應用圖像語義分割網(wǎng)絡的微地震事件識別和初至拾取方法

鄧 飛 蔣沛凡* 蔣先藝 帥鵬飛 唐 云

(①成都理工大學計算機與網(wǎng)絡安全學院，四川成都 610059； ②東方地球物理公司采集技術中心，河北涿州 072750)

0 引言

微地震監(jiān)測技術廣泛應用于煤礦、隧道施工、水力壓裂油氣開發(fā)、水庫大壩選址等諸多工程穩(wěn)定性監(jiān)測預警領域，以監(jiān)測工程中微地震事件的安全性[1-2]。初至信號(一般分為P波和S波，其中P波傳播速度較快，本文僅研究P波初至拾取)與背景噪聲有著明顯分界點，表現(xiàn)為能量急劇波動。初至的精確定位和拾取是微地震監(jiān)測關鍵技術之一[3]，主要有人工拾取法和自動拾取法。人工拾取方法主要依靠肉眼判定微地震波初至，工作量大、耗時長，在實際應用中容易導致預警不及時等問題。

傳統(tǒng)的自動拾取方法根據(jù)地震波的振幅、頻率、能量比等構造特征函數(shù)，利用不同的數(shù)學算法計算初至。Allen[4]提出了長短時窗能量比值(STA/LTA)法實現(xiàn)單道振動事件的識別和定位。 Takanami等[5]基于自回歸(AR)理論認為微地震初至前、后信號符合不同的AR模型，利用Akaike信息準則(AIC)描述振動波形與AR模型的擬合度，微地震信號與噪聲在其交界處特征擬合度最差，此時的AIC值最小，即為對應的微地震初至時間。高煜等[6]提出基于隨機森林算法的微地震初至自動拾取方法，該方法提取微地震數(shù)據(jù)的相關特征構建特征函數(shù)，最終對隨機森林模型輸出的初至概率進行判別以確定初至位置。以上方法皆基于提取相關波形特征進行分析，并利用淺層機器學習方法獲得初至，并不能完全利用微地震數(shù)據(jù)中包含的信息，因而在低信噪比環(huán)境下拾取準確率較低。

隨著深度學習方法的不斷發(fā)展，一些學者開始嘗試使用深度學習方法自動拾取微地震初至。Zheng等[7]提出基于深度遞歸神經(jīng)網(wǎng)絡的微地震事件的自動識別和定位法。張全敏[8]在文獻[7]的基礎上提出基于循環(huán)神經(jīng)網(wǎng)絡和長短期記憶網(wǎng)絡模型(LSTM)的初至自動拾取法，該方法使用卷積神經(jīng)網(wǎng)絡識別微地震信號，再通過LSTM拾取初至。LSTM網(wǎng)絡法克服了傳統(tǒng)神經(jīng)網(wǎng)絡法需人工設計相關特征、不能充分利用數(shù)據(jù)所包含信息的缺陷。但該方法只能在一維時序上提取數(shù)據(jù)制作標簽、訓練單道初至拾取，而忽視了多道微地震數(shù)據(jù)的關聯(lián)性[9]。計算機視覺領域的語義分割法提供了解決該問題的技術基礎，語義分割可以描繪出圖像中目標對象的輪廓，這與拾取微地震信號和非微地震信號分界處的微地震初至相互契合[10]。

本文以實際礦井工程微地震監(jiān)測為例，提出了應用圖像語義分割網(wǎng)絡(D-LinkNet)的微地震事件識別和初至拾取方法。該方法使用D-LinkNet先識別微地震事件并定位其范圍，再進行初至精確拾取。實驗結果表明，該方法對實際微地震數(shù)據(jù)的拾取準確率大大高于STA/LTA法和LSTM法； 定位誤差在0～10ms內的事件占比較STA/LTA法和LSTM法皆有大幅提升； 對于不同信噪比的微地震數(shù)據(jù)，初至拾取平均誤差遠低于STA/LTA法和LSTM法。

