CN116383634A - 一种滑坡信号识别方法、装置和电子设备 - Google Patents

一种滑坡信号识别方法、装置和电子设备 Download PDF

Info

Publication number
CN116383634A
CN116383634A CN202310517887.0A CN202310517887A CN116383634A CN 116383634 A CN116383634 A CN 116383634A CN 202310517887 A CN202310517887 A CN 202310517887A CN 116383634 A CN116383634 A CN 116383634A
Authority
CN
China
Prior art keywords
layer
landslide
network structure
shaped network
convolution kernel
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.)
Pending
Application number
CN202310517887.0A
Other languages
English (en)
Inventor
邵博
梁程
王万辞
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.)
Chengdu Luopin Technology Co ltd
China Three Gorges Corp
Original Assignee
Chengdu Luopin Technology Co ltd
China Three Gorges Corp
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 Chengdu Luopin Technology Co ltd, China Three Gorges Corp filed Critical Chengdu Luopin Technology Co ltd
Priority to CN202310517887.0A priority Critical patent/CN116383634A/zh
Publication of CN116383634A publication Critical patent/CN116383634A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/08—Learning methods
    • G06N3/096—Transfer learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种滑坡信号识别方法、装置和电子设备，方法包括：初始化U型网络结构；将U型网络结构中每个卷积层的卷积核替换为逐层卷积核和逐点卷积核的连接结构，且逐层卷积核设置为1维，得到轻量化U型网络结构；获取地震波形数据、实验室岩石破裂声发射数据和滑坡波形数据，并利用地震波形数据、实验室岩石破裂声发射数据和滑坡波形数据对轻量化U型网络结构进行混合训练，得到滑坡信号识别模型；通过预训练的滑坡信号识别模型识别待检测信号是否包括滑坡信号分量。本发明提供的技术方案，提供了一种适用于ARM、STM32等低功耗设备的低功耗、高精度的方法进行滑坡信号的识别。

Description

一种滑坡信号识别方法、装置和电子设备
技术领域
本发明涉及滑坡灾害检测领域，具体涉及一种滑坡信号识别方法、装置和设备。
背景技术
在地震学中，滑坡灾害的准确检测至关重要，滑坡信号的准确预测并及时预警，能够有效保障人民的生命财产安全。滑坡信号检测方法包括传统方法和深度学习方法。传统方法包括长短时窗比、ARAIC算法等，这类检测算法虽然速度快，但是在低信噪比情况下精度较低。深度神经网络(Deep Neural Network，DNN)可以充分利用海量人工标注数据在震相拾取工作中获得较高的精度，目前得到了广泛的应用。目前基于卷积神经网络的震相拾取算法较多，例如PhaseNet模型在纵、横波拾取的查准率可以达到93.3％，查全率可以达到94.1％，用于震相检测的EQTransformer模型综合了Transformer模型和RNN模型达到了更加优秀的效果，另外EQTransformer模型在多数数据集上都取得了较好的结果。
