基于姿态估计网络的多阶频散曲线自动拾取方法及装置与流程

本技术涉及地球物理近地表勘探，具体涉及一种基于姿态估计网络的多阶频散曲线自动拾取方法及装置。

背景技术：

1、在地球物理近地表勘探领域，面波勘探技术是一项至关重要的地下结构探测手段。该技术的核心数据处理流程首先需要将检波器接收到的地震面波信号转换至频率-速度域，从而生成频散能量图。在频散能量图中，横坐标通常为频率或周期，纵坐标为相速度，图中能量最强区域连成的连续曲线即为面波频散曲线。频散曲线的准确提取是面波勘探中至关重要的一环，通过对获得的频散曲线进行反演计算，能够得到精细的地下横波速度结构。近年来，随着勘探设备性能的提升和勘探要求分辨率的增加，特别是针对背景噪声数据的采集，由于台站数量众多，伴随产生了海量的面波频散数据。面对如此庞大的数据规模，实现频散曲线的自动拾取已成为提高数据处理效率和勘探精度的必然要求。受面波在地下传播的物理特性影响，频散曲线通常呈现多阶特征，即包含处于能量图下方且相速度较低的主体基阶，以及分布在基阶上方、相速度较高的高阶（如第一高阶和第二高阶等）。然而，实际勘探环境极其复杂，频散能量图往往伴随强烈的背景噪声。此外，不同阶数的频散曲线在特定频段经常出现能量缺失、能量重叠或阶数交叉粘连等现象。如何从这种海量、低信噪比且存在多阶交叉的能量图中，准确、连续且自动化地提取出不同阶数频散曲线的精确坐标点，一直是本领域亟待突破的核心技术瓶颈。

2、目前，提取面波频散曲线的现有技术方案主要分为三种。第一种为人工交互拾取法。该方法依赖专业技术人员对面波频散能量谱进行分析，根据经验判别能量团的分布规律，并对各频率下的相速度极值点进行交互式拾取，最终拟合形成完整的频散曲线。这种方案的处理效率极低，完全无法应对现代长时间、多台站监测所产生的海量勘探数据；同时该过程极度依赖操作人员的主观经验，不同人员的拾取结果往往存在较大偏差，特别是在高阶曲线能量微弱或被噪声干扰时，极易产生主观误判。

3、第二种现有技术方案为基于数学统计与局部特征追踪的算法。该类方法涵盖了传统的极大值搜索脊线追踪法，以及近年来涌现的一系列基于局部数学优化的改进方案。上述方案的共同特征在于均将频散能量图视为二维矩阵，通过在局部范围内搜寻能量极值点、应用k均值聚类划分数据点分区、或利用高斯滤波结合分位数处理来识别能量中心。为提高追踪稳定性，部分方案还引入了前向后向贪婪算法或时间序列预测模型以连接相邻频率的离散点。然而，此类方案本质始终停留在图像像素级别的局部特征提取层面，缺乏对频散曲线作为一个完整物理实体实例的全局宏观拓扑认知。当处理多阶频散曲线在能量谱上发生严重空间混叠与轨迹交叉的复杂地震数据时，聚类算法极易将多阶重叠的能量块误判为同一簇群，从而导致最终拾取点发生严重偏移；同时，追踪算法在能量交叉点处也极易发生路径迷失，进而产生基阶与高阶相互跳跃混淆的串阶现象。

4、第三种现有技术方案，也是与本技术最为近似的方案，是采用基于语义分割的深度学习方法，例如应用广泛的u-net 模型。该方案将曲线拾取任务转化为图像像素的二分类问题。模型接收频散能量图后，输出一张尺寸相同的二分类预测图，其中被判定为频散曲线所在位置的像素点被标记为前景像素，其余被标记为背景像素。这种方案虽然引入了深度学习，但仍存在两大难以克服的技术缺陷。首先，该方案本质上属于非端到端的两步走架构。图像分割模型输出的结果是带有一定像素宽度的条带状区域，而非直接的物理坐标点。因此，必须额外引入图像骨架提取、局部极大值搜索等复杂的后处理算法，将宽条带强行细化为单像素线条后再转换为数值坐标。这一繁琐的过程不仅显著增加了计算成本，且在细化过程中极易引起几何中心偏移，从而引入不可控的二次计算误差。其次，现有分割模型缺乏对曲线实例属性与阶数属性的辨识能力。语义分割仅能判断像素点是否归属于曲线区域，无法在检测阶段直接区分基阶与高阶曲线。当不同阶数的频散曲线在特定频段发生空间重叠、混叠或能量融合时，分割模型会将其识别为单一的连通像素块。由于缺乏全局实例信息，后续的聚类分析或骨架剥离算法在处理此类粘连现象时，极易发生分阶错误或路径丢失，最终导致高频段多阶频散曲线的分离效果不佳。

5、因此，针对现有面波勘探数据处理中，人工提取频散曲线效率极其低下，以及现有自动化算法在复杂噪声干扰和多阶频散曲线交叉粘连情况下极易出现串阶、后处理繁琐，且无法有效分离独立多阶曲线的诸多技术缺陷。

