基于改进DCNN法的微震信号自动识别模型及应用

doi:10.11872/j.issn.1005-2518.2023.05.046

基于改进DCNN法的微震信号自动识别模型及应用

杨轶男^,¹, 胡建华^,², 周坦¹, 赵风文¹, 王牧帆¹

1.中南大学资源与安全工程学院，湖南长沙 410083

2.福州大学紫金地质与矿业学院，福建福州 350108

Automatic Recognition Model of Microseismic Signal Based on Improved DCNN Method and Its Application

YANG Yinan^,¹, HU Jianhua^,², ZHOU Tan¹, ZHAO Fengwen¹, WANG Mufan¹

1.School of Resources and Safety Engineering, Central South University, Changsha 410083, Hunan, China

2.Zijin School of Geology and Mining, Fuzhou University, Fuzhou 350108, Fujian, China

通讯作者: 胡建华（1975-），男，湖南衡阳人，教授，从事高效安全采矿技术与工程稳定性研究工作。hujh21@126.com

收稿日期: 2023-03-21 修回日期: 2023-09-11

基金资助:

国家自然科学基金项目“深地环境下胶结充填体多场多尺度力学行为试验与损伤机理研究”. 52274182

Received: 2023-03-21 Revised: 2023-09-11

作者简介 About authors

杨轶男（1998-），女，黑龙江哈尔滨人，硕士研究生，从事矿山安全及充填研究工作857674908@qq.com , E-mail：857674908@qq.com

摘要

为精准识别矿山微震信号，采用改进深度卷积神经网络（DCNN）法，通过傅里叶变换得到的频谱图叠加原始图像的空间域图作为微震信号的识别对象，提出了一种基于改进DCNN法的微震信号自动识别与分类模型，建立了某铅锌矿的IMS微震监测信号数据库的训练集、验证集和测试集，并通过实际工程数据验证了方法的可靠性。结果表明：利用频谱图和空间域图在BGR通道上堆叠的特征值作为DCNN输入的方法，构建的微震信号自动识别模型精度更高且泛化能力更强，该模型能够高效地提取微震信号特征；采用F1值、ROC曲线和AUC值3种性能度量进行评价，验证了改进方法的可行性、有效性和可靠性。

关键词： DCNN法 ; 微震监测 ; 信号识别 ; 傅里叶变换 ; 自动识别模型 ; 深部开采

Abstract

In order to accurately identify mine microseismic signals，an improved deep convolutional neural network （DCNN） method was adopted.The spatial domain image of the original image superimposed by the spectrum map obtained by Fourier transform was used as the identification object of microseismic signals.An automatic identification and classification model of microseismic signals based on an improved DCNN method was proposed. The training set，verification set and test set of the IMS microseismic monitoring signal of a lead-zinc mine were established，and the reliability of the method was verified by actual engineering data. The results show that the automatic recognition model of microseismic signals with higher precision and better generalization ability is constructed by using the eigenvalues stacked on the BGR channel of the spectrum map and the spatial domain image as the input of DCNN，which can extract the features efficiently. By evaluating the F1 value，ROC curve and AUC value，the feasibility，effectiveness，and reliability of the improved method is verified.

Keywords： DCNN method ; microseismic monitoring ; signal identification ; Fourier transform ; automatic recognition model ; deep mining

PDF (3860KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

杨轶男, 胡建华, 周坦, 赵风文, 王牧帆. 基于改进DCNN法的微震信号自动识别模型及应用[J]. 黄金科学技术, 2023, 31(5): 794-802 doi:10.11872/j.issn.1005-2518.2023.05.046

YANG Yinan, HU Jianhua, ZHOU Tan, ZHAO Fengwen, WANG Mufan. Automatic Recognition Model of Microseismic Signal Based on Improved DCNN Method and Its Application[J]. Gold Science and Technology, 2023, 31(5): 794-802 doi:10.11872/j.issn.1005-2518.2023.05.046

