基于輕量化卷積神經網絡的隧道勘察地層巖性劃分方法

丁海英

(陜西能源職業技術學院 煤炭與化工產業學院， 陜西 咸陽 712000)

0 引言

巖性是指地層巖石構造、顏色、結構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別和認識巖性的過程[1]。在地質學中如何直觀地對地層巖性分布進行描述是重要問題。隧道勘察資料處理與解釋中都對地層巖性進行了準確的辨識，在隧道勘察與開發過程中地層巖性劃分是重要的基礎工作[2]。對油藏描述、儲層識別、沉積相分析、地層評價和儲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行下一步工作。

賈軍偉等[3]提出基于激光誘導擊穿光譜技術的地層巖性劃分方法，該方法選擇K、Mg、Na、Si、Ca、Fe、Al7種元素構成激光誘導擊穿光譜，結合有監督Kohonen神經網絡、軟獨立建模分類方法和主成分分析方法3種化學計量方法對地層巖性進行劃分，該方法沒有對地層圖像進行增強處理，在劃分過程中容易受到噪聲的干擾，導致劃分結果準確率低。李國和等[4]提出基于深度信念網絡的地層巖性劃分方法，該方法將地層巖性數據作為輸出，將多個相鄰采樣點的數據作為輸入，通過受限玻爾茲曼機方法提取數據的特征，根據提取的特征建立深度信念網絡，在隨機梯度下降算法的基礎上反向傳遞學習誤差，建立地層巖性識別模型，實現地層巖性的劃分，該方法沒有對地層圖像進行分割處理，在特征提取過程中容易受到巖屑顆粒重疊現象或無關背景的影響，導致劃分結果召回率低。張翠芬等[5]提出基于監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多光譜數據和尺度不同的紋理信息獲得系統數據，通過監督分類方法對協同數據進行劃分，實現地層巖性的劃分，該方法在巖性劃分之前沒有對圖像進行相關的預處理，導致F-measure低。

為了解決劃分結果準確率低、召回率低、F-measure低的問題，提出基于輕量化卷積神經網絡的隧道勘察地層巖性劃分方法。

1 圖像預處理與特征提取

1.1 圖像預處理

(1) 圖像增強

在采集圖像和傳輸圖像的過程中通常會受到各種噪聲產生的影響，這些噪聲的種類較多，包括量化處理圖像時生成的噪聲，傳輸圖像時產生的噪聲，以及采集儀器設備材料產生的噪聲，上述噪聲會對圖像的清晰度產生影響，對后續圖像特征提取和圖像分割工作造成干擾。為了消除干擾，需要對地層圖像進行增強處理[6]。

基于輕量化卷積神經網絡的隧道勘察地層巖性劃分方法采用灰度變化增強方法對地層圖像進行處理，灰度變化增強包括非線性灰度變化增強、分段線性變化增強和線性灰度變化增強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圖像的對比度,如式(1)。

s=crγ

(1)

通過伽馬變化能夠擴展圖像的灰度級，拉伸圖像的對比度，通過調節參數γ可以控制巖層圖像的整體灰度，當巖層圖像的整體灰度較亮時，將參數γ設定為大于1的常數，提高圖像的對比度，使圖像變暗，凸顯圖像中存在的細節;當巖層灰度較暗時，將參數γ設定為小于1的常數，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象或無關背景，對提取地層巖性特征產生干擾，使提取的結果出現誤差，因此對巖層圖像進行分割處理，將目標地層分割出來[7]。基于輕量化卷積神經網絡的隧道勘察地層巖性劃分方法采用OTSU算法對地層圖像進行分割處理。

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

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

(2)

結合上述計算，對最大類間方差g進行計算,如式(3)。

g=ω0ω1(μ0-μ1)

(3)

基于輕量化卷積神經網絡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地層圖像進行分割。

1.2 圖像特征提取

基于輕量化卷積神經網絡的隧道勘察地層巖性劃分方法通過數理統計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，設g(i,j)代表在點(i,j)處矩陣對應的函數值；N代表矩陣的維數，即地層圖像的灰度級數，對地層圖像的紋理特征進行統計之前，需要歸一化處理灰度共生矩陣，獲得處理后的矩陣點函數p(i,j),如式(4)。

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

(4)

(1) 能量：圖像紋理的粗細程度和均勻性可以通過能量進行表示，能量通常在[0,1]區間內取值，當圖像灰度完全相同時，能量的值為1，紋理的粗細程度可以通過矩陣的元素值進行反映，元素的紋理隨著元素值的接近越細致，隨著元素值差距的增大越粗糙[8-9]，利用下式對能量E進行計算,如式(5)。

(5)

(2) 對比度：圖像紋理溝紋的深淺程度和清晰程度可以通過對比度進行反映，圖像紋理的溝紋隨著對比的增大而變深，對應的圖像清晰程度越高，對角線遠端的值大小在灰度共生矩陣中與對比度的大小成正相關關系[10]，對比度Con的計算式如式(6)。

Con=N·E

(6)

