CN117706612B - 基于分布式声波传感的浅地层异物探测识别装置及方法 - Google Patents
基于分布式声波传感的浅地层异物探测识别装置及方法 Download PDFInfo
- Publication number
- CN117706612B CN117706612B CN202311698400.XA CN202311698400A CN117706612B CN 117706612 B CN117706612 B CN 117706612B CN 202311698400 A CN202311698400 A CN 202311698400A CN 117706612 B CN117706612 B CN 117706612B
- Authority
- CN
- China
- Prior art keywords
- vibration
- optical cable
- shallow stratum
- acoustic wave
- underground
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000003287 optical effect Effects 0.000 claims abstract description 102
- 238000012545 processing Methods 0.000 claims abstract description 41
- 206010070834 Sensitisation Diseases 0.000 claims abstract description 36
- 230000008313 sensitization Effects 0.000 claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 18
- 230000009467 reduction Effects 0.000 claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims abstract description 15
- 238000003384 imaging method Methods 0.000 claims abstract description 13
- 230000008878 coupling Effects 0.000 claims description 24
- 238000010168 coupling process Methods 0.000 claims description 24
- 238000005859 coupling reaction Methods 0.000 claims description 24
- 239000002689 soil Substances 0.000 claims description 24
- 238000005253 cladding Methods 0.000 claims description 19
- 239000004576 sand Substances 0.000 claims description 18
- 239000000835 fiber Substances 0.000 claims description 13
- 239000000463 material Substances 0.000 claims description 13
- 238000013135 deep learning Methods 0.000 claims description 9
- 238000013136 deep learning model Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000002146 bilateral effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005314 correlation function Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000010363 phase shift Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000007781 pre-processing Methods 0.000 abstract description 4
- 230000005284 excitation Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 229910052761 rare earth metal Inorganic materials 0.000 description 4
