吳澤勇 袁靜

摘 ?要：中國地震臺網(wǎng)中心地震觀測臺站數(shù)量不斷增加，由其記錄的地震數(shù)據(jù)快速增加，有效壓制數(shù)據(jù)中的干擾噪聲成為非常重要的工作。觀測數(shù)據(jù)中干擾噪聲位置不固定，傳統(tǒng)的干擾噪聲識別方法耗時長、精度低，難以滿足日益增長的數(shù)據(jù)處理需求。為實現(xiàn)快速識別，精準(zhǔn)處理觀測數(shù)據(jù)中的干擾信號，文章提出一種決策樹聯(lián)合YOLOv5的噪聲識別檢測方法，實驗數(shù)據(jù)表明，該方法對于干擾噪聲識別具有很好的檢測效果，干擾噪聲識別精確率達(dá)到94.6%。

關(guān)鍵詞：決策樹；神經(jīng)網(wǎng)絡(luò)；計算機(jī)視覺；噪聲檢測

中圖分類號：TP311 ? ? 文獻(xiàn)標(biāo)識碼：A ? 文章編號：2096-4706（2023）14-0080-05

Automatic Identification Algorithm for Interference Noise in Seismic Signals

WU Zeyong， YUAN Jing

（Institute of Disaster Prevention， Langfang ?065201， China）

Abstract： The number of seismic observation stations in the China Seismic Network Center is increasing， and the seismic data recorded by them is rapidly increasing， so it becomes very important to effectively suppress the interference noise in the data. The location of interference noise in observation data is not fixed， and the traditional interference noise identification method is time-consuming and low precision， which is difficult to meet the increasing demand of data processing. In order to achieve fast identification and accurate processing of interference signals in observation data， this paper proposes a noise identification detection method for decision tree joint YOLOv5， and the experimental data show that the method has good detection effect for interference noise identification， and the accuracy of interference noise identification reaches 94.6%.

