一种基于深度学习的航磁异常检测与参数智能估算方法与流程

本发明涉及地球物理勘探，更具体的说是涉及一种基于深度学习的航磁异常检测与参数智能估算方法。

背景技术：

1、在航磁异常解释中，准确获取地下磁性体的空间位置，尤其是埋深和磁化方向（倾角、偏角），是评估磁性体性质、进行地质推断的重要基础。传统方法上，现场技术人员主要依赖切线法等手工或半手工图解法，对孤立异常进行深度估算。该方法需人工在磁异常剖面上选取极大值、半极值点、拐点等特征点，再代入经验公式计算深度。其局限性在于：手工操作效率低下，结果高度依赖操作人员的个人经验，重复性差；对于有限长板状体、圆柱体等复杂形态异常以及多异常叠加的场景，处理能力严重不足；且仅能获得深度近似值，无法同时获取磁化方向或形体信息，精度难以满足定量解释的需求。

2、随着计算技术的发展，出现了基于最优化理论的自动反演方法，如马奎尔特法、遗传算法、模拟退火等。这些方法通过迭代调整模型参数，使正演场与观测场达到最佳拟合，能够同时输出深度和磁化方向。然而，其应用受到多解性强、严重依赖初始模型、易陷入局部极值以及计算成本高昂等问题的制约。特别是在异常体形状未知的情况下，需要同时优化几何尺寸和物性参数，导致变量空间维度过高，收敛困难。对于多异常叠加的复杂场源，还需在反演前进行主观性强的异常分离处理，难以满足现场快速处理的需求。

3、近年来，深度学习技术在图像识别领域取得突破，个别研究开始尝试将其应用于航磁异常识别。例如，利用分类网络判断异常体形态，简化为球体、圆柱体、板状体，或利用目标检测网络定位异常中心。然而，现有技术方案功能单一，尚未形成从异常检测到多参数（深度、倾角、偏角、形体）一体化输出的完整技术方案。

4、其主要不足体现在以下几个方面：

5、（1）特征提取未充分耦合物理机制。多数网络直接以原始磁异常图像为输入，未能有效利用解析信号幅值、梯度场、频域信息等多通道物理特征，导致模型对深度和磁化方向等关键参数的学习能力受限，在幅值动态范围大的场景下预测可靠性差。

6、（2）形体判别缺乏形态先验知识。纯数据驱动的分类网络在面对有限长圆柱体和板状体等形态相似的异常时，分类置信度接近，极易混淆。现有技术缺乏将物理形态特征，如梯度方向熵等作为辅助决策的机制，导致推荐形体的准确性不高。

7、（3）未实现多异常的自适应处理。现有方法多针对单异常场景，当测区内存在多个相互干扰的磁性体时，无法自动分割并逐一反演，仍需人工干预，丧失了自动化处理的优势。

8、（4）推理流程与训练条件不一致。部分方法在推理时采用与训练阶段不同的网格分辨率或特征归一化方式，引入了重采样误差或分布偏移，导致预测深度严重失真，系统实用性和鲁棒性差。

9、因此，提出一种基于深度学习的航磁异常检测与参数智能估算方法，来解决现有技术存在的困难，是本领域技术人员亟需解决的问题。

技术实现思路

1、有鉴于此，本发明提供了一种基于深度学习的航磁异常检测与参数智能估算方法，针对现有技术中航磁异常解释依赖人工切线法效率低、无法获得磁化方向，而现有深度学习方法功能单一、未充分利用物理特征、形体判别缺乏形态先验知识，无法同时处理多异常且推理与训练条件不一致，导致深度预测失真的缺陷。

2、为了实现上述目的，本发明提供如下技术方案：

3、一种基于深度学习的航磁异常检测与参数智能估算方法，包括以下步骤：

4、s1、分别针对球体、有限长圆柱体和有限长板状体三种典型磁性体模型，构建并训练独立的反演网络模型；训练时对每个样本的磁异常场δt提取多通道物理特征作为网络输入，每个形体专属反演网络用于反演对应单一形体假设下的深度和磁化方向参数；

