一种基于深度学习的地壳结构模型边界融合方法及设备

本发明涉及地壳三维结构模型融合，具体的说是一种基于深度学习的地壳结构模型边界融合方法及设备。

背景技术：

1、地壳模型研究对于了解和定义全球地壳结构、地震断层、地壳物质流动和区域地震监测具有重要意义，地壳结构模型探测目前有主动源探测成像、接收函数成像、地震重力联合反演、层析成像等地球物理方法，不同方法获取的地壳结构模型在分辨率、深度和属性特征方面存在差异，且地壳结构模型本身具有多解性，如何构建包含多模型特征的三维地壳模型，以此反映具有区域完整性的地壳结构具有重要意义。现有技术中，融合方法众多，如中国专利文献“cn111650641a”公开的一种地壳三维结构模型融合方法及装置，以及该文献中提到的其它多种融合技术。这些技术主要基于反演矩阵的构建实现，虽然能够实现不同地壳结构模型的边界融合，但是大多精度有限，并且效率较低。

技术实现思路

1、为了解决现有技术中的不足，本发明提供一种基于深度学习的地壳结构模型边界融合方法及设备，深度学习方法结合数据融合技术进行地层边界数据融合，实现了对地质特征的融合和地壳结构融合型的构建，能够大幅提高融合效率，并且融合结果的精确度更高。

2、为了实现上述目的，本发明采用的具体方案为：一种基于深度学习的地壳结构模型边界融合方法，包括如下步骤：

3、获取两个待融合的地壳结构模型，并且对地壳结构模型进行层解析得到多个层模型，两个地壳结构模型的层模型一一对应；

4、对层模型进行边界处理，将层模型的边界数据转化为基础数据；

5、基于层模型的对应关系对基础数据进行优化，得到优化数据；

6、利用训练好的深度学习模型对相对应的优化数据进行融合处理。

7、作为上述一种基于深度学习的地壳结构模型边界融合方法的进一步优化：对层模型进行边界处理时，转化出的基础数据为基础图像；

8、基于层模型的对应关系对基础数据进行优化时，对基础图像进行分辨率优化，得到的优化数据为优化图像；

9、利用训练好的自编码神经网络图像融合模型对相对应的优化图像进行融合处理，得到融合图像。

10、作为上述一种基于深度学习的地壳结构模型边界融合方法的进一步优化：对基础图像进行分辨率优化的方法包括：

11、基于层模型的对应关系确定基础图像的分辨率差异；

12、对分辨率较低的基础图像进行插值处理，使相对应的基础图像具有一致的分辨率；

13、对基础图像进行数据增强和尺寸约束，得到优化图像。

14、作为上述一种基于深度学习的地壳结构模型边界融合方法的进一步优化：利用训练好的自编码神经网络图像融合模型对相对应的优化图像进行融合处理的方法包括：

15、将优化图像输入到自编码神经网络图像融合模型中进行编码处理，得到编码特征；

16、根据融合策略对编码特征进行融合得到融合特征；

17、对融合特征进行解码，输出融合图像。

18、作为上述一种基于深度学习的地壳结构模型边界融合方法的进一步优化：对层模型进行边界处理时，转化出的基础数据为图数据；

19、基于层模型的对应关系对基础数据进行优化时，对图数据进行权重优化，得到改进图；

20、利用训练好的图神经网络模型对相对应的改进图进行融合，得到融合数据。

21、作为上述一种基于深度学习的地壳结构模型边界融合方法的进一步优化：对层模型进行边界处理时，转化出图数据的方法包括：

22、选定层模型的边界点；

23、基于层模型的对应关系计算边界点之间的距离；

24、当两个边界点之间的距离小于预设的阈值时在两个边界点之间增加连接边；

25、将边界点和连接边组成图数据。

26、作为上述一种基于深度学习的地壳结构模型边界融合方法的进一步优化：对图数据进行权重优化时，为每个连接边赋予边权重。

27、作为上述一种基于深度学习的地壳结构模型边界融合方法的进一步优化：利用训练好的图神经网络对改进图进行融合的具体方法包括：

28、将改进图中的每个节点分别作为目标节点进行邻居节点采样；

29、对采样到的邻居节点进行特征聚合得到关联特征；

30、基于边权重更新关联特征，得到融合数据。

31、一种地壳结构模型边界融合设备，用于实现上述的一种基于深度学习的地壳结构模型边界融合方法，所述设备包括：

32、数据获取模块，用于获取所述地壳结构模型；

33、数据处理模块，用于根据所述融合方法对地壳结构模型进行处理；

34、数据存储模块，用于存储地壳结构模型及融合结果。

35、有益效果：本发明利用深度学习方法结合数据融合技术进行地层边界数据融合，实现了对地质特征的融合和地壳结构融合型的构建，能够大幅提高融合效率，并且融合结果的精确度更高。

技术特征：

1.一种基于深度学习的地壳结构模型边界融合方法，其特征在于，包括如下步骤：

2.如权利要求1所述的一种基于深度学习的地壳结构模型边界融合方法，其特征在于，对层模型进行边界处理时，转化出的基础数据为基础图像；

3.如权利要求2所述的一种基于深度学习的地壳结构模型边界融合方法，其特征在于，对基础图像进行分辨率优化的方法包括：

4.如权利要求2所述的一种基于深度学习的地壳结构模型边界融合方法，其特征在于，利用训练好的自编码神经网络图像融合模型对相对应的优化图像进行融合处理的方法包括：

5.如权利要求1所述的一种基于深度学习的地壳结构模型边界融合方法，其特征在于，对层模型进行边界处理时，转化出的基础数据为图数据；

6.如权利要求5所述的一种基于深度学习的地壳结构模型边界融合方法，其特征在于，对层模型进行边界处理时，转化出图数据的方法包括：

7.如权利要求6所述的一种基于深度学习的地壳结构模型边界融合方法，其特征在于，对图数据进行权重优化时，为每个连接边赋予边权重。

8.如权利要求7所述的一种基于深度学习的地壳结构模型边界融合方法，其特征在于，利用训练好的图神经网络对改进图进行融合的具体方法包括：

9.一种地壳结构模型边界融合设备，用于实现如权利要求1所述的一种基于深度学习的地壳结构模型边界融合方法，其特征在于，所述设备包括：

技术总结
一种基于深度学习的地壳结构模型边界融合方法，包括如下步骤：获取两个待融合的地壳结构模型，并且对地壳结构模型进行层解析得到多个层模型，两个地壳结构模型的层模型一一对应；对层模型进行边界处理，将层模型的边界数据转化为基础数据；基于层模型的对应关系对基础数据进行优化，得到优化数据；利用训练好的深度学习模型对相对应的优化数据进行融合处理。本发明提供一种基于深度学习的地壳结构模型边界融合方法及设备，深度学习方法结合数据融合技术进行地层边界数据融合，实现了对地质特征的融合和地壳结构融合型的构建，能够大幅提高融合效率，并且融合结果的精确度更高。

技术研发人员：李卫东,单新建,梁鑫婕,张国宏,汪驰升,赵晨曦,孟凡谦,周正
受保护的技术使用者：河南工业大学
技术研发日：
技术公布日：2024/4/17