Keywords： decision tree; neural network; computer vision; noise detection

0 ?引 ?言

近年來，中國地震臺網(wǎng)中心地震觀測臺站建設(shè)力度不斷加大，地震觀測臺數(shù)量迅速增加，隨之而來地震臺觀測到的地震數(shù)據(jù)總量快速增加。與此同時，地震觀測臺儀器質(zhì)量的提高以及電氣化設(shè)備的廣泛使用導(dǎo)致地震觀測臺觀測到的數(shù)據(jù)中充斥著各類干擾噪聲，地震觀測臺觀測數(shù)據(jù)質(zhì)量嚴(yán)重下降。為提高觀測數(shù)據(jù)質(zhì)量，盡可能還原地震波形的初始狀態(tài)，學(xué)術(shù)界提出了一系列噪聲識別與壓制方法。各類方法都有各自特色，但從數(shù)據(jù)處理角度來看這些方案主要可分為兩類，第一個是傳統(tǒng)噪聲處理方法，傳統(tǒng)噪聲處理方法主要使用數(shù)學(xué)理論和信號處理方法來實現(xiàn)干擾信號的識別與壓制；第二類方法則是神經(jīng)網(wǎng)絡(luò)算法，神經(jīng)網(wǎng)絡(luò)算法基于GPU的強(qiáng)大計算能力，對實驗數(shù)據(jù)進(jìn)行特征提取，建立強(qiáng)大的特征庫，對實驗數(shù)據(jù)進(jìn)行特征匹配，以達(dá)到識別干擾噪聲的效果。在傳統(tǒng)的噪聲處理方法中，陳可洋[1]在2011年基于拉普拉斯算子數(shù)學(xué)理論提出了僅依賴于數(shù)學(xué)計算的噪聲壓制方法，此方法適用范圍廣，不用對實驗數(shù)據(jù)進(jìn)行其他處理，但噪聲識別率低，噪聲壓制效果差，難以滿足地震噪聲壓制要求；王輝、程久龍[2]等人在2016年針對礦場近場干擾提出了大地電磁測深數(shù)據(jù)干擾壓制方法，此方法局限性大，實驗條件難以實現(xiàn)；孫哲、王建鋒[3]等人在2016年基于傳統(tǒng)的信號處理方法結(jié)合時域和空間域提出中值濾波噪聲壓制方法，此方法只適用于去除觀測信號中的隨機(jī)干擾噪聲，難以實現(xiàn)對強(qiáng)噪聲干擾的識別和壓制；李晉、彭沖[4]等人在2017年利用局域均值分解和小波閾值相結(jié)合方法，實現(xiàn)大地電磁噪聲的成功壓制；汪金菊、李青[5]等人在2018年基于分?jǐn)?shù)階小波域人工標(biāo)記數(shù)據(jù)并使用標(biāo)記數(shù)據(jù)搭建GSM模型，實現(xiàn)地震信號中隨機(jī)噪聲的壓制，此實驗中GSM模型只適用于特定數(shù)據(jù)，不適用于本實驗數(shù)據(jù)；陳毅軍、程浩[6]等人在2021年基于CEEMDAN的時頻峰值濾波實現(xiàn)微地震隨機(jī)噪聲壓制；胡瑞卿、何俊杰[7]等人在2021年根據(jù)信號處理理念提出時頻域變分模態(tài)分解實現(xiàn)地震信號中噪聲處理。在基于神經(jīng)網(wǎng)絡(luò)的方法中，羅仁澤和李陽陽[8]在2020年對RUnet卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行適當(dāng)修改，使其滿足地震噪聲的檢測和壓制；張巖、李新月[9]等人在2021年基于聯(lián)合深度學(xué)習(xí)理論，通過將多個深度學(xué)習(xí)網(wǎng)絡(luò)相結(jié)合，實現(xiàn)地震數(shù)據(jù)中出現(xiàn)的隨機(jī)噪聲壓制，本實驗?zāi)Ｐ蛷?fù)雜度高，模型訓(xùn)練時間按長，難以滿足快速檢測干擾噪聲需求；張浩、馮興強(qiáng)[10]等人在2021年基于卷積神經(jīng)網(wǎng)絡(luò)利用傾角域彈性波逆時偏移實現(xiàn)噪聲壓制；武國寧、于萌萌[11]等人在2022年將平穩(wěn)小波變換和深度殘差網(wǎng)絡(luò)相結(jié)合，達(dá)到壓制地震信號中隨機(jī)噪聲的效果；唐杰、韓盛元[12]等人在2022年基于去噪卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)對面波噪聲的壓制，該算法取得良好效果；徐彥凱、劉曾梅[13]等人在2022年將雙通道卷積神經(jīng)網(wǎng)絡(luò)運(yùn)用在地震隨機(jī)噪聲壓制中，實驗取得較好結(jié)果。

在地震噪聲壓制算法中，干擾噪聲的快速、精準(zhǔn)識別是壓制算法能否取得良好效果的關(guān)鍵。隨著GPU處理能力不斷增強(qiáng)，目標(biāo)識別檢測框架不斷涌現(xiàn)。本文提出決策樹聯(lián)合YOLOv5的干擾噪聲檢測算法，顯著提升噪聲信號檢測準(zhǔn)確率，為壓制地震信號中的干擾信號打下堅實基礎(chǔ)。

1 ?地震觀測臺觀測數(shù)據(jù)

地震觀測臺觀測數(shù)據(jù)中含有強(qiáng)烈的電磁干擾信號，噪聲信號與無噪聲信號相比，其蘊(yùn)含能量強(qiáng)、波形振幅變化大。含有噪聲信號的觀測數(shù)據(jù)波形圖如圖1所示（矩形框內(nèi)為干擾噪聲信號波形圖）。