然而，深度学习方法虽然精度高，但是实际使用时需要较多计算资源，一般需要图形处理器(GPU)等功耗较高(通常大于100W)的计算单元完成计算。而地震动设备上，功耗通常小于5W，在此类设备上计算性能有限，因此难以完成深度学习计算工作，这限制了深度学习算法在设备上完成计算工作，亟需一种低功耗、高精度的算法来完成滑坡信号识别的工作。文件CN114611674A提供了一种U-net模型的轻量化方法，能够应用在计算量低的边缘移动设备中。这种方法是在每两个卷积层之间设置一个预裁剪因子层，预裁剪因子层中包括多个1*1卷积核内核，其输入和输出通道数量与其连接的卷积层相同。然后利用数据对包括预裁剪因子层的U-net模型进行第一次训练，训练结束后分析预裁剪因子层中各个卷积核的参数是否大于预设阈值，如果某个卷积核的参数小于预设阈值则表征当前通道不重要，从而将当前通道裁剪掉，通过这种方法得到一个轻量化的U-net模型，降低计算复杂度。但是这种方法直接减少了U-net模型中输入输出通道的数量，模型的精度完全依赖U型结构，如果特征通道数量裁剪过多，对于本就难以获取的滑坡信号，训练数据也得不到支撑，训练得到的模型不能保证滑坡信号识别精度。另外，U-net模型是全卷积神经网络，一般情况下输入与输出都是图像，直接应用到滑坡信号上并不合适。
发明内容
鉴于此，本发明实施方式提供了一种滑坡信号识别方法、装置和设备，从而提供了一种适用于ARM、STM32等低功耗设备的低功耗、高精度的算法进行滑坡信号的识别。
根据第一方面，本发明实施例提供了一种滑坡信号识别方法，所述方法包括：初始化U型网络结构；将所述U型网络结构中每个卷积层的卷积核替换为逐层卷积核和逐点卷积核的连接结构，且所述逐层卷积核设置为1维，得到轻量化U型网络结构；获取地震波形数据、实验室岩石破裂声发射数据和滑坡波形数据，并利用所述地震波形数据、所述实验室岩石破裂声发射数据和所述滑坡波形数据对轻量化U型网络结构进行混合训练，得到滑坡信号识别模型；通过预训练的所述滑坡信号识别模型识别待检测信号是否包括滑坡信号分量。
可选地，所述初始化U型网络结构，包括：初始化包括6个下采样层和4个上采样层的U型网络结构，并去除U型网络结构中对应下采样层和上采样层之间的跃层连接；其中，第一下采样层至第二下采样层的卷积步长设为1，第三下采样层至第六下采样层的卷积步长设为4，第一上采样层至第四上采样层的反卷积步长设为4；其中，定义第一下采样层的输出通道数量为F，则第二下采样层至第四上采样层的输出通道数量依次为F、2F、3F、4F、5F、4F、3F、3F、F。
可选地，所述利用所述地震波形数据、所述实验室岩石破裂声发射数据和所述滑坡波形数据对轻量化U型网络结构进行混合训练，包括：将所述地震波形数据和所述实验室岩石破裂声发射数据输入所述轻量化U型网络结构进行训练，以调整所述轻量化U型网络结构中各个下采样层和上采样层的模型参数；将所述轻量化U型网络结构中除最后一个上采样层之外的其他层的模型参数固定；将所述滑坡波形数据输入所述轻量化U型网络结构进行训练，以对所述轻量化U型网络结构最后一个上采样层的模型参数进行调整。
可选地，所述方法还包括：将各个下采样层和上采样层调整后的模型参数转换为半精度浮点或8比特格式。
可选地，将所述U型网络结构中每个卷积层的卷积核替换为逐层卷积核和逐点卷积核的连接结构，包括：对所述U型网络结构中每个卷积层的卷积核按照第一逐点卷积核连接逐层卷积核，逐层卷积核再连接第二逐点卷积核的顺序结构进行替换；所述第一逐点卷积核的数量大于输入特征数，用于扩充输入特征的数量，所述逐层卷积核用于对输入特征进行特征提取得到提取特征，所述第二逐点卷积核用于对所述提取特征进行融合并输出特征。
可选地，所述逐层卷积核的尺寸是1*7。
可选地，所述地震波形数据和所述滑坡波形数据中的纵波到时与横波到时、所述实验室岩石破裂声发射数据中的纵波到时采用三角形函数或正态分布函数进行标注。
根据第二方面，本发明实施例提供了一种滑坡信号识别装置，所述装置包括：模型初始化模块，用于初始化U型网络结构；模型轻量化模块，用于将所述U型网络结构中每个卷积层的卷积核替换为逐层卷积核和逐点卷积核的连接结构，且所述逐层卷积核设置为1维，得到轻量化U型网络结构；模型训练模块，用于获取地震波形数据、实验室岩石破裂声发射数据和滑坡波形数据，并利用所述地震波形数据、所述实验室岩石破裂声发射数据和所述滑坡波形数据对轻量化U型网络结构进行混合训练，得到滑坡信号识别模型；识别模块，用于通过预训练的所述滑坡信号识别模型识别待检测信号是否包括滑坡信号分量。
根据第三方面，本发明实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面，或者第一方面任意一种可选实施方式中所述的方法。
根据第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使计算机执行第一方面，或者第一方面任意一种可选实施方式中所述的方法。
本申请提供的技术方案，具有如下优点：
