基于輕量化卷積神經(jīng)網(wǎng)絡(luò)的隧道勘察地層巖性劃分方法

丁海英

(陜西能源職業(yè)技術(shù)學(xué)院 煤炭與化工產(chǎn)業(yè)學(xué)院， 陜西 咸陽 712000)

0 引言

巖性是指地層巖石構(gòu)造、顏色、結(jié)構(gòu)和成分等特征的總和，隧道勘察地層巖性劃分是指通過一些方法區(qū)別和認(rèn)識(shí)巖性的過程[1]。在地質(zhì)學(xué)中如何直觀地對(duì)地層巖性分布進(jìn)行描述是重要問題。隧道勘察資料處理與解釋中都對(duì)地層巖性進(jìn)行了準(zhǔn)確的辨識(shí)，在隧道勘察與開發(fā)過程中地層巖性劃分是重要的基礎(chǔ)工作[2]。對(duì)油藏描述、儲(chǔ)層識(shí)別、沉積相分析、地層評(píng)價(jià)和儲(chǔ)層劃分具有重要意義，在隧道勘察過程中只有明確地層巖性才可以進(jìn)行下一步工作。

賈軍偉等[3]提出基于激光誘導(dǎo)擊穿光譜技術(shù)的地層巖性劃分方法，該方法選擇K、Mg、Na、Si、Ca、Fe、Al7種元素構(gòu)成激光誘導(dǎo)擊穿光譜，結(jié)合有監(jiān)督Kohonen神經(jīng)網(wǎng)絡(luò)、軟獨(dú)立建模分類方法和主成分分析方法3種化學(xué)計(jì)量方法對(duì)地層巖性進(jìn)行劃分，該方法沒有對(duì)地層圖像進(jìn)行增強(qiáng)處理，在劃分過程中容易受到噪聲的干擾，導(dǎo)致劃分結(jié)果準(zhǔn)確率低。李國和等[4]提出基于深度信念網(wǎng)絡(luò)的地層巖性劃分方法，該方法將地層巖性數(shù)據(jù)作為輸出，將多個(gè)相鄰采樣點(diǎn)的數(shù)據(jù)作為輸入，通過受限玻爾茲曼機(jī)方法提取數(shù)據(jù)的特征，根據(jù)提取的特征建立深度信念網(wǎng)絡(luò)，在隨機(jī)梯度下降算法的基礎(chǔ)上反向傳遞學(xué)習(xí)誤差，建立地層巖性識(shí)別模型，實(shí)現(xiàn)地層巖性的劃分，該方法沒有對(duì)地層圖像進(jìn)行分割處理，在特征提取過程中容易受到巖屑顆粒重疊現(xiàn)象或無關(guān)背景的影響，導(dǎo)致劃分結(jié)果召回率低。張翠芬等[5]提出基于監(jiān)督分類方法的地層巖性劃分方法，該方法在各尺度上通過灰度共生矩陣提取紋理信息，融合ASTER多光譜數(shù)據(jù)和尺度不同的紋理信息獲得系統(tǒng)數(shù)據(jù)，通過監(jiān)督分類方法對(duì)協(xié)同數(shù)據(jù)進(jìn)行劃分，實(shí)現(xiàn)地層巖性的劃分，該方法在巖性劃分之前沒有對(duì)圖像進(jìn)行相關(guān)的預(yù)處理，導(dǎo)致F-measure低。

為了解決劃分結(jié)果準(zhǔn)確率低、召回率低、F-measure低的問題，提出基于輕量化卷積神經(jīng)網(wǎng)絡(luò)的隧道勘察地層巖性劃分方法。

1 圖像預(yù)處理與特征提取

1.1 圖像預(yù)處理

(1) 圖像增強(qiáng)

在采集圖像和傳輸圖像的過程中通常會(huì)受到各種噪聲產(chǎn)生的影響，這些噪聲的種類較多，包括量化處理圖像時(shí)生成的噪聲，傳輸圖像時(shí)產(chǎn)生的噪聲，以及采集儀器設(shè)備材料產(chǎn)生的噪聲，上述噪聲會(huì)對(duì)圖像的清晰度產(chǎn)生影響，對(duì)后續(xù)圖像特征提取和圖像分割工作造成干擾。為了消除干擾，需要對(duì)地層圖像進(jìn)行增強(qiáng)處理[6]。

基于輕量化卷積神經(jīng)網(wǎng)絡(luò)的隧道勘察地層巖性劃分方法采用灰度變化增強(qiáng)方法對(duì)地層圖像進(jìn)行處理，灰度變化增強(qiáng)包括非線性灰度變化增強(qiáng)、分段線性變化增強(qiáng)和線性灰度變化增強(qiáng)3種方式，所提方法選用伽馬變換模型通過冪律變換式增強(qiáng)圖像的對(duì)比度,如式(1)。

s=crγ

(1)