近年来，随着矿山开采工作的持续推进，浅部矿产资源逐渐消耗殆尽，深部开采已成为矿业发展的必然趋势（李夕兵等，2017；杨晨，2018；吴爱祥等，2021）。然而，由于受到深部高地应力、高渗透压和高地温等诸多因素的影响，地下岩爆和冲击地压等动力地质灾害现象频发，深部开采工作面临着许多艰巨挑战，也存在诸多安全隐患（侯玮等，2014；蔡美峰等，2019；于世波等，2020；傅璇等，2022）。为了准确预测矿山动力灾害，学者们围绕微震监测技术及其数据处理开展了诸多研究，并提出机器学习与矿山监测数据相融合的方法（Dong et al.，2020；王润沛，2020；胡乃勋等，2021；朱玮，2022）。深度学习在无人工设计调节下能够完成对震相目标特征的自动提取，如：卷积神经网络微震波形分类方法（姚开一等，2018）。

自20世纪90年代起，研究人员开始将神经网络应用到震相识别范畴（Wang et al.，1995；Zhao et al.，1999；Gentili et al.，2006；Perol et al.，2018）。魏梦祎等（2018）依据波形特征相似是由于微地震事件中震源位置及破裂机理相似的原理，提出了一种初至拾取结果更准确的波形互相关的震相识别方法。Ross et al.（2018）根据南加州地震台的标记数据训练卷积神经网络来监测地体波相位，证明卷积神经网络在检测相位方面具有敏感性和稳健性。随着科学计算和神经网络的飞速发展，研究人员尝试构建新型融合式网络模型。例如：田宵等（2022）利用多输入卷积神经网络提取了大量事件的波形、频谱和极性特征，构建了深度学习的训练数据集并进行模型训练，根据2013—2016年天然地震事件和爆破事件判断模型识别精度，识别率高达97%。赵洪宝等（2021）提出由自适应去噪神经网络和分割联合拾取神经网络构成的适用于微震P波信号拾取模型，实现了深度学习与矿山微震监测的融合。基于DCNN方法能够从微震监测信号的大数据中自动学习目标特征，从而有助于提高目标监测精度和信息处理过程的效率。如何精确地识别震相并优化微震信号识别方法，是DCNN法在微震监测领域的重点研究方向。

由此，本文基于矿山微震系统监测的实际工程数据，针对矿山微震监测信号特征，改进了传统的信号识别方法，构建了一种准确率和效率更高的微震信号自动识别模型，丰富了矿山微震信号识别与深度学习方法相结合的相关理论及其应用。

1 改进DCNN法概述

目前微震信号识别方法大多集中在空间域，未能充分考虑空间域与多域特征融合等方面的问题，但此类多域融合方法已被提出，并应用于图像识别、信号提取和三维重构等方面。针对微震信号识别方法目前存在的问题和挑战，运用傅里叶变换，提出在DCNN中利用空间域特征与频域特征的多域输入方法。

1.1 改进DCNN分类识别方法

近年来，DCNN被广泛应用于自主识别与分类震相领域，具有较强的稳健性。为了提高对目标特征提取的效率和模型的泛化能力，提出了多域输入的改进DCNN法，多域输入的方法是指将图像通过二维傅里叶变换转换成傅里叶频谱图，作为频域特征与原始图像的空域特征共同输入DCNN，从而实现模型的改进。区别于传统DCNN的空间域图像的单一输入方式，改进DCNN将空间域图像与图像傅里叶变换的频域图共同作为输入信息。傅里叶变换主要被用于时频变换，该变换通过将时域信号中的时间与振幅分量转换成频率与时间分量构成的频域信号，反傅里叶变换同样能够将频谱转换回时域信号。由于使用的数据是波形的图像，图像是一个二维信号而非波形原始的一维信号。不同于图像信号是连续变化的物理图像（也称为连续图像），计算机能处理的数字图像是指物理图像的连续信号值被离散化后，由被称作像素的小块区域组成的二维矩阵，且每个像素包括2个属性：位置和色彩（灰度图为亮度）。根据以上条件，对数字图像的傅里叶变换处理选择二维离散傅里叶变换。

改进DCNN识别方法首先对图像进行二维离散傅里叶变换得到图像的频谱图，然后在原始图像空间域（长、宽、BGR值）图内叠加频域特征值，以此格式作为数据输入进行DCNN模型训练。