1 基于D-LinkNet的微地震事件識別與初至拾取流程

通常單次采集的人工地震數(shù)據(jù)，初至僅出現(xiàn)一次。而微地震監(jiān)測是長期采集的過程，微地震事件會多次出現(xiàn)，而且由于微地震能量較弱，通常只有部分檢波器能測到。因此與人工地震波初至拾取不同，微地震初至拾取需要先對微地震事件識別、定位，再拾取初至，并要先排除無微地震信號的道。圖1為運用D-LinkNet進行微地震初至精確拾取的基本流程，分為三個步驟：微地震數(shù)據(jù)預處理、微地震事件識別和微地震初至拾取。

首先對原始的微地震數(shù)據(jù)進行預處理，利用帶通濾波器濾除輸入信號的背景噪聲，使微地震信號更明顯，易于網(wǎng)絡識別(如圖1中數(shù)據(jù)預處理所示)； 另外考慮到實際采集的微地震數(shù)據(jù)一般很小，量級為10-7～10-5，而過大或過小的輸入數(shù)值會造成網(wǎng)絡在訓練時梯度消失或者梯度彌散，導致網(wǎng)絡難于訓練和收斂，因此需要對濾波后的數(shù)據(jù)進行單道歸一化處理，將數(shù)據(jù)映射至-1～1。

在第二步微地震事件識別和定位中，預處理后的微地震數(shù)據(jù)可以看作是圖像，微地震信號到來之后，會產(chǎn)生一段不同于背景噪聲的振動，其圖像與環(huán)境噪聲截然不同，因此長時序數(shù)據(jù)中的微地震事件的識別可視為圖像目標檢測問題。近年來在目標檢測中取得優(yōu)異效果的深度學習網(wǎng)絡有Faster R-CNN[11]、YOLO[12]等，但圖像檢測網(wǎng)絡目的是為了快速檢測出圖像中存在的目標物體，對檢測精度要求并不高(圖像檢測網(wǎng)絡的平均精度均值通常只能達到80%[13])。若微地震事件檢測不準確，沒有將初至包含在檢測區(qū)域中，便無法進行初至拾取。鑒于此，本文采用能夠做到像素級分割的D-LinkNet，能夠在微地震定位中取得更高的精度。步驟二將預處理過的數(shù)據(jù)輸入D-LinkNet，得到微地震事件掩碼，掩碼圖的白色區(qū)域對應了微地震事件(圖1)。

在確定出微地震事件的范圍后，便可截取含有微地震事件的數(shù)據(jù)片段，并進行最終的初至拾取。LSTM最早用于單道初至預測，而實際微地震數(shù)據(jù)中，相鄰道內的微地震事件發(fā)生在大致相同范圍內，單道法無法綜合考慮相鄰道初至的相關性，因而對信噪比較低的數(shù)據(jù)拾取效果欠佳。若將初至拾取看作是圖像分割問題，如圖1步驟三中的標簽圖所示，可以將初至到達前、后的部分分別看作兩類目標(在圖中使用黑色和白色表示)，那么初至恰位于兩類目標的交界處。使用D-LinkNet進行初至拾取可以充分利用相鄰道之間的相關性，能提高低信噪比的微地震信號的拾取精度。

圖1 應用D-LinkNet的微地震初至拾取流程

2 基于D-LinkNet的微地震事件識別與初至拾取方法

2.1 D-LinkNet模型

用于圖像語義分割的深度學習網(wǎng)絡經(jīng)過多年發(fā)展、完善，已廣泛應用于圖像分割、邊緣提取等領域。Shelhamer等[14]在經(jīng)典分類網(wǎng)絡的基礎上提出了全卷積神經(jīng)網(wǎng)絡(FCN)，采用全卷積化的方式解決逐像素預測問題，顯著提高了圖像語義分割的預測性能。Ronneberger等[15]基于FCN提出了U-Net，結構與FCN網(wǎng)絡相似，都采用了編碼層和解碼層，但增加了跳躍連接的特征疊加方式，使用拼接操作進行特征融合。Zhou等[16]結合網(wǎng)絡LinkNet和U-Net的優(yōu)點構建了D-LinkNet。D-LinkNet在編碼層與解碼層之間增加了空洞卷積層，有效增大了圖像中心特征的感受野，獲得的特征圖中包含更深層次的特征信息。D-LinkNet同樣使用了U-Net網(wǎng)絡的跳越連接結構，在解碼層中疊加對應的編碼層中的特征信息，以增強解碼時圖像的識別效果，該結構利于增強相鄰檢波器微地震事件的關聯(lián)性。

