一種野外地質勘查安全檢測裝置及方法與流程
2024-04-16 01:48:05
1.本發明屬於野外地質勘查安全檢測技術領域，尤其涉及一種野外地質勘查安全檢測裝置及方法。
背景技術：
2.地質勘查資質分為綜合地質勘查資質和專業地質勘查資質。綜合地質勘查資質包括區域地質調查資質，海洋地質調查資質，石油天然氣礦產勘查資質，液體礦產勘查資質(不含石油)，氣體礦產勘查資質(不含天然氣)，煤炭等固體礦產勘查資質和水文地質、工程地質、環境地質調查資質。專業地質勘查資質包括地球物理勘查資質、地球化學勘查資質、航空地質調查資質、遙感地質調查資質、地質鑽(坑)探資質和地質實驗測試資質。區域地質調查資質、海洋地質調查資質、石油天然氣礦產勘查資質、氣體礦產勘查資質(不含天然氣)、航空地質調查資質、遙感地質調查資質和地質實驗測試資質分為甲級、乙級兩級；其他地質勘查資質分為甲級、乙級、丙級三級；然而，現有野外地質勘查安全檢測裝置不能準確檢測地質構造；同時，無法對各種野外地質災害進行有效的預報，無法起到很好的監測預警效果。
3.通過上述分析，現有技術存在的問題及缺陷為：
4.(1)現有野外地質勘查安全檢測裝置不能準確檢測地質構造。
5.(2)無法對各種野外地質災害進行有效的預報，無法起到很好的監測預警效果。
技術實現要素：
6.針對現有技術存在的問題，本發明提供了一種野外地質勘查安全檢測裝置及方法。
7.本發明是這樣實現的，一種野外地質勘查安全檢測裝置包括：
8.泥流量檢測模塊、震動檢測模塊、地質構造檢測模塊、中央控制模塊、安全評估模塊、預警模塊、安全信息推送模塊、顯示模塊；
9.泥流量檢測模塊，與中央控制模塊連接，用於通過流量傳感器檢測地殼泥流量數據；
10.震動檢測模塊，與中央控制模塊連接，用於通過震動傳感器檢測地殼震動數據；
11.地質構造檢測模塊，與中央控制模塊連接，用於檢測地質構造數據；
12.中央控制模塊，與泥流量檢測模塊、震動檢測模塊、地質構造檢測模塊、安全評估模塊、預警模塊、安全信息推送模塊、顯示模塊連接，用於控制各個模塊正常工作；
13.安全評估模塊，與中央控制模塊連接，用於通過評估程序對地質安全進行評估；
14.預警模塊，與中央控制模塊連接，用於對地質安全進行預警；
15.安全信息推送模塊，與中央控制模塊連接，用於通過推送程序推送地質安全信息；
16.顯示模塊，與中央控制模塊連接，用於通過顯示器顯示泥流量檢測結果、震動檢測結果、地質構造檢結果、安全評估結果、預警信息、安全推送信息。
17.一種野外地質勘查安全檢測方法包括以下步驟：
18.步驟一，通過泥流量檢測模塊利用流量傳感器檢測地殼泥流量數據；通過震動檢測模塊利用震動傳感器檢測地殼震動數據；通過地質構造檢測模塊檢測地質構造數據；
19.步驟二，中央控制模塊通過安全評估模塊利用評估程序對地質安全進行評估；
20.步驟三，通過預警模塊對地質安全進行預警；通過安全信息推送模塊利用推送程序推送地質安全信息；
21.步驟四，通過顯示模塊利用顯示器顯示泥流量檢測結果、震動檢測結果、地質構造檢結果、安全評估結果、預警信息、安全推送信息。
22.進一步，所述地質構造檢測模塊檢測方法如下：
23.(1)獲取目標野外地質勘查區三維地震勘探數據，並對地震勘探數據進行處理；
24.(2)將處理後的所述地震勘探數據輸入地質構造智能檢測程序，識別影響野外地質勘查區的地質構造並輸出；其中，所述地質構造智能檢測程序為經過訓練達到預設精度要求的深度學習神經網絡。