5、s2、基于多异常叠加样本训练目标检测网络，用于从航磁δt网格中自动定位所有异常区域的边界框；

6、s3、对于输入的实测航磁δt网格数据，执行以下推理流程：

7、s31、数据预处理：计算实测数据的网格间距，并构造多通道特征图；

8、s32、异常检测与定位：将多通道特征图输入训练好的目标检测网络，检测出所有异常边界框；

9、s33、窗口裁剪与特征提取：以每个异常中心点为中心，从原始δt网格中裁剪出固定物理尺寸的窗口，并对当前窗口提取多通道物理特征；

10、s34、多形体并行反演：将处理好的窗口特征分别输入步骤s1训练好的各形体专属反演网络模型，每个网络独立输出对应形体假设下的深度、磁化倾角和磁化偏角；

11、s35、最佳形体融合决策：对于各形体网络输出的多组参数，综合正演拟合残差、形态先验知识以及反演置信度进行加权评分，为每个异常推荐最可能的形体，并输出形体对应的深度、磁化倾角和磁化偏角作为最终估算结果。

12、可选的，s1中的多通道物理特征包括：解析信号幅值、水平梯度、垂向导数以及频域振幅谱；

13、解析信号幅值由磁异常δt的水平导数和垂向导数计算得到，垂向导数在频率域计算，频域振幅谱通过对δt进行二维快速傅里叶变换后取振幅谱并进行对数压缩得到。

14、可选的，s1中的每个形体专属反演网络为三分支卷积神经网络结构，包括深度分支、倾角分支和偏角分支；深度分支采用回归方式输出归一化的深度值，倾角分支和偏角分支采用分类方式分别输出磁化倾角和磁化偏角的概率分布；

15、深度分支的输入为解析信号幅值与δt组成的双通道特征图；倾角分支的输入为δt、水平导数和垂向导数组成的三通道特征图；偏角分支的输入为δt、水平导数、垂向导数和频域振幅谱组成的四通道特征图。

16、可选的，s1中的生成训练样本的方式为：设定固定的空间网格范围，在空间网格范围内随机生成大量样本，每个样本的参数包括磁性体的中心平面坐标、埋深、磁化倾角、磁化偏角以及对应形体的特有几何参数，利用有限长正演公式计算理论磁异常δt，并添加高斯噪声模拟真实观测。

17、可选的，s2中的目标检测网络为yolo网络，输入为三通道伪彩色图像，三通道分别为：经鲁棒归一化的增强δt、经鲁棒归一化的水平梯度模、经鲁棒归一化的垂向导数绝对值；

18、多异常叠加样本通过在固定空间网格范围内随机生成1至5个异常体并线性叠加得到总场，基于自适应阈值分割和连通域分析自动提取每个显著异常的外接矩形框作为标注。

19、可选的，s32中对目标检测网络输出的每个检测框的中心，利用局部区域内的解析信号幅值进行峰值校正，获得异常中心位置。

20、可选的，s35中的最佳形体融合决策具体包括：对各形体专属反演网络输出的参数分别进行正演计算，得到理论磁异常并计算与观测场的均方根误差；同时计算窗口内磁异常梯度方向的信息熵作为形态先验知识；结合各形体专属反演网络方向分支的softmax最大概率作为反演置信度，通过加权评分确定最佳形体。

21、可选的，还包括s4基于推荐的形体及反演的磁化方向，结合测点处的地磁场方向，计算感应磁化与观测磁化的差异，估算等效剩磁强度指数q值，并给出可靠性评价。

22、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于深度学习的航磁异常检测与参数智能估算方法，其有益效果为：

23、（1）异常检测与参数估算一体化：本发明通过将目标检测网络（yolo）与多个形体专属的参数反演网络进行级联，构成一套端到端的智能解释流程，该方法能够从原始航磁δt网格数据中自动识别多个磁性异常体的空间范围，圈定边界框，无需人工预设异常个数或手动选取剖面；同时对每个检测到的异常体，一次性输出其中心埋深、磁化倾角、磁化偏角以及推荐形体类别，即球体、有限长圆柱体或有限长板状体；与传统方法需分别进行异常分离、深度估算和形态判别相比，本发明实现了全流程自动化，显著提升了信息提取的完备性和效率；

24、（2）深度估算精度高：在合成数据集上进行定量验证：针对磁矩为5×10¹4a·m²、埋深范围为30～200m的单体异常，本发明训练的深度回归分支在验证集上的平均绝对误差（mae）小于2.1m（圆柱体）至3.5m（球体/板状体）。在网格分辨率与训练条件严格一致的前提下，典型验证样本的深度预测误差可控制在5m以内。例如：

25、真实深度87.4m的球体异常，预测深度88.1m，误差仅+0.7m；真实深度46.9m的板状体异常，预测深度42.6m，误差-4.3m。

26、相比之下，传统切线法在理想条件下（孤立球体、信噪比良好）的深度估算误差通常在10～30 m，模型近似和人为操作是制约其精度表现的关键瓶颈，且无法同时获得磁化方向参数，本发明在精度和信息量上均具有显著优势；