图像尺寸为M×N的函数f（x，y）的离散傅里叶变换函数（dft）为

F (u, v) = \frac{1}{M N} \sum_{x = 0}^{M - 1} \sum_{y = 0}^{N - 1} f (x, y) e^{- j 2 π (\frac{u x}{M} + \frac{v y}{N})}

（1）

根据F（u，v），可通过反变换得到函数f（x，y），表示为

f (x, y) = \frac{1}{M N} \sum_{x = 0}^{M - 1} \sum_{y = 0}^{N - 1} F (u, v) e^{- j 2 π (\frac{u x}{M} + \frac{v y}{N})}

（2）

其中，F（0，0）可表示为

F (0,0) = \frac{1}{M N} \sum_{x = 0}^{M - 1} \sum_{y = 0}^{N - 1} f (x, y)

（3）

式中：u和v为频率变量；x和y为空间域图像变量；F（u，v）为f（x，y）的傅里叶变换，F（u，v）所在的坐标系称为频域。假设f（x，y）是一幅图像，那么f（x，y）是（x，y）点的灰度值，在原点的傅里叶变换F（0，0）等于图像的平均灰度值，将所有的像素点的灰度值求和，然后除以像素总个数即为平均灰度值。

1.2 改进DCNN法的实现

深度学习平台主要有TensorFlow、Caffe、Torch和Theamo等，TensorFlow在可用性、灵活性、效率和支撑后盾等方面更胜一筹，是目前应用范围最广且认可程度最高的平台（姜新猛，2017；章敏敏等，2017）。作为典型的轻量级软件，采用TensorFlow作为深度学习平台最合适，其性能非常强大，能够在最短时间内完成培训模型的构设。该软件中包含4类广泛应用于图像识别与分类的网络模型，分别是Le Net-5、Alex Net（top-5）、Google Net（top-5）和ResNet152（top-5）。Le Net-5属于发展初期的卷积神经网络模型，对复杂问题和大规模数据的处理能力有所欠缺，Alex Net、Google Net和ResNet152模型在图像分类领域均取得了出色的效果（Krizhevsky et al.，2012；Pang et al.，2020）。4种模型实现相关数据对比如表1所示，通过比较模型数据库的时效性和识别率高低，ResNet的top-5最适合作为研究使用的网络结构模型。

表1 4种模型在TensorFlow平台上的实现

Table 1 Implementation of four models on TensorFlow platform

网络模型	数据库	标准识别率/%
Le Net-5	Mnist	99.1
Alex Net（top-5）	Image Net2012	80.2
Google Net（top-5）	Image Net2012	88.9
ResNet152（top-5）	Image Net2012	96.4

新窗口打开| 下载CSV

2 基于改进DCNN法的微震信号自动识别模型

2.1 数据预处理

微震信号数据集使用前需要针对数据进行预处理操作，完成对数字图像的二维离散傅里叶变换的过程。利用OpenCV（吴晓阳，2008）读取图像，并处理成OpenCV方便处理的float32格式，使用自带的dft函数对图像进行傅里叶变换，利用傅里叶变换的平移性将变换后的频谱图转移到中心位置，从而完成基本的傅里叶变换；为了仅保留图像的低频部分，需要进行低通滤波，再实现傅里叶反变换转换成空间域的图像，变换后的低频部分表示图像中慢变化的特性，即灰度变化缓慢的特性。

以同样的过程对图像进行高通滤波，即使用mask掩码操作只保留图像的高频部分，再经过傅里叶变换转换成空间域图像，对比观察可以发现，该过程仍保留着图像中快变化的部分，即获得图像的边缘和纹理信息。傅里叶变换预处理过程如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 傅里叶变换处理过程

Fig.1 Treatment process of Fourier transform

对图像的二维傅里叶变换得到的频谱图可以看作图像的梯度分布图，频谱图中的某一个点所表征的是空间域中某一个点与周围点的灰度差异性，灰度差异越大，则频率越大。频谱图反映着图像的主要信息，通过对频谱图的操作完成对图像信息的处理。