本申请提供的技术方案，提供了一种轻量化且高精度的滑坡信号识别模型，该模型对传统U型网络结构进行了改进。具体将U型网络结构中每个卷积层的卷积核替换为逐层卷积核和逐点卷积核的连接结构，显著降低了待训练的模型参数的数量，且将逐层卷积核设置为1维，在进一步适应地震波形信号的条件下还能进一步减少待训练的模型参数，得到轻量化U型网络结构；然后利用获取的地震波形数据、实验室岩石破裂声发射数据和滑坡波形数据对轻量化U型网络结构进行混合训练，考虑到天然地震信号和声发射信号可获得的样本较多，并且与滑坡的微破裂信号类似，因此模型训练完成后可以用于监测滑坡的地震动数据处理，再使用滑坡波形数据对模型进行迁移学习，以提升在滑坡信号检测中的精度，获得了泛化能力更强的滑坡信号识别模型。之后，将上述训练方法训练得到的滑坡信号识别模型部署到低功耗地震检测设备中，就能够在低功耗的条件下对待检测信号进行高精度识别，能够准确判断出待检测信号是否是滑坡信号。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
图1示出了本发明一个实施方式中一种滑坡信号识别方法的步骤示意图；
图2示出了本发明一个实施方式中一种U型网络结构的结构示意图；
图3示出了本发明一个实施方式中滑坡信号迁移学习的流程示意图；
图4示出了本发明一个实施方式中一种卷积结构的结构示意图；
图5示出了本发明一个实施方式中标注数据的结构示意图；
图6示出了本发明一个实施方式中一种滑坡信号识别装置的结构示意图；
图7示出了本发明一个实施方式中一种电子设备的结构示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
请参阅图1，在一个实施方式中，一种滑坡信号识别方法，具体包括以下步骤：
步骤S1：初始化U型网络结构。
步骤S2：将U型网络结构中每个卷积层的卷积核替换为逐层卷积核和逐点卷积核的连接结构，且逐层卷积核设置为1维，得到轻量化U型网络结构。
具体地，本实施例首先初始化一个U型网络结构，即U-net模型，进而对U型网络结构进行轻量化改进。考虑到滑坡信号本身难以获取的特性，训练数据样本往往并不充足，直接裁剪卷积层的输出输入通道对于模型的训练精度难以保证，本实施例通过逐层卷积核和逐点卷积核的连接结构替换U型网络结构中每个卷积层的普通卷积核加以改进。一个普通卷积核为一个过滤器(filter)，每个普通卷积核包括多个内核(kernel)，普通卷积核的数量等于输出通道的数量，每个普通卷积核的内核数量等于输入通道的数量。一个普通卷积核的卷积操作是利用其每个内核与对应的输入特征进行卷积，然后再将每个内核的卷积结果进行合并得到当前普通卷积核的输出特征，多个普通卷积核能够输出多个特征。而本实施例可以先采用逐层卷积核对输入特征进行处理，一个逐层卷积核只有一个内核(kernel)，逐层卷积核的数量等于输入通道的数量，从而逐层卷积核的卷积操作是利用每个逐层卷积核与对应的输入特征进行卷积，输出多个中间特征，然后再对多个中间特征分别利用逐点卷积核进行处理。一个逐点卷积核包括多个1*1的内核(kernel)，逐点卷积核的数量等于输出通道的数量，逐点卷积核内的1*1内核数量等于输入通道数量，从而一个逐点卷积核的卷积操作是利用其内部每个1*1内核分别与对应的中间特征进行卷积，然后将卷积后的多个中间特征合并为一个输出特征，设置多个逐点卷积核则能够输出多个输出特征。通过这种处理方式，可以在不改变输入输出通道数量的条件下将模型训练参数减少。另外，考虑到U-net模型是全卷积神经网络，一般情况下输入与输出都是二维图像，直接应用到滑坡信号上并不合适，从而本实施例将逐层卷积核的维度设置为1维，一方面能够更加适配滑坡信号数据，使其可以处理三分量的一维地震动波形数据，另一方面能够进一步减少训练参数的数量。需要注意的是，本实施例仅以上述一层逐层卷积核加一层逐点卷积核的连接结构为例进行解释，只要能够保证U型网络结构中每个卷积层改进前后的输入通道和输出通道的数量一致，采用不同数量的逐层卷积核和逐点卷积核的其他组合方式均可，本实施例对此不作特殊限定。
在一个实施例中，假设训练信号的格式为B×C2×T×1，分别代表批尺寸、输入通道数、每个特征的特征长度，假设普通卷积核的大小为C2×C×L×1，分别代表输入通道数、内核数量、内核的长和宽。假设普通卷积核大小为256×128×7，输入图形大小32×128×112，那么此时可训练参数数量为256×128×7＝229376个。另外，浮点操作次数与输入图形大小相关，加法乘法均属于浮点操作(Floating-point Operations,FLOPs)，对于输出的特征图上的一个像素点，需要进行的浮点型乘法的操作次数为K·C，乘法操作后需要进行浮点型加法的操作次数为K·C-1，从而输出一个特征点需要进行(2·K·C-1)次操作。每个输出特征点均需要进行相同次数的乘法和加法，特征总数为B×C2×T，以假设大小为例，总浮点操作次数为(2·K·C-1)·B·2·T＝1 643 249 664＝1.6(GFLOPs)。以典型的CPU为例，假设核心频率3.0GHz，单时钟周期进行一次浮点操作(乘法或加法)。那么在单核情况下，普通卷积完成一次卷积计算至少需要0.54秒(不考虑访存问题和向量指令集优化)。
