鄧 飛 蔣沛凡* 蔣先藝 帥鵬飛 唐 云

(①成都理工大學(xué)計(jì)算機(jī)與網(wǎng)絡(luò)安全學(xué)院，四川成都 610059； ②東方地球物理公司采集技術(shù)中心，河北涿州 072750)

0 引言

微地震監(jiān)測技術(shù)廣泛應(yīng)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(yù)警領(lǐng)域，以監(jiān)測工程中微地震事件的安全性[1-2]。初至信號(hào)(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(diǎn)，表現(xiàn)為能量急劇波動(dòng)。初至的精確定位和拾取是微地震監(jiān)測關(guān)鍵技術(shù)之一[3]，主要有人工拾取法和自動(dòng)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(shí)長，在實(shí)際應(yīng)用中容易導(dǎo)致預(yù)警不及時(shí)等問題。

傳統(tǒng)的自動(dòng)拾取方法根據(jù)地震波的振幅、頻率、能量比等構(gòu)造特征函數(shù)，利用不同的數(shù)學(xué)算法計(jì)算初至。Allen[4]提出了長短時(shí)窗能量比值(STA/LTA)法實(shí)現(xiàn)單道振動(dòng)事件的識(shí)別和定位。 Takanami等[5]基于自回歸(AR)理論認(rèn)為微地震初至前、后信號(hào)符合不同的AR模型，利用Akaike信息準(zhǔn)則(AIC)描述振動(dòng)波形與AR模型的擬合度，微地震信號(hào)與噪聲在其交界處特征擬合度最差，此時(shí)的AIC值最小，即為對應(yīng)的微地震初至?xí)r間。高煜等[6]提出基于隨機(jī)森林算法的微地震初至自動(dòng)拾取方法，該方法提取微地震數(shù)據(jù)的相關(guān)特征構(gòu)建特征函數(shù)，最終對隨機(jī)森林模型輸出的初至概率進(jìn)行判別以確定初至位置。以上方法皆基于提取相關(guān)波形特征進(jìn)行分析，并利用淺層機(jī)器學(xué)習(xí)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(zhǔn)確率較低。

隨著深度學(xué)習(xí)方法的不斷發(fā)展，一些學(xué)者開始嘗試使用深度學(xué)習(xí)方法自動(dòng)拾取微地震初至。Zheng等[7]提出基于深度遞歸神經(jīng)網(wǎng)絡(luò)的微地震事件的自動(dòng)識(shí)別和定位法。張全敏[8]在文獻(xiàn)[7]的基礎(chǔ)上提出基于循環(huán)神經(jīng)網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)模型(LSTM)的初至自動(dòng)拾取法，該方法使用卷積神經(jīng)網(wǎng)絡(luò)識(shí)別微地震信號(hào)，再通過LSTM拾取初至。LSTM網(wǎng)絡(luò)法克服了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)法需人工設(shè)計(jì)相關(guān)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(shí)序上提取數(shù)據(jù)制作標(biāo)簽、訓(xùn)練單道初至拾取，而忽視了多道微地震數(shù)據(jù)的關(guān)聯(lián)性[9]。計(jì)算機(jī)視覺領(lǐng)域的語義分割法提供了解決該問題的技術(shù)基礎(chǔ)，語義分割可以描繪出圖像中目標(biāo)對象的輪廓，這與拾取微地震信號(hào)和非微地震信號(hào)分界處的微地震初至相互契合[10]。

本文以實(shí)際礦井工程微地震監(jiān)測為例，提出了應(yīng)用圖像語義分割網(wǎng)絡(luò)(D-LinkNet)的微地震事件識(shí)別和初至拾取方法。該方法使用D-LinkNet先識(shí)別微地震事件并定位其范圍，再進(jìn)行初至精確拾取。實(shí)驗(yàn)結(jié)果表明，該方法對實(shí)際微地震數(shù)據(jù)的拾取準(zhǔn)確率大大高于STA/LTA法和LSTM法； 定位誤差在0～10ms內(nèi)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(yuǎn)低于STA/LTA法和LSTM法。

1 基于D-LinkNet的微地震事件識(shí)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(huì)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(shí)別、定位，再拾取初至，并要先排除無微地震信號(hào)的道。圖1為運(yùn)用D-LinkNet進(jìn)行微地震初至精確拾取的基本流程，分為三個(gè)步驟：微地震數(shù)據(jù)預(yù)處理、微地震事件識(shí)別和微地震初至拾取。