- 150000002910 rare earth metals Chemical class 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000003014 reinforcing effect Effects 0.000 description 3
- 230000005672 electromagnetic field Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000013016 learning Effects 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
- G01H9/004—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means using fibre optic sensors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Artificial Intelligence (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Geology (AREA)
- Acoustics & Sound (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于分布式声波传感的浅地层异物探测识别装置及方法，识别装置包括振动增敏光缆、分布式声波传感解调仪、震源系统、振动数据处理单元、速度结构反演单元和人工智能定位识别单元；本发明进行探测识别时，分布式声波传感解调仪将振动信号传输至振动数据处理单元预处理获取波形信号；速度结构反演单元根据波形信号，对浅地层地下速度结构反演，获取浅地层地下速度结构；通过地下速度结构及异常波形识别浅地层异物位置；通过人工智能定位识别单元及图像降噪和目标分割，对浅地层异物的种类识别。本发明采用分布式光缆声波传感方法获取振动信号，对浅地层速度结构进行速度成像，并利用人工智能实现了对浅地层地下异物的定位以及异物的种类识别。
Description
技术领域
本发明涉及地下异物探测识别领域，尤其涉及一种基于分布式声波传感的浅地层异物探测识别装置及方法。
背景技术
浅地层地下异物指地下浅层土壤或地下结构中存在的不同于周围环境的物体或特征，该物体或特征包括岩石体、地下垃圾、污染物质、水源、地下管道。浅地层地下异物将影响建筑物稳定性、增加工程施工成本、环境安全保护、破坏地下管道设施，威胁工程施工的安全进程。地下异物探测通常采用地球物理方法进行探测，目前的多种探测系统其精度和深度均有待提升。因此为确保工程建设的顺利进行，减少额外成本和延迟，发展浅地层地下异物探测的方法具有十分重要的意义。
目前针对地下异物探测的方法主要有磁法探测、电磁法探测、地质雷达法探测和放射测量法探测。磁法探测是基于地下异物对地磁场的影响，这些异物通常具有不同于周围地质材料的磁性特性，当存在磁性差异的异物时，它们会扭曲周围的地磁场，导致地磁异常。通过测量地磁场的强度和方向，磁法勘测可以检测和定位地下异物。电磁法探测地下异物的原理为基于地下物质对电磁场的响应，当电磁波通过地下介质时，其传播速度和方向会受到介质电导率和介电常数的影响，而地下异物通常引起电磁参数的变化，从而产生电磁异常。通过测量电磁波在地下传播的特性，包括电磁场的幅度和相位，以及频率响应，电磁法可以探测和定位地下异物。
磁法探测和电磁法探测都能够对浅地层地下异物进行一定的探测定位，但也存在各自的局限性。磁法探测只能针对存在于地下的具有磁性的异物或地质体进行探测，对于非磁性物质探测效果较差，并且磁法数据容易受到地面人造磁场干扰，进行探测时需要进行数据校正。电磁法探测数据解释相对复杂，需要考虑地下介质导电率和介电常数分布，并且对于高导电率或高介电常数的地质环境不适用。使用以上两种方法需要根据具体的地质条件、勘探物体特性来选择合适的方法。
地质雷达法探测是通过发射高频电磁波并接收其反射信号来探测地下结构和异物。在操作中，地质雷达系统会发射电磁波，这些波穿透地表并与地下的不同材料或异物发生交互。当电磁波遇到地下材料界面、空隙或异物时，它们会发生反射、折射和吸收，这些反射信号会被接收并用于生成地下图像或剖面。通过分析反射信号的时延、强度和频率等特征，进而识别地下异物的性质、深度和位置。然而地质雷达法需要逐点测量，在大范围地下区域的调查中效率较低，探测范围有限，并且由于地质雷达生成的数据量大且复杂，数据处理比较困难。
