本发明涉及地质建模，具体涉及一种基于深度学习的二维地质剖面图生成方法及系统。
背景技术：
1、地质建模是人们采用数字化和可视化的手段，利用地质专业知识和地质勘测数据对目标地质体的二维或者三维空间分布进行建立的一种方法。近些年来，继数字地球和智慧城市之后，数字孪生的提出进一步的推动了各个行业的数字化、信息化和智能化。地质剖面图生成等地质建模技术可以清晰的表示地下空间的地质体分布状况，有利于增加人们对地下空间的认知，对矿山和油田的开采所需要的地下空间量化评价提供了重要的数据支撑，是数字孪生矿山和石油数字孪生的基础和关键技术，也是数字地球和智慧城市的重要组成部分。
2、地质剖面图是对地下三维地质空间某一截面的地层结构分布、岩层属性信息等进行二维描述的地质模型，一直以来都是人们认识和分析地下空间的重要图件。二维地质建模和三维地质建模技术相互配合，不仅在工程勘探和矿产开采发挥着重大作用，也在城市规划与建设、水资源治理和地质灾害分析等越来越多的方面快速发展，是推动地上地下实体三维重建和城市数字孪生技术发展的关键技术支撑。
3、随着人工智能的快速发展，人工智能技术为传统的地质学领域注入了新鲜的血液，给地质建模带来了更多新的方法。例如，bp神经网络、支持向量机、随机森林等机器学习方法和卷积神经网络、生成对抗网络、变分自编码器等深度学习方法，在储层建模、水文地质建模、地质结构建模等领域都取得了一定的进展，推动了地质建模技术的进一步发展。
4、现有的地质建模方法大多可以考虑局部的空间相关性或者某些方向上的空间相关性，但难以顾及整个建模区域内的所有先验数据的空间相关性。近些年来，transformer作为一种新兴的深度学习技术，在自然语言处理、计算机视觉等领域都取得了卓越的成绩，其注意力机制可以较好的建立已知数据和待求数据之间的相关关系，而当前在地质剖面图生成领域中还缺少关于注意力机制应用的研究。
技术实现思路
1、本技术提供一种基于深度学习的二维地质剖面图生成方法及系统，以解决现有地质剖面图生成方法难以顾及整个建模区域内的所有先验数据的空间相关性的问题。
2、根据第一方面，一种实施例中提供一种基于深度学习的二维地质剖面图生成方法，所述方法包括：
3、构建二维地质剖面图样本集，从二维地质剖面图中随机抽取局部图像得到虚拟钻孔图像，基于抽取的虚拟钻孔图像构建训练集和测试集；
4、构建深度学习网络模型，所述深度学习网络模型包括基于二维cnn的编码层、基于transformer的解码层和逆映射层，将虚拟钻孔图像输入至所述编码层进行地层信息编码和空间位置信息编码得到地层信息编码序列和空间位置信息编码序列，将地层信息编码序列、空间位置信息编码序列以及随机噪声相加后输入至所述解码层后进行解码，将解码信息输入至所述逆映射层进行还原到像素层得到一维地质剖面图像素值结果；
5、利用所述训练集和测试集对深度学习网络模型进行训练和测试；
6、将采集的实测钻孔图像数据处理后输入至训练得到的深度学习网络模型，将模型输出的一维地质剖面图像素值结果还原得到二维地质剖面图。
7、进一步地，从二维地质剖面图中随机抽取局部图像得到虚拟钻孔图像，具体包括：
8、根据所述二维地质剖面图样本集中所出现的所有地层类别，制作地层编码对照表，对每一种地层进行标签编码；
9、根据制作的地层编码对照表，将二维地质剖面图中某一点所代表的属性值依照地层编码对照表进行设置；
10、若原始二维地质剖面为矢量形式，则通过规则采样并判断采样点位于哪种地层上方，将采样点的属性值依照地层编码对照表进行设置，由此将矢量形式的二维地质剖面图转化为栅格图像。
11、进一步地，从二维地质剖面图中随机抽取局部图像得到虚拟钻孔图像，具体包括：
12、将编码后的二维地质剖面图做随机掩膜，保留预设大小的部分图像作为虚拟钻孔图像，其余部分赋值为0；采用最大最小值归一法对得到的虚拟钻孔图像进行归一化。
13、进一步地，将虚拟钻孔图像输入至所述编码层进行地层信息编码和空间位置信息编码得到地层信息编码序列和空间位置信息编码序列，具体包括：
14、将输入图像通过卷积的方式分块，二维卷积核的大小即为每个二维像素块的大小，二维卷积的步长和卷积核的大小相同，将每一个分块后的像素块单独映射为一个词向量；
15、将二维卷积后的输入图像的特征向量组成为一个序列，序列的长度为输入图像被分成的块数，序列中词向量的维度为分块后像素块内的像素数，如此得到地层信息编码序列。