技术实现思路

1、为了解决上述技术缺陷之一，本技术实施例中提供了一种基于姿态估计网络的多阶频散曲线自动拾取方法及装置。

2、根据本技术实施例的第一个方面，提供了一种基于姿态估计网络的多阶频散曲线自动拾取方法，包括以下步骤：

3、将频率-相速度域的面波频散能量图或归一化频散能量矩阵输入训练好的姿态估计网络模型，输出至少一个频散曲线实例目标及其对应关键点在图像坐标系中的坐标、实例类别和实例置信度；其中，将所述频散能量图中的每一阶频散曲线识别为独立的实例目标，所述实例类别用于表征频散曲线阶数，并将每阶频散曲线上对应于预设频率锚点的相速度值定义为该实例目标的关键点；

4、基于所述实例置信度和/或关键点可见性标识，对各个频散曲线实例目标分别进行有效性判定；当不存在置信度高于预设阈值的有效频散曲线实例目标时，判定输入的面波频散能量图为无效信号并拒识；

5、在存在有效频散曲线实例目标的情况下，基于预设的坐标映射关系，将所述有效关键点的图像坐标逆映射为频率和相速度的物理坐标，并按实例类别对应的阶数输出多阶频散曲线物理坐标序列。

6、在本技术一个可选的实施例中，所述将每阶频散曲线上对应于预设频率锚点的相速度值定义为该实例目标的关键点，包括：

7、对于每一阶频散曲线，沿频率轴按照线性、对数或分段非均匀频率锚点策略选择n个采样频率点；

8、将每一个采样频率点在所述频散能量图上对应的相速度位置定义为一个关键点，其中，每个实例目标具有阶数类别标签，第i个关键点对应第i个预设频率锚点；每个关键点还包括可见性标识，当对应频率锚点处的频散能量低于阈值、曲线超出预设速度范围或该阶曲线不可辨识时，将该关键点标记为不可见。

9、在本技术一个可选的实施例中，所述姿态估计网络模型为具有目标检测分支和关键点回归分支的姿态估计网络，其至少包括：

10、主干特征提取网络，用于提取所述频散能量图的深度语义特征；

11、特征耦合模块，用于对来自主干网络的不同尺度的特征图进行融合，增强模型对微弱频散特征的感知能力；

12、解耦预测头，用于并行执行实例目标的分类、定位以及关键点的坐标回归。

13、在本技术一个可选的实施例中，所述实例置信度由所述姿态估计网络模型对所述频散曲线实例目标的全局拓扑结构和局部能量特征进行评估打分得到，所述关键点可见性标识用于表征对应频率锚点处是否存在可用于输出的有效相速度点。

14、在本技术一个可选的实施例中，所述关键点在图像坐标系中的坐标为下列任一种：

15、第一种，直接输出关键点的坐标偏移量数值；

16、第二种，为每个关键点预测一张概率热力图，通过获取热力图中的概率峰值位置作为该关键点的坐标。

17、在本技术一个可选的实施例中，所述姿态估计网络模型为yolo-pose网络，或者为具有目标检测分支和关键点回归分支的单阶段姿态估计网络；所述姿态估计网络模型包括主干特征提取网络、特征融合网络和解耦式预测头；所述解耦式预测头用于并行输出实例类别、目标区域、实例置信度、关键点坐标以及关键点可见性标识。

18、在本技术一个可选的实施例中，在所述姿态估计网络模型的训练阶段，其损失函数至少包括实例目标分类损失、实例目标定位框回归损失、关键点坐标回归损失和关键点可见性损失；其中，所述损失函数还包括针对所述频散曲线在物理连续性上的先验约束项，所述先验约束项包括相邻关键点速度差约束、曲率平滑约束和阶间速度顺序约束中的至少一种。

19、根据本技术实施例的第二个方面，提供了一种基于姿态估计网络的多阶频散曲线自动拾取装置，包括：

20、输入模块，用于将频率-相速度域的面波频散能量图或归一化频散能量矩阵输入训练好的姿态估计网络模型，输出至少一个频散曲线实例目标及其对应关键点在图像坐标系中的坐标、实例类别和实例置信度；其中，将所述频散能量图中的每一阶频散曲线识别为独立的实例目标，所述实例类别用于表征频散曲线阶数，并将每阶频散曲线上对应于预设频率锚点的相速度值定义为该实例目标的关键点；

21、有效性判定模块，用于基于所述实例置信度和/或关键点可见性标识，对各个频散曲线实例目标分别进行有效性判定；当不存在置信度高于预设阈值的有效频散曲线实例目标时，判定输入的面波频散能量图为无效信号并拒识；

22、坐标逆映射与输出模块，用于在存在有效频散曲线实例目标的情况下，基于预设的坐标映射关系，将所述有效关键点的图像坐标逆映射为频率和相速度的物理坐标，并按实例类别对应的阶数输出多阶频散曲线物理坐标序列。

23、根据本技术实施例的第三个方面，提供了一种计算机设备，包括：

24、存储器；

25、处理器；以及

26、计算机程序；

27、其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现所述基于姿态估计网络的多阶频散曲线自动拾取方法。

28、根据本技术实施例的第四个方面，提供了一种计算机可读存储介质，其上存储有计算机程序；所述计算机程序被处理器执行以实现所述基于姿态估计网络的多阶频散曲线自动拾取方法。

29、采用本技术实施例中提供的基于姿态估计网络的多阶频散曲线自动拾取方法，将频散曲线作为实例目标、将预设频率锚点处的相速度值作为关键点，并结合实例置信度、关键点可见性标识和物理坐标逆映射，实现从频散能量矩阵到多阶频散曲线物理坐标序列的端到端输出，从而克服人工拾取效率低、传统追踪算法易串阶以及语义分割方法后处理复杂且难以分离多阶曲线的问题。