由圖1易知干擾信號波形振幅值遠(yuǎn)遠(yuǎn)超出正常波動范圍，噪聲信號段波形與無噪聲信號相比，噪聲信號段波形振幅變化劇烈，信號能量極強(qiáng)，特征顯著，很容易與正常信號相區(qū)分。因此本文選取信號強(qiáng)度和波形平滑程度作為特征值，用于劃分觀測信號中是否包含噪聲信號。

2 ?關(guān)鍵技術(shù)

2.1 ?決策樹

由于地震觀測臺觀測數(shù)據(jù)的多樣性、復(fù)雜性，導(dǎo)致傳統(tǒng)的噪聲檢測方法準(zhǔn)確率較低，難以滿足實際需要。為提高檢測準(zhǔn)確率、降低模型檢測工作量，本文采用決策樹方法，選取合適參數(shù)對實驗數(shù)據(jù)進(jìn)行分類，有效降低處理數(shù)據(jù)量，極大提升檢測效率。決策樹算法是一種簡單、高效、準(zhǔn)確的分類方法。首先對實驗數(shù)據(jù)進(jìn)行特征篩選，選取合適的屬性，利用歸納算法生成一系列數(shù)據(jù)分類規(guī)則；再使用決策樹對實驗數(shù)據(jù)進(jìn)行合理分類。本文依據(jù)信號強(qiáng)度和波形平滑程度對觀測數(shù)據(jù)進(jìn)行劃分，觀測數(shù)據(jù)可分為非干擾噪聲信號和干擾噪聲信號兩大類。如圖2所示，在決策樹中，本文以ID3算法為基礎(chǔ)，采取信息增益作為信號純度的度量。其公式如下：

（1）

式中D表示實驗數(shù)據(jù)樣本集合，Ent（D）表示信息熵，k表示集合樣本D中第幾類樣本，y表示集合樣本D中實驗數(shù)據(jù)樣本集合中類別總數(shù)，pk表示k類樣本對應(yīng)出現(xiàn)的概率，通過計算信息熵值可快速對地震臺觀測數(shù)據(jù)進(jìn)行分類。

本文選取信號強(qiáng)度和波形平滑程度用于判斷觀測信號是否含有干擾噪聲，決策樹判斷方法操作簡單，效率高，數(shù)據(jù)處理耗費(fèi)時間與傳統(tǒng)識別方式相比縮短40%。

2.2 ?YOLOv5目標(biāo)檢測算法

YOLOv5是一種高效的目標(biāo)檢測算法，該算法基于“體縮檢測”的概念，其主要實現(xiàn)是將單個圖像內(nèi)的所有物體分別歸納為更小的類別，并對圖像內(nèi)各個物體進(jìn)行檢測和定位。YOLOv5使用網(wǎng)絡(luò)單元格來檢測和識別圖像種的物體，每個單元格的邊界上都存在一個檢測窗口，并通過神經(jīng)網(wǎng)絡(luò)對圖像中的各個目標(biāo)進(jìn)行分類。YOLOv5不僅能對圖像中各個物體進(jìn)行分類，同時還能檢測出物體的大小、位置等信息。與傳統(tǒng)的目標(biāo)檢測算法相比，YOLOv5檢測算法準(zhǔn)確度更高、數(shù)據(jù)處理速度更快，能夠更加準(zhǔn)確的定位目標(biāo)，并且可以提供目標(biāo)在圖像中的準(zhǔn)確位置，能有效識別觀測信號中的干擾噪聲。YOLOv5結(jié)構(gòu)圖如圖3所示。

在模型輸入端包含三個模塊：Mosaic數(shù)據(jù)增強(qiáng)模塊，針對小目標(biāo)實現(xiàn)隨機(jī)縮放、實現(xiàn)對檢測圖像隨機(jī)裁剪；自適應(yīng)錨框計算模塊，將預(yù)測錨框與實際輸出預(yù)測框框進(jìn)行對比，再進(jìn)行反向更新，不斷迭代模型參數(shù)，針對實驗數(shù)據(jù)生成最佳參數(shù)；自適應(yīng)圖片縮放，對檢測圖像進(jìn)行合理縮放，顯著提高模型檢測精確率。Backbone模塊包含兩個結(jié)構(gòu)：Focus結(jié)構(gòu)和csp結(jié)構(gòu)。Neck結(jié)構(gòu)中采用CSP2結(jié)構(gòu)，加強(qiáng)網(wǎng)絡(luò)特征融合能力。輸出端采用CIOU_Loss作為Bounding box的損失函數(shù)，有效提升模型準(zhǔn)確率。