面向微地震初至拾取的D-LinkNet模型如圖2所示，通過改變輸入的數(shù)據(jù)大小以及標簽制作方法，即可逐步實現(xiàn)微地震事件識別和微地震初至拾取。將數(shù)據(jù)輸入D-LinkNet，首先需要通過卷積改變原始輸入數(shù)據(jù)尺寸以適應D-LinkNet； 其次采用殘差網(wǎng)絡(ResNet)對網(wǎng)絡進行4次下采樣，其中后3次下采樣過程每次都會使圖像的道數(shù)倍增，長度變?yōu)樵瓉淼?/2； 再通過ResNet中的殘差模塊獲取原始數(shù)據(jù)的特征圖并送入空洞卷積層，空洞卷積層在保證特征圖分辨率的同時擴充特征圖的感受野，因為微地震事件在長時序數(shù)據(jù)中出現(xiàn)的時間較短，為了獲得特征圖中更遠的微地震事件的特征信息，本文在原始D-LinkNet的空洞卷積層中進一步增大空洞卷積的感受野，其串聯(lián)的空洞率依次為1、2、4、8、16，空洞卷積層在輸出時將所有道的結果合并傳入解碼層； 之后解碼過程采用LinkNet的解碼結構進行上采樣逐步恢復圖像大小，每次上采樣經(jīng)過2次卷積和1次反卷積，并采用跳躍連接的方式融合對應編碼層的數(shù)據(jù)以增強區(qū)域塊的泛化表征能力； 最終根據(jù)輸入的數(shù)據(jù)尺寸進行反卷積將數(shù)據(jù)恢復為原圖大小，并利用Sigmoid函數(shù)對特征圖中的每個像素點做二分類輸出。

圖2 D-LinkNet網(wǎng)絡結構[16]

D-LinkNet的網(wǎng)絡損失函數(shù)是由骰子損失(Dice Coefficient Loss)和二元互熵損失(Binary Cross Entropy Loss)相加組成

(1)

式中：Gn為第n個目標圖像對應的標簽；Pn為對應目標圖像的網(wǎng)絡模型預測概率；N為圖像輸入的批次。式(1)第一項為骰子損失函數(shù)，第二項為二元互熵損失函數(shù)，定義為

B(P,G)=

(2)

式中：gij為目標圖像第(i，j)個樣點的標簽值；pij為目標圖像第(i，j)個樣點的網(wǎng)絡模型預測概率值；M1、M2為目標圖像的兩個方向的樣點數(shù)。

通過疊加二元互熵損失函數(shù)和骰子損失函數(shù)，能夠降低網(wǎng)絡預測值與實際值之間的誤差，確保網(wǎng)絡擁有更強的泛化能力，并且骰子損失函數(shù)的引入，可以在很大程度上解決圖像語義標簽的不均衡問題。

2.2 基于D-LinkNet的微地震事件識別和定位

在一段微地震檢測記錄數(shù)據(jù)中，可能會出現(xiàn)多次事件，也可能完全無事件，因此需要先對微地震信號進行識別，單次微地震事件發(fā)生的同時伴隨著多個檢波器在大致相同時間有明顯振動，在微地震事件判別時，當3個及以上檢波器同時出現(xiàn)微地震波形時即判定為發(fā)生微地震事件[17]。此種判定方法有效避免了個別檢波器出現(xiàn)自身機械故障而產(chǎn)生的類微地震信號導致的誤拾。

圖像分割掩碼圖的制作方法如圖3所示，將微地震信號到來前至微地震結束后一定范圍內的數(shù)據(jù)標記為正樣本(標記為1，標簽示意圖中白色區(qū)域)，其余均標記為負樣本(標記為0，標簽示意圖中黑色區(qū)域)，形成一個事件樣本數(shù)據(jù)。為了便于后期進行初至拾取，樣本制作時需要將初至前幾十個采樣點標記為1。

