0 引言

微地震监测技术广泛应用于煤矿、隧道施工、水力压裂油气开发、水库大坝选址等诸多工程稳定性监测预警领域，以监测工程中微地震事件的安全性^[1-2]。初至信号(一般分为P波和S波，其中P波传播速度较快，本文仅研究P波初至拾取)与背景噪声有着明显分界点，表现为能量急剧波动。初至的精确定位和拾取是微地震监测关键技术之一^[3]，主要有人工拾取法和自动拾取法。人工拾取方法主要依靠肉眼判定微地震波初至，工作量大、耗时长，在实际应用中容易导致预警不及时等问题。

传统的自动拾取方法根据地震波的振幅、频率、能量比等构造特征函数，利用不同的数学算法计算初至。Allen^[4]提出了长短时窗能量比值(STA/LTA)法实现单道振动事件的识别和定位。Takanami等^[5]基于自回归(AR)理论认为微地震初至前、后信号符合不同的AR模型，利用Akaike信息准则(AIC)描述振动波形与AR模型的拟合度，微地震信号与噪声在其交界处特征拟合度最差，此时的AIC值最小，即为对应的微地震初至时间。高煜等^[6]提出基于随机森林算法的微地震初至自动拾取方法，该方法提取微地震数据的相关特征构建特征函数，最终对随机森林模型输出的初至概率进行判别以确定初至位置。以上方法皆基于提取相关波形特征进行分析，并利用浅层机器学习方法获得初至，并不能完全利用微地震数据中包含的信息，因而在低信噪比环境下拾取准确率较低。

随着深度学习方法的不断发展，一些学者开始尝试使用深度学习方法自动拾取微地震初至。Zheng等^[7]提出基于深度递归神经网络的微地震事件的自动识别和定位法。张全敏^[8]在文献[7]的基础上提出基于循环神经网络和长短期记忆网络模型(LSTM)的初至自动拾取法，该方法使用卷积神经网络识别微地震信号，再通过LSTM拾取初至。LSTM网络法克服了传统神经网络法需人工设计相关特征、不能充分利用数据所包含信息的缺陷。但该方法只能在一维时序上提取数据制作标签、训练单道初至拾取，而忽视了多道微地震数据的关联性^[9]。计算机视觉领域的语义分割法提供了解决该问题的技术基础，语义分割可以描绘出图像中目标对象的轮廓，这与拾取微地震信号和非微地震信号分界处的微地震初至相互契合^[10]。

本文以实际矿井工程微地震监测为例，提出了应用图像语义分割网络(D-LinkNet)的微地震事件识别和初至拾取方法。该方法使用D-LinkNet先识别微地震事件并定位其范围，再进行初至精确拾取。实验结果表明，该方法对实际微地震数据的拾取准确率大大高于STA/LTA法和LSTM法；定位误差在0~10ms内的事件占比较STA/LTA法和LSTM法皆有大幅提升；对于不同信噪比的微地震数据，初至拾取平均误差远低于STA/LTA法和LSTM法。

1 基于D-LinkNet的微地震事件识别与初至拾取流程

通常单次采集的人工地震数据，初至仅出现一次。而微地震监测是长期采集的过程，微地震事件会多次出现，而且由于微地震能量较弱，通常只有部分检波器能测到。因此与人工地震波初至拾取不同，微地震初至拾取需要先对微地震事件识别、定位，再拾取初至，并要先排除无微地震信号的道。图 1为运用D-LinkNet进行微地震初至精确拾取的基本流程，分为三个步骤：微地震数据预处理、微地震事件识别和微地震初至拾取。

首先对原始的微地震数据进行预处理，利用带通滤波器滤除输入信号的背景噪声，使微地震信号更明显，易于网络识别(如图 1中数据预处理所示)；另外考虑到实际采集的微地震数据一般很小，量级为10^-7~10^-5，而过大或过小的输入数值会造成网络在训练时梯度消失或者梯度弥散，导致网络难于训练和收敛，因此需要对滤波后的数据进行单道归一化处理，将数据映射至-1~1。

