基于改进DeepLabV3%2B的引导式道路提取方法及在震源点位优化中的应用.pdf

年 月第 卷第 期西安石油大学学报（自然科学版）（）收稿日期：基金项目：国家自然科学基金面上项目“基于频变信息的流体识别及流体可动性预测”（）；四川省重点研发项目“工业互联网安全与智能管理平台关键技术研究与应用”（）；四川省自然科学基金资助项目“基于超分辨感知方法的密集神经图像分割”（）第一作者：曹凯奇（），男，硕士，研究方向：遥感图像标注。：通讯作者：文武（），男，博士，研究方向：人工智能在地球科学的应用、高性能计算。：中图分类号：文章编号：（）文献标识码：基于改进 的引导式道路提取方法及在震源点位优化中的应用曹凯奇，张凌浩，徐 虹，吴 蔚，文 武，周 航（成都信息工程大学 计算机学院，四川 成都 ；国网四川省电力公司 电力科学研究院，四川 成都 ；中国石油集团东方地球物理勘探有限责任公司 采集技术中心，河北 涿州 ）摘要：为解决自动识别方法在道路提取时存在漏提、错提现象，提出一种引导式道路提取方法提高修正效率。在 原有输入通道（通道）的基础上添加额外输入通道（第 通道），将道路的 个极点转化为二维高斯热图后作为额外通道输入网络，网络以极点作为引导信号，使网络适用于引导式道路提取任务；设计并行多分支模块，提取上下文信息，增强网络特征提取能力；融合类均衡二值交叉熵和骰子系数组成新的复合损失函数进行训练缓解正负样本不均衡问题。在公共 数据集和西南某区域三维实际数据集上对本文网络进行验证，在 上的像素精确度 、交并比 、分数分别达到 、和 ；在西南某区域三维数据集上 、分别达到 、和 。实际应用表明：该方法能够有效提高道路识别精度，道路符合率达到 以上，为后续震源点布设提供准确的信息。关键词：道路拾取；深度学习；震源点布设 ，（，；，；，）：，（），；，：；曹凯奇，张凌浩，徐虹，等 基于改进 的引导式道路提取方法及在震源点位优化中的应用 西安石油大学学报（自然科学版），（）：，（），（）：曹凯奇等：基于改进 的引导式道路提取方法及在震源点位优化中的应用引言中国石油勘探目前已经进入高成熟勘探阶段。近些年来，在投资不断下降、发现成本不断升高的新常态下，如何开展勘探工作，提高勘探效益，成为现阶段勘探研究的重要课题。近年来空间技术及计算机硬件技术的飞速发展，影响并不断改变着地球物理勘探作业的施工模式。随着卫星影像数据精度的不断提高，地震采集施工区的障碍物标定工作从以往的野外实地踏勘模式转变为根据高清卫星影像数据室内人工标定的模式。翟俊伟等 利用无人机航拍影像及数字高程模型（，）数据在复杂地区开展室内踏勘与物理点布设，提高了物理点室内布设的准确性。孔德政等 在山地工区表层、和遥感正射影像数据基础上，采用“逐点面积寻优法”进行多信息综合的自动选点，提高了复杂山地炮点的布设效率。王晓阳等 采用复杂地表地理信息系统（，）与炮点智能布设技术自动提取地形及地表障碍物信息，完成室内井炮智能布设，进一步提高山地地震采集施工效率。上述方法在山地、沙漠、黄土塬、密集城镇、水网等复杂地表区，由于工区的地理信息缺失，易造成工区的炮检点无法正常布设。基于工区高清的遥感影像图，采用深度学习方法进行图像地物信息提取，技术人员在室内就可直接布设物理点，极大地缩减了人工踏勘时间，提高物理点布设效率，降低施工作业风险。城区、乡村等障碍物区进行地震勘探施工时，复杂的地表障碍给三维地震勘探的炮检点布设带来较大困难，道路识别可以帮助确定合适的道路和交通通道，以便勘探人员能够方便地进入勘探区域布设炮检点。道路的存在可以提供便捷的交通条件，减少勘探人员的时间和精力成本。同时道路识别可以帮助确定炮检点的位置和路径，以便更高效地采集地震数据。因此如何准确地从遥感图像中提取道路的地物目标对于提高复杂障碍区的炮点布设质量以及规模化生产管理具有重要意义 。道路提取方法分为数据驱动方法和启发式方法 。