而通过本实施例的改进，通过逐层卷积对输入的每张特征图设计一个滤波器，其可训练参数数量为K·C＝896。此时每个滤波器仅需要处理所对应的特征图，完成计算所需的浮点操作次数为(2·K-1)·T·C·B＝5 963 776＝0.006(GFLOPs)。在逐层卷积之后为改变特征图的通道数会加入逐点卷积，逐点卷积的内核大小为1×1，此时可训练参数数量为C·C2＝32768。根据之前计算可得，运算复杂度为(2·1·C-1)·B·C2·T＝233 963 520＝0.234(GFLOPs)，由此总的运算复杂度为0.06+0.234＝0.240(FLOPs)。此时相比于传统卷积所需浮点操作数量减少了6倍以上，完成一次推断仅需0.08秒。
与此同时可训练参数数量为32768+896＝33664个，仅相当于普通卷积模型参数的14.7％，从而有效地减少了可训练参数的数量和操作次数，这对于低功耗、低性能的运算设备能够显著提升运算效率。一方面模型的通道数量没有发生变化，另一方面结合后续步骤提供的混合数据进行混合训练，研究表明这种优化并不会使得模型精度下降过多。
另外，考虑到优化的卷积运算复杂度主要集中于逐点卷积部分，如果卷积核心大小从3变为5(其他参数与前文相同)，此时可训练参数数量仅增加了8.9％，而浮点操作数量仅增加了6.1％。与本发明实施例的改进方法相比，传统卷积方法的卷积核心如果从3变为5，则可训练参数数量增加了227.8％，与此同时浮点操作数量则增加了178.4％。这使得传统卷积不适合设计过大核心，但是本发明实施例改进的U型网络结构可以避免大卷积核心时的计算复杂度过度增加问题，所以本发明实施例设置1*7的逐层卷积核为最佳。
需要注意的是，为满足不同精度场景的需求，本实施例提供轻量化U型网络结构也可以具有不同规模设计，即不同规模的网络层数相同但是每层输出特征数量不同，对输出通道进行裁剪以应对硬件配置更低的地震检测设备。
步骤S3：获取地震波形数据、实验室岩石破裂声发射数据和滑坡波形数据，并利用地震波形数据、实验室岩石破裂声发射数据和滑坡波形数据对轻量化U型网络结构进行混合训练，得到滑坡信号识别模型。
步骤S4：通过预训练的滑坡信号识别模型识别待检测信号是否包括滑坡信号分量。
具体地，对于上述轻量化的U型网络结构，本发明实施例为了进一步弥补模型轻量化带来的模型不准确的问题，采用了三种数据对模型进行混合训练，分别是地震波形数据、实验室岩石破裂声发射数据和滑坡波形数据，其中，由于天然地震信号和声发射信号样本较多且容易获取，并且与滑坡微破裂信号类似，故本实施例通过天然地震信号(包括纵波和横波)以及岩石破裂的声发射信号(主要为纵波)对模型进行训练，模型训练完成后可以用于监测滑坡的地震。之后，再使用滑坡波形数据(包含纵、横波)对模型进行迁移学习，不仅能够一种模型多用，还能够显著提升轻量化U型网络结构在滑坡信号检测中的精度，从而得到滑坡信号识别模型。具体地，上述训练数据来自于人工标注的波形数据，标注数据中需要对滑坡信号中的纵波和横波进行标注，天然的地震波形数据来自于中国地震局数据中心，实验室岩石破裂声发射数据来自于发明单位实验室开展的岩石摩擦破裂试验的连续声发射数据。
按照上述方式训练出符合要求的滑坡信号识别模型后，本公开提供一种滑坡信号识别方法。具体将上述步骤预训练的滑坡信号识别模型部署在ARM、STM32等低功耗地震检测设备中，将待检测信号输入地震检测设备，识别待检测信号是否包括滑坡信号分量，确定纵波和横波的到时，从而实现了一种低功耗、高精度滑坡信号识别方法，提高了识别效率，在保证识别精度的前提下降低了硬件成本。
具体地，在一实施例中，上述步骤S1，具体包括如下步骤：
步骤一：初始化包括6个下采样层和4个上采样层的U型网络结构，并去除U型网络结构中对应下采样层和上采样层之间的跃层连接；其中，第一下采样层至第二下采样层的卷积步长设为1，第三下采样层至第六下采样层的卷积步长设为4，第一上采样层至第四上采样层的反卷积步长设为4；其中，定义第一下采样层的输出通道数量为F，则第二下采样层至第四上采样层的输出通道数量依次为F、2F、3F、4F、5F、4F、3F、3F、F。