放射测量法是利用射线或粒子穿透地下介质并检测其衰减来探测地下异物的方法，是通过向地下发射射线或粒子(如γ射线、中子)，这些射线在穿越地下不同物质时会发生吸收或散射，进而在地表或探测器上形成特定的能谱或强度分布。通过分析射线或粒子在地下介质中的相互作用，确定地下异物的位置、密度、成分等信息。放射测量法需要使用放射性同位素或粒子束，存在辐射安全隐患；数据处理复杂，且结果解释可能存在复杂性。此外，放射测量法对地下介质的特定物理属性敏感，可能无法检测非放射性异物。
近年来，分布式声波传感技术因环境适应性强，抗电磁干扰，易于安装，采集密度大等优点发展迅速，在大地检测领域如地震监测、油气勘探、管道入侵方面应用广泛。常规的地下异物探测方法普遍存在分辨率不高、环境适应性不强、数据处理复杂的问题，并且无法对浅地层异物种类进行精确定位识别。
如何实现对浅地层地下异物的种类识别，提高浅地层异物定位精度以及种类识别能力，减轻潜在地质风险，是亟需解决的技术问题。
发明内容
发明目的：针对现有技术中存在的技术问题，本发明提出一种基于分布式声波传感的浅地层异物探测识别装置及方法，针对地质工程中的浅地层地下异物，在浅地层预埋振动增敏型光缆，通过震源系统发射主动源信号，采用高灵敏、高精度和高空间分辨率的分布式光缆声波传感方法获取振动信号进行探测，对光缆沿线的浅地层速度结构进行速度成像，提高了浅地层异物探测的精度及分辨率，并结合人工智能实现了对浅地层地下异物的定位以及异物的种类识别。
技术方案：本发明基于分布式声波传感的浅地层异物探测识别装置包括振动增敏光缆、分布式声波传感解调仪、震源系统、振动数据处理单元、速度结构反演单元和人工智能定位识别单元；
振动增敏光缆内有纤芯，纤芯外包裹振动增敏包层，振动增敏包层和护套之间填充振动低损宾汉体填充凝胶，在护套上增设光缆-砂土耦合增强翅片；
振动增敏光缆与分布式声波传感解调仪连接；分布式声波传感解调仪采集光缆振动数据后传输至振动数据处理单元；振动数据处理单元与速度结构反演单元连接；人工智能定位识别单元与振动数据处理单元和速度结构反演单元连接。
本发明基于分布式声波传感的浅地层异物探测识别方法包括以下步骤：
(1)在纤芯外包裹振动增敏包层，在振动增敏包层和护套之间填充振动低损宾汉体填充凝胶，并在护套上增设光缆-砂土耦合增强翅片，制成振动增敏光缆；
(2)将振动增敏光缆浅埋在探测区域，检查振动增敏光缆的线路以及缆-土耦合性；
(3)将振动增敏光缆与分布式声波传感解调仪连接，设置分布式声波传感解调仪的采样参数；
(4)通过震源系统发射主动震源信号，分布式声波传感解调仪采集设定时间的振动增敏光缆的振动数据；
(5)分布式声波传感解调仪将采集到的振动数据传输至振动数据处理单元，振动数据处理单元对所述振动数据预处理并显现振动信号在光缆随时间的波形变化，通过异常波形得出浅地层异物所在光缆通道，进而判断地下异物的平面位置；
(6)振动数据处理单元将经过预处理的振动信号传输至速度结构反演单元，进行浅地层地下速度结构反演，获取探测区域的浅地层地下速度结构，根据异常横波速度分析浅地层异物所处地面深度，确定浅地层异物三维坐标；
(7)人工智能定位识别单元接收来自振动数据处理单元和速度结构反演单元的数据图像，采用浅地层异物图像降噪方法对数据图像降噪，并对得出的降噪图像进行二值化语义分割，将浅地层异物沿边界与降噪图像的背景进行分离；采用深度学习算法，根据不同浅地层异物的物体轮廓及弹性波响应特征训练目标检测的深度学习模型，对分割图像中浅地层异物进行种类识别。
步骤(1)中，在护套上增设光缆-砂土耦合增强翅片时，根据岩土介质、土体的密实度确定光缆-砂土耦合增强翅片的类型以及光缆-砂土耦合增强翅片的间距。
步骤(6)中，速度结构反演单元根据振动数据处理单元的振动信号，采用谱元法的全波形成像方法进行浅地层地下速度结构反演，获取探测区域的浅地层地下速度结构。
步骤(6)中，振动数据处理单元将经过预处理的振动信号传输至速度结构反演单元，采用光缆中段通道为虚拟源，与异常波形存在区域的通道进行互相关计算，并采用相位加权叠加方法对互相关结果进行叠加获得探测区域之间的互相关函数；利用相移法提取探测区域地下结构的面波频散曲线，使用蒙特卡洛方法的随机采样算法经过多次迭代反演出探测异常区域地下速度结构。
步骤(7)中，人工智能定位识别单元采用双边滤波的方法对振动数据处理单元和速度结构反演单元获取的地下异物波形速度图像中存在噪声的图像进行滤波，压制图像的噪音对浅地层异物目标的检测和边界识别的干扰；将去噪后的图像采用LabelMe工具沿图像中浅地层异物的边缘进行标注得到标签图，并建立图像检测数据集和语义分割数据集。
步骤(7)中，人工智能定位识别单元使用深度学习中YOLO-V4网络，利用建立的图像检测数据集和语义分割数据集进行图像中浅地层异物目标的检测，通过输入不同类型浅地层异物的速度结构和成像特征来对建立的目标检测的深度学习模型进行训练，对浅地层异物种类进行识别。