25.進一步，所述在將處理後的所述地震勘探數據輸入地質構造智能檢測程序，識別影響野外地質勘查區的地質構造並輸出之前，還包括：
26.收集野外地質勘查過程中驗證的影響野外地質勘查區的地質構造，並根據驗證的結果，在預先獲取的地震勘探數據上標註出相應類型的地質構造，形成深度學習樣本資料庫；
27.基於深度學習樣本資料庫中的訓練樣本數據對所述深度學習神經網絡進行訓練，在訓練過程中通過不斷調整所述深度學習神經網絡的參數，使得所述深度學習神經網絡趨於穩定；
28.經所述深度學習樣本資料庫中的測試樣本數據對所述深度學習神經網絡進行測試達到預設精度要求後，獲取所述地質構造智能檢測系統。
29.進一步，所述地質構造智能檢測系統的深度學習神經網絡包括輸入層、輸出層和多層卷積層；
30.其中，所述卷積層位於所述輸入層和輸出層之間；
31.所述輸入層用於輸入所述地震勘探數據；
32.所述輸出層用於輸出影響野外地質勘查區地質構造；
33.每個所述卷積層用於識別一種所述地震勘探數據的預設規模的特徵；
34.緊鄰每個所述卷積層後面的一層卷積層用於在每個所述卷積層的識別結果的基礎上進行識別。
35.進一步，所述深度學習樣本資料庫中的數據包括訓練樣本數據和測試樣本數據；
36.其中，所述訓練樣本數據用於訓練深度學習神經網絡；
37.所述測試樣本數據用於將所述測試樣本數據輸入訓練後的深度學習神經網絡中，檢測智能識別的準確率，判斷所述準確率是否達到預設精度要求；
38.相應地，在訓練過程中通過不斷調整所述深度學習神經網絡的參數，使得所述深度學習神經網絡趨於穩定的步驟包括：
39.當每次向所述深度學習神經網絡輸入新的訓練樣本數據時，基於誤差反向傳播的方法對所述深度學習神經網絡的參數進行調整；
40.其中，所述誤差反向傳播的方法的調整策略為根據所述深度學習神經網絡的參數對識別結果的影響，調整相應的權重，所述影響越大，所述權重越大，使得所述深度學習神經網絡輸出的識別結果更接近正確的識別結果；
41.重複對所述深度學習神經網絡的參數進行調整的過程，每個所述訓練樣本數據被反覆使用多次，使得所述深度學習神經網絡的參數進行多次調整，最終使得所述深度學習神經網絡達到穩定。
42.進一步，所述預警模塊預警方法如下：
43.1)構建地質資料庫；獲取並發送目標地理位置的歷史野外地質災害信息；將獲取的野外地質災害信息存入地質資料庫中；
44.2)提取歷史野外地質災害信息中的野外地質圖像數據，通過圖像增強算法對野外地質圖像進行增強處理；並根據野外地質圖像數據建立野外地質識別模型；
45.3)提取歷史野外地質災害信息中的各個野外地質參數並設定各個野外地質參數的權重；根據各個野外地質參數及其權重採用主成分分析方法進行分析，以得到重點野外地質數據，並根據重點野外地質數據建立預警模型；
46.4)獲取並導入實時野外地質監測數據至野外地質識別模型中，生成並發送識別信息；根據識別信息提取並導入實時野外地質監測數據中的目標數據至預警模型中，生成並發送預警信息。
47.進一步，所述獲取並導入實時野外地質監測數據至野外地質識別模型中，生成並發送識別信息的方法包括以下步驟：
48.獲取並導入實時野外地質監測數據至野外地質識別模型中；
49.通過野外地質識別模型採用圖像識別方法對實時野外地質監測數據中的圖像信息進行識別，生成並發送識別信息；
50.所述根據識別信息提取並導入實時野外地質監測數據中的目標數據至預警模型中，生成並發送預警信息的方法包括以下步驟：
51.根據識別信息中的不同野外地質圖像信息提取實時野外地質監測數據中對應的初始目標數據；