早期研究人员采用条件随机场 、聚类 和马尔可夫随机场 等数据驱动方法在遥感图像中提取道路，这些方法对复杂道路的提取结果难以达到较高精度。相比之下，启发式方法涉及纹理渐进分析 和数学形态学 ，需要针对不同数据集手工设计特征，鲁棒性差，提取繁琐，不适合广泛使用。近几年随着深度学习的迅速发展，研究人员将全卷积神经网络应用于道路提取中，取得了很好的效果。等 将经过参数优化的全卷积神经网络 （，）应用于高分辨率遥感图像中提取建筑和道路，提高 网络在高分辨率遥感图像的分割效果，但网络的特征提取能力还需进一步加强。等 将残差单元 嵌入 架构提出 网络，残差单元可以简化深层网络的训练，增强特征提取能力，但 网络道路提取结果的细节稍有欠缺。等 以 网络为基础提出 网络，网络将膨胀卷积 级联和并行增加感受野，提高网络的特征提取能力，但对于遮挡道路提取结果易出现不连续现象。引入 获得图像的长距离依赖信息，缓解道路遮挡问题，其随机建立长距离依赖关系易导致错提现象。吴强强等 在 网络中引入坐标卷积 和全局信息增强模块，加强网络的全局空间信息感知能力，减少了错提、漏提现象，但对于具有复杂背景的遥感图像提取结果较差。等 针对遥感图像背景复杂问题，利用空间和交互空间图推理模块学习特征空间中路段之间的远距离关系，提高道路的连通性，但其提取结果仍然存在不连续问题。针对道路拓扑性问题提出了条带状卷积模块捕获远程上下文信息，避免来自无关区域的干扰，利用连通注意力模块解决道路遮挡问题。为了解决道路连通性差与边缘模糊问题，提出了基于条带状膨胀卷积的多尺度上下文信息提取模块，提高道路完整性与连通性，将编码器每个阶段特征融合到解码器中为网络提供准确的道路特征信息，缓解道路边缘模糊问题。提出道路增强模块从条带状卷积中捕获道路的语义形状信息，设计可变形注意力模块将可变形卷积的稀疏采样能力与空间自注意机制相结合，来学习特定道路像素的长距离依赖关系。上述方法主要通过替换主干网络、改进上下文信息提取方法、结合注意力机制以及条带状卷积等多方面对道路提取任务进行探究，由于遥感图像背景复杂，道路尺度多变、易被遮挡、正负样本不均衡等特点，目前自动道路提取方法的精度和完整性仍西安石油大学学报（自然科学版）然无法满足实际项目需要，当存在遮挡时分割结果更差，如图 （）所示；在实际地物识别项目中需要进行手工修正，但手工修正道路也耗时费力，如图（）所示；为了在保证识别准确率的前提下，有效提高手工修正效率，本文提出一种引导式道路提取方法，如图 （）所示。本文方法以 网络 为基线网络，通过极点实现引导提取，设计并行多分支模块提高道路提取精度。首先依据遥感图像背景纹理复杂、道路尺度多变的特点，根据道路的个极点（左上、右上、左下、右下）将遥感图像裁剪为网络提供先验知识，减少背景对网络的影响，降低错提现象。极点转化为单通道二维高斯热图与裁剪的遥感图像（）拼接形成 通道的输入，网络以极点作为引导信号能够更准确地提取道路。然后将卷积注意力机制模块 （，）与空洞空间卷积池化金字塔结构（，）并联组成多分支模块，提取上下文信息，增强网络特征提取能力，提高网络道路提取的精度；最后为了缓解遥感影像中正负样本不均衡问题，采用类均衡二值交叉熵 （，）和骰子系数 （）组成的复合损失函数进行训练。图 三种道路提取方式结果 方法原理 网络结构 采用编码 解码结构，如图 所示。编码器以 或 作为特征提取网络，利用不同膨胀率的膨胀卷积和池化操作组成的 模块对特征提取网络输出特征图进行上下文信息提取，接着使用 的卷积对 模块输出特征图进行通道数调整。解码器对编码器输出的特征图采用双线性插值法进行 倍上采样，然后将其与特征提取网络中使用 卷积调整后的浅层特征图拼接，最终将融合后的特征图进行 倍上采样得到与原图大小一致的语义分割图。图 网络结构 卷积注意力机制模块 将通道注意力机制和空间注意力机制进行结合，自适应的强化特征，相比于 只关注通道的注意力机制可以取得更好的效果。因此本曹凯奇等：基于改进 的引导式道路提取方法及在震源点位优化中的应用文方法将在 网络中引入 用于增强网络的特征提取能力，如图 所示。