在第二步微地震事件识别和定位中，预处理后的微地震数据可以看作是图像，微地震信号到来之后，会产生一段不同于背景噪声的振动，其图像与环境噪声截然不同，因此长时序数据中的微地震事件的识别可视为图像目标检测问题。近年来在目标检测中取得优异效果的深度学习网络有Faster R-CNN^[11]、YOLO^[12]等，但图像检测网络目的是为了快速检测出图像中存在的目标物体，对检测精度要求并不高(图像检测网络的平均精度均值通常只能达到80%^[13])。若微地震事件检测不准确，没有将初至包含在检测区域中，便无法进行初至拾取。鉴于此，本文采用能够做到像素级分割的D-LinkNet，能够在微地震定位中取得更高的精度。步骤二将预处理过的数据输入D-LinkNet，得到微地震事件掩码，掩码图的白色区域对应了微地震事件(图 1)。

在确定出微地震事件的范围后，便可截取含有微地震事件的数据片段，并进行最终的初至拾取。LSTM最早用于单道初至预测，而实际微地震数据中，相邻道内的微地震事件发生在大致相同范围内，单道法无法综合考虑相邻道初至的相关性，因而对信噪比较低的数据拾取效果欠佳。若将初至拾取看作是图像分割问题，如图 1步骤三中的标签图所示，可以将初至到达前、后的部分分别看作两类目标(在图中使用黑色和白色表示)，那么初至恰位于两类目标的交界处。使用D-LinkNet进行初至拾取可以充分利用相邻道之间的相关性，能提高低信噪比的微地震信号的拾取精度。

2 基于D-LinkNet的微地震事件识别与初至拾取方法 2.1 D-LinkNet模型

用于图像语义分割的深度学习网络经过多年发展、完善，已广泛应用于图像分割、边缘提取等领域。Shelhamer等^[14]在经典分类网络的基础上提出了全卷积神经网络(FCN)，采用全卷积化的方式解决逐像素预测问题，显著提高了图像语义分割的预测性能。Ronneberger等^[15]基于FCN提出了U-Net，结构与FCN网络相似，都采用了编码层和解码层，但增加了跳跃连接的特征叠加方式，使用拼接操作进行特征融合。Zhou等^[16]结合网络LinkNet和U-Net的优点构建了D-LinkNet。D-LinkNet在编码层与解码层之间增加了空洞卷积层，有效增大了图像中心特征的感受野，获得的特征图中包含更深层次的特征信息。D-LinkNet同样使用了U-Net网络的跳越连接结构，在解码层中叠加对应的编码层中的特征信息，以增强解码时图像的识别效果，该结构利于增强相邻检波器微地震事件的关联性。

面向微地震初至拾取的D-LinkNet模型如图 2所示，通过改变输入的数据大小以及标签制作方法，即可逐步实现微地震事件识别和微地震初至拾取。将数据输入D-LinkNet，首先需要通过卷积改变原始输入数据尺寸以适应D-LinkNet；其次采用残差网络(ResNet)对网络进行4次下采样，其中后3次下采样过程每次都会使图像的道数倍增，长度变为原来的1/2；再通过ResNet中的残差模块获取原始数据的特征图并送入空洞卷积层，空洞卷积层在保证特征图分辨率的同时扩充特征图的感受野，因为微地震事件在长时序数据中出现的时间较短，为了获得特征图中更远的微地震事件的特征信息，本文在原始D-LinkNet的空洞卷积层中进一步增大空洞卷积的感受野，其串联的空洞率依次为1、2、4、8、16，空洞卷积层在输出时将所有道的结果合并传入解码层；之后解码过程采用LinkNet的解码结构进行上采样逐步恢复图像大小，每次上采样经过2次卷积和1次反卷积，并采用跳跃连接的方式融合对应编码层的数据以增强区域块的泛化表征能力；最终根据输入的数据尺寸进行反卷积将数据恢复为原图大小，并利用Sigmoid函数对特征图中的每个像素点做二分类输出。