通過伽馬變化能夠擴(kuò)展圖像的灰度級(jí)，拉伸圖像的對(duì)比度，通過調(diào)節(jié)參數(shù)γ可以控制巖層圖像的整體灰度，當(dāng)巖層圖像的整體灰度較亮?xí)r，將參數(shù)γ設(shè)定為大于1的常數(shù)，提高圖像的對(duì)比度，使圖像變暗，凸顯圖像中存在的細(xì)節(jié);當(dāng)巖層灰度較暗時(shí)，將參數(shù)γ設(shè)定為小于1的常數(shù)，使圖像整體灰度偏暗，增亮圖像。

(2) 圖像分割

在通常情況下獲取的巖層圖像都存在巖屑顆粒重疊現(xiàn)象或無關(guān)背景，對(duì)提取地層巖性特征產(chǎn)生干擾，使提取的結(jié)果出現(xiàn)誤差，因此對(duì)巖層圖像進(jìn)行分割處理，將目標(biāo)地層分割出來[7]。基于輕量化卷積神經(jīng)網(wǎng)絡(luò)的隧道勘察地層巖性劃分方法采用OTSU算法對(duì)地層圖像進(jìn)行分割處理。

用I(x,y)描述地層圖像，T代表分割背景和目標(biāo)的閾值；μ0代表在地層圖像中前景像素點(diǎn)對(duì)應(yīng)的平均灰度；ω0代表在地層圖像中前景像素點(diǎn)所占的比例；μ1代表在地層圖像中背景像素點(diǎn)對(duì)應(yīng)的平均灰度；ω1代表地層圖像中背景像素點(diǎn)所占的比例；g代表累間方差。

假設(shè)大小為M×N的地層圖像的背景較暗，小于閾值T和大于閾值T的像素個(gè)數(shù)分別為N1、N2，此時(shí)存在式(2)。

(2)

結(jié)合上述計(jì)算，對(duì)最大類間方差g進(jìn)行計(jì)算,如式(3)。

g=ω0ω1(μ0-μ1)

(3)

基于輕量化卷積神經(jīng)網(wǎng)絡(luò)的隧道勘察地層巖性劃分方法選取使類間方差最大的閾值對(duì)地層圖像進(jìn)行分割。

1.2 圖像特征提取

基于輕量化卷積神經(jīng)網(wǎng)絡(luò)的隧道勘察地層巖性劃分方法通過數(shù)理統(tǒng)計(jì)分析方法獲取地層圖像的紋理特征。

通過灰度共生矩陣分析特征參數(shù)，設(shè)g(i,j)代表在點(diǎn)(i,j)處矩陣對(duì)應(yīng)的函數(shù)值；N代表矩陣的維數(shù)，即地層圖像的灰度級(jí)數(shù)，對(duì)地層圖像的紋理特征進(jìn)行統(tǒng)計(jì)之前，需要?dú)w一化處理灰度共生矩陣，獲得處理后的矩陣點(diǎn)函數(shù)p(i,j),如式(4)。

p(i,j)=g(i,j)/N

(4)

(1) 能量：圖像紋理的粗細(xì)程度和均勻性可以通過能量進(jìn)行表示，能量通常在[0,1]區(qū)間內(nèi)取值，當(dāng)圖像灰度完全相同時(shí)，能量的值為1，紋理的粗細(xì)程度可以通過矩陣的元素值進(jìn)行反映，元素的紋理隨著元素值的接近越細(xì)致，隨著元素值差距的增大越粗糙[8-9]，利用下式對(duì)能量E進(jìn)行計(jì)算,如式(5)。

(5)

(2) 對(duì)比度：圖像紋理溝紋的深淺程度和清晰程度可以通過對(duì)比度進(jìn)行反映，圖像紋理的溝紋隨著對(duì)比的增大而變深，對(duì)應(yīng)的圖像清晰程度越高，對(duì)角線遠(yuǎn)端的值大小在灰度共生矩陣中與對(duì)比度的大小成正相關(guān)關(guān)系[10]，對(duì)比度Con的計(jì)算式如式(6)。

Con=N·E

(6)

其中，E為能量；N為分辨率。

(3) 相關(guān)性：相關(guān)性描述了灰度共生矩陣之間元素在地層圖像中的關(guān)系，圖像紋理的走向可以通過灰度矩陣在圖像中的相關(guān)性進(jìn)行反映[11]。矩陣元素之間差值和絕對(duì)值與相關(guān)性的大小之間呈負(fù)相關(guān)關(guān)系，相關(guān)性值隨著差值的減小而增大，相關(guān)性Cor的計(jì)算式如式(7)。