通道注意力模块通道注意力模块对输入的特征图分别进行平均池化和最大池化，之后对平均池化和最大池化的结果利用共享的全连接层进行处理得到 个特征向量；然后对 个特征向量进行逐元素相加并采用 函数进行归一化处理获得输入特征图 每个通道的权值，将权值与输入特征图 逐元素相乘即可得到通道注意力模块增强后的特征图 。通道注意力模块加权过程如下：（）；（）；（）（）。式中，为输入特征图；为 函数；为共享全 连 接；为 通 道 平 均 值 压 缩 操 作；为通道最大值压缩操作。空间注意力模块空间注意力模块对输入的特征图中每一个特征点在通道上取最大值和平均值得到 个单通道的特征图，将 个特征图在通道维度堆叠，利用卷积操作将通道数调整为 ；然后采用 函数进行归一化处理获得输入特征图 中每一个特征点的权值，最后将权值与输入特征图 相乘得到最终优化结果 。空间注意力模块加权过程如下：（）；（）；（）。（）式中，为最终优化特征；为通道注意力输出特征图；为 函数；为通道最大值压缩和通道平均值压缩得到特征的通道维度堆叠结果；为通道维度的特征图堆叠操作；为通道平均值压缩操作；为通道最大值压缩操作；为卷积核大小为 。图 卷积注意力模块 本文网络结构目前道路提取任务中主流方法有基于 和 两种网络框架，相较于 而言，其 模块能够增大感受野充分地提取多尺度上下文信息，有利于提高道路分割结果的完整性；在使用相同的特征提取网络作为编码器时，由于 网络的解码器结合多个跳跃连接利用反卷积逐步上采样恢复原图尺寸，增加了网络的参数量和计算量，而 网络解码比较简单，参数量和计算量更低。因此本文以 网络作为 基 线 网 络 提 出 了 引 导 式 道 路 提 取 网 络 ，网络输入 ，为输入图像的高和宽，为网络的输入通道数，前 个通道为图像的 通道，第 个通道是每个极点位置编码的二维高斯热图。网络输出 ，为输出图像的高和宽，为网络输出通道。网络结构如图 所示。网络整体结构网络整体基于编码 解码结构，以 作为基础网络。编码器选择 网络作为特征提取网络，在特征提取网络的第四阶段引入膨胀卷积，增大特征图的感受野；将特征提取网络得到的分辨率为 、通道数为 的特征图送入并行多分支模块，输出一个分辨率不变、通道数为 的特征图；对于并行多分支模块输出特征图使用 卷积将通道数调整到 送入到解码器中。特征提取网络中第二阶段生成的浅层特征图使用 卷积来调整通道数。解码器中将编码部分输出的深层特征图通过双线性插值上采样 倍至与浅层特征图分辨率相同；然后将调整之后的浅层特征与深层特征通过堆叠（）的方式融合，得到分辨率为 、通西安石油大学学报（自然科学版）道数为 的特征图；最终通过 卷积后使用双线性插值上采样 倍到预测图。网络模型在训练时批次设置为 ，使用批归一化 （，）会导致模型性能下降，组归一化 （，）不受批次大小的影响，因此将特征提取网络中的 层替换为 层。图 网络结构 极点基于改进 的道路提取方法已有大量研究 ，精度和完整性有大幅提升，但是对于背景复杂、特征不明显的道路提取时依然会出现错提、漏提现象。经过分析网络容易受上述因素的影响是因为网络缺少道路的位置信息，使得网络无法聚焦于遥感图像中的道路区域，因此本文通过将道路的极点作为额外通道输出网络。极点作为引导信号输入网络实现引导式道路提取，并且网络通过学习将极点的编码信息转为与极点匹配的道路实例，提高道路提取的精度；利用裁剪框对遥感图像进行裁剪得到包含道路的区域，减少遥感图像背景的影响，为网络提供先验知识，网络只需关注裁剪框内信息。网络训练输入的极点处理流程如图 所示，通过遥感图像标签获得每条道路实例的 个极点（左上、右上、左下、右下）；按照道路实例的 个极点的像素坐标获得裁剪边框，通过裁剪框对图像进行宽松裁剪得到网络输入的 图像；对于 个极点需要将其转化为 的单通道二维高斯热图，转化式为 （）（），（）式中：二维高斯热图大小为；和 为一维向图 极点处理流程 曹凯奇等：基于改进 的引导式道路提取方法及在震源点位优化中的应用量，；和为图像极点坐标；为高斯半径，本文取 。