52.根據重點野外地質數據對初始目標數據進行去冗餘處理，以得到重點目標數據；
53.將重點目標數據導入到預警模型中，通過預警模型將重點野外地質數據與重點目標數據進行對比，生成並發送預警信息；
54.所述預警方法還包括以下步驟：
55.提取預警信息中的各個預警參數，根據各個預警參數建立三維可視化模型；
56.所述歷史野外地質災害信息包括地形地貌數據、野外地質成分數據、野外地質節理數據和環境數據。
57.進一步，所述震動檢測模塊檢測方法如下：
58.構建多尺度描述網絡與多任務學習框架，所述多尺度描述網絡，包含多個依次連接的多尺度描述單元，通過多尺度描述網絡使得輸入的數據變為多尺度混合特徵；所述多任務學習框架包含地殼震動檢測任務模塊與同源地殼震動檢測任務模塊，兩個模塊的輸入均為多尺度混合特徵，各自完成地殼震動檢測任務與同源地殼震動檢測任務，其中同源地殼震動檢測任務作為輔助任務用來提升地殼震動檢測任務的檢測精度；
59.利用已知是否是地殼震動的波形數據去訓練多尺度描述網絡與多任務學習框架中的參數；當訓練完畢後，將待檢測的波形數據輸入多尺度描述網絡，並經過地殼震動檢測任務模塊，獲得地殼震動檢測結果；
60.所述每一所述多尺度描述單元具有兩個輸入：記憶狀態si和特徵狀態fi，si用來儲存多尺度描述的混合特徵，fi用來代表當前尺度的特徵，下標i表示多尺度描述單元的序號；
61.當輸入fi後，先經過一個卷積層，得到更高尺度的特徵，記為f
ic
；
62.之後，f
ic
會經過一個最大池化層輸出f
i+1
，作為下一個多尺度描述單元的一個輸入；
63.同時，f
ic
會與si直接拼接起來為不同尺度描述的比較和混合做準備；si與f
ic
的通道數相同均為n，拼接過後，記為j，通道數轉化為2n，再經過一個卷積層，其作用是使用多種方案對j的各個通道乘以一個係數進行加和，從而實現多層級特徵si和當前層級特徵f
ic
的比較和混合，使通道數降回n，並經過一個最大池化層輸出多尺度混合特徵s
i+1
，作為下一個多尺度描述單元的另一個輸入；
64.所述多尺度描述網絡入口處還設有一個卷積層，其輸入為預處理後的波形數據，輸出的特徵作為第一個多尺度描述單元的兩個輸入：s1與f1；
65.所述地殼震動檢測任務模塊包含兩個全連接層，輸入的多尺度混合特徵依次經過兩個全連接層，後一個全連接層的輸出經過第一softmax分類器輸出地殼震動檢測的分類結果；
66.所述同源地殼震動檢測任務模塊包含一個相減操作層和兩層全連接層；所述相減操作層的輸入為波形數據對各自對應的多尺度混合特徵，且每一個都與地殼震動檢測任務模塊的輸入相同；通過相減操作層將兩個多尺度混合特徵相減後送入全連接層，後一個全連接層的輸出經過第二softmax分類器輸出同源地殼震動檢測的分類結果。
67.進一步，所述檢測方法還包括：對已知是否是地殼震動的波形數據進行預處理，其包括：
68.首先，進行波形數據的預處理：對地殼震動傳感器得到的原始數據，首先使用常規檢測方法檢測出候選檢測點，然後根據候選檢測點截取周圍的波形窗口，獲得一系列波形窗口，用於地殼震動檢測任務模塊的訓練；
69.同時，需要製作地殼震動波對的數據集，用於同源地殼震動檢測任務模塊的訓練；同源地殼震動檢測任務，即檢測不同臺站檢測到的兩個波形是否是同一個地殼震動所引發；需要利用地殼震動目錄與每個臺站中的候選檢測點進行對比，判斷候選檢測點是否是地殼震動初震時間，並將屬於同一個地殼震動的候選檢測點分為一個組；之後製作用於同源檢測的地殼震動波對：將一個地殼震動的波形窗口記為q，根據候選檢測點的時間t和所處臺站的位置s，計算位置s處的臺站可能檢測到同一地殼震動的波形的時間範圍；若地殼震動波的最小傳播速度為v，則時間範圍為：
