.png){kind=icon}
返回
Dual seismic image collaborative recognition algorithm based on deep learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2025.112800.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为解决地震数据分析中传统手动解释的低效性和主观性问题，本文引入了一种基于深度学习的双图像协同识别（DICR）模型。该模型基于增强的YOLOv8架构，并采用双流特征提取网络。一个经过多任务优化的Cross Stage Partial Darknet-Path Aggregation Network（CSPDarknet-PANet）骨干网络并行处理地震叠加速度谱和地震道集数据。多类检测头估计速度谱中能量聚类的概率分布，而几何形态分析模块分析地震反射事件的几何形态。一种新颖的跨模态校正机制利用速度-时间域转换矩阵实现双向反馈系统。迭代参数优化持续将检测到的能量聚类与校正后的地震反射事件对齐。采用实际地震数据集进行了端到端评估实验。在728张受强噪声干扰和波形畸变影响的图像中，DICR模型在能量聚类中心的平均绝对定位误差为4.7%（±1.3%）。此外，地震反射事件重建的结构相似性指数度量（SSIM）达到0.912，而处理效率约为手动解释的30倍。通过置信度融合（一种基于加权融合的速度谱和道集特征的决策级集成）将领域知识融入深度学习框架，该模型开发了一种具有物理可解释性的智能识别系统。误差率维持在严格的5%置信区间内，确保符合地震勘探的工程精度要求。