具体地，如图2所示，本发明实施例提供的U型网络结构包括10层，具体包括6个下采样层和4个上采样层。考虑到U型网络结构中的跃层连接主要用于将浅部特征和深部特征进行融合来处理不同感受野的数据，这对于二维复杂数据的作用更大，而一维滑坡数据比较简单，感受野的影响微小，故本发明实施例将U型网络结构中的跃层连接去除，并通过实际测试加以验证，确定输出模型精度不仅没有影响反而更高，同时还减少了跃层连接的融合过程，使U型网络结构进一步轻量化。
另外，本发明实施例提供的U型网络结构如表1所示。
表1.U型网络结构示意表
Figure BDA0004219918120000101
其中，第一层至第六层是下采样层，用于提取滑坡信号数据的深部特征，第一下采样层至第二下采样层的卷积步长设为1，若定义第一下采样层的输出通道为F，则第二下采样层的输出通道定义为F。第三下采样层至第六下采样层的卷积步长设为4，与第一下采样层相比输出通道分别定义为2F、3F、4F、5F；第七层至第十层是上采样层，第一上采样层至第四上采样层的反卷积步长设为4，对信号波形进行4倍插值以增加特征图长度，写法上1/4意味着处理后的特征图长度变为4倍，与第一下采样层相比，上采样层的输出通道数量依次为4F、3F、3F、F。通过这一结构，能够平稳地将原始滑坡信号拆分，并分析每一部分的深部特征，直至第六下采样层。然后将信号较短、通道较多的5F特征逐渐进行融合、增长，恢复得到与输入信号长度F相同输出特征，模型的层数与模型参数的数量均保持适中，兼顾了模型的准确性和高效性，最后通过一个全连接层输出三类信号，分别表示恢复的原始信号、原始信号中提取的纵波以及原始信号中提取的横波。其中，根据需求F可以取值为4、8、12，分别表示小、中、大模型，以适应不同硬件配置的地震检测设备。
具体地，在一实施例中，上述步骤S3，具体包括如下步骤：
步骤二：将地震波形数据和实验室岩石破裂声发射数据输入轻量化U型网络结构进行训练，以调整轻量化U型网络结构中各个下采样层和上采样层的模型参数。
步骤三：将轻量化U型网络结构中除最后一个上采样层之外的其他层的模型参数固定。
步骤四：将滑坡波形数据输入轻量化U型网络结构进行训练，以对轻量化U型网络结构最后一个上采样层的模型参数进行调整。
具体地，在本发明实施例中，为了进一步提高滑坡信号识别模型的泛化能力和精确性，提出了通过地震波形数据和实验室岩石破裂声发射数据训练U型网络结构，再用滑坡波形数据进行迁移训练的思路。如图3所示，首先将地震波形数据和实验室岩石破裂声发射数据输入轻量化U型网络结构进行训练，以调整轻量化U型网络结构中各个下采样层和上采样层的模型参数，该模型已经可以用于地震检测。然后将轻量化U型网络结构中第一层至第九层的模型参数固定，再将滑坡波形数据输入轻量化U型网络结构进行训练，只调整第十层的模型参数。结合天然地震信号和实验室岩石破裂声发射信号与滑坡微破裂信号类似且样本较多且容易获取的优势，故本实施例通过天然地震信号(包括纵波和横波)以及岩石破裂的声发射信号(主要为纵波)对模型进行训练，再使用滑坡波形数据(包含纵、横波)对模型进行迁移学习和微调，不仅可以一种模型多用，还能够显著提升轻量化U型网络结构在滑坡信号检测中的精度。
具体地，在一实施例中，还将各个下采样层和上采样层调整后的模型参数转换为半精度浮点或8比特格式。具体地，将模型中的可训练参数转换为半精度浮点或8比特整形进行计算，在计算全流程中进一步减少模型大小，加快在低功耗设备上计算速度。还可以根据不同精度需要进行选择，在设备性能较高时可以使用半精度浮点进行计算，在设备性能较低时可以使用8比特整形进行计算，量化和模型规模可以配合调整，提高模型使用的灵活性。
具体地，在一实施例中，上述步骤S2，具体包括如下步骤：
步骤五：对U型网络结构中每个卷积层的卷积核按照第一逐点卷积核连接逐层卷积核，逐层卷积核再连接第二逐点卷积核的顺序结构进行替换；第一逐点卷积核的数量大于输入特征数，用于扩充输入特征的数量，逐层卷积核用于对输入特征进行特征提取得到提取特征，第二逐点卷积核用于对提取特征进行融合并输出特征。
具体地，U型网络结构需要保证网络每个层面所具备的信息量，但是激活函数的加入使得信息可能发生丢失，如果直接使用ReLU激活函数将输入和输出之间进行转换，那么会导致信息不完整。
从而本发明实施例采用逐层卷积核和逐点卷积核的优化思路具体包括：如图4所示，先使用一层第一逐点卷积核将图形的特征图变多、加宽，将其嵌入高维空间中(例如将输入特征扩充1.2倍，输出通道为输入通道的1.2倍)；再使用一层逐层卷积核对高维空间的特征进行处理；最后再使用一层第二逐点卷积核将特征数量进行压缩。由前文可以知，逐层卷积的计算量小，所以整体流程的计算效率可以保证，而且解决了信息丢失的问题。