将 的二维高斯热图映射到 的单通道二维高斯热图；最终将裁剪得到的 图像与单通道二维高斯热图重新固定尺寸为 像素 像素，再拼接送入网络中。为了提高网络的鲁棒性，将 个极点计算的边界框进行 像素的宽松裁剪用以包含遥感图像上下文信息；对 个极点加入随机扰动，扰动因子为 ，使得模型在实际应用过程中即使偏离极点位置也能得到较好的道路提取结果。并行多分支模块 模块在图像分割中用于提取上下文信息，但是在道路提取任务中，道路具有细小、狭长以及可能与背景特征相似等特点，由于 膨胀卷积率较大导致分割细小目标能力欠缺 ，对于细小、狭长的道路的提取能力减弱，易造成道路边缘粗糙、漏提现象；并且膨胀卷积会导致算法提取一些冗余的特征信息 ，影响算法性能。本文提出一种新的并行多分支模块，利用 分支通过不同膨胀率的膨胀卷积进行上下文信息提取，通过 分支利用通道注意力模块和空间注意力模块增强网络的特征提取能力，抑制冗余信息。并行多分支模块使得网络在提取上下文信息的同时增强特征提取能力，道路提取结果精度更高，如图 所示。并行多分支模块把 分支和 分支并联，将特征提取网络输出分辨率为 、通道数为 的特征图分别送入 个分支。模块分支采用 个 普通卷积、个膨胀率分别为 、的 空洞卷积和 个全局平均池化对特征提取网络输出的特征图进行上下文信息提取；模块分支将特征提取网络输出的特征图输入通道注意力模块得到加权特征图，加权特征图再输入空间注意力模块得到最终优化特征图；最后将经过 模块和 模块 个分支得到的特征图进行堆叠（）得到分辨率为 、通道数为 的特征图。图 并行多分支模块 复合损失函数道路提取为二值图像分割任务，通常情况下可以直接使用二值交叉熵损失作为损失函数训练网络，但是在西南某区域三维数据集和 数据集中道路占比仅为 和 ，正负样本极度不均衡。经过数据增强后道路在西南某区域三维数据集和 数据集中道路占比分别提升至 和 ，但样本不均衡问题依然存在。训练样本不均衡会导致网络模型输出偏向占比更高的类别，训练过程中类别占比高的损失容易下降，而类别占比低的损失将会不变或者上升，不利于网络训练。因此本文提出将 和 融合，通过像素值接近程度计算损失，通过集合相似度计算损失，从局部和整体优化网络模型的损失计算，提高网络道路分割精度。，。（）式中，为 系数用于计算 个图像之间的相似度；表示集合和 的交集；和表示元素的个数，表示真值分割图像，表示预测的分割图像。西安石油大学学报（自然科学版）（）（）（），（）式中：；表示输入的图像；，；，是 的二分类标签；、分别表示正样本和负样本；（）表示 激活函数。总损失函数 。（）实验设计、评价指标与分析 实验设计为了验证方法的有效性，本文首先在公共数据集 上进行测试，验证方法精度的有效性，再通过西南某区域三维的实际测试数据，验证方法在实际部署中的有效性。公共 道路数据集 道路数据集 包括 张大小为 的遥感图像，其中带有标签数据的图像有 张，空间分辨率为 。在带有标签的 张影像中随机挑选 张进行试验，并将每张图像裁剪为 像素 像素，经过剔除和筛选后共得到 张图像及其对应标签，其中 张图像作为训练集，张图片作为测试集。西南某区域三维道路数据集西南某区域三维数据集拍摄于中国西南某地区，共张大小为 的图像，面积约为 ，图像的空间分辨率为 。对数据集进行大小为 像素 像素随机裁剪，保留包含道路的图像，得到 张图片及其对应标签，其中 张图像作为训练集，张图像作为测试集。数据处理为了避免过拟合现象以及满足网络训练所需的输入，对数据集进行数据预处理和数据增强操作。其中，通过标签中每个道路实例的 个极点对原图和标签进行裁剪，对于裁剪后的原图和标签缩放为 像素；对数据预处理后的原图和标签采用随机水平翻转增加训练样本。实验环境以及实验参数实验基于 位 系统，使用 深度学习框架搭建网络模型 ，实验代码基于 、实现，为 ，为 （）。