礦山地質雷達探測中人工智能系統有效應用研究

王 杰，陳思狀

（中咨公路養護檢測技術有限公司，北京 100089）

1 雷達圖像模式識別技術現狀

得益于圖像識別技術、人工智能系統的快速進步，有關于通過儀器采集數據處理結果判別以及區分已是目前行業發展的趨勢。圖像識別是以減少礦山地質勘查人員工作量為目標，可以對所采集的地質數據自動分析、判斷的智能系統。

圖片領域判斷的邏輯基礎是自模式領域到類型領域的轉換。圖片判斷措施大致分為三類：決策理論判斷、句法分解判斷、隸屬擇近判斷等。然而上述三類措施開發在圖片判斷亦有所長亦有所短，因此立足于大量圖片判斷行業的發展需求，大量的專家開創了相當多的手段，例根據類別對應的圖片判斷措施、根據人工智能的圖片判斷措施、根據可觀決斷的圖片判斷措施等，更存在各種手段相互聯系起來的圖片判斷措施，同時開發于工程現場也具備顯著的優勢。

GPR選取發射裝置持續產生較強電磁信號到被測斷面前方，接著感應前方異常巖體電磁折返信號，基于相異的異常巖體與較強電磁信號存在相異折返關系，因而自GPR數據反映上存在相異的圖型關系。因而選取圖片判斷手段，較為簡單做礦井未開挖段異常巖體研究分類工作。大量專家在GPR圖片判斷做了許多探究，提出了多種GPR圖片標志點篩分以及對象判斷的新手段。對圖片弱信號做曬別，接著曬分弱信號圖片的基本結構組成對象的標志，通過線性分類器做曬別進行對象判斷。

2 GPR數據前置分析

2.1 雜聲濾去、圖像兩極分割

數據結果在采集、轉移工作下存在許多雜音點的損壞導致圖像質量變差，也存在篩分功效低的程序使結果產生雜音。數據結果里體現出，雜音導致開始正常以及一直蛻轉的黑色量值倏地增高以及降低，產生一定量失實的東西周圍以及表面。

所以，減少以及蛻去這種雜音，對提高數據效果有益。把一個存在圓錐線關系的樣板GPR圖形當作范本，篩除特定頻率做效應分析如圖1。

圖1 樣板2D-GPR數據前置分析

圖像兩極分割是把黑色量值數據結果以及非黑白數據結果蛻變成僅有墨值同亮值色彩度數據的解析途徑。兩極分割階段普遍先于圖片標志點篩分以及對象判斷。對黑色量值圖像兩極分割最易用的手段是做整體TR分析，也就是黑色量值高于特定層的色彩度判定作1（代表亮彩），因此低于此層級的色彩度判定作0（即暗彩）。把已經篩除特定頻率的影型設置成兩極分割前的開端影型，設臨界層級即90，因此已經被兩極分割的數據結果。

2.2 外型分析

數據結果輪廓作為影型的極關鍵要素。數據結果輪廓即作為其邊界暗色值存在低級升蛻轉的此類數值的組成元素。輪廓普遍存在于元素集合、后基中緣，元素集合、元素集合中緣、元素與元素中緣，此也作為影型篩離所憑借的根本要素。

拿2D-GPR數據結果作討論，數據結果輪廓能夠認為即通過各種禁止聯通范圍構造結合，因此分辨此類禁止聯通范圍相互中的區段層表達了GPR方向關鍵含義，此類區段層在GPR數據結果中一般展示出了硬質的間斷特點。把GPR數據結果做輪廓分析，即為分析此類間斷特點，換言之把此類音型硬質的間斷值做篩分剔出。因為GPR數據分析途經的繁瑣特點，還有很多雜音起點的產生，數據結果分析判斷過程也會非常繁瑣。

2.3 GPR數據結果關鍵點篩出

數據結果判斷把相當多音型關鍵點分析的，此類關鍵點的取舍相當關鍵，對數據結果判斷篩分儀的規劃制作、品質和判斷最終的恰當點起作用。關鍵點取舍失敗，篩別不但篩得錯誤，還有可能不能篩別。關鍵點的取舍是GPR數據結果分析中的重要節點之一。