具体地，在一实施例中，地震波形数据和滑坡波形数据中的纵波到时与横波到时、实验室岩石破裂声发射数据中的纵波到时均采用三角形或正态分布函数进行标注。具体地，在实际应用场景中，通常允许一定的标注误差和识别误差，针对这一情况，本发明实施例采用三角函数或正态分布函数对训练信号数据中的纵波和横波进行标注。如图5所示，以三角函数标注为例，当模型训练完成后，输入待检测信号到滑坡信号识别模型中，如果待检测信号包括滑坡信号分量，那么输出的结构包括三种信号，第一种与输入的待检测信号波形相同，表示原始信号，第二种和第三种均包含三角函数的信号，在第二种和第三种信号中，三角函数出现的位置表示纵波或横波的到时在时间轴上的位置，三角最高的顶点位置表示纵波和横波的到时出现在该位置的概率最大，三角两侧最低的顶点位置表示纵波和横波的到时出现在该位置的概率最小，从而通过这种标注方式来允许一定的标注误差和识别误差，还能基于三角形标注的范围进行其他数据统计。
通过上述步骤，本申请提供的技术方案，提供了一种轻量化且高精度的滑坡信号识别模型，该模型对传统U型网络结构进行了改进。具体将U型网络结构中每个卷积层的卷积核替换为逐层卷积核和逐点卷积核的连接结构，显著降低了待训练的模型参数的数量，且将逐层卷积核设置为1维，在进一步适应地震波形信号的条件下还能进一步减少待训练的模型参数，得到轻量化U型网络结构；然后利用获取的地震波形数据、实验室岩石破裂声发射数据和滑坡波形数据对轻量化U型网络结构进行混合训练，考虑到天然地震信号和声发射信号可获得的样本较多，并且与滑坡的微破裂信号类似，因此模型训练完成后可以用于监测滑坡的地震动数据处理，再使用滑坡波形数据对模型进行迁移学习，以提升在滑坡信号检测中的精度，获得了泛化能力更强的滑坡信号识别模型。之后，将上述训练方法训练得到的滑坡信号识别模型部署到低功耗地震检测设备中，就能够在低功耗的条件下对待检测信号进行高精度识别，能够准确判断出待检测信号是否是滑坡信号。
如图6所示，本实施例还提供了一种滑坡信号识别装置，该装置包括：
模型初始化模块1，用于初始化U型网络结构。详细内容参见上述方法实施例中步骤S1的相关描述，在此不再进行赘述。
模型轻量化模块2，用于将U型网络结构中每个卷积层的卷积核替换为逐层卷积核和逐点卷积核的连接结构，且逐层卷积核设置为1维，得到轻量化U型网络结构。详细内容参见上述方法实施例中步骤S2的相关描述，在此不再进行赘述。
模型训练模块3，用于获取地震波形数据、实验室岩石破裂声发射数据和滑坡波形数据，并利用地震波形数据、实验室岩石破裂声发射数据和滑坡波形数据对轻量化U型网络结构进行混合训练，得到滑坡信号识别模型。详细内容参见上述方法实施例中步骤S3的相关描述，在此不再进行赘述。
识别模块4，用于通过预训练的滑坡信号识别模型识别待检测信号是否包括滑坡信号分量。详细内容参见上述方法实施例中步骤S4的相关描述，在此不再进行赘述。
本发明实施例提供的一种滑坡信号识别装置，用于执行上述实施例提供的一种滑坡信号识别方法，其实现方式与原理相同，详细内容参见上述方法实施例的相关描述，不再赘述。
通过上述各个组成部分的协同合作，本申请提供的技术方案，提供了一种轻量化且高精度的滑坡信号识别模型，该模型对传统U型网络结构进行了改进。具体将U型网络结构中每个卷积层的卷积核替换为逐层卷积核和逐点卷积核的连接结构，显著降低了待训练的模型参数的数量，且将逐层卷积核设置为1维，在进一步适应地震波形信号的条件下还能进一步减少待训练的模型参数，得到轻量化U型网络结构；然后利用获取的地震波形数据、实验室岩石破裂声发射数据和滑坡波形数据对轻量化U型网络结构进行混合训练，考虑到天然地震信号和声发射信号可获得的样本较多，并且与滑坡的微破裂信号类似，因此模型训练完成后可以用于监测滑坡的地震动数据处理，再使用滑坡波形数据对模型进行迁移学习，以提升在滑坡信号检测中的精度，获得了泛化能力更强的滑坡信号识别模型。之后，将上述训练方法训练得到的滑坡信号识别模型部署到低功耗地震检测设备中，就能够在低功耗的条件下对待检测信号进行高精度识别，能够准确判断出待检测信号是否是滑坡信号。
图7示出了本发明实施例的一种电子设备，该设备包括处理器901和存储器902，可以通过总线或者其他方式连接，图7中以通过总线连接为例。
处理器901可以为中央处理器(Central Processing Unit，CPU)。处理器901还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器902作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如上述方法实施例中的方法所对应的程序指令/模块。处理器901通过运行存储在存储器902中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的方法。