步骤(7)中，采用基于人工智能地下结构面波成像的图像降噪、语义分割和浅地层异物精准种类识别方法对分割图像中浅地层异物进行种类识别。
步骤(1)中，振动增敏包层的材料由光缆材料和岩土体介质及密度特征掺杂的材料确定。
步骤(4)中，采用稀土超磁致伸缩震源激发系统激发主动震源信号。
工作原理：本发明采用包含振动低损宾汉体填充凝胶和振动增敏包层的分布式振动增敏光缆，并加装光缆-砂土耦合增强翅片，将光缆-砂土耦合增强翅片以一定间距布设在振动增敏光缆表面，提高光缆对地下振动信号的感知效果，研究光缆与不同岩土体以及不同尺度的异物的振动机理，实现高分辨率反演，并采用深度学习算法，根据不同浅地层异物的物体轮廓及弹性波响应特征，对分割图像中浅地层异物进行种类识别。
有益效果：与现有技术相比，本发明具有以下优点：
(1)本发明将振动增敏光缆与分布式光缆声波传感方法相结合，增设振动低损宾汉体填充凝胶和振动增敏包层材料，进而显著提高分布式光缆声波传感的测量灵敏度，进而更精确的获得振动信号从主动源至光缆范围内的地表岩土体特征，提高浅地层地下异物定位识别的精确度。
(2)本发明采用高频大功率的稀土超磁致伸缩超声波震源激发系统，并采用基于谱元法的全波形成像方法来对光缆沿线的地下三维速度结构进行成像，获得更高分辨率的精确地下结构信息，进而对浅地层地下异物进行定位。
(3)本发明采用基于人工智能地下结构面波成像的图像降噪、语义分割和浅地层异物精准种类识别方法对分割图像中浅地层异物进行种类识别，为地面施工项目以及浅地层地层安全提供更精确信息和安全保障。
(4)本发明结合人工智能算法并采用图像降噪和目标分割方法，实现对浅地层地下异物的种类识别，提高了浅地层异物定位精度以及种类识别能力，对地质资源的高效勘探和管理，减轻潜在地质风险，保证了地质工程设计的安全性和可行性。
附图说明
图1为本发明基于分布式声波传感的浅地层异物探测识别装置结构示意图；
图2为本发明振动增敏光缆的结构示意图；
图3为本发明检测到的地下异物波形变化图；
图4为本发明检测到的浅地层异物地下速度异常图；
图5为本发明的人工智能定位识别单元对异物波形学习识别图。
具体实施方式
如图1所示，本发明基于分布式声波传感的浅地层异物探测识别装置包括振动增敏光缆1、分布式声波传感解调仪2、震源系统3、振动数据处理单元4、速度结构反演单元5和人工智能定位识别单元6。其中，震源系统3为震源激发系统。速度结构反演单元5为高分辨率速度结构反演单元。
振动增敏光缆1内有纤芯1-1，纤芯1-1外包裹有振动增敏包层1-2，振动增敏包层1-2和护套1-4之间填充振动低损宾汉体填充凝胶1-3，在振动增敏光缆1的护套1-4上增设光缆-砂土耦合增强翅片1-5，以增强传感光缆振动敏感性以及光缆-砂土耦合性。
将振动增敏光缆1与分布式声波传感解调仪2连接。分布式声波传感解调仪2采集光缆振动数据后传输至振动数据处理单元4，根据分布式声波传感解调仪2采集到的振动信号进行振动数据预处理，去除相关仪器电磁影响，根据波形突变方法筛选地下异物波形以确定方位。振动数据处理单元4与速度结构反演单元5连接，利用预处理波形信号反演地下速度结构，根据同一地下介质波速相似区分因异物导致的异常波速，实现地下异物位置定位。人工智能定位识别单元6与振动数据处理单元4和速度结构反演单元5连接，采用双边滤波的方法对获取的地下异物波形速度图像中存在噪声进行滤波，根据不同类型浅地层异物的速度结构和成像特征来对目标检测的深度学习模型进行训练；即通过基于人工智能地下结构面波成像的图像降噪、语义分割和浅地层异物精准种类识别方法，对浅地层异物种类进行精准识别。
本发明基于分布式声波传感的浅地层异物探测识别方法包括以下步骤：
(1)光缆包层使用振动增敏包层1-2，在纤芯1外包裹振动增敏包层1-2，向传感光缆的纤芯1-1和护套1-4之间填充振动低损宾汉体填充凝胶1-3，在光缆上以设定间距增设光缆-砂土耦合增强翅片1-5，增强光缆接收振动的能力，制成振动增敏光缆1；
(2)在探测区域中，将振动增敏光缆1开槽浅埋入地表的探测区域，同时检查振动增敏光缆的线路完整性以及缆-土耦合性；
(3)将振动增敏光缆1与分布式声波传感解调仪2连接，检查光缆通道是否通畅，设置分布式声波传感解调仪2的采样参数；
(4)通过震源系统3发射主动震源信号，分布式声波传感解调仪2采集设定时间的振动增敏光缆1的振动数据；
(5)分布式声波传感解调仪2将采集到的振动数据传输至振动数据处理单元4；振动数据处理单元对振动数据预处理并显现振动信号在光缆随时间的波形变化，通过异常波形得出浅地层异物所在光缆通道，进而判断地下异物的平面位置；
(6)振动数据处理单元4将经过预处理的振动信号传输至速度结构反演单元5，进行浅地层地下速度结构反演，获取探测区域的浅地层地下速度结构，根据异常横波速度分析浅地层异物所处地面深度，确定浅地层异物三维坐标；
