基于深度学习SSD算法的高密度电法智能解译方法技术研究

高密度电法在探测灰岩区地下溶洞病害体方面得到广泛应用，但高密度电法反演结果依赖于初始模型，存在多解性，地质解译容易受专业人员主观因素影响。为此，本文从具有唯一性的视电阻率数据出发，研究了基于深度学习的SSD(Single Shot Multi-box Detector)目标检测算法的视电阻率异常智能解译方法技术。针对岩溶地质病害，设计了不同填充类型、形状、规模、数量的溶洞电性异常模型，利用Res2dmod软件进行视电阻率正演计算，构建了包含1 400个样本的高密度电法视电阻率智能解译学习样本库(样本和标签)。基于TensorFlow框架，建立了基于深度学习SSD算法的高密度电法视电阻率异常智能解译方法技术，使用学习样本库训练网络权值，训练结束后对高密电法温纳装置视电阻率异常进行智能解译，单个视电阻率剖面异常智能解译耗时不到1 s,各类目标(填充型溶洞、未填充型溶洞)平均准确率为90.68%。研究结果表明：基于SSD算法的高密度电法视电阻率异常智能解译技术可显著提高高密度电法视电阻率解译效率，避免专业人员主观因素影响。