[0070][0071]
dist表示計算兩個位置之間的距離；位置s處的臺站在此時間範圍內的候選檢測
點視為候選同源地殼震動，相應候選檢測點所屬的波形窗口與q組成地殼震動波對；
[0072]
將基於多尺度描述網絡的地殼震動檢測任務模塊看作地殼震動檢測網絡，將基於多尺度描述網絡的同源地殼震動檢測任務模塊看作輔助任務網絡；
[0073]
訓練時，對地殼震動檢測網絡中的每一層卷積層與全連接層後都加入了批歸一化，並在優化目標中加入了參數正則化，則地殼震動檢測任務的優化目標為：
[0074][0075]
其中，n是訓練時輸入至地殼震動檢測任務模塊的數據批次的大小；第一部分是描述地殼震動檢測任務效果的損失函數，li∈{0，1}是輸入波形是否是地殼震動的標籤，yi∈[0，1]是地殼震動檢測任務模塊輸出的地殼震動檢測結果，1代表是地殼震動，0代表不是地殼震動；第二部分中w代表地殼震動檢測網絡中的待優化參數，這一部分即為參數正則化項，λ是調整參數正則化項效果強弱的係數；
[0076]
同源地殼震動檢測任務模塊的訓練過程中是利用任務間的聯繫輔助優化地殼震動檢測任務模塊的參數結構，則多任務學習框架的優化目標為：
[0077][0078]
其中，第一部分l
main
是地殼震動檢測任務的優化目標，第二部分是描述同源地殼震動檢測任務效果的損失函數，m是訓練時輸入至同源地殼震動檢測任務模塊的數據批次的大小，是輸入波形數據對是否是同源地殼震動的標籤，是同源地殼震動檢測任務模塊輸出的檢測結果；第三部分是參數正則化項，其中的wh代表輔助任務網絡的待優化參數；
[0079]
在訓練的過程中，使用小批量隨機梯度下降算法來優化l
multi
和l
main
，使用動量優化器反向傳播優化參數；
[0080]
在訓練完畢後，將待檢測的波形數據預處理為波形窗口，從而通過訓練好的多尺度描述網絡與地殼震動檢測任務模塊得到相應的地殼震動檢測結果。
[0081]
本發明通過地質構造檢測模塊快速準確識別出影響野外地質勘查區的地質構造，能夠有效提高地質構造的檢測準確度和效率；同時，通過預警模塊結合圖像識別技術，獲取準確的目標數據，進而為後續提供精確的分析數據，對野外地質進行準確分析，及時預測野外地質災害，進行預警，保證後續施工安全。
[0082]
本發明通過地質構造檢測模塊快速準確識別出影響野外地質勘查區的地質構造，能夠有效提高地質構造的檢測準確度和效率；同時，通過預警模塊結合圖像識別技術，獲取準確的目標數據，進而為後續提供精確的分析數據，對野外地質進行準確分析，及時預測野外地質災害，進行預警，保證後續施工安全。
附圖說明
[0083]
圖1是本發明實施例提供的野外地質勘查安全檢測方法流程圖。
[0084]
圖2是本發明實施例提供的野外地質勘查安全檢測裝置結構框圖。
[0085]
圖3是本發明實施例提供的地質構造檢測模塊檢測方法流程圖。
[0086]
圖4是本發明實施例提供的預警模塊預警方法流程圖。
[0087]
圖中：1、泥流量檢測模塊；2、震動檢測模塊；3、地質構造檢測模塊；4、中央控制模塊；5、安全評估模塊；6、預警模塊；7、安全信息推送模塊；8、顯示模塊。
具體實施方式
[0088]
為了使本發明的目的、技術方案及優點更加清楚明白，以下結合實施例，對本發明進行進一步詳細說明。