存储器902可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器901所创建的数据等。此外，存储器902可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器902可选包括相对于处理器901远程设置的存储器，这些远程存储器可以通过网络连接至处理器901。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器902中，当被处理器901执行时，执行上述方法实施例中的方法。
上述电子设备具体细节可以对应参阅上述方法实施例中对应的相关描述和效果进行理解，此处不再赘述。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，实现的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种滑坡信号识别方法，其特征在于，所述方法包括：
初始化U型网络结构；
将所述U型网络结构中每个卷积层的卷积核替换为逐层卷积核和逐点卷积核的连接结构，且所述逐层卷积核设置为1维，得到轻量化U型网络结构；
获取地震波形数据、实验室岩石破裂声发射数据和滑坡波形数据，并利用所述地震波形数据、所述实验室岩石破裂声发射数据和所述滑坡波形数据对轻量化U型网络结构进行混合训练，得到滑坡信号识别模型；
通过预训练的所述滑坡信号识别模型识别待检测信号是否包括滑坡信号分量。
2.根据权利要求1所述的方法，其特征在于，所述初始化U型网络结构，包括：
初始化包括6个下采样层和4个上采样层的U型网络结构，并去除U型网络结构中对应下采样层和上采样层之间的跃层连接；
其中，第一下采样层至第二下采样层的卷积步长设为1，第三下采样层至第六下采样层的卷积步长设为4，第一上采样层至第四上采样层的反卷积步长设为4；
其中，定义第一下采样层的输出通道数量为F，则第二下采样层至第四上采样层的输出通道数量依次为F、2F、3F、4F、5F、4F、3F、3F、F。
3.根据权利要求2所述的方法，其特征在于，所述利用所述地震波形数据、所述实验室岩石破裂声发射数据和所述滑坡波形数据对轻量化U型网络结构进行混合训练，包括：
将所述地震波形数据和所述实验室岩石破裂声发射数据输入所述轻量化U型网络结构进行训练，以调整所述轻量化U型网络结构中各个下采样层和上采样层的模型参数；
将所述轻量化U型网络结构中除最后一个上采样层之外的其他层的模型参数固定；
将所述滑坡波形数据输入所述轻量化U型网络结构进行训练，以对所述轻量化U型网络结构最后一个上采样层的模型参数进行调整。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
将各个下采样层和上采样层调整后的模型参数转换为半精度浮点或8比特格式。
5.根据权利要求2所述的方法，其特征在于，将所述U型网络结构中每个卷积层的卷积核替换为逐层卷积核和逐点卷积核的连接结构，包括：
对所述U型网络结构中每个卷积层的卷积核按照第一逐点卷积核连接逐层卷积核，逐层卷积核再连接第二逐点卷积核的顺序结构进行替换；所述第一逐点卷积核的数量大于输入特征数，用于扩充输入特征的数量，所述逐层卷积核用于对输入特征进行特征提取得到提取特征，所述第二逐点卷积核用于对所述提取特征进行融合并输出特征。
6.根据权利要求1所述的方法，其特征在于，所述逐层卷积核的尺寸是1*7。
7.根据权利要求1所述的方法，其特征在于，所述地震波形数据和所述滑坡波形数据中的纵波到时与横波到时、所述实验室岩石破裂声发射数据中的纵波到时采用三角形函数或正态分布函数进行标注。
8.一种滑坡信号识别装置，其特征在于，所述装置包括：
模型初始化模块，用于初始化U型网络结构；
模型轻量化模块，用于将所述U型网络结构中每个卷积层的卷积核替换为逐层卷积核和逐点卷积核的连接结构，且所述逐层卷积核设置为1维，得到轻量化U型网络结构；
模型训练模块，用于获取地震波形数据、实验室岩石破裂声发射数据和滑坡波形数据，并利用所述地震波形数据、所述实验室岩石破裂声发射数据和所述滑坡波形数据对轻量化U型网络结构进行混合训练，得到滑坡信号识别模型；
识别模块，用于通过预训练的所述滑坡信号识别模型识别待检测信号是否包括滑坡信号分量。
9.一种电子设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使计算机执行如权利要求1-7任一项所述的方法。
CN202310517887.0A 2023-05-09 2023-05-09 一种滑坡信号识别方法、装置和电子设备 Pending CN116383634A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310517887.0A CN116383634A (zh) 2023-05-09 2023-05-09 一种滑坡信号识别方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310517887.0A CN116383634A (zh) 2023-05-09 2023-05-09 一种滑坡信号识别方法、装置和电子设备