(7)

(4) 和的方差及方差：紋理變化的幅度大小和頻率都可以通過和的方差以及方差進(jìn)行反映，和的方差隨著紋理周期變化的增大而增大，設(shè)VAR代表的是方差，其計(jì)算式如式(8)。

(8)

設(shè)SVAR代表的是和方差，其計(jì)算式如式(9)。

(9)

(5) 熵：在信息論圖像中存在的信息量概念可以通過熵進(jìn)行表示，在灰度共生矩陣中熵作為度量值可以對(duì)圖像紋理復(fù)雜度進(jìn)行衡量，地層圖像的紋理復(fù)雜度隨著灰度共生矩陣熵值的增大而增大[12]，對(duì)熵Ent進(jìn)行計(jì)算,如式(10)。

(10)

(6) 和均值：描述的是像素點(diǎn)在地層圖像內(nèi)灰度值的求和平均值，可以對(duì)明暗程度進(jìn)行反映，圖像色調(diào)亮度隨著和均值的增大而增大，和均值SVR的計(jì)算式如式(11)。

(11)

(7) 差的方差：像素在圖像間的對(duì)比度可以通過差的方差進(jìn)行描述，圖像的對(duì)比度強(qiáng)弱程度與差的方差之間呈正相關(guān)[13]，其計(jì)算式如式(12)。

(12)

(8) 逆矩陣：圖像的局部平穩(wěn)性可以通過逆矩陣進(jìn)行反映，當(dāng)逆矩陣的值較大時(shí)，圖像局部紋理較為規(guī)則，逆矩陣HOM的計(jì)算式如式(13)。

(13)

基于輕量化卷積神經(jīng)網(wǎng)絡(luò)的隧道勘察地層巖性劃分方法利用灰度共生矩陣對(duì)地層紋理特征進(jìn)行統(tǒng)計(jì)的步驟為：對(duì)地層圖像進(jìn)行灰度化處理，壓縮圖像灰度，降低計(jì)算量，在4個(gè)方向中設(shè)定偏移距離參數(shù)對(duì)灰度共生矩陣值進(jìn)行計(jì)算，歸一化處理灰度共生矩陣，通過標(biāo)準(zhǔn)差和均值獲得地層圖像的紋理特征向量。

2 隧道勘察地層巖性劃分方法

將獲取的紋理特征向量X(n)=[x1(n),x2(n),…,xn(n)]T輸入輕量化卷積神經(jīng)網(wǎng)絡(luò)中實(shí)現(xiàn)隧道勘察地層巖性的劃分，具體步驟如下。

(1) 設(shè)定迭代次數(shù)N和權(quán)值向量Wi(n),如式(14)。

Wi(n)=[wi1(n),wi2(n),…,win(n)]T

(14)

式中，i=1,2,…,m。

(2) 初始化：對(duì)權(quán)值向量和學(xué)習(xí)率η0進(jìn)行初始化處理。歸一化處理輸入的紋理特征向量和權(quán)值向量，避免量綱對(duì)地層巖性的劃分產(chǎn)生影響[14]，進(jìn)行初始化處理,如式(15)、式(16)。

(15)

(16)

(3) 采樣，選取輸入空間中存在的樣本X′，將其作為輕量化卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。

(4) 對(duì)歸一化處理后的權(quán)值W′與輸入特征X′之間存在的距離進(jìn)行計(jì)算，并通過歐式距離dij進(jìn)行表示,如式(17)。

(17)

(5) 匹配：在競爭層中通過歐式距離最小原則選擇獲勝的神經(jīng)元,如式(18)。

(18)

(6) 修改權(quán)值：通過下式對(duì)興奮區(qū)域中存在的神經(jīng)元以及獲勝神經(jīng)元對(duì)應(yīng)的權(quán)值向量進(jìn)行修改[15],如式(19)。

(19)

(7) 對(duì)學(xué)習(xí)率η(n)進(jìn)行計(jì)算,如式(20)。

(20)

對(duì)興奮區(qū)域進(jìn)行更新,如式(21)。

(21)

歸一化處理權(quán)值向量,如式(22)。

(22)

(8) 當(dāng)?shù)螖?shù)為N時(shí)，停止迭代，輸出最優(yōu)解；當(dāng)?shù)螖?shù)小于N時(shí)，轉(zhuǎn)到步驟(3)，重新進(jìn)行迭代。