[0089]
應當理解，此處所描述的具體實施例僅僅用以解釋本發明，並不用於限定本發明。
[0090]
如圖1所示，本發明提供的野外地質勘查安全檢測方法包括以下步驟：
[0091]
s101，通過泥流量檢測模塊利用流量傳感器檢測地殼泥流量數據；通過震動檢測模塊利用震動傳感器檢測地殼震動數據；通過地質構造檢測模塊檢測地質構造數據；
[0092]
s102，中央控制模塊通過安全評估模塊利用評估程序對地質安全進行評估；
[0093]
s103，通過預警模塊對地質安全進行預警；通過安全信息推送模塊利用推送程序推送地質安全信息；
[0094]
s104，通過顯示模塊利用顯示器顯示泥流量檢測結果、震動檢測結果、地質構造檢結果、安全評估結果、預警信息、安全推送信息。
[0095]
如圖2所示，本發明實施例提供的野外地質勘查安全檢測裝置包括：泥流量檢測模塊1、震動檢測模塊2、地質構造檢測模塊3、中央控制模塊4、安全評估模塊5、預警模塊6、安全信息推送模塊7、顯示模塊8。
[0096]
泥流量檢測模塊1，與中央控制模塊4連接，用於通過流量傳感器檢測地殼泥流量數據；
[0097]
震動檢測模塊2，與中央控制模塊4連接，用於通過震動傳感器檢測地殼震動數據；
[0098]
地質構造檢測模塊3，與中央控制模塊4連接，用於檢測地質構造數據；
[0099]
中央控制模塊4，與泥流量檢測模塊1、震動檢測模塊2、地質構造檢測模塊3、安全評估模塊5、預警模塊6、安全信息推送模塊7、顯示模塊8連接，用於控制各個模塊正常工作；
[0100]
安全評估模塊5，與中央控制模塊4連接，用於通過評估程序對地質安全進行評估；
[0101]
預警模塊6，與中央控制模塊4連接，用於對地質安全進行預警；
[0102]
安全信息推送模塊7，與中央控制模塊4連接，用於通過推送程序推送地質安全信息；
[0103]
顯示模塊8，與中央控制模塊4連接，用於通過顯示器顯示泥流量檢測結果、震動檢測結果、地質構造檢結果、安全評估結果、預警信息、安全推送信息。
[0104]
如圖3所示，本發明提供的地質構造檢測模塊3檢測方法如下：
[0105]
s201，獲取目標野外地質勘查區三維地震勘探數據，並對地震勘探數據進行處理；
[0106]
s202，將處理後的所述地震勘探數據輸入地質構造智能檢測程序，識別影響野外地質勘查區的地質構造並輸出；其中，所述地質構造智能檢測程序為經過訓練達到預設精度要求的深度學習神經網絡。
[0107]
本發明提供的在將處理後的所述地震勘探數據輸入地質構造智能檢測程序，識別影響野外地質勘查區的地質構造並輸出之前，還包括：
[0108]
收集野外地質勘查過程中驗證的影響野外地質勘查區的地質構造，並根據驗證的結果，在預先獲取的地震勘探數據上標註出相應類型的地質構造，形成深度學習樣本資料庫；
[0109]
基於深度學習樣本資料庫中的訓練樣本數據對所述深度學習神經網絡進行訓練，在訓練過程中通過不斷調整所述深度學習神經網絡的參數，使得所述深度學習神經網絡趨於穩定；
[0110]
經所述深度學習樣本資料庫中的測試樣本數據對所述深度學習神經網絡進行測試達到預設精度要求後，獲取所述地質構造智能檢測系統。
[0111]
本發明提供的地質構造智能檢測系統的深度學習神經網絡包括輸入層、輸出層和多層卷積層；
[0112]
其中，所述卷積層位於所述輸入層和輸出層之間；
[0113]
所述輸入層用於輸入所述地震勘探數據；
[0114]
所述輸出層用於輸出影響野外地質勘查區地質構造；
