CN110334567B - 一种微地震有效信号检测方法 - Google Patents

一种微地震有效信号检测方法 Download PDF

Info

Publication number
CN110334567B
CN110334567B CN201910222578.4A CN201910222578A CN110334567B CN 110334567 B CN110334567 B CN 110334567B CN 201910222578 A CN201910222578 A CN 201910222578A CN 110334567 B CN110334567 B CN 110334567B
Authority
CN
China
Prior art keywords
frame
effective signal
effective
micro
signals
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910222578.4A
Other languages
English (en)
Other versions
CN110334567A (zh
Inventor
盛冠群
李达莉
谢凯
唐新功
熊杰
汤婧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yangtze University
Original Assignee
Yangtze University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yangtze University filed Critical Yangtze University
Priority to CN201910222578.4A priority Critical patent/CN110334567B/zh
Publication of CN110334567A publication Critical patent/CN110334567A/zh
Application granted granted Critical
Publication of CN110334567B publication Critical patent/CN110334567B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种微地震有效信号检测方法，属于信号处理领域。该方法包括：采集低噪比环境的微地震信号制作训练集和测试集，训练循环神经网络得到有效信号识别模型，将检测到的有效信号输入到inception网络中得到特征图，再在所述特征图中标注预定义框，通过计算预定义框的边框回归及前后背景区分，生成区域建议框，对区域建议框进行ROI池化后得到固定大小的特征图，分别对所述特征图进行分类打分及边框回归加权求取所述有效信号识别模型的损失值，最后优化损失值，利用有效信号识别模型检测低噪比环境的微地震信号。通过该方案，可以快速准确地对低信噪比环境下的微地震信号进行检测，大大提高了检测精度。