数据集以某铅锌矿IMS微震检测系统在2019年1—4月的波形记录为数据基础，绘制以时间为横轴、振幅为纵轴的时域波形图像。微震波形的持续时间较短，能量和振幅较小，岩石破裂信号通常在0.01~0.20 s之间，且频率较低，频率通常在几赫兹至几十赫兹之间，在波形图像上呈现尾波较短及衰减较慢的特征。在数据集构建和数据种类方面，基于上述特征，将数据划分为微震事件和非微震事件的噪声，包括微震事件样本500个，噪声样本500个。收集到的微震事件样本如图2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 微震事件样本图

Fig.2 Sample graph of microseismic events

为加强模型的学习和泛化能力，需要对微震事件的波形记录数据集进行增强操作，即在不改变图像语义的情况下，引入随机的变化。经过数据增强处理后的模型，会在一定程度上提升识别的准确性（高友文等，2018；高震宇，2018）。在TensorFlow平台中将图像随机截取为224像元×224像元的尺寸，通过随机的沿水平翻转和增加高斯噪声的数据增强方法，将数据量增大至5 000组。微震事件样本的预处理过程如图3所示。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 微震事件样本的预处理过程

Fig.3 Pretreatment process of microseismic events samples

通过对各图像的二维离散傅里叶变换得到样本的频域图，将获得的傅里叶频谱图与原始空间域图像进行堆叠，即将傅里叶变换频谱图作为除了B、G、R以外的第4通道在通道的维度上进行堆叠，即原图像向量为（224，224，3），改进后图像向量为（224，224，4）。经过傅里叶变换后的图像如图4所示。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 傅里叶变换前后图像对比

Fig.4 Image comparison before and after Fourier transform

2.2 模型设计及训练

将处理过的5 000组数据按照6∶2∶2的比例分成3 000组训练集数据、1 000组验证集数据和1 000组测试集数据。其中，训练集数据和验证集数据用于训练和调整模型，测试集数据通过模型预测的结果对构建的模型进行性能评估。主干神经网络模型是神经网络学习和识别的基础，使用Python语言编程开发，运用TensorFlow深度学习框架构建网络，使用第三方库Matplotlib绘制图像，使用的显卡为NVIDIA Quadro P5000。使用函数导入已编写的ResNet18网络中，建立网络并设置输入尺寸为（None，224，224，4），其网络结构模型如图5所示。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 ResNet18网络结构模型

Fig.5 ResNet18 network structure model

随着训练迭代次数的增加，训练集和验证集的精度随之上升，训练集和验证集的精度分别收敛于0.9164和0.8560；同时，训练集和验证集的损失随之下降，训练集和验证集的损失分别收敛于0.6181和0.6391；训练集与验证集的精度和损失随着迭代次数增加的曲线图如图6所示。结果表明，验证集与训练集相比差别不大且未出现过拟合现象，说明模型对未经过训练的全新样本的泛化能力较强，模型稳定且可信度高。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 训练集与验证集的精度和损失曲线

Fig.6 Accuracy and loss curves of training set and verification set

2.3 模型性能评价

测试集由500组微震事件数据（正例）和500组非微震事件数据（反例）组成，通过分析模型的预测结果完成对性能的评估。将带有标签的测试集数据放入模型中进行预测，模型预测结果的各类情况中分别有457组正例和452组反例，其中微震事件的准确率为91.4%，非微震事件的准确率为90.4% （表2）。

表2 模型预测结果与真实结果

Table 2 Model prediction results and real results

测试集类型

真实情况/个

预测结果/个

准确率

微震事件

非微震事件

微震事件

非微震事件

正例

500

457

91.4

反例

500

452

90.4

新窗口打开| 下载CSV

对模型预测的误判结果进行分析，1 000组测试集数据中有43个微震事件被误判为非微震事件，48个非微震事件被误判为微震事件。根据误判记录，微震事件误判的信号图像波动较小、时间较短，该情况是由于波动能量太小而引起的误判，而岩爆和冲击地压等灾害发生前的能量较大，因而此类误判对灾害的识别影响较小。非微震事件误判的信号有小波形的片段，却无矿山压力显示，可能是由于波形在传播过程中受到传播介质、监测设备和传播距离等因素的影响，未获取到完整波形图像而误判，此类误判增强模型可靠性，有利于系统安全的保障和灾害识别。同时，小能量微震波形的识别将是未来研究的重点。