(7)人工智能定位识别单元6接收来自振动数据处理单元4和速度结构反演单元5的数据图像，采用浅地层异物图像降噪方法对数据图像进行降噪，并对得出的降噪图像进行二值化语义分割，将浅地层异物沿边界与降噪图像的背景进行分离；采用深度学习算法，根据不同浅地层异物的物体轮廓及弹性波响应特征训练目标检测的深度学习模型，对分割图像中浅地层异物进行种类识别。
其中，步骤(1)中，振动低损宾汉体填充凝胶1-1填充于纤芯和光缆护套之间，既保护光缆不因大应变而损坏，又传递小量级振动应变。
步骤(1)中，振动增敏包层的材料根据所用光缆材料以及岩土体介质及密度特征掺杂的材料确定。
步骤(1)中，根据探测地的不同岩土介质、不同土体密实度确定光缆-砂土耦合增强翅片的类型以及光缆-砂土耦合增强翅片的间距，扩大光缆与周边岩土体的接触面积，增强缆-土耦合，提升微振感测效率。
步骤(2)中，本实施例中，振动增敏光缆1埋于地表下0.2m，光缆埋设过程中检查光缆线路完整，并保证回填质量，从而确定光缆与土体保持缆-土耦合性。
步骤(3)中，检查保证振动增敏光缆与分布式声波传感解调仪的连接，根据探测地范围以及探测深度设计解调仪道间距、采样频率及其它相关参数。
步骤(4)中，采用稀土超磁致伸缩震源激发系统激发主动震源信号，根据探测区域激发相关等级的震源信号。
步骤(5)中，振动数据处理单元将采集到的振动数据进行预处理，显现振动信号在光缆各位置随时间的波形变化，通过识别异常波形所在光缆通道位置从而判断地下异物平面位置。
步骤(6)中，速度结构反演单元根据振动数据处理单元的振动信号，采用谱元法的全波形成像方法进行浅地层地下速度结构反演，获取探测区域的浅地层地下速度结构。由于波在均匀介质中的传播速度一致，当振动波传播经过地下异物体后将改变异物所在区域的地下速度结构，从而识别异常地下速度确定地下异物深度，进而确定浅地层异物三维坐标。
步骤(7)中，人工智能定位识别单元采用双边滤波的方法对振动数据处理单元和速度结构反演单元获取的地下异物波形速度图像中存在噪声的图像进行滤波，压制图像的噪音对浅地层异物目标的检测和边界识别的干扰。将去噪后的图像采用LabelMe工具沿图像中浅地层异物的边缘进行标注得到标签图，从而建立图像检测数据集和语义分割数据集。
步骤(7)中，人工智能定位识别单元使用深度学习中YOLO-V4网络，利用建立的图像检测数据集和语义分割数据集进行图像中浅地层异物目标的检测，通过输入不同类型浅地层异物的速度结构和成像特征训练深度学习模型，进而对浅地层异物种类进行识别。
实施例
采用本发明基于分布式声波传感的浅地层异物探测识别装置及方法对某场地的浅地层异物进行定位识别。试验场地的地下土壤结构如下：0～2m为淤泥土质，2～5m为砂质土壤，5-11m为粘土，存在地下水层，11m以下为粘土岩。
本发明基于分布式声波传感的浅地层异物探测识别方法包括以下步骤：
(1)如图2所示，向传统传感光缆的纤芯和护套之间加装振动低损宾汉体填充凝胶1-1，在纤芯外包裹振动增敏包层1-2，进而传递小量级振动应变，并在光缆上以1m间距增设光缆-砂土耦合增强翅片1-3，增强缆-土耦合，从而提高光缆对地下振动信号的感知增益效果；
(2)振动增敏光缆1的总长3km，以长800m，宽700m的矩形方阵开槽埋设在探测区域，埋深0.2m，埋设后检查保证光缆线路完整性，并保证回填过程质量，保证光缆与土体的良好耦合；
(3)振动增敏光缆1与分布式声波传感解调仪2连接，检查光缆通道是否通畅，设置解调仪采样频率100Hz，道间距5m，频道数600；
(4)通过稀土超磁致伸缩震源激发系统发射主动震源信号，分布式声波传感解调仪采集24h的光缆振动数据；
(5)分布式声波传感解调仪将采集到的振动数据传输至振动数据处理单元进行预处理和波形提取，根据异常波形显现通道位置，如图3所示，确定地下异物处于通道71所在平面位置下方，即距光缆端头355m处的下部存在地下异物；
(6)振动数据处理单元4将经过预处理的振动信号传输至速度结构反演单元，采用光缆中段通道为虚拟源，依次与异常波形存在区域的通道进行互相关计算，并采用相位加权叠加方法对互相关结果进行叠加获得探测区域之间的互相关函数；由于分布式声波传感数据对于相位数据的收集更加精准，利用相移法提取探测区域地下结构的面波频散曲线，再根据探测区域相关信息，使用蒙特卡洛方法随机采样算法经过多次迭代反演出探测异常区域地下速度结构。如图4，在距地表深7m至7.5m处存在地下速度异常变慢，说明此深度存在地下异物。
(7)人工智能定位识别单元6接收来自振动数据处理单元4和速度结构反演单元5的数据图像，如图5，基于人工智能算法的浅地层异物图像降噪方法，对得出的降噪图像进行二值化语义分割，将浅地层异物沿边界与降噪图像的背景进行分离，采用深度学习算法，根据不同浅地层异物的物体轮廓及弹性波响应特征训练目标检测的深度学习模型，对分割图像中浅地层异物进行种类识别。