Description

一种微地震有效信号检测方法
技术领域
本发明涉及信号处理领域，尤其涉及一种微地震有效信号检测方法。
背景技术
微地震监测过程中，常可以根据采集的微地震信号分析地下状态，但微地震信号中存在干扰信号影响有效的信号提取分析，尤其在低信噪比环境下，有效提取检测出微地震中的有效信号，是微地震信号处理领域亟待解决的问题。
目前，针对低噪比环境下的有效信号提取常会采用神经网络来快速处理微地震信号，通过对神经网络的训练可以高效的检测出有效信号，但对于信噪比较低的信号，由于有效信号特征不明显，现有的基于神经网络的微地震信号处理方法往往精度较低，难以保障有效信号的准确提取。
发明内容
有鉴于此，本发明实施例提供了一种微地震有效信号检测方法，以快速准确的检测提取低噪比环境下微地震中的有效信号。
结合本发明实施例的第一方面，提供了一种微地震有效信号检测方法，包括：
步骤S1、采集低噪比环境的微地震信号，利用所述微地震信号制作训练集和测试集；
步骤S2、通过所述训练集训练循环神经网络，获得有效信号识别模型；
步骤S3、利用所述有效信号识别模型检测到微地震信号中的有效信号后，将所述有效信号输入到inception网络中，通过所述inception网络提取所述有效信号特征得到特征图；
步骤S4、在所述特征图中标注预定义框，并通过计算所述预定义框的边框回归及前后背景区分，生成区域建议框，其中，所述预定义框用于框选有效信号可能出现的位置；
步骤S5、对所述区域建议框进行ROI池化后得到固定大小的特征图，通过Softmax函数和Smooth L1Loss函数分别对所述区域建议框进行分类打分及边框回归加权求取所述有效信号识别模型的损失值；
步骤S6、优化所述有效信号识别模型的损失值后，利用所述有效信号识别模型检测低噪比环境的微地震信号。
本发明实施例通过训练集对循环神经网络初步训练得到有效信号识别模型，再将利用识别模型检测出的有效信号输入inception网络，得到特征图后框选有效信号，通过边框回归及背景区分生成区域建议框，进一步对区域建议框进行分类打分和边框回归计算损失值，进而优化损失值，获得精度更高的有效信号识别模型。本方案中，结合循环神经网络处理时序信号时收敛速度快和Faster R-CNN网络检测精度高的特点，可以实现对低信噪比环境下的微地震信号进行有效检测，准确高效的识别出有效信号。
附图说明
图1是本发明实施例一提供的一种微地震有效信号检测方法的原理示意图。
具体实施方式
本发明实施例提供了一种微地震有效信号检测方法，用于准确检测识别出微地震中的有效信号。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例一
请参阅图1，图1详述一种微地震有效信号检测方法的实现流程，包括：
S101、采集低噪比环境的微地震信号，利用所述微地震信号制作训练集和测试集；
具体的，按时间顺序采集二进制微地震信号，将所述二进制微地震信号直接转换为tfrecords格式，利用tfrecords格式的微地震信号制作训练集和测试集。一般神经网络中的数据输入是先将二进制微地震信号转化为图片再转为tfrecords格式，频繁的转化为图片容易导致信号特征损失。本实施例中，借助tensorflow中的文件名队列及内存队列输入到神经网络中。
S102、通过所述训练集训练循环神经网络，获得有效信号识别模型；
所述循环神经网络是以序列数据为输入，在序列演进方向上进行递归且所有循环单元链式连接的递归神经网络，能够高效对序列非线性特征进行学习，且在本实施例中进行时序信号分类问题上收敛速度快。
S103、利用所述有效信号识别模型检测到微地震信号中的有效信号后，将所述有效信号输入到inception网络中，通过所述inception网络提取所述有效信号特征得到特征图；
所述inception网络的inception层中可以人工确定卷积层中的过滤器类型以及是否需要卷积层或池化层，同时可以降低特征图大小。
S104、在所述特征图中标注预定义框，并通过计算所述预定义框的边框回归及前后背景区分，生成区域建议框；
其中，所述预定义框用于框选有效信号可能出现的位置，生成的预定义框是可以框出只有带有有效信号的前景。
可选的，所述前后背景区分，即对生成的预定义框一方面进行前后背景分类，即对与GT(ground truth)有最高IOU(Intersection over Union)的anchor和与任意GT有大于0.7的IOU的预定义框分配前景标签，对与GT的IOU比率低于0.3的分配背景标签。
所述边框回归是为查找一个可以使得输入的原始窗口经过映射能够得到与真实窗口更接近的回归窗口，即校准原始框的位置。
具体的，假设P为正样本的原始窗口，G为标注的真实窗口，
Figure BDA0002004099340000041
为回归窗口，根据所述预定义框和真实框与真实框计算平移量(tx,ty)和缩放尺度(tw,th)：
Figure BDA0002004099340000042
Figure BDA0002004099340000043
Figure BDA0002004099340000044
Figure BDA0002004099340000045
窗口一般使用四维向量(x,y,w,h)表示，分别表示窗口的中心点坐标和宽高。
进一步的，根据公式(5)求取所述预定义框的损失值；
Figure BDA0002004099340000051
其中，Lb为边框回归的损失值值，
Figure BDA0002004099340000052
为修正量，
Figure BDA0002004099340000053
为学习的参数，φ(Ai)为预定义框输入的特征向量，Ai为特征向量。
最为预测值接近真实值，求取每一个预定义框的损失值，再利用优化器降低损失值。
S105、对所述区域建议框进行ROI池化后得到固定大小的特征图，通过Softmax函数和Smooth L1 Loss函数分别对所述特征图进行分类打分及边框回归加权求取所述有效信号识别模型的损失值；
将经过选择的区域建议框通过ROI Pooling生成固定尺寸的feature map，利用Softmax函数进行分类打分，再利用Smooth L1 Loss函数进行进一步的边框回归。
具体的，根据公式(6)和(7)中的Softmax函数求取lose值：
Figure BDA0002004099340000054
Figure BDA0002004099340000055
其中，zi是第i个类别的线性预测结果，Lc是分类打分层的loss值，σi(i)表示该样本属于第i个类别的概率，Ti为目标真实值，C是类别数量。
根据公式(8)和(9)中Smooth L1Loss函数求取loss值：
Figure BDA0002004099340000061
Figure BDA0002004099340000062
其中，Ll(tu,r)是边框修正的loss值表示
Figure BDA0002004099340000063
表示预测的平移缩放参数，r＝(rx,ry,rw,rh)表示真实的平移缩放量。
最后分别对Lcls和Lloc加权求和得到总损失值，使用优化器降低总损失值。
S106、优化所述有效信号识别模型的损失值后，利用所述有效信号识别模型检测低噪比环境的微地震信号。
可选的，利用所述测试集对所述有效信号识别模型进行测试，评价所述有效信号识别模型的识别精度。
在上述实施例中，数据集直接以二进制形式输入循环神经网络，可以降低传统目标检测用图片输入网络的损失值，并有效提高了检测精度。同时，结合了循环神经网络在处理时序分类问题上收敛速度快的优势和Fast R-CNN网络检测精度高的优势，进而实现在低信噪比环境下快速准确检测连续弱信号。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种微地震有效信号检测方法，其特征在于，包括：
步骤S1、采集低噪比环境的微地震信号，利用所述微地震信号制作训练集和测试集；
步骤S2、通过所述训练集训练循环神经网络；
步骤S3、利用所述循环神经网络检测到微地震信号中的有效信号后，将所述有效信号输入到inception网络中，通过所述inception网络提取所述有效信号特征得到特征图；
步骤S4、在所述特征图中标注预定义框，并通过计算所述预定义框的边框回归及前后背景区分，生成区域建议框，其中，所述预定义框用于框选有效信号可能出现的位置；
步骤S5、对所述区域建议框进行ROI池化后得到固定大小的特征图，通过Softmax函数和Smooth L1 Loss函数分别对所述特征图进行分类打分及边框回归加权求取有效信号识别模型的损失值；
步骤S6、优化所述有效信号识别模型的损失值后，利用所述有效信号识别模型检测低噪比环境的微地震信号。
2.根据权利要求1所述的方法，其特征在于，所述步骤S1具体为：
按时间顺序采集二进制微地震信号，将所述二进制微地震信号直接转换为tfrecords格式，利用tfrecords格式的微地震信号制作训练集和测试集。
3.根据权利要求1所述的方法，其特征在于，所述步骤S4包括：
对与ground truth有最高IOU的anchor，及与ground truth的IOU比率大于预设值的预定义框分配前景标签。
4.根据权利要求1所述的方法，其特征在于，所述步骤S4包括：
平移并缩放所述预定义框；
根据公式(1)求取所述预定义框的损失值；
Figure FDA0003750024860000011
其中，Lb为边框回归的损失值，
Figure FDA0003750024860000012
为修正量，
Figure FDA0003750024860000013
为学习的参数，φ(Ai)为预定义框输入的特征向量，Ai为特征向量；
根据所述损失值，选择有效信号输出框，得到区域建议框。
5.根据权利要求1所述的方法，其特征在于，所述步骤S6还包括：
步骤S7、利用所述测试集对所述有效信号识别模型进行测试，评价所述有效信号识别模型的识别精度。
CN201910222578.4A 2019-03-22 2019-03-22 一种微地震有效信号检测方法 Active CN110334567B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910222578.4A CN110334567B (zh) 2019-03-22 2019-03-22 一种微地震有效信号检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910222578.4A CN110334567B (zh) 2019-03-22 2019-03-22 一种微地震有效信号检测方法