首先對原始的微地震數(shù)據(jù)進(jìn)行預(yù)處理，利用帶通濾波器濾除輸入信號(hào)的背景噪聲，使微地震信號(hào)更明顯，易于網(wǎng)絡(luò)識(shí)別(如圖1中數(shù)據(jù)預(yù)處理所示)； 另外考慮到實(shí)際采集的微地震數(shù)據(jù)一般很小，量級(jí)為10-7～10-5，而過大或過小的輸入數(shù)值會(huì)造成網(wǎng)絡(luò)在訓(xùn)練時(shí)梯度消失或者梯度彌散，導(dǎo)致網(wǎng)絡(luò)難于訓(xùn)練和收斂，因此需要對濾波后的數(shù)據(jù)進(jìn)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(shí)別和定位中，預(yù)處理后的微地震數(shù)據(jù)可以看作是圖像，微地震信號(hào)到來之后，會(huì)產(chǎn)生一段不同于背景噪聲的振動(dòng)，其圖像與環(huán)境噪聲截然不同，因此長時(shí)序數(shù)據(jù)中的微地震事件的識(shí)別可視為圖像目標(biāo)檢測問題。近年來在目標(biāo)檢測中取得優(yōu)異效果的深度學(xué)習(xí)網(wǎng)絡(luò)有Faster R-CNN[11]、YOLO[12]等，但圖像檢測網(wǎng)絡(luò)目的是為了快速檢測出圖像中存在的目標(biāo)物體，對檢測精度要求并不高(圖像檢測網(wǎng)絡(luò)的平均精度均值通常只能達(dá)到80%[13])。若微地震事件檢測不準(zhǔn)確，沒有將初至包含在檢測區(qū)域中，便無法進(jìn)行初至拾取。鑒于此，本文采用能夠做到像素級(jí)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(yù)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?qū)?yīng)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(jìn)行最終的初至拾取。LSTM最早用于單道初至預(yù)測，而實(shí)際微地震數(shù)據(jù)中，相鄰道內(nèi)的微地震事件發(fā)生在大致相同范圍內(nèi)，單道法無法綜合考慮相鄰道初至的相關(guān)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(biāo)簽圖所示，可以將初至到達(dá)前、后的部分分別看作兩類目標(biāo)(在圖中使用黑色和白色表示)，那么初至恰位于兩類目標(biāo)的交界處。使用D-LinkNet進(jìn)行初至拾取可以充分利用相鄰道之間的相關(guān)性，能提高低信噪比的微地震信號(hào)的拾取精度。

圖1 應(yīng)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(shí)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(xué)習(xí)網(wǎng)絡(luò)經(jīng)過多年發(fā)展、完善，已廣泛應(yīng)用于圖像分割、邊緣提取等領(lǐng)域。Shelhamer等[14]在經(jīng)典分類網(wǎng)絡(luò)的基礎(chǔ)上提出了全卷積神經(jīng)網(wǎng)絡(luò)(FCN)，采用全卷積化的方式解決逐像素預(yù)測問題，顯著提高了圖像語義分割的預(yù)測性能。Ronneberger等[15]基于FCN提出了U-Net，結(jié)構(gòu)與FCN網(wǎng)絡(luò)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(jìn)行特征融合。Zhou等[16]結(jié)合網(wǎng)絡(luò)LinkNet和U-Net的優(yōu)點(diǎn)構(gòu)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(luò)的跳越連接結(jié)構(gòu)，在解碼層中疊加對應(yīng)的編碼層中的特征信息，以增強(qiáng)解碼時(shí)圖像的識(shí)別效果，該結(jié)構(gòu)利于增強(qiáng)相鄰檢波器微地震事件的關(guān)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(biāo)簽制作方法，即可逐步實(shí)現(xiàn)微地震事件識(shí)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(yīng)D-LinkNet； 其次采用殘差網(wǎng)絡(luò)(ResNet)對網(wǎng)絡(luò)進(jìn)行4次下采樣，其中后3次下采樣過程每次都會(huì)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(shí)擴(kuò)充特征圖的感受野，因?yàn)槲⒌卣鹗录陂L時(shí)序數(shù)據(jù)中出現(xiàn)的時(shí)間較短，為了獲得特征圖中更遠(yuǎn)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(jìn)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(shí)將所有道的結(jié)果合并傳入解碼層； 之后解碼過程采用LinkNet的解碼結(jié)構(gòu)進(jìn)行上采樣逐步恢復(fù)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(yīng)編碼層的數(shù)據(jù)以增強(qiáng)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(jìn)行反卷積將數(shù)據(jù)恢復(fù)為原圖大小，并利用Sigmoid函數(shù)對特征圖中的每個(gè)像素點(diǎn)做二分類輸出。

