的平均值,每類目標(biāo)體都可以計(jì)算出其查準(zhǔn)率和查全率,每個(gè)類都可以得到一條P-R曲線,AP就是取0～1之間的recall值對(duì)應(yīng)的precision再求平均。mean的意思是對(duì)每個(gè)類的AP再求平均,得到mAP值,大小在[0,1]區(qū)間。mAP值越高,表明網(wǎng)絡(luò)學(xué)習(xí)效果越好。從圖9可以看出,通過(guò)50個(gè)輪次訓(xùn)練,未填充型溶洞的AP值達(dá)94 %,填充型溶洞的AP值達(dá)88 %,多目標(biāo)mAP值為90.68 %,網(wǎng)絡(luò)學(xué)習(xí)取得了較好效果。

圖8 網(wǎng)絡(luò)性能指標(biāo)曲線Fig.8 Network performance of indicators recall and precision

圖9 巖溶地質(zhì)病害體的智能解譯平均精度Fig.9 Intelligent interpretation of karst caves mAP

3.4 高密度電法視電阻率異常智能解譯結(jié)果分析

使用保存的網(wǎng)絡(luò)模型(包含網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)值)對(duì)高密度電法溫納裝置的視電阻率異常進(jìn)行智能解譯數(shù)值試驗(yàn),檢測(cè)SSD智能算法的解譯效果和效率。

對(duì)單個(gè)溶洞視電阻率異常進(jìn)行智能解譯。溶洞地電模型中,電極數(shù)為60,電極距為1 m,剖面長(zhǎng)度59 m,測(cè)線左端為坐標(biāo)原點(diǎn),背景地層為灰?guī)r,電阻率800 Ω·m,全填充溶洞和未填充溶洞電阻率分別為100 Ω·m和5 000 Ω·m,溶洞類型為未填充型溶洞,規(guī)模為2 m×2 m,中心位置(30 m,2 m),如圖10(a)所示。

采用SSD算法進(jìn)行智能解譯的結(jié)果如圖10(b)所示。智能解譯耗時(shí)約0.62 s。從圖10可知,SSD網(wǎng)絡(luò)能準(zhǔn)確地將異常解譯為填充型溶洞,置信度為0.60,溶洞異常體水平長(zhǎng)度為2.08 m,超出實(shí)際規(guī)模0.08 m,垂向厚度為1.96 m,比溶洞小0.04 m,誤差僅為厘米級(jí)。根據(jù)預(yù)測(cè)框左、右、上、下邊界位置計(jì)算的異常體中心位置為(29.84 m,2.04 m),與真實(shí)的(30 m,2 m)非常接近,智能解譯效果好,精度高。

圖10 未填充型溶洞地電模型與智能解譯結(jié)果Fig.10 Electrical model and artificial intelligent interpretation results of unfilled karst cave

對(duì)多個(gè)溶洞模型視電阻率異常進(jìn)行智能解譯。多溶洞地電模型為：地下存在一個(gè)填充型溶洞和一個(gè)未填充型溶洞。未填充型溶洞的規(guī)模為4 m×2.5 m,中心位置(20 m,2.25 m),填充型溶洞規(guī)模為5 m×5 m,中心位置(40 m,4 m),如圖11(a)所示。

采用SSD算法進(jìn)行智能解譯的結(jié)果如圖11(b)所示。智能解譯耗時(shí)約0.63 s。從圖11可知,SSD網(wǎng)絡(luò)能準(zhǔn)確地將異常解譯為1個(gè)未填充型溶洞和1個(gè)填充型溶洞。剖面左邊的非填充型溶洞的水平長(zhǎng)度和厚度分別為4.19 m和2.54 m,分別超出實(shí)際規(guī)模0.19 m和0.04 m,中心位置為(20.02 m,2.56 m),與真實(shí)位置(20 m,2.5 m)相比,誤差為厘米級(jí);剖面右邊的填充型溶洞的水平長(zhǎng)度和厚度分別為5.56 m和4.14 m,分別比實(shí)際規(guī)模小0.44 m和0.86 m,中心位置為(40.00 m,4.22 m),與真實(shí)位置(40 m,4 m)相比,非常接近,智能解譯效果好,精度高。

圖11 多溶洞地電模型與智能解譯結(jié)果Fig.11 Electrical model and artificial intelligent interpretation results of two karst caves

4 結(jié)論與展望

本文基于SSD目標(biāo)檢測(cè)算法開展了高密度電法視電阻率異常智能解譯方法技術(shù)研究,構(gòu)建了1 400個(gè)巖溶電阻率模型的智能解譯學(xué)習(xí)樣本庫(kù),訓(xùn)練了SSD網(wǎng)絡(luò)模型,實(shí)現(xiàn)了基于深度學(xué)習(xí)的視電阻率異常的智能解譯方法技術(shù)。

理論模型結(jié)果表明：SSD算法能夠根據(jù)高密度電法溫納裝置視電阻率斷面圖,獲取地下巖溶異常體的類別、規(guī)模和位置信息,各類目標(biāo)平均準(zhǔn)確率為90.68 %,單個(gè)剖面數(shù)據(jù)智能解譯耗時(shí)不到1 s,智能解譯誤差為厘米級(jí)。

野外環(huán)境復(fù)雜多變,為進(jìn)一步提高SSD算法的實(shí)用性,正在研究包含地形、地層起伏、復(fù)雜異常等因素制作訓(xùn)練數(shù)據(jù)集,并增加訓(xùn)練樣本的數(shù)量,提高高密度電法智能解譯的智能化水平。