网络使用在 数据集 上预训练的 模型初始化，由于预训练模型输入为 通道，而本文网络模型为 通道，因此在网络模型的第一个卷积层中第通道的权重从高斯分布中随机初始化，标准差为 。使用随机梯度下降优化器 训练模型，设置批次输入大小为 ，学习速率为 ，采用 学习速率策略，动量为 ，权重衰减为 ，训练 个轮次。评价指标为了评估所提出网络的性能，采用交并比（，）、像素精确度（，）和 分数作为评价指标。是模型对某一类别预测结果和真实值的交集与并集的比值。表示所有像素中预测的正确像素的比例。分数是对某一特定类的准确率和召回率的一个综合评价。计算公式如下：；（）；（）；（）；（）。（）式中：表示实际为真，预测也为真的像素数量；表示实际为假，预测为真的像素数量；表示实际为假，预测为假的像素数量；表示实际为真，预测为假的像素数量。实验结果分析 数据集实验结果分析为了验证 网络的有效性，在 数据集上分别训练 、和 ，并将训练模型在测试集上进行测试和结果对比。图 的实验结果对比图中，从图（）、（）的提取结果可知，当图像中道路存在树木遮挡以及道路与周围环境特征相似时，模型没有出现错提现象，提取结果较为完整，对比方法均出现了不同程度的漏提、错提现象，道路的提取结果不连续；从图 （）、（）的提取结果可知，当图像中道路特征不明显时，模型能够较为完整的提取出道路，其他方法依然出现不连续和漏提现曹凯奇等：基于改进 的引导式道路提取方法及在震源点位优化中的应用图 数据集的道路提取结果 西安石油大学学报（自然科学版）象；从图 （）、（）的提取结果可知，当图像中的道路具有多个交叉路口时，、和 模型提取结果路口连续，但只有 提取结果没有出现漏提、错提问题；从图 （）的提取结果可知，当提取背景复杂的城镇道路时，除了 和 模型都能够提取出道路区域，模型提取结果较为精确，、和 模型提取结果具有错提现象，模型提取结果出现了漏提现象。为了定量验证 网络对道路提取任务的有效性，通过 、分数指标对 网络和对比网络的道路提取结果进行精度评价。由表 可知，本文方法各项指标均高于对比网络，、和 分 数 分 别 达 到 、和 ，相对于对比网络的次优结果在 、和 分数分别提高了 、和 ，表明本文方法在道路提取问题上相较于对比方法具有较高的精度，更趋近于真实道路。表 在 数据集上精度对比结果 方法 注：粗体表示最优，下划线表示次优。西南某区域三维数据集实验结果分析为了进一步验证本文方法的部署效果，使用相同的网络结构、训练策略和参数设置在西南某区域三维数据集上与其他方法进行结果对比。图 的实验对比图中，从图 （）、（）的提取结果可知，图像中的道路、地坪和池塘边缘特征相似时，、和 模 型 没 有 出 现 错 提 现 象，模型相较于 和 提取结果更加精确；从图 （）、（）的提取结果可知，图像中的车辙路与石子路和周围的环境特征相似，、和 出现了严重的漏提现象，、和 漏提现象较少，但依然无法完整提取出道路，和 虽能够提取出道路区域，但精度有待提高；从图 （）、（）提取结果可知，当图像中道路存在树木遮挡时，、和 出现了严重的不连续问题，、和 提取结果道路边缘较为粗糙，、和 能够准确的提取出被树木遮挡的道路；从图 （）提取结果可知，当图像中存在水泥路和土路时，和 出现了漏提现象，、和 在交叉路口提取结果不连续，只有 、和 较为完整的提取出道路。本文方法与其他 种方法在西南某区域三维数据集上各项指标的测试结果见表 。由表 可知，本文方法的提取结果在 和 最优，分别达到了 、，相较于次优结果 和 分数分别提升了 和 。表 在西南某区域三维数据集上精度对比结果 方法 注：粗体表示最优，下划线表示次优。从上述在 和西南某区域三维数据集的验证结果可知，本文方法相较于对比方法道路提取结果更完整、连通性强。按照 个极点将图像裁剪后送入网络，使网络只关注道路提取区域，减少复杂背景带来的影响，为网络提供先验知识，降低错提现象。