3 ?實驗設(shè)計

為測試YOLOv5對觀測噪聲識別結(jié)果，本文選取13 000個地震臺觀測數(shù)據(jù)樣本。通過決策樹篩選出10 000個含有噪聲干擾的觀測數(shù)據(jù)樣本。本文使用labelme標(biāo)注工具對觀測數(shù)據(jù)樣本中的干擾噪聲進(jìn)行人工標(biāo)注，確定每個觀測數(shù)據(jù)樣本中干擾噪聲的位置和形狀。

本實驗將13 000個地震臺觀測數(shù)據(jù)樣本按比例平均分為訓(xùn)練集、驗證集、測試集三個部分。本實驗中訓(xùn)練集主要用來訓(xùn)練模型的識別能力，模型在訓(xùn)練中不斷地對參數(shù)進(jìn)行優(yōu)化。驗證集在模型訓(xùn)練過程中不斷對超參數(shù)進(jìn)行優(yōu)化，在提高模型識別精確率的同時避免模型出現(xiàn)過擬合。測試集則是用來評估模型的泛化能力，即模型在面對全新的數(shù)據(jù)時正確識別干擾噪聲的能力。

考慮到本次實驗樣本數(shù)量較少，為增大實驗數(shù)據(jù)量、有效評估模型質(zhì)量、提高實驗可信度，本文采用優(yōu)化后的K折交叉驗證方式對地震臺觀測數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)處理。在增大實驗樣本的數(shù)量的同時交叉驗證實驗方法可以有效避免實驗過程中出現(xiàn)過擬合和欠擬合現(xiàn)象，極大提高實驗可信度。優(yōu)化后的K折交叉驗證方式如下：

1）隨機(jī)將地震臺觀測數(shù)據(jù)樣本集合D按比例平均劃分為k個互不相交的子集，本實驗中k取值為10；

2）將k + 2個子集作為訓(xùn)練集，余下的一個子集Di作為驗證集在模型訓(xùn)練過程中不斷地對模型進(jìn)行優(yōu)化，最終的剩余子集Dj作為測試集對訓(xùn)練好的模型進(jìn)行泛化能力測試；

3）對所有的k - 1種方式進(jìn)行實驗；

4）經(jīng)過以上3個步驟，本實驗最終得到k - 1個訓(xùn)練好的模型，每個模型都在其對應(yīng)的測試集上計算測試結(jié)果，得到了k - 1個測試結(jié)果，對k - 1次的實驗結(jié)果取平均值就得到一個交叉驗證結(jié)果。

優(yōu)化后的K折交叉驗證結(jié)構(gòu)圖如圖4所示：

圖4 ?優(yōu)化后的K折驗證結(jié)構(gòu)圖

在本實驗中，地震臺觀測數(shù)據(jù)集D被平均劃分為D1到D1010個子數(shù)據(jù)集，每個子集樣本數(shù)為1 300個，每個子集中含有噪聲干擾的觀測數(shù)據(jù)樣本為910個，不含噪聲干擾的觀測數(shù)據(jù)樣本為390個。實驗?zāi)Ｐ蛯?yōu)化后的K折驗證數(shù)據(jù)進(jìn)行訓(xùn)練、測試，得到9個實驗結(jié)果，對這9個實驗結(jié)果取平均值，就能得到最終實驗結(jié)果。

4 ?實驗結(jié)果

4.1 ?評價指標(biāo)

