关键词:
磁梯度张量
干扰补偿
预检测机制
目标定位
卷积神经网络
目标识别
摘要:
利用磁源周围产生的畸变位场对目标进行探测是地球物理学中的重要技术手段,以其无线无源、低功耗、强隐蔽性与非视距检测等优势,在水下及地下磁异常勘探中广泛应用。作为最新一代的磁测技术,梯度张量能够表征磁场矢量沿笛卡尔坐标系正交轴的最小空间变化率,客观、全面地反映磁异常全部要素,在目标体空间定位、边界勾勒等物性反演方面独具优势。随着地球物理勘探工作的不断深入,针对小型磁异常目标的精细化观测由于同时具备商业和军事上的重要价值而成为当前国际研究的前沿热点之一。然而,该技术目前存在着诸如测量平台磁干扰叠加、依赖目标数量先验信息以及手工设计特征表达和识别能力有限等问题,严重限制了其在相关领域的运用。针对上述问题,本文在“十三五”国家重点研发计划项目的支持下,面向水下或地下小型目标物精细化探测的需求,基于自主研制的超导量子全张量磁梯度测量系统,重点开展了高精度磁梯度张量干扰补偿、盲源场景下目标定位与磁性参数解算以及基于二阶细粒度实例分割网络的目标识别等研究工作。这些核心技术属于自上而下的顺承关系,构建起了相对完整的目标磁感知体系,首先利用磁补偿技术抑制梯度张量观测数据中与目标信息无关的干扰场,再经过解析获得反映目标磁性特征的位置和磁矩等基本属性,进而通过卷积神经网络框架挖掘目标深度特征,最终将之定位并识别出来。本文主要研究内容可概括如下:(1)针对磁测作业过程中由系统相关联的干扰磁场所导致的张量测量精度降低的问题,提出了基于旋转不变量约束的磁梯度张量干扰参数辨识及补偿方法。通过对干扰磁场来源、组成及其空间分布特性的深入分析,引入梯度张量Frobenius范数作为约束原则,建立差分式磁梯度张量仪干扰误差的整体化补偿模型,采用Levy搜索机制与转换概率相结合的群优化估计策略解决模型参数解算精度低与补偿效果差的问题。仿真和现场实验结果均表明,所提出的方法克服了常规方法初始迭代敏感和易陷入早熟的缺点,能够有效地抑制梯度张量干扰磁场,为后续目标探测提供了高质量的数据保障。(2)针对盲探测场景下目标定位任务在高维、强非线性参数空间中难以直接求解的问题,提出了基于无监督预检测机制的盲源目标定位方法。基于等效磁偶极子构建梯度张量观测阵列数学模型,重新推导定位方程的可解性条件及通解显式表达并提出了一种基于聚类改进的孤立森林算法作为“预检测器”实现目标空间位置及磁矩参数解算。理论模型和实测结果表明,与常规的单一固定模式相比,本方法避免了人为初始化带来的误差,可以在无监督条件下自动地发现新目标并终止消失目标,同时具备较强的抗噪能力。(3)针对常规方法对磁异常目标特征表达和识别能力有限的问题,提出了基于R-CNN卷积神经网络深度特征表达的目标识别方法。采用Res Net残差块以及横向连接的Top-down不同尺寸卷积核结构提高网络对目标浅及深、多尺度特征的学习能力,引入Point Rend点渲染策略解决高频区域掩码标签模糊的问题,最终构建出一种适用于磁梯度张量目标图像识别的二阶细粒度实例分割网络模型(Two-Stage Fine Grained,TSFG)。通过对不同类型目标模型的验证,本文所提出的TSFG网络模型在七类典型目标的识别和边缘检测方面取得了较好的效果,与目前最为流行的Mask R-CNN基准模型相比,TSFG对不同类型目标的类平均精度提高了5.3%,F1分数提高了3.3%,并且预测轮廓与目标真实情况的吻合度更高。