[0115]
每個所述卷積層用於識別一種所述地震勘探數據的預設規模的特徵；
[0116]
緊鄰每個所述卷積層後面的一層卷積層用於在每個所述卷積層的識別結果的基礎上進行識別。
[0117]
本發明提供的深度學習樣本資料庫中的數據包括訓練樣本數據和測試樣本數據；
[0118]
其中，所述訓練樣本數據用於訓練深度學習神經網絡；
[0119]
所述測試樣本數據用於將所述測試樣本數據輸入訓練後的深度學習神經網絡中，檢測智能識別的準確率，判斷所述準確率是否達到預設精度要求；
[0120]
相應地，在訓練過程中通過不斷調整所述深度學習神經網絡的參數，使得所述深度學習神經網絡趨於穩定的步驟包括：
[0121]
當每次向所述深度學習神經網絡輸入新的訓練樣本數據時，基於誤差反向傳播的方法對所述深度學習神經網絡的參數進行調整；
[0122]
其中，所述誤差反向傳播的方法的調整策略為根據所述深度學習神經網絡的參數對識別結果的影響，調整相應的權重，所述影響越大，所述權重越大，使得所述深度學習神經網絡輸出的識別結果更接近正確的識別結果；
[0123]
重複對所述深度學習神經網絡的參數進行調整的過程，每個所述訓練樣本數據被反覆使用多次，使得所述深度學習神經網絡的參數進行多次調整，最終使得所述深度學習神經網絡達到穩定。
[0124]
如圖4所示，本發明提供的預警模塊6預警方法如下：
[0125]
s301，構建地質資料庫；獲取並發送目標地理位置的歷史野外地質災害信息；將獲取的野外地質災害信息存入地質資料庫中；
[0126]
s302，提取歷史野外地質災害信息中的野外地質圖像數據，通過圖像增強算法對野外地質圖像進行增強處理；並根據野外地質圖像數據建立野外地質識別模型；
[0127]
s303，提取歷史野外地質災害信息中的各個野外地質參數並設定各個野外地質參數的權重；根據各個野外地質參數及其權重採用主成分分析方法進行分析，以得到重點野外地質數據，並根據重點野外地質數據建立預警模型；
[0128]
s304，獲取並導入實時野外地質監測數據至野外地質識別模型中，生成並發送識
別信息；根據識別信息提取並導入實時野外地質監測數據中的目標數據至預警模型中，生成並發送預警信息。
[0129]
本發明提供的獲取並導入實時野外地質監測數據至野外地質識別模型中，生成並發送識別信息的方法包括以下步驟：
[0130]
獲取並導入實時野外地質監測數據至野外地質識別模型中；
[0131]
通過野外地質識別模型採用圖像識別方法對實時野外地質監測數據中的圖像信息進行識別，生成並發送識別信息；
[0132]
所述根據識別信息提取並導入實時野外地質監測數據中的目標數據至預警模型中，生成並發送預警信息的方法包括以下步驟：
[0133]
根據識別信息中的不同野外地質圖像信息提取實時野外地質監測數據中對應的初始目標數據；
[0134]
根據重點野外地質數據對初始目標數據進行去冗餘處理，以得到重點目標數據；
[0135]
將重點目標數據導入到預警模型中，通過預警模型將重點野外地質數據與重點目標數據進行對比，生成並發送預警信息；
[0136]
所述預警方法還包括以下步驟：
[0137]
提取預警信息中的各個預警參數，根據各個預警參數建立三維可視化模型；
[0138]
所述歷史野外地質災害信息包括地形地貌數據、野外地質成分數據、野外地質節理數據和環境數據。
[0139]
本發明提供的震動檢測模塊檢測方法如下：
[0140]