根据振动数据处理单元获得的平面异常波形确定异物的平面位置，根据速度结构反演单元确定地下异物所在地下深度，从而确定浅地层地下异物所处的三维坐标位置；采用深度学习算法，通过对不同浅地层异物的物体轮廓及弹性波响应特征训练目标检测的深度学习模型，再根据振动数据处理单元以及速度结构反演单元获得的数据进行判断，进而对浅地层地下异物进行种类识别。
Claims (1)
1.一种基于分布式声波传感的浅地层异物探测识别方法，其特征在于：由基于分布式声波传感的浅地层异物探测识别装置来实施，所述基于分布式声波传感的浅地层异物探测识别装置包括振动增敏光缆(1)、分布式声波传感解调仪(2)、震源系统(3)、振动数据处理单元(4)、速度结构反演单元(5)和人工智能定位识别单元(6)；
所述振动增敏光缆(1)内有纤芯(1-1)，纤芯(1-1)外包裹振动增敏包层(1-2)，振动增敏包层(1-2)和护套(1-4)之间填充振动低损宾汉体填充凝胶(1-3)，在护套(1-4)上增设光缆-砂土耦合增强翅片(1-5)；所述振动增敏包层的材料由光缆材料和岩土体介质及密度特征掺杂的材料确定；
所述振动增敏光缆(1)与分布式声波传感解调仪(2)连接；分布式声波传感解调仪(2)采集光缆振动数据后传输至振动数据处理单元(4)；振动数据处理单元(4)与速度结构反演单元(5)连接；人工智能定位识别单元(6)与振动数据处理单元(4)和速度结构反演单元(5)连接；
所述方法包括以下步骤：
(1)在纤芯(1-1)外包裹振动增敏包层(1-2)，在振动增敏包层(1-2)和护套(1-4)之间填充振动低损宾汉体填充凝胶(1-3)，并在护套(1-4)上增设光缆-砂土耦合增强翅片(1-5)，制成振动增敏光缆(1)；在护套(1-4)上增设光缆-砂土耦合增强翅片时，根据岩土介质、土体的密实度确定光缆-砂土耦合增强翅片的类型以及光缆-砂土耦合增强翅片的间距；
(2)将振动增敏光缆(1)浅埋在探测区域，检查振动增敏光缆(1)的线路以及缆-土耦合性；
(3)将振动增敏光缆(1)与分布式声波传感解调仪(2)连接，设置分布式声波传感解调仪(2)的采样参数；
(4)通过震源系统(3)发射主动震源信号，分布式声波传感解调仪(2)采集设定时间的振动增敏光缆(1)的振动数据；
(5)分布式声波传感解调仪(2)将采集到的振动数据传输至振动数据处理单元(4)，振动数据处理单元(4)对所述振动数据预处理并显现振动信号在光缆随时间的波形变化，通过异常波形得出浅地层异物所在光缆通道，进而判断地下异物的平面位置；
(6)振动数据处理单元(4)将经过预处理的振动信号传输至速度结构反演单元(5)，采用谱元法的全波形成像方法进行浅地层地下速度结构反演，获取探测区域的浅地层地下速度结构，根据异常横波速度分析浅地层异物所处地面深度，确定浅地层异物三维坐标；反演获取探测区域的浅地层地下速度结构的过程为：
所述振动数据处理单元(4)将经过预处理的振动信号传输至速度结构反演单元(5)，采用光缆中段通道为虚拟源，与异常波形存在区域的通道进行互相关计算，并采用相位加权叠加方法对互相关结果进行叠加获得探测区域之间的互相关函数；利用相移法提取探测区域地下结构的面波频散曲线，使用蒙特卡洛方法的随机采样算法经过多次迭代反演出探测区域的浅地层地下速度结构；
(7)人工智能定位识别单元(6)接收来自振动数据处理单元(4)和速度结构反演单元(5)的数据图像，采用浅地层异物图像降噪方法对数据图像降噪，并对得出的降噪图像进行二值化语义分割，将浅地层异物沿边界与降噪图像的背景进行分离；过程为：人工智能定位识别单元采用双边滤波的方法对振动数据处理单元和速度结构反演单元获取的地下异物波形速度图像中存在噪声的图像进行滤波，压制图像的噪音对浅地层异物目标的检测和边界识别的干扰；将去噪后的图像采用LabelMe工具沿图像中浅地层异物的边缘进行标注得到标签图，并建立图像检测数据集和语义分割数据集；
采用深度学习算法，根据不同浅地层异物的物体轮廓及弹性波响应特征训练目标检测的深度学习模型，对分割图像中浅地层异物进行种类识别；过程为：人工智能定位识别单元使用深度学习中YOLO-V4网络，利用建立的图像检测数据集和语义分割数据集进行图像中浅地层异物目标的检测，通过输入不同类型浅地层异物的速度结构和成像特征来对建立的目标检测的深度学习模型进行训练，对浅地层异物种类进行识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311698400.XA CN117706612B (zh) | 2023-12-12 | 2023-12-12 | 基于分布式声波传感的浅地层异物探测识别装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311698400.XA CN117706612B (zh) | 2023-12-12 | 2023-12-12 | 基于分布式声波传感的浅地层异物探测识别装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117706612A CN117706612A (zh) | 2024-03-15 |