將輸入空間中存在的樣本X′替換為經(jīng)過上述8個(gè)步驟得到的最優(yōu)解，即將其作為輕量化卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，在綜合邏輯上形成紋理特征向量，以向量形式實(shí)現(xiàn)隧道勘察地層巖性的劃分。

3 實(shí)驗(yàn)及分析

為了驗(yàn)證基于輕量化卷積神經(jīng)網(wǎng)絡(luò)的隧道勘察地層巖性劃分方法的整體有效性，需要對(duì)基于輕量化卷積神經(jīng)網(wǎng)絡(luò)的隧道勘察地層巖性劃分方法進(jìn)行測試，本次測試所用網(wǎng)絡(luò)結(jié)構(gòu)都為caffe框架，在i7-6700K四核CPU、Ubuntul4.04操作系統(tǒng)，NVIDIA-GTX 1070的GPU上完成。通過準(zhǔn)確率、召回率和F-measure3個(gè)指標(biāo)對(duì)基于輕量化卷積神經(jīng)網(wǎng)絡(luò)的隧道勘察地層巖性劃分方法(方法1)、文獻(xiàn)[3]中基于激光誘導(dǎo)擊穿光譜技術(shù)的地層巖性劃分方法(方法2)和文獻(xiàn)[4]中基于深度信念網(wǎng)絡(luò)的地層巖性劃分方法(方法3)進(jìn)行測試。

(1) 準(zhǔn)確率

準(zhǔn)確率Accuracy的計(jì)算式如式(23)。

(23)

式中，TP代表正樣本正確識(shí)別為正樣本；TN代表負(fù)樣本被正確地識(shí)別為負(fù)樣本；FN代表正樣本錯(cuò)誤的識(shí)別為負(fù)樣本；FP代表負(fù)樣本錯(cuò)誤的判定為正樣本。

方法1、方法2和方法3的劃分準(zhǔn)確率,如圖1所示。

圖1 準(zhǔn)確率測試結(jié)果

(2) 召回率

召回率Recall描述的是在所有的正樣本中識(shí)別正確的正樣本數(shù)所占的比例，其計(jì)算式如式(24)。

(24)

方法1、方法2和方法3的召回率如圖2所示。

圖2 召回率測試結(jié)果

(3)F-measure

F-measure的計(jì)算式如式(25)。

(25)

方法1、方法2和方法3的F-measure如圖3所示。

圖3 F-measure測試結(jié)果

通過上述測試可知，在多次迭代中方法1的準(zhǔn)確率、召回率和F-measure均高于方法2和方法3，因?yàn)榉椒?對(duì)地層巖性進(jìn)行劃分之前，對(duì)地層圖像進(jìn)行了預(yù)處理，通過圖像增強(qiáng)處理消除了量化處理圖像時(shí)生成的噪聲，傳輸圖像時(shí)產(chǎn)生的噪聲，以及采集儀器設(shè)備材料產(chǎn)生的噪聲；通過圖像分割處理將目標(biāo)地層分割處理，避免巖屑顆粒重疊現(xiàn)象或無關(guān)背景產(chǎn)生的干擾，提高了方法1的劃分效果。

4 總結(jié)

在隧道勘察資料解釋過程中識(shí)別地層巖性是重要內(nèi)容，對(duì)油藏描述、儲(chǔ)層劃分和定位具有重大意義。隨著勘探技術(shù)的不斷發(fā)展，快速、準(zhǔn)確、高效地在隧道勘察過程中劃分地層巖性成為當(dāng)前隧道勘察資料解釋的迫切需求。目前隧道勘察地層巖性劃分方法存在準(zhǔn)確率低、召回率低和F-measure低的問題，提出基于輕量化卷積神經(jīng)網(wǎng)絡(luò)的隧道勘察地層巖性劃分方法，首先對(duì)地層圖像進(jìn)行預(yù)處理，提取紋理特征，并將其輸入卷積神經(jīng)網(wǎng)絡(luò)中，實(shí)現(xiàn)地層巖性的劃分，解決了目前方法中存在的問題，為隧道勘察工作提供了保障。

受到實(shí)驗(yàn)樣本難以選取、實(shí)驗(yàn)指標(biāo)難以控制等問題的影響，沒有給出所提方法的實(shí)際應(yīng)用案例，同時(shí)現(xiàn)階段，在隧道施工過程中變形、坍塌等情況屢見不鮮。因此，在實(shí)現(xiàn)隧道勘察地層巖性劃分后，在下一個(gè)研究階段，要深入挖掘現(xiàn)有資料，結(jié)合實(shí)際應(yīng)用情況，逐步分析影響隧道施工安全的要素。