圖3 微地震事件識別標簽示意圖

由于實際采集的微地震數(shù)據(jù)通常以60s為一段，時間方向太長，不便于輸入網(wǎng)絡處理，因此需要將原始微地震數(shù)據(jù)裁剪成若干長度的小段。小段的長度對初至時間檢測的精度有一定影響。本文嘗試將數(shù)據(jù)裁剪成長度為1、5、10s的片段進行處理。實驗表明，片段長度為1s時會導致出現(xiàn)事件截取不完整的情況，而片段長度為10s時則會導致數(shù)據(jù)過大且畸形，導致網(wǎng)絡訓練困難。而5s長度的片段，既不會造成事件不完整，也不會造成網(wǎng)絡難以訓練。

微地震事件識別網(wǎng)絡輸入、輸出數(shù)據(jù)如圖4所示，輸入數(shù)據(jù)尺寸為5000×48，首先對原始輸入數(shù)據(jù)進行卷積，卷積核大小設置為(9×3)，特征圖尺寸為1248×48，將特征圖輸入圖2所示的D-LinkNet； 對D-LinkNet輸出的數(shù)據(jù)進行反卷積將其尺寸還原為5000×48； 最終將48道圖像數(shù)據(jù)卷積成1道，使特征圖尺寸變?yōu)?000×1。對于網(wǎng)絡輸出的微地震事件掩碼，如圖4最右所示，其中白色區(qū)域即為網(wǎng)絡識別的微地震事件，截取該數(shù)據(jù)片段便可進行微地震初至拾取。

圖4 微地震事件識別網(wǎng)絡輸入、輸出數(shù)據(jù)尺寸示意圖

2.3 基于D-LinkNet的微地震初至拾取

通過事件識別獲取微地震事件的范圍后，將該片段從原數(shù)據(jù)截取出來，再拾取初至的精確位置，即發(fā)生明顯振動前信號的波谷處[6]，因此對于圖像語義分割的精度要求較前一步更高。若直接將片段數(shù)據(jù)按照原道數(shù)與事件持續(xù)時長輸入網(wǎng)絡中，則初至的拾取精度較低，原因是數(shù)據(jù)的長寬差異過大，初至信息不足，網(wǎng)絡難以精確提取初至特征。考慮到大多數(shù)微地震事件持續(xù)時間為500ms左右，因此首先將包含微地震事件的片段在時間維度上從起始點開始裁剪為512個樣點，確保數(shù)據(jù)長度統(tǒng)一以便網(wǎng)絡能夠進行批量處理； 并將每道復制10次，如圖5所示，圖像尺寸從512×48擴寬為512×480，因為對于該步驟中長寬比差異過大的數(shù)據(jù)卷積類網(wǎng)絡在寬度方向上提取的圖像特征精度可能會受損，處理效果往往不好，過少的圖像寬度方向特征信息可能會被網(wǎng)絡忽視，所以將數(shù)據(jù)長寬比擴增至近似1，便于網(wǎng)絡提取初至特征信息； 最后，將各道中數(shù)據(jù)分為微地震初至前和初至后兩部分，分別標記為0和1，以增加正樣本所攜帶的信息，如圖6所示。實驗表明，以上方法能有效提高網(wǎng)絡的微地震初至拾取精度。

圖5 數(shù)據(jù)道擴增至10倍示意圖

圖6 微地震初至拾取標簽示意圖

微地震初至拾取網(wǎng)絡輸入、輸出數(shù)據(jù)尺寸如圖7所示，輸入數(shù)據(jù)尺寸為512×480，首先對原始輸入進行卷積，其中卷積核大小設置為(7×3)，使特征圖變?yōu)?56×256； 再將特征圖輸入圖2所示的D-LinkNet，最后對網(wǎng)絡輸出的數(shù)據(jù)進行反卷積，還原尺寸為512×480。對于網(wǎng)絡輸出的掩碼圖，遍歷圖中每列數(shù)據(jù)的圖像分割點，以每道微地震數(shù)據(jù)復制數(shù)(10次)為周期，取該范圍中圖像分割點的平均值為網(wǎng)絡模型判定的該通道微地震初至點，由此便完成了對微地震初至的拾取。