| CN117706612B true CN117706612B (zh) | 2024-07-19 |
Family
ID=90143633
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311698400.XA Active CN117706612B (zh) | 2023-12-12 | 2023-12-12 | 基于分布式声波传感的浅地层异物探测识别装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117706612B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109425451A (zh) * | 2017-08-31 | 2019-03-05 | 中国石油天然气股份有限公司 | 一种土体力学监测装置 |
| CN110849463A (zh) * | 2019-10-24 | 2020-02-28 | 武汉理工大学 | 一种水声传感光缆及其增敏涂敷方法 |
| CN112230273A (zh) * | 2020-10-26 | 2021-01-15 | 中油奥博(成都)科技有限公司 | 基于分布式光纤传感的地震横波数据采集系统及采集方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109991662A (zh) * | 2019-05-15 | 2019-07-09 | 中油奥博(成都)科技有限公司 | 浅部地层二维或三维弹性参数测量和计算的装置及方法 |
| CN210005752U (zh) * | 2019-05-28 | 2020-01-31 | 南京大学 | 一种定点式光缆 |
-
2023
- 2023-12-12 CN CN202311698400.XA patent/CN117706612B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109425451A (zh) * | 2017-08-31 | 2019-03-05 | 中国石油天然气股份有限公司 | 一种土体力学监测装置 |
| CN110849463A (zh) * | 2019-10-24 | 2020-02-28 | 武汉理工大学 | 一种水声传感光缆及其增敏涂敷方法 |
| CN112230273A (zh) * | 2020-10-26 | 2021-01-15 | 中油奥博(成都)科技有限公司 | 基于分布式光纤传感的地震横波数据采集系统及采集方法 |
Non-Patent Citations (1)
| Title |
|---|
| 分布式光纤声波传感系统在近地表成像中的应用Ⅱ：背景噪声成像;林融冰 等;地球物理学报;20200430;第63卷(第04期);1622-1629 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117706612A (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Olsson et al. | Borehole radar applied to the characterization of hydraulically conductive fracture zones in crystalline rock 1 | |
| Adamo et al. | Geophysical methods and their applications in dam safety monitoring | |
| Alsharahi et al. | Detection of cavities and fragile areas by numerical methods and GPR application | |
| Molron et al. | Which fractures are imaged with Ground Penetrating Radar? Results from an experiment in the Äspö Hardrock Laboratory, Sweden | |
| CN105116453A (zh) | 一种冻土带天然气水合物的瞬变电磁勘探方法及装置 | |