D-LinkNet的网络损失函数是由骰子损失(Dice Coefficient Loss)和二元互熵损失(Binary Cross Entropy Loss)相加组成

$ L=\left(1-\frac{2 \sum\limits_{n=1}^N\left|\boldsymbol{P}_n \cap \boldsymbol{G}_n\right|}{\sum\limits_{n=1}^N\left(\left|\boldsymbol{P}_n\right|+\left|\boldsymbol{G}_n\right|\right)}\right)+\sum\limits_{n=1}^N B\left(\boldsymbol{P}_n, \boldsymbol{G}_n\right) $

(1)

式中：G_n为第n个目标图像对应的标签；P_n为对应目标图像的网络模型预测概率；N为图像输入的批次。式(1)第一项为骰子损失函数，第二项为二元互熵损失函数，定义为

$ \begin{aligned} &B(\boldsymbol{P}, \boldsymbol{G})= \\ &\quad-\sum\limits_{i=1}^{M_1} \sum\limits_{j=1}^{M_2}\left[g_{i j} \lg p_{i j}+\left(1-g_{i j}\right) \lg \left(1-p_{i j}\right)\right] \end{aligned} $

(2)

式中：g_ij为目标图像第(i，j)个样点的标签值；p_ij为目标图像第(i，j)个样点的网络模型预测概率值；M₁、M₂为目标图像的两个方向的样点数。

通过叠加二元互熵损失函数和骰子损失函数，能够降低网络预测值与实际值之间的误差，确保网络拥有更强的泛化能力，并且骰子损失函数的引入，可以在很大程度上解决图像语义标签的不均衡问题。

2.2 基于D-LinkNet的微地震事件识别和定位

在一段微地震检测记录数据中，可能会出现多次事件，也可能完全无事件，因此需要先对微地震信号进行识别，单次微地震事件发生的同时伴随着多个检波器在大致相同时间有明显振动，在微地震事件判别时，当3个及以上检波器同时出现微地震波形时即判定为发生微地震事件^[17]。此种判定方法有效避免了个别检波器出现自身机械故障而产生的类微地震信号导致的误拾。

图像分割掩码图的制作方法如图 3所示，将微地震信号到来前至微地震结束后一定范围内的数据标记为正样本(标记为1，标签示意图中白色区域)，其余均标记为负样本(标记为0，标签示意图中黑色区域)，形成一个事件样本数据。为了便于后期进行初至拾取，样本制作时需要将初至前几十个采样点标记为1。

由于实际采集的微地震数据通常以60s为一段，时间方向太长，不便于输入网络处理，因此需要将原始微地震数据裁剪成若干长度的小段。小段的长度对初至时间检测的精度有一定影响。本文尝试将数据裁剪成长度为1、5、10s的片段进行处理。实验表明，片段长度为1s时会导致出现事件截取不完整的情况，而片段长度为10s时则会导致数据过大且畸形，导致网络训练困难。而5s长度的片段，既不会造成事件不完整，也不会造成网络难以训练。

微地震事件识别网络输入、输出数据如图 4所示，输入数据尺寸为5000×48，首先对原始输入数据进行卷积，卷积核大小设置为(9×3)，特征图尺寸为1248×48，将特征图输入图 2所示的D-LinkNet；对D-LinkNet输出的数据进行反卷积将其尺寸还原为5000×48；最终将48道图像数据卷积成1道，使特征图尺寸变为5000×1。对于网络输出的微地震事件掩码，如图 4最右所示，其中白色区域即为网络识别的微地震事件，截取该数据片段便可进行微地震初至拾取。

2.3 基于D-LinkNet的微地震初至拾取

通过事件识别获取微地震事件的范围后，将该片段从原数据截取出来，再拾取初至的精确位置，即发生明显振动前信号的波谷处^[6]，因此对于图像语义分割的精度要求较前一步更高。若直接将片段数据按照原道数与事件持续时长输入网络中，则初至的拾取精度较低，原因是数据的长宽差异过大，初至信息不足，网络难以精确提取初至特征。考虑到大多数微地震事件持续时间为500ms左右，因此首先将包含微地震事件的片段在时间维度上从起始点开始裁剪为512个样点，确保数据长度统一以便网络能够进行批量处理；并将每道复制10次，如图 5所示，图像尺寸从512×48扩宽为512×480，因为对于该步骤中长宽比差异过大的数据卷积类网络在宽度方向上提取的图像特征精度可能会受损，处理效果往往不好，过少的图像宽度方向特征信息可能会被网络忽视，所以将数据长宽比扩增至近似1，便于网络提取初至特征信息；最后，将各道中数据分为微地震初至前和初至后两部分，分别标记为0和1，以增加正样本所携带的信息，如图 6所示。实验表明，以上方法能有效提高网络的微地震初至拾取精度。

微地震初至拾取网络输入、输出数据尺寸如图 7所示，输入数据尺寸为512×480，首先对原始输入进行卷积，其中卷积核大小设置为(7×3)，使特征图变为256×256；再将特征图输入图 2所示的D-LinkNet，最后对网络输出的数据进行反卷积，还原尺寸为512×480。对于网络输出的掩码图，遍历图中每列数据的图像分割点，以每道微地震数据复制数(10次)为周期，取该范围中图像分割点的平均值为网络模型判定的该通道微地震初至点，由此便完成了对微地震初至的拾取。

3 实验及结果分析 3.1 实验数据

为了对本文提出的微地震初至拾取方法的实际应用效果进行评判，实验数据选取矿井中检波器采集的部分微地震监测数据。实际数据采样频率为2kHz，单个文件包含16个检波器采集的、时长60s的48道原始数据，文件总数为10992。单一数据片段由48道、长度为5s的振动信号组成，包含6900个岩石破裂微地震事件和8244个工程爆破事件。将数据集按照84%和16%的比例随机划分为训练集、测试集。

3.2 微地震事件识别效果分析

在微地震事件识别实验中，将本文使用的D-LinkNet与地震初至拾取精度较高的U-Net^[10]及广泛应用于图像目标检测的YOLOv5网络^[12]进行对比。

将训练集输入三个网络进行训练，D-LinkNet和U-Net初始学习率为0.0002，YOLOv5网络初始学习率为0.01，训练至网络损失值不再下降而呈现振荡趋势后停止。D-LinkNet在迭代60余次便趋于收敛，U-Net在迭代80余次后收敛；YOLOv5网络迭代100次后进入振荡后停止。再将测试集输入各个训练好的网络得出识别结果。为对比网络识别效果，本文应用识别正确率、误识率评判识别效果，其中正确率是指网络方法正确识别的微地震事件数量与人工识别出的总数之比，误识率是指网络方法错误识别的微地震事件数量与人工识别出的总数之比。

正确识别的标准为：网络识别结果的范围与人工识别的事件范围的误差在50个采样点之内。若网络识别结果在实际初至之后即视为误识。多事件数据中，若相邻事件之间无明显分界或者将原单一事件识别为多事件也视为误识。

测试集数据片段中存在2754个事件数，YOLOv5网络正确识别了2532个，U-Net正确识别了2520个，D-LinkNet正确识别了2727个，三者的正确率分别为91.93%、91.50%和99.01%(表 1)，D-LinkNet最高。图 8展示了测试集中微地震事件三种网络识别结果误差分布。上述图表表明，在正确识别的事件中，YOLOv5网络的平均误差小于U-Net，但其误识率远高于其余网络；D-LinkNet在取得最高的识别正确率的同时其事件定位范围平均误差也是最小的。

综上所述，在微地震事件识别中，D-LinkNet的微地震识别效果好于YOLOv5网络和U-Net。

3.3 微地震初至拾取效果分析

在微地震初至拾取实验中，将STA/LTA法^[18]、LSTM法^[8]与D-LinkNet法进行对比。STA/LTA法的短、长时窗长度分别设置为100和400ms，触发阈值为1.5；LSTM输入序列长度、隐层节点数、输出序列长度均为512。将训练集分别输入D-LinkNet和LSTM进行网络训练，初始学习率均为0.001，D-LinkNet迭代70余次便收敛，LSTM迭代140余次收敛。图 9为微地震数据道集和其对应的标签以及D-LinkNet和LSTM输出的掩码，可见，LSTM因为只能对单道初至进行拾取而无法考虑到相邻道图像的空间信息，因此其网络输出掩码图中部分掩码的连续性和精度都较D-LinkNet输出的低。

分别对测试集中工程爆破和岩石破裂微地震事件(各包含600道不同信噪比的微地震数据)拾取结果进行统计，设置拾取误差区间占比率、道内无微地震事件的错拾率和运算速率评判各方法初至拾取效果，结果如表 2所示。由表可知：STA/LTA法对于两类事件的初至拾取均有较大的错拾率，且半数事件的拾取误差大于30ms；相比之下，两种网络法拾取精度皆有较大提升。STA/LTA法、LSTM和D-LinkNet的初至拾取平均误差分别为31.16、19.06和4.78ms，其中D-LinkNet网络初至拾取误差在0~10ms的占比较STA/LTA法和LSTM分别提高了59.0%和34.3%，错拾率也小很多，同时D-LinkNet的运算效率也远高于STA/LTA法，并小幅领先于LSTM。

为了进一步分析信噪比对不同方法拾取精度的影响，选取测试集中两类微地震事件里不同信噪比的前9道数据，分别进行人工、STA/LTA法、LSTM法和D-LinkNet法拾取。较高信噪比工程爆破微地震事件拾取结果如表 3、图 10所示，较高信噪比岩石破裂微地震事件拾取结果如表 4、图 11所示，较低信噪比微地震事件拾取结果如表 5、图 12所示。以人工拾取的初至时间为标准，由图 10~图 12、表 3~表 5可知：对于较高信噪比的不同种类微地震事件前9道数据的微地震信号，STA/LTA法、LSTM网络法与D-LinkNet网络法初至平均拾取误差分别为30.71、15.79和2.21ms；对于较低信噪比微地震事件前9道数据的微地震信号，STA/LTA法和LSTM网络的拾取平均误差都很大，分别为37.88和25.25ms，D-LinkNet网络法的平均拾取误差只有8.38ms。

因此，D-LinkNet对于微地震初至的拾取精度较STA/LTA法和LSTM有大幅提升，并且在低信噪比环境下依然可以保持较高的拾取精度。

4 结论

本文提出了一种应用D-LinkNet的微地震事件识别和初至自动拾取方法。根据实际微地震监测长时序记录中微地震事件会多次出现的情况，该方法采取先识别微地震事件并定位其范围、再拾取各道初至的两步法。结果表明：在微地震事件识别和定位方面，D-LinkNet比YOLOv5网络精度更高；在微地震初至拾取方面，D-LinkNet将初至之前与初至之后分成两部分，并且考虑相邻道振动信号的关联性，较单道拾取的精度有大幅提升，并且在较低信噪比环境下依然能够保持较高的拾取精度。使用基于D-LinkNet的微地震事件识别和初至拾取方法处理实际矿场采集的微地震数据，经大量数据学习后，应用于该工区同类微地震数据，可以取得相对精准的初至拾取结果。

对于数据类型差异较大或是风格迥异工区的数据，可以用新数据进行迁移学习，以适应波形差异较大、信噪比不同的数据。