因為GPR數據結果存在緊跟周圍情況的更改因而導致更改，此把GPR數據結果關鍵點取舍以及篩出相當繁瑣。把關鍵點的最初內容選取相異的分析手段，能夠篩分得許多種類的關鍵點內容，然而也不能把一切關鍵點被選取于樣板判斷，被選取于樣板判斷的關鍵點一定需要有此叄種特性即特異性、可分性、魯棒性。

日常把選取普遍選取壹類性質使徹底具備前面叄類特點，因此把普遍選取大數量關鍵點的構成作樣板判斷。發展在數據結果判斷的關鍵點存在大量類別，一般能歸呈后述四種：音型的外在表現、音型規律表現、轉化表現、理論表現。

關鍵點值的篩別手段有很多，例每一單元性質篩別、結構性質篩別、立體數學性質篩別、多值性質篩別、曲型降級性質篩別等。

此篇文章選取每一單元性質篩別手段，把GPR數據結果做全體元素的分析，把暗性數值假定為元素滿，把亮性數值假定為元素空，因此把分析完成就產生了單值和音型內色度值量值一樣的關鍵點數值集合。

3 人工智能數據結果判斷

人工智能數據判斷讓智能集合存在相當好的適應優勢以及魯棒優勢，但是模板判斷內一般有雜音破壞還有導進方法的少量破壞，智能集合此要素也成為它科學實現樣板判斷疑難的要點部分。另有，人工智能的主動分派、主動合宜練習重要組成，令它在某類判斷疑難表現了相當好的特點以及發展方向。

3.1 人工智能結構模型

GPR數據結果里兩弧形要素選取每一單元性質篩別手段，也就是直接采取逐一元素的色度量當做關鍵性質。所以，導進段智能節點的量值當做采用演習／檢驗界面(M×N)內的選取要素量。暗段的單元量在數學目前不存在強制要求，普遍言之，暗存智能節點量太低時，智能集合單回訓練階段太少，仍會由于訓練量少使得智能集合不能儲存所有訓練情況；暗段智能節點的量越大，因而BP智能集合會越無誤，演習階段也會越多，僅僅暗段智能節點較難篩別大量，因此可能影響智能集合內存值大小，影響智能集合對不明導進的總結屬性減退，減弱網絡的反雜性。采取現場檢驗，普通暗存段智能節點的量值在10和16內屬于正常，人工智能篩別導進量值的關鍵性質相當簡單。導進段是一個智能節點，假置外導1是存在關鍵點，外導0是不存在關鍵點，外導處在0與1內的低值是或許存在關鍵點。這種外導和關鍵點有可能性內的連接和智能集合演習可不可能到量、模板采取會不會存在特點、其診斷范圍的土層內構成與蝕孔兩弧形關鍵點會不會復雜等影響存在聯系。

3.2 人工智能熟悉與判斷

演習模板音型選取界面分析的手段，首橫然豎，M×N個導進元素，1個外導元素，外導量位于0與1內。模板音型區別成三類：準層、錯層以及存在于二者內。模板音型是從現場采集值和兩弧形模擬值，首取兩弧形數學公式模擬相異弧值、相異演習界面點的準層模板音型，緊接著自現場采集值內采用準層與錯層的模板音型一個接一個人工智能做演習。

取演習完成的BP智能集合能夠把GPR數據結果做判斷。把GPR數據結果做先置分析，以首橫然豎，步長M×N手段判斷全部GPR數據結果，挨各做關鍵點篩出，導進BP智能集合結構做判斷。假如一例M×N量的分數據篩出成兩弧形，分數據固定；假如篩出非為兩弧形，因此會把分數據制定無，在所有分數據篩出結束，總結出全部篩出后的GPR數據結果。把前置分析完成的圖2-1作范本，對它做判斷。

在對數字圖像模式識別研究的基礎上，采用人工智能模式識別技術，探索地質雷達探測溶洞圖像的智能識別，建立智能識別二維地質雷達圖像中由于含水小溶洞造成雙曲線特征的人工智能模型，為識別地質雷達圖像中的其它不良地質體提供了一條新的途徑）。

4 結論

本文以地質預報與輔助軟件結合的問題為主要研究對象，采用地質工程與軟件工程相結合的思想，多學科、多角度的對礦山地質數據采集及預報問題進行綜合集成研究。論文取得以下主要認識和結論：

在對數字圖像模式識別研究的基礎上，采用神經網絡模式識別技術，探索地質雷達探測礦山地質圖像的智能識別，為識別圖像中的其它不良地質體提供了一條新的途徑。