精準(zhǔn)率（precision）代表對正樣本結(jié)果中預(yù)測準(zhǔn)確程度，本文中表示的是所有被預(yù)測為含有干擾噪聲的樣本中真正含有干擾噪聲樣本的概率：

（2）

式（2）中TP表示實驗中正確預(yù)測的正例數(shù)即觀測數(shù)據(jù)中成功識別出干擾噪聲的樣本，F(xiàn)P表示實驗過程中觀測數(shù)據(jù)中干擾噪聲段被錯誤判定為非干擾噪聲的樣本。

召回率（recall）表示的是在所有含有干擾噪聲的樣本中被預(yù)測為含有干擾噪聲的樣本的概率，公式如下：

（3）

式（3）中TP表示實驗中正確預(yù)測的正例數(shù)即觀測數(shù)據(jù)中成功識別出干擾噪聲的樣本，F(xiàn)N表示實驗過程中觀測數(shù)據(jù)中非干擾噪聲段被錯誤判定為干擾噪聲的樣本。

在神經(jīng)網(wǎng)絡(luò)識別框架中，精準(zhǔn)率和召回率兩個評價指標(biāo)相互制約，追求高精確率時，模型的召回率往往較低；追求召回率高時，模型識別的精確率會有所下降。F1評價指標(biāo)兼顧精準(zhǔn)率和召回率，能使實驗得到最優(yōu)解。

（4）

式（4）中TP表示實驗中正確預(yù)測的正例數(shù)即觀測數(shù)據(jù)中成功識別出干擾噪聲的樣本，F(xiàn)P表示實驗過程中觀測數(shù)據(jù)中干擾噪聲段被錯誤判定為非干擾噪聲的樣本，F(xiàn)N表示實驗過程中觀測數(shù)據(jù)中非干擾噪聲段被錯誤判定為干擾噪聲的樣本。

4.2 ?實驗結(jié)果

為評估決策樹聯(lián)合YOLOv5識別模型效果，本文采用RUnet卷積神經(jīng)網(wǎng)絡(luò)、平穩(wěn)小波變換與深度殘差網(wǎng)絡(luò)、去噪卷積神經(jīng)網(wǎng)絡(luò)、雙通道卷積神經(jīng)網(wǎng)絡(luò)等方法在同一觀測數(shù)據(jù)樣本中分別進(jìn)行實驗，實驗結(jié)果如圖5所示。

由實驗結(jié)果可知，RUnet卷積神經(jīng)網(wǎng)絡(luò)識別效果一般，將整個噪聲信號識別為兩個單獨(dú)的噪聲信號；平穩(wěn)小波變換與深度殘差網(wǎng)絡(luò)將整個噪聲信號識別為五個單獨(dú)的噪聲信號，同時錯將正常信號識別為噪聲信號；去噪卷積神經(jīng)網(wǎng)絡(luò)出現(xiàn)噪聲識別不完整；雙通道卷積神經(jīng)網(wǎng)絡(luò)識別噪聲效果較佳，但出現(xiàn)將正常信號識別為噪聲信號的情況；決策樹聯(lián)合YOLOv5識別算法成功識別噪聲，未出現(xiàn)錯誤識別情形。為科學(xué)評價實驗結(jié)果，本文將實驗結(jié)果進(jìn)行量化，量化結(jié)果如表1所示。