采用3种分类模型性能度量指标，分别是F1系数、ROC曲线和AUC面积。其中，F1系数是综合考虑精准率和召回率2个方面因素而产生的指标（Hu et al.，2022），其计算公式为

F 1 = 2 \times \frac{P \times R}{P + R}

（4）

式中：P为准确率；R为召回率。

由于模型输出的是预测概率，使用精准率和召回率作为指标评估时，需要对预测概率进行阈值设定，而受试者工作特征曲线（Receiver Operating Characteristic）不需要设定阈值进行性能评价，而是以真正例率作为纵轴，假正例率为横轴构成。AUC（Area Under Curve）表示ROC曲线下方的面积大小，其面积可由积分方式求解，且值越靠近1表示模型越准确。AUC计算公式为

A U C = \frac{1}{2} \sum_{i = 1}^{m - 1} (x_{i + 1} + x_{i}) \times (y_{i} + y_{i + 1})

（5）

运用代码绘制ROC曲线并求解AUC值，如图7所示。其中，对角线表示模型将样本一半预测为正例，另一半预测为反例，性能越好的模型，ROC曲线越靠近左上角（0，1）处。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 模型的ROC曲线与AUC值

Fig.7 ROC curve and AUC value of the model

计算3种性能度量，F1值为0.909，ROC曲线靠近左上角（0，1）处，AUC值为0.84，模型性能达到预期。

3 工程应用

某铅锌矿位于广东省，开采历史超过50年，矿石储量大，矿山生产能力强，开采技术和设备先进，具有良好的开采条件，并取得一定的经济效益。由于该矿山已进入深部开采阶段，且开采活动较为频繁，随之地压活动也较为活跃，岩爆倾向性强。为了保证矿山生产安全和有效开采，引进了多通道IMS微震监测系统，用于实时记录地压活动以及预测岩体稳定性状态。

基于该矿IMS微震检测系统中的10组检测数据进行应用验证，其中微震信号数据5组，爆破信号5组。将数据集中的图像经过改进DCNN法处理后，打乱顺序并输入模型中进行识别分类，结果显示10组信号的分类全部正确。其中，6组信号图像如图8所示，其识别结果见表3。结果表明，在实际工程应用中模型对微震信号的识别具有可靠性，可以实现矿山微震事件的高效准确判别与预测。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 微震信号和爆破信号示例图

Fig.8 Sample graphs of microseismic signals and blasting signals

表3 微震信号识别结果

Table 3 Microseismic signal recognition results

信号编号	输入类别	输出类别	识别结果
微震信号1	微震信号	微震信号	正确
微震信号2	微震信号	微震信号	正确
微震信号3	微震信号	微震信号	正确
爆破信号1	爆破信号	非微震信号	正确
爆破信号2	爆破信号	非微震信号	正确
爆破信号3	爆破信号	非微震信号	正确

新窗口打开| 下载CSV

4 结论

（1）改进了微震信号的识别DCNN模型，利用傅里叶变换所得频谱图与原始图像的空间域图与BGR特征值堆叠作为DCNN的输入，增加输入数据，实现了特征值的高效提取，获得了精度更高且泛化能力更强的模型。

（2）完成了微震信号自动识别模型的构建，将某矿收集到的数据制作成数据集，以ResNet18为网络结构模型，根据微震识别的任务设计输出层为二分类，结果训练集与验证集的精度和损失值均符合模型预期。

（3）采用F1值、ROC曲线和AUC面积3个性能度量值，实现了微震信号自动识别模型的评价，评价结果为F1值为0.909，ROC曲线靠近（0，1）处，AUC值为0.84，该模型性能达到预期，并基于实际矿山监测系统所得数据进行信号分类识别，证明了该模型在工程应用中的可行性。

http://www.goldsci.ac.cn/article/2023/1005-2518/1005-2518-2023-31-5-794.shtml

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[]

Cai

Meifeng

， Xue

Dinglong

， Ren

Fenhua

，2019.

Current status and development strategy of metal mines

［J］. Chinese Journal of Engineering，41（4）：417-426.

Dong

L J

， Tang

， Li

X B

，et al，2020.

Discrimination of mining microseismic events and blasts using convolutional neural networks and original waveform

［J］.Journal of Central South University，27（10）：3078-3089.