| Lyu et al. | GPR detection of tunnel lining cavities and reverse-time migration imaging | |
| Lv et al. | Application of GPR reverse time migration in tunnel lining cavity imaging | |
| Alsharahi et al. | Contribution of analysis and detection the risks appearing in roads using GPR method: A case study in Morocco | |
| Liu et al. | Reverse-time migration of GPR data for imaging cavities behind a reinforced shield tunnel | |
| Geng et al. | Identifying void defects behind Tunnel composite lining based on transient electromagnetic radar method | |
| CN113703058A (zh) | 一种利用视电导率和相对介电常数探测地下障碍物的方法 | |
| CN113050085A (zh) | 一种超前地质预报的方法 | |
| Wänstedt et al. | Borehole radar measurements aid structure geological interpretations | |
| Xie et al. | Seismic monitoring of rockfalls using distributed acoustic sensing | |
| CN117706612B (zh) | 基于分布式声波传感的浅地层异物探测识别装置及方法 | |
| Li et al. | Boundary recognition of tunnel lining void from ground-penetrating radar data | |
| Anbazhagan et al. | A study on the effectiveness of various geophysical methods in detecting naturally formed cavities in lateritic deposit | |
| Liu et al. | A system for inspecting karst voids during construction of cast-in-place pile foundations | |
| Adams et al. | Measurement of Depth Resolutions of GPR Antenna | |
| Gołębiowski et al. | The application of non-standard GPR techniques for the examination of river dikes | |
| Zhao et al. | Maxwell curl equation datuming for GPR based on the Kirchhoff integral solution and application in a tunnel grouting test | |
| Mizutani et al. | The 3D localization of subsurface pipes from Ground Penetrating Radar images using edge detection and point cloud segmentation | |
| Wang et al. | Attenuation-compensated reverse time migration of GPR data constrained by resistivity | |
| Zhao et al. | Maxwell curl equation datuming for gpr test of tunnel grouting based on kirchhoff integral solution | |
| Zhang et al. | Migration imaging processing of subgrade cavity GPR detection based on TUFK method |
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 |