[发明专利]一种基于卷积神经网络的不良地质定位预报方法

权利要求书

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Batch Norm，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。