利用 个极点转换得到的二维高斯热图的信息送入网络后，可以作为引导信号来对同一实例的像素进行分组 ，具有更高的准确性，对道路具有较好的提取结果。在网络中引入并行多分支模块在提取上下文的同时增强特征提取能力，网络的道路结果精度更高。曹凯奇等：基于改进 的引导式道路提取方法及在震源点位优化中的应用图 西南某区域三维数据集上道路提取结果 西安石油大学学报（自然科学版）消融实验为了进一步分析各个模块在整个网络中的作用，在西南某区域三维数据集上进行了消融实验。本文以 作为基线网络（），将实验分为 、采用复合损失函数训练的改进 、改进 极点、改进 并行多分支模块和改进 极点 并行多分支模块，见表 。通过将 层替换为 层以及采用复合损失函数训练网络，改进后的 相对与原始 ，提升了 ，提升了 ，提升了 ；在改进 的基础上通过添加极点相较于原始 ，提升了 ，提升了 ，提升了 ；在改进 的基础上通过添加并行多分支模块相较于原始 ，提 升 了 ，提 升 了 ，提升了 。上述结果表明使用组合损失函数、改进 极点和改进 并行多分支模块的整体精度均高于 ，说明组合损失函数、极点和并行多分支模块对提升模型性能有一定的作用。因此本文方法将在改进 的基础上添加极点与并行多分支模块，添加极点和并行多分支模块的网络模型相较于原始 ，提升了 ，提升了 ，提升了 。组合损失函数、极点、并行多分支模块三种策略中，网络中加入极点相较于 提升最多，证明了将极点作为引导信号送入网络中进行道路提取的有效性；使用组合损失函数训练网络，有较大提升，可缓解遥感图像正负样本不均衡问题，能够提升网络模型的性能；添加并行多分支模块，提升最少，说明该模块主要是增强网络模型提取能力，细化道路提取结果，不会大幅度提升网络模型道路提取的精度。表 消融实验精度对比结果 模型 改进 改进 极点 改进 并行多分支模块 改进 并行多分支模块 极点 算法复杂度分析为了验证本文网络的复杂度，本文计算了网络模型的参数量（，）和计算量（，），结果见表。从表可知，网络的参数量最低，为 ，这是因为 网络是以 作为特征提取网络，堆叠的残差结构较少，因此远小于其他以 、和 作为特征提取网络的方法。计算量方面，的计算量最小，虽然 的参数量较小，但是由于 网络每个阶段具有多个并行分支，并行分支会增加网络的计算量 ，因此计算量方法 要比 小。对于本文基于 网络和 网络的方法，在参数量和计算量要远小于基于 网络，因为基于 的网络的解码阶段比较复杂，并且由于跳跃连接的存在更是增大了参数量和计算量。表中的 采用 作为特征提取网络，以及本文方法均采用 作为特征提取网络，但是本文基于 的方法计算量要远小于它们，参数量接近，这是因为 和 网络是基于 结构的网络，具有多个跳跃连接，网络中分支结构较多，因此计算量较大。表 不同方法的参数量和计算量对比 模型 本文方法（基于 ）本文方法（基于 ）应用实例以西南某区域三维为例在本研究中，使用西南某区域地区三维地震勘探数据来验证方法的有效性，施工面积 ，满覆盖面积大于 ，生产炮次 万以上，接收线总长度超过 ，施工区域涉及多个区县。西南某区域三维地形地貌以山地为主，植被覆盖率高，道路形状复杂、类型多样，主要包含水泥路、乡村土路、柏油路、车辙路。以往利用人工手动进行道路标注，难以高效对道路进行提取，降低了炮点布曹凯奇等：基于改进 的引导式道路提取方法及在震源点位优化中的应用置的效率。现有的基于深度学习的自动道路提取方法极大地提高了道路提取的效率，但是由于精度问题难以满足项目需要，因此本文利用引导式提取道路方法对存在问题的道路进行修正提取，设计了五种方案应用于该三维数据集中验证道路提取效率，见表 。方案 中的手动道路提取为人工利用 软件对道路区域进行标定，方案 中自动道路提取方法为 方法，方案 中引导式道路提取为本文提取方法。方案 和方案 的具体道路提取流程如图 所示，如果当前提取操作满足精度要求时不再进行后续道路提取操作，得到的道路提取结果即为最终结果。道路提取的结果为二值图，其中 表示背景，表示道路区域。