圖7 微地震初至拾取網(wǎng)絡輸入、輸出數(shù)據(jù)尺寸示意圖

3 實驗及結果分析

3.1 實驗數(shù)據(jù)

為了對本文提出的微地震初至拾取方法的實際應用效果進行評判，實驗數(shù)據(jù)選取礦井中檢波器采集的部分微地震監(jiān)測數(shù)據(jù)。實際數(shù)據(jù)采樣頻率為2kHz，單個文件包含16個檢波器采集的、時長60s的48道原始數(shù)據(jù)，文件總數(shù)為10992。單一數(shù)據(jù)片段由48道、長度為5s的振動信號組成，包含6900個巖石破裂微地震事件和8244個工程爆破事件。將數(shù)據(jù)集按照84%和16%的比例隨機劃分為訓練集、測試集。

3.2 微地震事件識別效果分析

在微地震事件識別實驗中，將本文使用的D-LinkNet與地震初至拾取精度較高的U-Net[10]及廣泛應用于圖像目標檢測的YOLOv5網(wǎng)絡[12]進行對比。

將訓練集輸入三個網(wǎng)絡進行訓練，D-LinkNet和U-Net初始學習率為0.0002，YOLOv5網(wǎng)絡初始學習率為0.01，訓練至網(wǎng)絡損失值不再下降而呈現(xiàn)振蕩趨勢后停止。D-LinkNet在迭代60余次便趨于收斂，U-Net在迭代80余次后收斂； YOLOv5網(wǎng)絡迭代100次后進入振蕩后停止。再將測試集輸入各個訓練好的網(wǎng)絡得出識別結果。為對比網(wǎng)絡識別效果，本文應用識別正確率、誤識率評判識別效果，其中正確率是指網(wǎng)絡方法正確識別的微地震事件數(shù)量與人工識別出的總數(shù)之比，誤識率是指網(wǎng)絡方法錯誤識別的微地震事件數(shù)量與人工識別出的總數(shù)之比。

正確識別的標準為：網(wǎng)絡識別結果的范圍與人工識別的事件范圍的誤差在50個采樣點之內。若網(wǎng)絡識別結果在實際初至之后即視為誤識。多事件數(shù)據(jù)中，若相鄰事件之間無明顯分界或者將原單一事件識別為多事件也視為誤識。

測試集數(shù)據(jù)片段中存在2754個事件數(shù)，YOLOv5網(wǎng)絡正確識別了2532個，U-Net正確識別了2520個，D-LinkNet正確識別了2727個，三者的正確率分別為91.93%、91.50%和99.01%(表1)，D-LinkNet最高。圖8展示了測試集中微地震事件三種網(wǎng)絡識別結果誤差分布。上述圖表表明，在正確識別的事件中，YOLOv5網(wǎng)絡的平均誤差小于U-Net，但其誤識率遠高于其余網(wǎng)絡； D-LinkNet在取得最高的識別正確率的同時其事件定位范圍平均誤差也是最小的。

表1 測試集三種網(wǎng)絡微地震識別正確率和誤識率統(tǒng)計

圖8 三種網(wǎng)絡微地震事件識別誤差分布

綜上所述，在微地震事件識別中，D-LinkNet的微地震識別效果好于YOLOv5網(wǎng)絡和U-Net。

3.3 微地震初至拾取效果分析

在微地震初至拾取實驗中，將STA/LTA法[18]、LSTM法[8]與D-LinkNet法進行對比。STA/LTA法的短、長時窗長度分別設置為100和400ms，觸發(fā)閾值為1.5； LSTM輸入序列長度、隱層節(jié)點數(shù)、輸出序列長度均為512。將訓練集分別輸入D-LinkNet和LSTM進行網(wǎng)絡訓練，初始學習率均為0.001，D-LinkNet迭代70余次便收斂，LSTM迭代140余次收斂。圖9為微地震數(shù)據(jù)道集和其對應的標簽以及D-LinkNet和LSTM輸出的掩碼，可見，LSTM因為只能對單道初至進行拾取而無法考慮到相鄰道圖像的空間信息，因此其網(wǎng)絡輸出掩碼圖中部分掩碼的連續(xù)性和精度都較D-LinkNet輸出的低。