圖2 D-LinkNet網(wǎng)絡(luò)結(jié)構(gòu)[16]

D-LinkNet的網(wǎng)絡(luò)損失函數(shù)是由骰子損失(Dice Coefficient Loss)和二元互熵?fù)p失(Binary Cross Entropy Loss)相加組成

(1)

式中：Gn為第n個(gè)目標(biāo)圖像對應(yīng)的標(biāo)簽；Pn為對應(yīng)目標(biāo)圖像的網(wǎng)絡(luò)模型預(yù)測概率；N為圖像輸入的批次。式(1)第一項(xiàng)為骰子損失函數(shù)，第二項(xiàng)為二元互熵?fù)p失函數(shù)，定義為

B(P,G)=

(2)

式中：gij為目標(biāo)圖像第(i，j)個(gè)樣點(diǎn)的標(biāo)簽值；pij為目標(biāo)圖像第(i，j)個(gè)樣點(diǎn)的網(wǎng)絡(luò)模型預(yù)測概率值；M1、M2為目標(biāo)圖像的兩個(gè)方向的樣點(diǎn)數(shù)。

通過疊加二元互熵?fù)p失函數(shù)和骰子損失函數(shù)，能夠降低網(wǎng)絡(luò)預(yù)測值與實(shí)際值之間的誤差，確保網(wǎng)絡(luò)擁有更強(qiáng)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(biāo)簽的不均衡問題。

2.2 基于D-LinkNet的微地震事件識(shí)別和定位

在一段微地震檢測記錄數(shù)據(jù)中，可能會(huì)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(hào)進(jìn)行識(shí)別，單次微地震事件發(fā)生的同時(shí)伴隨著多個(gè)檢波器在大致相同時(shí)間有明顯振動(dòng)，在微地震事件判別時(shí)，當(dāng)3個(gè)及以上檢波器同時(shí)出現(xiàn)微地震波形時(shí)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(gè)別檢波器出現(xiàn)自身機(jī)械故障而產(chǎn)生的類微地震信號(hào)導(dǎo)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(hào)到來前至微地震結(jié)束后一定范圍內(nèi)的數(shù)據(jù)標(biāo)記為正樣本(標(biāo)記為1，標(biāo)簽示意圖中白色區(qū)域)，其余均標(biāo)記為負(fù)樣本(標(biāo)記為0，標(biāo)簽示意圖中黑色區(qū)域)，形成一個(gè)事件樣本數(shù)據(jù)。為了便于后期進(jìn)行初至拾取，樣本制作時(shí)需要將初至前幾十個(gè)采樣點(diǎn)標(biāo)記為1。

圖3 微地震事件識(shí)別標(biāo)簽示意圖

由于實(shí)際采集的微地震數(shù)據(jù)通常以60s為一段，時(shí)間方向太長，不便于輸入網(wǎng)絡(luò)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?xí)r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(jìn)行處理。實(shí)驗(yàn)表明，片段長度為1s時(shí)會(huì)導(dǎo)致出現(xiàn)事件截取不完整的情況，而片段長度為10s時(shí)則會(huì)導(dǎo)致數(shù)據(jù)過大且畸形，導(dǎo)致網(wǎng)絡(luò)訓(xùn)練困難。而5s長度的片段，既不會(huì)造成事件不完整，也不會(huì)造成網(wǎng)絡(luò)難以訓(xùn)練。

微地震事件識(shí)別網(wǎng)絡(luò)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(jìn)行卷積，卷積核大小設(shè)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(jìn)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(luò)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(luò)識(shí)別的微地震事件，截取該數(shù)據(jù)片段便可進(jìn)行微地震初至拾取。