在实际应用过程将 的测试区域切分为 像素的小图，共 张图片，其中包含道路的 张，当每张小图的交并比大于 时满足精度要求。图 为五种道路提取方案的部分可视化结果，其中方案 有明显错提和漏提问题；方案 存在部分断裂问题，但整体满足精度要求；方案 和方案 经过修正后没有错提和漏提问题，满足精度要求。从表中 可知，方案 的提取效率最高，但是无法满足项目的精度要求；方案 相较于方案 能够满足精度要求，同时比方案 、的效率表 道路提取设计方案 方案编号道路提取方案提取时间 提取区域面积 参与人数 个 方案 手动道路提取 是方案 自动道路提取 否方案 引导道路提取 是方案 自动道路提取 手动道路提取 是方案 自动道路提取 引导道路提取 是图 方案 与方案 的道路提取流程 图 五种方案与真值图的可视化结果 西安石油大学学报（自然科学版）提升了 倍、倍和 倍。综合道路提取的精度和效率，在炮点布置前选择方案 进行道路提取。为了展示本文提出方法在实际工区道路提结果，将上述五种方案的二值提取结果利用 软件进行矢量化处理并叠加到工区图上，如图 （）所示。叠加结果表明，方案 、方案 和方案 在实际工区的道路提取结果对比方案 基本一致，没有明显错提以及漏提问题，方案 的提取道路结果出现不连续、碎片化问题；方案 和方案 的对比结果表明，本文提出的引导式道路提取方法在满图 工区提取结果与震源点布设结果 足精度要求下实现了道路的快速提取；方案 和方案 的对比结果表明，在实际工区应用中本文引导提取方法能够代替手动提取方法提高修正效率。为了验证本文方法道路提取结果的震源点布设效果，将五种方案的二值化提取结果利用 软件以及 软件进行矢量线提取以及指定 间距等采样，结果如图 （）所示。震源点布设图表明方案、方案和方案对比方案的结果无明显差异，而方案 由于道路提取结果存在错提、漏提现象导致震源点布设时出现多处错误布设，具体表现在震源点布设图中离散点比较多。结论（）针对西南地区道路提取时出现错提、漏提现象，采用手工方式进行修正效率低的问题，以 网络为基础，引入极点和并行多分支模块，提出了引导式道路提取方法。（）本文方法结合自动道路提取方法能够有效提高道路踏勘精细程度，将传统人工标注周期从 周缩减到 以内，道路符合率达到 以上。（）实际应用表明，引入了引导式道路提取方法以后，标注精度达到了工区施工要求，有效弥补了自动提取出现错提漏提现象，实现了道路提取智能化，极大缩短震源点布设周期。参考文献（）：翟俊伟，宁宏晓，付强，等 无人机航拍影像及 数据在复杂区地震勘探中的应用 物探装备，（）：，（）：孔德政，周旭，王琬，等 复杂山地地震勘探多信息智能化选点技术：以塔里木盆地库车坳陷阿瓦特山地为例 非常规油气，（）：，：，（）：王晓阳，张晓斌，赵晓红，等 四川盆地复杂地表地震采集关键技术及其应用效果 天然气工业，（）：，曹凯奇等：基于改进 的引导式道路提取方法及在震源点位优化中的应用 ，（）：邓志文，白旭明，唐传章，等 中国东部复杂障碍区可控震源规模化生产管理措施及效果 工程地球物理学报，（）：，（）：陈敬国，李海东，王瑞贞，等 复杂障碍区可控震源施工质量管理探索及效果 石油工业技术监督，（）：，（）：魏铁，聂明涛，叶朋朋，等 提高复杂地表区可控震源炮点布设均匀性的方法及应用效果研究 工程地球物理学报，（）：，（）：，：，：，：，：，：，（）：，（）：，：（），：，：，（）：，：，：，：，：，：，：（），：，：，：，：，：吴强强，王帅，王彪，等 空间信息感知语义分割模型的高分辨率遥感影像道路提取 遥感学报，（）：，（）：，西安石油大学学报（自然科学版）：（），：，：，：，：，：，：，（），：，：（），：，：，：，：（），：，：，：，：，（），：，（），：，（）：王华俊，葛小三 一种轻量级的 遥感影像建筑物提取方法 自然资源遥感，（）：，（）：，：，（）：，：，：，：，：，（）：，：，：，：，：，：，：责任编辑：陈景辉