其中，E為能量；N為分辨率。

(3) 相關性：相關性描述了灰度共生矩陣之間元素在地層圖像中的關系，圖像紋理的走向可以通過灰度矩陣在圖像中的相關性進行反映[11]。矩陣元素之間差值和絕對值與相關性的大小之間呈負相關關系，相關性值隨著差值的減小而增大，相關性Cor的計算式如式(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行反映，和的方差隨著紋理周期變化的增大而增大，設VAR代表的是方差，其計算式如式(8)。

(8)

設SVAR代表的是和方差，其計算式如式(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行表示，在灰度共生矩陣中熵作為度量值可以對圖像紋理復雜度進行衡量，地層圖像的紋理復雜度隨著灰度共生矩陣熵值的增大而增大[12]，對熵Ent進行計算,如式(10)。

(10)

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

(11)

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

(12)

(8) 逆矩陣：圖像的局部平穩性可以通過逆矩陣進行反映，當逆矩陣的值較大時，圖像局部紋理較為規則，逆矩陣HOM的計算式如式(13)。

(13)

基于輕量化卷積神經網絡的隧道勘察地層巖性劃分方法利用灰度共生矩陣對地層紋理特征進行統計的步驟為：對地層圖像進行灰度化處理，壓縮圖像灰度，降低計算量，在4個方向中設定偏移距離參數對灰度共生矩陣值進行計算，歸一化處理灰度共生矩陣，通過標準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網絡中實現隧道勘察地層巖性的劃分，具體步驟如下。

(1) 設定迭代次數N和權值向量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：對權值向量和學習率η0進行初始化處理。歸一化處理輸入的紋理特征向量和權值向量，避免量綱對地層巖性的劃分產生影響[14]，進行初始化處理,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網絡的訓練樣本。

(4) 對歸一化處理后的權值W′與輸入特征X′之間存在的距離進行計算，并通過歐式距離dij進行表示,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元,如式(18)。

(18)

(6) 修改權值：通過下式對興奮區域中存在的神經元以及獲勝神經元對應的權值向量進行修改[15],如式(19)。

(19)

(7) 對學習率η(n)進行計算,如式(20)。

(20)

對興奮區域進行更新,如式(21)。

(21)

歸一化處理權值向量,如式(22)。

(22)

(8) 當迭代次數為N時，停止迭代，輸出最優解；當迭代次數小于N時，轉到步驟(3)，重新進行迭代。

將輸入空間中存在的樣本X′替換為經過上述8個步驟得到的最優解，即將其作為輕量化卷積神經網絡的訓練樣本，在綜合邏輯上形成紋理特征向量，以向量形式實現隧道勘察地層巖性的劃分。

3 實驗及分析

為了驗證基于輕量化卷積神經網絡的隧道勘察地層巖性劃分方法的整體有效性，需要對基于輕量化卷積神經網絡的隧道勘察地層巖性劃分方法進行測試，本次測試所用網絡結構都為caffe框架，在i7-6700K四核CPU、Ubuntul4.04操作系統，NVIDIA-GTX 1070的GPU上完成。通過準確率、召回率和F-measure3個指標對基于輕量化卷積神經網絡的隧道勘察地層巖性劃分方法(方法1)、文獻[3]中基于激光誘導擊穿光譜技術的地層巖性劃分方法(方法2)和文獻[4]中基于深度信念網絡的地層巖性劃分方法(方法3)進行測試。

(1) 準確率

準確率Accuracy的計算式如式(23)。

(23)

式中，TP代表正樣本正確識別為正樣本；TN代表負樣本被正確地識別為負樣本；FN代表正樣本錯誤的識別為負樣本；FP代表負樣本錯誤的判定為正樣本。

方法1、方法2和方法3的劃分準確率,如圖1所示。

圖1 準確率測試結果

(2) 召回率

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

(24)

方法1、方法2和方法3的召回率如圖2所示。

圖2 召回率測試結果

(3)F-measure

F-measure的計算式如式(25)。

(25)

方法1、方法2和方法3的F-measure如圖3所示。

圖3 F-measure測試結果

通過上述測試可知，在多次迭代中方法1的準確率、召回率和F-measure均高于方法2和方法3，因為方法1對地層巖性進行劃分之前，對地層圖像進行了預處理，通過圖像增強處理消除了量化處理圖像時生成的噪聲，傳輸圖像時產生的噪聲，以及采集儀器設備材料產生的噪聲；通過圖像分割處理將目標地層分割處理，避免巖屑顆粒重疊現象或無關背景產生的干擾，提高了方法1的劃分效果。

4 總結

在隧道勘察資料解釋過程中識別地層巖性是重要內容，對油藏描述、儲層劃分和定位具有重大意義。隨著勘探技術的不斷發展，快速、準確、高效地在隧道勘察過程中劃分地層巖性成為當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網絡的隧道勘察地層巖性劃分方法，首先對地層圖像進行預處理，提取紋理特征，并將其輸入卷積神經網絡中，實現地層巖性的劃分，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。

受到實驗樣本難以選取、實驗指標難以控制等問題的影響，沒有給出所提方法的實際應用案例，同時現階段，在隧道施工過程中變形、坍塌等情況屢見不鮮。因此，在實現隧道勘察地層巖性劃分后，在下一個研究階段，要深入挖掘現有資料，結合實際應用情況，逐步分析影響隧道施工安全的要素。