Publications (1)

Publication Number Publication Date
CN116383634A true CN116383634A (zh) 2023-07-04

Family

ID=86977123

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310517887.0A Pending CN116383634A (zh) 2023-05-09 2023-05-09 一种滑坡信号识别方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN116383634A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116975656A (zh) * 2023-09-22 2023-10-31 唐山师范学院 基于声发射信号的智能损伤检测识别方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116975656A (zh) * 2023-09-22 2023-10-31 唐山师范学院 基于声发射信号的智能损伤检测识别方法及系统
CN116975656B (zh) * 2023-09-22 2023-12-12 唐山师范学院 基于声发射信号的智能损伤检测识别方法及系统

Similar Documents

Publication Publication Date Title
EP3627397B1 (en) Processing method and apparatus
CN113469073B (zh) 一种基于轻量级深度学习的sar图像舰船检测方法及系统
CN110084274B (zh) 实时图像语义分割方法及系统、可读存储介质和终端
CN111091130A (zh) 基于轻量级卷积神经网络的实时图像语义分割方法及系统
CN111488985B (zh) 深度神经网络模型压缩训练方法、装置、设备、介质
CN111144329A (zh) 一种基于多标签的轻量快速人群计数方法
CN113344188A (zh) 基于通道注意力模块的轻量级神经网络模型
CN111862127A (zh) 图像处理方法、装置、存储介质及电子设备
CN112990219B (zh) 用于图像语义分割的方法和装置
JP7403638B2 (ja) 高速なスパースニューラルネットワーク
CN110569851B (zh) 门控多层融合的实时语义分割方法
CN116383634A (zh) 一种滑坡信号识别方法、装置和电子设备
CN112598110B (zh) 神经网络构建方法、装置、设备及介质
CN112488287A (zh) 卷积神经网络压缩方法、系统、设备及介质
US20220301106A1 (en) Training method and apparatus for image processing model, and image processing method and apparatus
CN117252890A (zh) 颈动脉斑块分割方法、装置、设备及介质
CN111626298A (zh) 一种实时图像语义分割装置及分割方法
CN116051850A (zh) 神经网络目标检测方法、装置、介质和嵌入式电子设备
CN110442719A (zh) 一种文本处理方法、装置、设备及存储介质
CN115965788A (zh) 基于多视角图结构特征注意力卷积的点云语义分割方法
AU2022221413A1 (en) Domo v2: on-device object detection and instance segmentation for object selection
CN113205131A (zh) 图像数据的处理方法、装置、路侧设备和云控平台
CN109670598A (zh) 一种基于深度学习的数据处理方法
US20240221309A1 (en) Infinite-scale city synthesis
WO2023220859A1 (en) Multi-dimensional attention for dynamic convolutional kernel

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