圖4 微地震事件識(shí)別網(wǎng)絡(luò)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(shí)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(dòng)前信號(hào)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(shí)長輸入網(wǎng)絡(luò)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(luò)難以精確提取初至特征?？紤]到大多數(shù)微地震事件持續(xù)時(shí)間為500ms左右，因此首先將包含微地震事件的片段在時(shí)間維度上從起始點(diǎn)開始裁剪為512個(gè)樣點(diǎn)，確保數(shù)據(jù)長度統(tǒng)一以便網(wǎng)絡(luò)能夠進(jìn)行批量處理； 并將每道復(fù)制10次，如圖5所示，圖像尺寸從512×48擴(kuò)寬為512×480，因?yàn)閷τ谠摬襟E中長寬比差異過大的數(shù)據(jù)卷積類網(wǎng)絡(luò)在寬度方向上提取的圖像特征精度可能會(huì)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(huì)被網(wǎng)絡(luò)忽視，所以將數(shù)據(jù)長寬比擴(kuò)增至近似1，便于網(wǎng)絡(luò)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(biāo)記為0和1，以增加正樣本所攜帶的信息，如圖6所示。實(shí)驗(yàn)表明，以上方法能有效提高網(wǎng)絡(luò)的微地震初至拾取精度。

圖5 數(shù)據(jù)道擴(kuò)增至10倍示意圖

圖6 微地震初至拾取標(biāo)簽示意圖

微地震初至拾取網(wǎng)絡(luò)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(jìn)行卷積，其中卷積核大小設(shè)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(luò)輸出的數(shù)據(jù)進(jìn)行反卷積，還原尺寸為512×480。對于網(wǎng)絡(luò)輸出的掩碼圖，遍歷圖中每列數(shù)據(jù)的圖像分割點(diǎn)，以每道微地震數(shù)據(jù)復(fù)制數(shù)(10次)為周期，取該范圍中圖像分割點(diǎn)的平均值為網(wǎng)絡(luò)模型判定的該通道微地震初至點(diǎn)，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(luò)輸入、輸出數(shù)據(jù)尺寸示意圖

3 實(shí)驗(yàn)及結(jié)果分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

為了對本文提出的微地震初至拾取方法的實(shí)際應(yīng)用效果進(jìn)行評(píng)判，實(shí)驗(yàn)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(shí)際數(shù)據(jù)采樣頻率為2kHz，單個(gè)文件包含16個(gè)檢波器采集的、時(shí)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(dòng)信號(hào)組成，包含6900個(gè)巖石破裂微地震事件和8244個(gè)工程爆破事件。將數(shù)據(jù)集按照84%和16%的比例隨機(jī)劃分為訓(xùn)練集、測試集。

3.2 微地震事件識(shí)別效果分析

在微地震事件識(shí)別實(shí)驗(yàn)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(yīng)用于圖像目標(biāo)檢測的YOLOv5網(wǎng)絡(luò)[12]進(jìn)行對比。

將訓(xùn)練集輸入三個(gè)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，D-LinkNet和U-Net初始學(xué)習(xí)率為0.0002，YOLOv5網(wǎng)絡(luò)初始學(xué)習(xí)率為0.01，訓(xùn)練至網(wǎng)絡(luò)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(luò)迭代100次后進(jìn)入振蕩后停止。再將測試集輸入各個(gè)訓(xùn)練好的網(wǎng)絡(luò)得出識(shí)別結(jié)果。為對比網(wǎng)絡(luò)識(shí)別效果，本文應(yīng)用識(shí)別正確率、誤識(shí)率評(píng)判識(shí)別效果，其中正確率是指網(wǎng)絡(luò)方法正確識(shí)別的微地震事件數(shù)量與人工識(shí)別出的總數(shù)之比，誤識(shí)率是指網(wǎng)絡(luò)方法錯(cuò)誤識(shí)別的微地震事件數(shù)量與人工識(shí)別出的總數(shù)之比。

正確識(shí)別的標(biāo)準(zhǔn)為：網(wǎng)絡(luò)識(shí)別結(jié)果的范圍與人工識(shí)別的事件范圍的誤差在50個(gè)采樣點(diǎn)之內(nèi)。若網(wǎng)絡(luò)識(shí)別結(jié)果在實(shí)際初至之后即視為誤識(shí)。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(shí)別為多事件也視為誤識(shí)。