Publications (2)

Publication Number Publication Date
CN110334567A CN110334567A (zh) 2019-10-15
CN110334567B true CN110334567B (zh) 2022-12-23

Family

ID=68139545

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910222578.4A Active CN110334567B (zh) 2019-03-22 2019-03-22 一种微地震有效信号检测方法

Country Status (1)

Country Link
CN (1) CN110334567B (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8380435B2 (en) * 2010-05-06 2013-02-19 Exxonmobil Upstream Research Company Windowed statistical analysis for anomaly detection in geophysical datasets
CN106019359A (zh) * 2016-05-17 2016-10-12 浪潮集团有限公司 一种基于神经网络的地震预测系统
WO2019040288A1 (en) * 2017-08-25 2019-02-28 Exxonmobil Upstream Researchcompany AUTOMATED SEISMIC INTERPRETATION USING NEURALLY CONVOLVED NETWORKS
US10996372B2 (en) * 2017-08-25 2021-05-04 Exxonmobil Upstream Research Company Geophysical inversion with convolutional neural networks
KR101946855B1 (ko) * 2018-09-07 2019-02-15 대한민국 지진동 감지 센서 및 이를 이용한 지진 대응 시스템

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
DeepDetect: A cascaded region-based densely connected network for seismic event detection;Wu, Y.,et.al;《IEEE Transactions on Geoscience and Remote Sensing》;20180802;全文 *

Also Published As

Publication number Publication date
CN110334567A (zh) 2019-10-15

Similar Documents

Publication Publication Date Title
CN110059694B (zh) 电力行业复杂场景下的文字数据的智能识别方法
CN108830285B (zh) 一种基于Faster-RCNN的加强学习的目标检测方法
CN108711148B (zh) 一种基于深度学习的轮胎缺陷智能检测方法
CN108564085B (zh) 一种自动读取指针式仪表读数的方法
CN112232371B (zh) 一种基于YOLOv3与文本识别的美式车牌识别方法
CN105608456A (zh) 一种基于全卷积网络的多方向文本检测方法
CN110533100B (zh) 一种基于机器学习进行cme检测和跟踪的方法
CN112365497A (zh) 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统
CN115439458A (zh) 基于深度图注意力的工业图像缺陷目标检测算法
CN116342894B (zh) 基于改进YOLOv5的GIS红外特征识别系统及方法
CN116844147A (zh) 一种基于深度学习的指针式仪表识别和异常警报方法
CN112381806A (zh) 基于多尺度融合方法的双着丝粒畸变染色体分析预测方法
CN116823793A (zh) 设备缺陷检测方法、装置、电子设备和可读存储介质
CN113313678A (zh) 一种基于多尺度特征融合的精子形态学自动分析方法
CN116612103A (zh) 一种基于机器视觉的建筑结构裂缝智能检测方法及其系统
CN113673534B (zh) 一种基于Faster RCNN的RGB-D图像果实检测方法
CN110163081A (zh) 基于ssd的实时区域入侵检测方法、系统及存储介质
CN114596244A (zh) 基于视觉处理和多特征融合的红外图像识别方法及系统
CN110334567B (zh) 一种微地震有效信号检测方法
CN112084941A (zh) 一种基于遥感图像的目标检测与识别方法
CN111582332A (zh) 一种高速铁路接触网吊弦部件的图片识别方法
CN115830514A (zh) 一种适用于带弯曲河道的全河段表面流速计算方法及系统
CN115830302A (zh) 一种多尺度特征提取融合配电网设备定位识别方法
CN114494999B (zh) 一种双分支联合型目标密集预测方法及系统
CN115931895A (zh) 一种输电线路缺陷的校验方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant