全卷積神經網絡在垃圾土勘察中的應用

徐四一 張旭

（上海山南勘測設計有限公司，上海 201206）

0 引言

經濟飛速發展，我國城市垃圾的總量大大增加，對城市垃圾的處理方式主要有填埋、焚燒和回收等，其中最主要的方式是填埋[1-2]。為了降低垃圾土給正常生產生活造成的風險，更好地利用垃圾填埋占用的土地，對垃圾土的探測和勘察成為了亟待解決的問題。由于垃圾土與原狀土往往存在明顯的地球物理特性差異，尤其體現在電阻差異上，因此垃圾土探測往往選用高密度電阻率法和時域電磁法。由于探測場地的垃圾土分布范圍往往會布設多條測線，對每條測線的反演結果進行人工解釋需要耗費大量的人力，解釋的結果還會受到解釋人員地質認知的影響。為了解決這些問題，提高解釋的效率與準確性，機器學習開始應用于場地污染的識別[3]。如能昌信等[4]將卷積神經網絡應用到污染場地電阻率層析成像反演中，提高了對垃圾土面積以及位置的識別精度。

卷積神經網絡是最常見的機器學習算法之一，傳統的卷積神經網絡存在對計算機存儲要求高、計算效率低、同時輸入數據的大小被固定等缺點。為了克服這些缺點，Long 等于2015 年提出了全卷積神經網絡[5]，將傳統的卷積神經網絡中的全連接層替換為卷積層，在兼具卷積神經網絡優點的前提下實現了對任意大小的輸入數據進行處理。從地球物理數據中提取異常體可以看作一個圖像分割的過程。由于全卷積神經網絡是通過對輸入圖像進行像素級的分類來解決圖像分割問題的深度學習網絡，因此可以實現自動化識別，避免人工解釋對解釋質量造成影響，同時極大地提高解釋的效率[6]。

本文通過使用全卷積神經網絡對某拆后綠地改造工程地下建（構）筑物垃圾體探測數據的識別，確定了垃圾土范圍，實現從地球物理反演結果中自動識別和提取異常體，并對異常體開挖驗證。

1 測區概況

某拆后綠地改造工程項目地塊為減量化復墾場地，面積約8600 m2，地塊內有油菜及蠶豆等農作物（見圖1），地表較為平整，且為非硬化地面，鑒于減量化復墾工作可能存在施工不當或偷工減料等因素，減量化之前場地內存在的殘留建構筑物等垃圾可能未完全清運干凈，對場地的復墾帶來一定的隱患。因此需要對場地地表以下的殘留建構筑物垃圾土進行探測，為場地后期整治提供數據支撐和參考依據。

圖1 項目地塊航拍照片

2 探測原理及數據采集

根據現場踏勘情況、收集的地塊地表建構筑物歷史及減量化復墾概況，測區的地球物理特征大致如下：測區原狀土層以第四紀沉積物為主，主要由黏性土、粉性土等構成。垃圾土主要由建構筑物垃圾（鋼筋混凝土碎塊、磚塊及混合物等）、殘留的建筑基礎（如硬化路基、殘留的房屋地下基礎、樁柱、地下廊道等）及少量的生活垃圾等組成，原狀土與建筑垃圾、生活垃圾存在明顯的地球物理特性差異，因此在該場地內可以利用物探手段對地下垃圾土分布情況進行探測。在該場地中，建筑垃圾與原狀土相比會產生高阻異常，生活垃圾與原狀土相比會產生低阻異常，故本次物探工作選取高密度電阻率法進行探測，且該場地地表為非硬化地面，便于電法施工作業。

物理上用“電阻”來表征物質的導電性，同時，電阻率是巖土重要的電學參數，它表示巖土體不同的導電特性。通常用儀器測量不同巖土體的電阻率差異，來推斷、尋找電阻率異常高或異常低的部位。

地下電阻率由下面方法測定：沿測線上的測點，分別打入金屬電極，并用導線連接供電回路和測量回路，供電電極用A、B 表示，測量電極用M、N 表示，則測量巖土體的電阻率表達式為：

式中：ΔUMN為 測量電極MN 之間的電位差，mV；I為供電回路的電流強度，mA；K為儀器的裝置系數，m。

本次針對某拆后綠地地下垃圾土探測，投入的物探設備主要為WGMD-9 型高密度直流電法儀（見圖2），測量設備為華測T5 型RTK?，F場探測時，沿布置好的若干條高密度電法測線，采用60 路電極根據不同的現場情況和不同要求，采取不同的點距、裝置系數等參數進行數據采集。

圖2 WGMD-9 型高密度直流電法儀

3 數據處理與解釋

根據現場踏勘地表情況，及所收集的場地地表建構筑物歷史概況，針對項目地塊地下垃圾土探測目標體，在現場布設了21 條電法剖面（JY1-JY21），其中近南北向電法剖面8 條、近東西向測線13 條。所有測線均采用電極距1.5 m、溫納裝置進行數據采集。

完成數據采集后，對地塊現場采集的21 條電法剖面數據，先后進行數據格式轉換、畸點剔除或數據平滑處理、地形校正以及測線剖面電阻率反演?？紤]到人工解釋，即從反演結果中提取異常體屬于圖像分割問題，應用全卷積神經網絡對所有剖面的反演結果進行異常體自動識別，并通過圖3-圖5 展示其中三條測線的反演與識別結果。

圖3 JY-1 測線反演結果（上）與識別結果（下）

圖4 JY-2 測線反演結果（上）與識別結果（下）

圖5 JY-9 測線反演結果（上）與識別結果（下）

根據圖3-圖5，測線反演結果中地表淺層的高阻異常體以及低阻異常體均得到了識別。其中，從JY-1 測線反演結果中識別出了代表建筑垃圾土的高阻異常體，水平分布范圍在5～20 m，深度范圍在-5～0 m；從JY-2 測線反演結果中同樣識別出了代表建筑垃圾土的高阻異常體，水平分布范圍在0～20 m，深度范圍在-5～0 m；從JY-9 測線反演結果中識別出了代表生活垃圾土的低阻異常體，水平分布范圍在0～20 m，深度范圍在-6～0 m。對所有測線剖面進行提取異常體的操作后，最終得到該項目地塊垃圾土地下分布的情況，如圖6 所示。

圖6 項目地塊垃圾土地下分布情況

得到垃圾土地下分布情況后，對相應地區進行挖掘，最終挖掘出了大量建筑垃圾及生活垃圾，證明了本方法的有效性及實用性（見圖7、圖8）。

圖8 挖掘出的生活垃圾

4 結論

垃圾土填埋場復墾工程是實現填埋場地農業再利用的關鍵環節。本文在垃圾土勘察中采用了全卷積神經網絡算法，實現了從高密度電阻率法反演數據中提取異常體，自動識別和圈定垃圾土的范圍，提高了垃圾土識別的準確性和可靠性，對后續垃圾土勘察、土方量計算、挖掘清理等工作提供參考，為改善填埋場的環境質量提供技術支撐。