構建多尺度描述網絡與多任務學習框架，所述多尺度描述網絡，包含多個依次連接的多尺度描述單元，通過多尺度描述網絡使得輸入的數據變為多尺度混合特徵；所述多任務學習框架包含地殼震動檢測任務模塊與同源地殼震動檢測任務模塊，兩個模塊的輸入均為多尺度混合特徵，各自完成地殼震動檢測任務與同源地殼震動檢測任務，其中同源地殼震動檢測任務作為輔助任務用來提升地殼震動檢測任務的檢測精度；
[0141]
利用已知是否是地殼震動的波形數據去訓練多尺度描述網絡與多任務學習框架中的參數；當訓練完畢後，將待檢測的波形數據輸入多尺度描述網絡，並經過地殼震動檢測任務模塊，獲得地殼震動檢測結果；
[0142]
所述每一所述多尺度描述單元具有兩個輸入：記憶狀態si和特徵狀態fi，si用來儲存多尺度描述的混合特徵，fi用來代表當前尺度的特徵，下標i表示多尺度描述單元的序號；
[0143]
當輸入fi後，先經過一個卷積層，得到更高尺度的特徵，記為f
ic
；
[0144]
之後，f
ic
會經過一個最大池化層輸出f
i+1
，作為下一個多尺度描述單元的一個輸入；
[0145]
同時，f
ic
會與si直接拼接起來為不同尺度描述的比較和混合做準備；
[0146]
si與f
ic
的通道數相同均為n，拼接過後，記為j，通道數轉化為2n，再經過一個卷積層，其作用是使用多種方案對j的各個通道乘以一個係數進行加和，從而實現多層級特徵si和當前層級特徵f
ic
的比較和混合，使通道數降回n，並經過一個最大池化層輸出多尺度混合特徵s
i+1
，作為下一個多尺度描述單元的另一個輸入；
[0147]
所述多尺度描述網絡入口處還設有一個卷積層，其輸入為預處理後的波形數據，
輸出的特徵作為第一個多尺度描述單元的兩個輸入：s1與f1；
[0148]
所述地殼震動檢測任務模塊包含兩個全連接層，輸入的多尺度混合特徵依次經過兩個全連接層，後一個全連接層的輸出經過第一softmax分類器輸出地殼震動檢測的分類結果；
[0149]
所述同源地殼震動檢測任務模塊包含一個相減操作層和兩層全連接層；所述相減操作層的輸入為波形數據對各自對應的多尺度混合特徵，且每一個都與地殼震動檢測任務模塊的輸入相同；通過相減操作層將兩個多尺度混合特徵相減後送入全連接層，後一個全連接層的輸出經過第二softmax分類器輸出同源地殼震動檢測的分類結果。
[0150]
本發明提供的檢測方法還包括：對已知是否是地殼震動的波形數據進行預處理，其包括：
[0151]
首先，進行波形數據的預處理：對地殼震動傳感器得到的原始數據，首先使用常規檢測方法檢測出候選檢測點，然後根據候選檢測點截取周圍的波形窗口，獲得一系列波形窗口，用於地殼震動檢測任務模塊的訓練；
[0152]
同時，需要製作地殼震動波對的數據集，用於同源地殼震動檢測任務模塊的訓練；同源地殼震動檢測任務，即檢測不同臺站檢測到的兩個波形是否是同一個地殼震動所引發；需要利用地殼震動目錄與每個臺站中的候選檢測點進行對比，判斷候選檢測點是否是地殼震動初震時間，並將屬於同一個地殼震動的候選檢測點分為一個組；之後製作用於同源檢測的地殼震動波對：將一個地殼震動的波形窗口記為q，根據候選檢測點的時間t和所處臺站的位置s，計算位置s處的臺站可能檢測到同一地殼震動的波形的時間範圍；若地殼震動波的最小傳播速度為v，則時間範圍為：
[0153][0154]
dist表示計算兩個位置之間的距離；位置s處的臺站在此時間範圍內的候選檢測點視為候選同源地殼震動，相應候選檢測點所屬的波形窗口與q組成地殼震動波對；
[0155]