27、（3）方向估算准确：本发明对磁化倾角（i）和偏角（d）采用36类分类方式，其中倾角以5°为间隔覆盖-90°～90°，偏角以10°为间隔覆盖0°～360°。在合成验证样本中，方向预测值与真实值高度吻合，典型示例如下：

28、板状体样本：真实i=-73.1°，d=77.1°；预测i=-73°，d=77°（倾角偏差0.1°，偏角偏差0.1°）；球体样本：真实i=67.1°，d=281.1°；预测i=67°，d=281°（倾角偏差0.1°，偏角偏差0.1°）；

29、上述偏差均在一个分类间隔（5°或10°）以内，表明该分类策略能够可靠恢复磁性体的磁化方向，为剩磁评估和地质解释提供了有价值的参考；

30、（4）形体判别引入形态先验，鲁棒性强：针对有限长圆柱体与板状体在磁异常形态上相似、纯数据驱动分类网络易混淆的问题，本发明在形体判别环节引入了基于梯度方向熵的物理形态先验知识。具体而言：当三个形体专属网络输出的分类置信度相互接近（置信度差值小于预设阈值，如0.05）时，自动计算异常窗口内磁异常梯度方向的信息熵：熵值高表明梯度方向杂乱（趋近于球体或点源特征），熵值低表明梯度方向集中，趋近于板状体线性特征。依据熵值分布，对三个形体的评分进行加权修正。实测验证表明，该策略将球体异常被误判为板状体的概率降低约60%，推荐形体的总体准确率提升20%以上，显著增强了系统在模糊场景下的决策可靠性；

31、（5）多异常自动分割与抗干扰能力：本发明采用改进的yolov8目标检测网络，训练数据来源于叠加场中多个异常（1～5个）随机组合生成的样本。检测时，网络输出每个异常的边界框，随后利用解析信号幅值（asa）在局部区域内的峰值位置对框中心进行二次精校正。该策略能够可靠分割相互邻近的多个磁性体，并为每个独立异常提供裁剪窗口，供后续形体专属网络进行参数反演。同时，系统设计了回退机制：当yolo模型未检测到任何异常或模型不可用时，自动切换至全场单体反演模式，对整图进行单一异常体参数估算，从而保证在单异常或边缘场景下的系统鲁棒性和可用性；

32、（6）推理与训练条件严格一致，消除重采样误差：本发明在推理阶段严格遵循训练阶段的数据处理规范：①统一网格分辨率（训练时网格为128×128，裁剪后有效区域为104×104，对应实际物理宽度1000 m）；②统一特征计算流程（asa、梯度、fft振幅谱的计算参数与训练脚本完全一致）；③统一使用训练阶段保存的z-score标准化参数（均值和标准差）对输入特征进行归一化。上述一致性设计避免了因分辨率不匹配、特征计算差异或归一化参数不同而引入的分布偏移，从根本上消除了重采样误差。实验证明，在合成数据与实测数据上，模型的深度预测偏差无显著差异，保证了系统在实际航磁资料处理中的可信度和稳定性；

33、（7）大幅提高工作效率：传统切线法需要解释人员在每条测线剖面上人工选取极大值、半极值点、拐点等特征点，对于一个包含数千个测点的中等测区，完整解释可能需要数天甚至数月。本发明方法在普通计算机（cpu或入门级gpu）上完成一次全场异常检测与多参数反演的全流程仅需数秒至数十秒，处理速度提升两个数量级以上，可满足现场快速研判和实时处理的需求；

34、（8）降低对专家经验的依赖：本发明将复杂的物理反演问题转化为深度学习模型的自动映射，非资深技术人员只需加载航磁网格数据并点击运行，即可获得各异常体的深度、磁化方向和形体建议。这显著降低了对操作者地球物理背景知识和手工图解经验的依赖，有利于将先进的定量解释技术推广至基层地质队、矿产勘查单位以及教学培训场景，促进航磁解释技术的普及应用；

35、（9）为定量解释提供丰富信息：除深度参数外，本发明同时输出的磁化方向（倾角、偏角）和推荐形体，可直接用于推断磁性体的类型（如与侵入岩相关的球状矿体、与断裂有关的脉状矿体）。结合等效剩磁指数q值的估算，还可为判断磁铁矿的剩磁影响程度提供辅助依据。上述多维信息为后续的三维地质建模、资源量估算以及钻孔部署提供了更为全面的定量约束，显著提升了航磁资料在矿产勘查和地质研究中的应用价值。