圖9 微地震數(shù)據(jù)圖像和網(wǎng)絡輸出掩碼

分別對測試集中工程爆破和巖石破裂微地震事件(各包含600道不同信噪比的微地震數(shù)據(jù))拾取結果進行統(tǒng)計，設置拾取誤差區(qū)間占比率、道內無微地震事件的錯拾率和運算速率評判各方法初至拾取效果，結果如表2所示。由表可知：STA/LTA法對于兩類事件的初至拾取均有較大的錯拾率，且半數(shù)事件的拾取誤差大于30ms； 相比之下，兩種網(wǎng)絡法拾取精度皆有較大提升。STA/LTA法、LSTM和D-LinkNet的初至拾取平均誤差分別為31.16、19.06和4.78ms，其中D-LinkNet網(wǎng)絡初至拾取誤差在0～10ms的占比較 STA/LTA法和LSTM分別提高了59.0%和34.3%，錯拾率也小很多，同時D-LinkNet的運算效率也遠高于STA/LTA法，并小幅領先于LSTM。

表2 不同方法工程爆破和巖石破裂微地震事件拾取結果統(tǒng)計

為了進一步分析信噪比對不同方法拾取精度的影響，選取測試集中兩類微地震事件里不同信噪比的前9道數(shù)據(jù)，分別進行人工、STA/LTA法、LSTM法和D-LinkNet法拾取。較高信噪比工程爆破微地震事件拾取結果如表3、圖10所示，較高信噪比巖石破裂微地震事件拾取結果如表4、圖11所示，較低信噪比微地震事件拾取結果如表5、圖12所示。以人工拾取的初至時間為標準，由圖10～圖12、表3～表5可知：對于較高信噪比的不同種類微地震事件前9道數(shù)據(jù)的微地震信號，STA/LTA法、LSTM網(wǎng)絡法與D-LinkNet網(wǎng)絡法初至平均拾取誤差分別為30.71、15.79和2.21ms； 對于較低信噪比微地震事件前9道數(shù)據(jù)的微地震信號，STA/LTA法和LSTM網(wǎng)絡的拾取平均誤差都很大，分別為37.88和25.25ms，D-LinkNet網(wǎng)絡法的平均拾取誤差只有8.38ms。

圖12 9道低信噪比微地震事件波形圖及不同方法拾取結果對比

表3 較高信噪比工程爆破事件不同方法初至拾取結果統(tǒng)計

表4 較高信噪比巖石破裂事件不同方法初至拾取結果統(tǒng)計

表5 較低信噪比微地震事件不同方法初至拾取結果統(tǒng)計

圖10 9道較高信噪比工程爆破微地震事件波形及不同方法拾取結果的對比

圖11 9道較高信噪比巖石破裂微地震事件波形及不同方法拾取結果對比

因此，D-LinkNet對于微地震初至的拾取精度較STA/LTA法和LSTM有大幅提升，并且在低信噪比環(huán)境下依然可以保持較高的拾取精度。

4 結論

本文提出了一種應用D-LinkNet的微地震事件識別和初至自動拾取方法。根據(jù)實際微地震監(jiān)測長時序記錄中微地震事件會多次出現(xiàn)的情況，該方法采取先識別微地震事件并定位其范圍、再拾取各道初至的兩步法。結果表明：在微地震事件識別和定位方面，D-LinkNet比YOLOv5網(wǎng)絡精度更高； 在微地震初至拾取方面，D-LinkNet將初至之前與初至之后分成兩部分，并且考慮相鄰道振動信號的關聯(lián)性，較單道拾取的精度有大幅提升，并且在較低信噪比環(huán)境下依然能夠保持較高的拾取精度。使用基于D-LinkNet的微地震事件識別和初至拾取方法處理實際礦場采集的微地震數(shù)據(jù)，經(jīng)大量數(shù)據(jù)學習后，應用于該工區(qū)同類微地震數(shù)據(jù)，可以取得相對精準的初至拾取結果。

對于數(shù)據(jù)類型差異較大或是風格迥異工區(qū)的數(shù)據(jù)，可以用新數(shù)據(jù)進行遷移學習，以適應波形差異較大、信噪比不同的數(shù)據(jù)。