將基於多尺度描述網絡的地殼震動檢測任務模塊看作地殼震動檢測網絡，將基於多尺度描述網絡的同源地殼震動檢測任務模塊看作輔助任務網絡；
[0156]
訓練時，對地殼震動檢測網絡中的每一層卷積層與全連接層後都加入了批歸一化，並在優化目標中加入了參數正則化，則地殼震動檢測任務的優化目標為：
[0157][0158]
其中，n是訓練時輸入至地殼震動檢測任務模塊的數據批次的大小；第一部分是描述地殼震動檢測任務效果的損失函數，li∈{0，1}是輸入波形是否是地殼震動的標籤，yi∈[0，1]是地殼震動檢測任務模塊輸出的地殼震動檢測結果，1代表是地殼震動，0代表不是地殼震動；第二部分中w代表地殼震動檢測網絡中的待優化參數，這一部分即為參數正則化項，λ是調整參數正則化項效果強弱的係數；
[0159]
同源地殼震動檢測任務模塊的訓練過程中是利用任務間的聯繫輔助優化地殼震
動檢測任務模塊的參數結構，則多任務學習框架的優化目標為：
[0160][0161]
其中，第一部分l
main
是地殼震動檢測任務的優化目標，第二部分是描述同源地殼震動檢測任務效果的損失函數，m是訓練時輸入至同源地殼震動檢測任務模塊的數據批次的大小，是輸入波形數據對是否是同源地殼震動的標籤，是同源地殼震動檢測任務模塊輸出的檢測結果；第三部分是參數正則化項，其中的wh代表輔助任務網絡的待優化參數；
[0162]
在訓練的過程中，使用小批量隨機梯度下降算法來優化l
multi
和l
main
，使用動量優化器反向傳播優化參數；
[0163]
在訓練完畢後，將待檢測的波形數據預處理為波形窗口，從而通過訓練好的多尺度描述網絡與地殼震動檢測任務模塊得到相應的地殼震動檢測結果。
[0164]
本發明通過地質構造檢測模塊快速準確識別出影響野外地質勘查區的地質構造，能夠有效提高地質構造的檢測準確度和效率；
[0165]
同時，通過預警模塊結合圖像識別技術，獲取準確的目標數據，進而為後續提供精確的分析數據，對野外地質進行準確分析，及時預測野外地質災害，進行預警，保證後續施工安全。
[0166]
應當注意，本發明的實施方式可以通過硬體、軟體或者軟體和硬體的結合來實現。硬體部分可以利用專用邏輯來實現；軟體部分可以存儲在存儲器中，由適當的指令執行系統，例如微處理器或者專用設計硬體來執行。
[0167]
本領域的普通技術人員可以理解上述的設備和方法可以使用計算機可執行指令和/或包含在處理器控制代碼中來實現，例如在諸如磁碟、cd或dvd-rom的載體介質、諸如只讀存儲器(固件)的可編程的存儲器或者諸如光學或電子信號載體的數據載體上提供了這樣的代碼。本發明的設備及其模塊可以由諸如超大規模集成電路或門陣列、諸如邏輯晶片、電晶體等的半導體、或者諸如現場可編程門陣列、可編程邏輯設備等的可編程硬體設備的硬體電路實現，也可以用由各種類型的處理器執行的軟體實現，也可以由上述硬體電路和軟體的結合例如固件來實現。
[0168]
本發明通過地質構造檢測模塊快速準確識別出影響野外地質勘查區的地質構造，能夠有效提高地質構造的檢測準確度和效率；同時，通過預警模塊結合圖像識別技術，獲取準確的目標數據，進而為後續提供精確的分析數據，對野外地質進行準確分析，及時預測野外地質災害，進行預警，保證後續施工安全。
[0169]
以上所述，僅為本發明的具體實施方式，但本發明的保護範圍並不局限於此，任何熟悉本技術領域的技術人員在本發明揭露的技術範圍內，凡在本發明的精神和原則之內所作的任何修改、等同替換和改進等，都應涵蓋在本發明的保護範圍之內。