5 ?結(jié) ?論

地震信號中干擾噪聲識別是地震信號去噪處理的關(guān)鍵，為解決傳統(tǒng)檢測方式效率低、誤報率高等主要難題，本文提出以決策樹聯(lián)合YOLOv5算法，實現(xiàn)快速、精準(zhǔn)識別地震信號中的干擾噪聲信號。該方法基于中國地震臺網(wǎng)中心觀測數(shù)據(jù)，使用決策樹對觀測數(shù)據(jù)進(jìn)行篩選，將數(shù)據(jù)分類為：含有噪聲干擾的觀測數(shù)據(jù)樣本、不含噪聲干擾的觀測數(shù)據(jù)樣本兩類實驗樣本，之后人工對兩類數(shù)據(jù)進(jìn)行標(biāo)記處理。再將標(biāo)記后的數(shù)據(jù)平均劃分為10個互不相交的子集，最后使用YOLOv5神經(jīng)網(wǎng)絡(luò)算法對實驗數(shù)據(jù)進(jìn)行K折交叉驗證。對K折交叉驗證的9個實驗結(jié)果取平均值，得到最終的實驗結(jié)果。實驗結(jié)果表明，該方法能有效識別觀測數(shù)據(jù)中的干擾噪聲信號，相比于其他識別方法，本算法識別率高達(dá)94.6%，召回率與F1值均高于其他算法。

參考文獻(xiàn)

[1] 陳可洋.基于拉普拉斯算子的疊前逆時噪聲壓制方法 [J].巖性油氣藏，2011，23（5）：87-95.

[2] 王輝，程久龍，騰星智，等.礦區(qū)近場源噪聲對大地電磁測深數(shù)據(jù)的影響及其壓制方法 [J].地球物理學(xué)進(jìn)展，2016，31（3）：1358-1366.

[3] 孫哲，王建鋒，王靜，等.基于時空變中值濾波的隨機(jī)噪聲壓制方法 [J].石油地球物理勘探，2016，51（6）：1094-1102+1048.

[4] 李晉，彭沖，湯井田，等.局域均值分解和小波閾值在大地電磁噪聲壓制中的應(yīng)用 [J].振動與沖擊，2017，36（5）：134-141+156.

[5] 汪金菊，李青，徐小紅，等.基于分?jǐn)?shù)階小波域GSM模型的地震信號隨機(jī)噪聲壓制方法 [J].地球物理學(xué)報，2018，61（7）：2989-2997.

[6] 陳毅軍，程浩，鞏恩普，等.基于CEEMDAN的時頻峰值濾波微地震隨機(jī)噪聲壓制方法 [J].石油地球物理勘探，2021，56（2）：234-241+210.

[7] 胡瑞卿，何俊杰，李華飛，等.時頻域變分模態(tài)分解地震資料去噪方法 [J].石油地球物理勘探，2021，56（2）：257-264+210.

[8] 羅仁澤，李陽陽.一種基于RUnet卷積神經(jīng)網(wǎng)絡(luò)的地震資料隨機(jī)噪聲壓制方法 [J].石油物探，2020，59（1）：51-59.

[9] 張巖，李新月，王斌，等.基于聯(lián)合深度學(xué)習(xí)的地震數(shù)據(jù)隨機(jī)噪聲壓制 [J].石油地球物理勘探，2021，56（1）：9-25+56+4.

[10] 張浩，馮興強(qiáng)，付昌，等.基于卷積神經(jīng)網(wǎng)絡(luò)的傾角域彈性波逆時偏移噪聲壓制方法 [J].石油物探，2021，60（3）：376-384.

[11] 武國寧，于萌萌，王君仙，等.應(yīng)用平穩(wěn)小波變換與深度殘差網(wǎng)絡(luò)壓制地震隨機(jī)噪聲 [J].石油地球物理勘探，2022，57（1）：43-51+5.

[12] 唐杰，韓盛元，劉英昌，等.基于去噪卷積神經(jīng)網(wǎng)絡(luò)的面波噪聲壓制方法 [J].石油物探，2022，61（2）：245-252.

[13] 徐彥凱，劉曾梅，薛亞茹，等.應(yīng)用雙通道卷積神經(jīng)網(wǎng)絡(luò)的地震隨機(jī)噪聲壓制方法 [J].石油地球物理勘探，2022，57（4）：747-756+735.

作者簡介：吳澤勇（1996—），男，漢族，江西撫州人，碩士研究生在讀，研究方向：圖像處理、機(jī)器學(xué)習(xí)；袁靜（1981—），女，漢族，河北石家莊人，教師，研究方向：計算機(jī)視覺。