測試集數(shù)據(jù)片段中存在2754個(gè)事件數(shù)，YOLOv5網(wǎng)絡(luò)正確識(shí)別了2532個(gè)，U-Net正確識(shí)別了2520個(gè)，D-LinkNet正確識(shí)別了2727個(gè)，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(luò)識(shí)別結(jié)果誤差分布。上述圖表表明，在正確識(shí)別的事件中，YOLOv5網(wǎng)絡(luò)的平均誤差小于U-Net，但其誤識(shí)率遠(yuǎn)高于其余網(wǎng)絡(luò)； D-LinkNet在取得最高的識(shí)別正確率的同時(shí)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(luò)微地震識(shí)別正確率和誤識(shí)率統(tǒng)計(jì)

圖8 三種網(wǎng)絡(luò)微地震事件識(shí)別誤差分布

綜上所述，在微地震事件識(shí)別中，D-LinkNet的微地震識(shí)別效果好于YOLOv5網(wǎng)絡(luò)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(shí)驗(yàn)中，將STA/LTA法[18]、LSTM法[8]與D-LinkNet法進(jìn)行對比。STA/LTA法的短、長時(shí)窗長度分別設(shè)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(diǎn)數(shù)、輸出序列長度均為512。將訓(xùn)練集分別輸入D-LinkNet和LSTM進(jìn)行網(wǎng)絡(luò)訓(xùn)練，初始學(xué)習(xí)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(yīng)的標(biāo)簽以及D-LinkNet和LSTM輸出的掩碼，可見，LSTM因?yàn)橹荒軐蔚莱踔吝M(jìn)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(luò)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(luò)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(jié)果進(jìn)行統(tǒng)計(jì)，設(shè)置拾取誤差區(qū)間占比率、道內(nèi)無微地震事件的錯(cuò)拾率和運(yùn)算速率評(píng)判各方法初至拾取效果，結(jié)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(cuò)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(luò)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(luò)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(cuò)拾率也小很多，同時(shí)D-LinkNet的運(yùn)算效率也遠(yuǎn)高于STA/LTA法，并小幅領(lǐng)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(jié)果統(tǒng)計(jì)

為了進(jìn)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(jìn)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(jié)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(jié)果如表4、圖11所示，較低信噪比微地震事件拾取結(jié)果如表5、圖12所示。以人工拾取的初至?xí)r間為標(biāo)準(zhǔn)，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(hào)，STA/LTA法、LSTM網(wǎng)絡(luò)法與D-LinkNet網(wǎng)絡(luò)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(hào)，STA/LTA法和LSTM網(wǎng)絡(luò)的拾取平均誤差都很大，分別為37.88和25.25ms，D-LinkNet網(wǎng)絡(luò)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(jié)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(jié)果統(tǒng)計(jì)

表4 較高信噪比巖石破裂事件不同方法初至拾取結(jié)果統(tǒng)計(jì)

表5 較低信噪比微地震事件不同方法初至拾取結(jié)果統(tǒng)計(jì)

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(jié)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(jié)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(jié)論

本文提出了一種應(yīng)用D-LinkNet的微地震事件識(shí)別和初至自動(dòng)拾取方法。根據(jù)實(shí)際微地震監(jiān)測長時(shí)序記錄中微地震事件會(huì)多次出現(xiàn)的情況，該方法采取先識(shí)別微地震事件并定位其范圍、再拾取各道初至的兩步法。結(jié)果表明：在微地震事件識(shí)別和定位方面，D-LinkNet比YOLOv5網(wǎng)絡(luò)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(dòng)信號(hào)的關(guān)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(shí)別和初至拾取方法處理實(shí)際礦場采集的微地震數(shù)據(jù)，經(jīng)大量數(shù)據(jù)學(xué)習(xí)后，應(yīng)用于該工區(qū)同類微地震數(shù)據(jù)，可以取得相對精準(zhǔn)的初至拾取結(jié)果。

對于數(shù)據(jù)類型差異較大或是風(fēng)格迥異工區(qū)的數(shù)據(jù)，可以用新數(shù)據(jù)進(jìn)行遷移學(xué)習(xí)，以適應(yīng)波形差異較大、信噪比不同的數(shù)據(jù)。