16、进一步地，将虚拟钻孔图像输入至所述编码层进行地层信息编码和空间位置信息编码得到地层信息编码序列和空间位置信息编码序列，具体包括：
17、采用[0,1]范围编码结合压缩编码的方法对分块后的二维地质钻孔图像进行位置编码，对二维地质钻孔图像中的每个像素进行相对坐标编码，再将每个像素的坐标进行归一化，即可得到每个像素空间位置信息的[0,1]范围编码；
18、将[0,1]范围编码后的二维位置信息进行二维卷积，二维卷积核的大小和步长都为像素块的大小，将二维卷积后的二维地质钻孔图像的空间位置特征向量组成为一个序列，序列的长度为二维钻孔图像被分成的块数，序列中词向量的维度为分块后像素块内的像素数，如此得到空间位置信息编码序列。
19、进一步地，将地层信息编码序列、空间位置信息编码序列以及随机噪声相加后输入至所述解码层后进行解码，具体包括：
20、所述随机噪声由一个随机向量经过线性映射得到，随机向量的长度为解码层输入的词向量序列长度，通道数为1且符合正态分布，将随机向量输入至线性映射层，将随机向量的通道数从1映射到输入解码层的通道数。
21、进一步地，所述深度学习网络模型还包括逆映射层；
22、所述逆映射层用于将解码信息还原到像素层得到一维地质剖面图像素值；通过将所述一维地质剖面图像素值还原能得到二维地质剖面图。
23、进一步地，利用所述训练集和测试集对深度学习网络模型进行训练和测试，具体包括：
24、构建多权重的交叉熵损失函数，基于损失函数计算模型预测值与真实值之间的loss，并采用后向传播和随机梯度下降的方法训练网络。
25、进一步地，构建多权重的交叉熵损失函数，基于所述损失函数计算模型预测值与真实值之间的l oss，具体包括：
26、将钻孔区域的损失函数权重l0设为w0，钻孔的一级邻域的损失函数ln1权重设置为w1，二级邻域的损失函数ln2权重设置为w2，其余区域损失函数ln3权重设置为w3，即损失函数为loss＝w0l0+w1ln1+w2ln2+w3ln3；
27、其中，钻孔的一级邻域是钻孔上每个像素的平面八邻域的集合；钻孔的二级邻域是钻孔上每个像素的平面二十五邻域的集合；钻孔的一级和二级邻域按照预设比例进行设置。
28、根据第二方面，一种实施例中提供一种基于深度学习的二维地质剖面图生成系统，所述系统包括：
29、数据集构建模块，用于构建二维地质剖面图样本集，从二维地质剖面图中随机抽取局部图像得到虚拟钻孔图像，基于抽取的虚拟钻孔图像构建训练集和测试集；
30、模型构建模块，用于构建深度学习网络模型，所述深度学习网络模型包括基于二维cnn的编码层、基于transformer的解码层和逆映射层，将虚拟钻孔图像输入至所述编码层进行地层信息编码和空间位置信息编码得到地层信息编码序列和空间位置信息编码序列，将地层信息编码序列、空间位置信息编码序列以及随机噪声相加后输入至所述解码层后进行解码，将解码信息输入至所述逆映射层进行还原到像素层得到一维地质剖面图像素值结果；
31、模型训练模块，用于利用所述训练集和测试集对深度学习网络模型进行训练和测试；
32、二维地质剖面图生成模块，用于将采集的实测钻孔图像数据处理后输入至训练得到的深度学习网络模型，将模型输出的一维地质剖面图像素值结果还原得到二维地质剖面图。
33、根据第三方面，一种实施例中提供一种电子设备，所述设备包括：处理器和存储器；
34、所述存储器用于存储一个或多个程序指令；
35、所述处理器，用于运行一个或多个程序指令，用以执行如上任一项所述的一种基于深度学习的二维地质剖面图生成方法的步骤。
36、根据第四方面，一种实施例中提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的一种基于深度学习的二维地质剖面图生成方法的步骤。
37、本技术提供一种基于深度学习的二维地质剖面图生成方法及系统，构建二维地质剖面图样本集，从二维地质剖面图中随机抽取局部图像得到虚拟钻孔图像，基于抽取的虚拟钻孔图像构建训练集和测试集；构建深度学习网络模型，所述深度学习网络模型包括基于二维cnn的编码层、基于transformer的解码层和逆映射层，将虚拟钻孔图像输入至所述编码层进行地层信息编码和空间位置信息编码得到地层信息编码序列和空间位置信息编码序列，将地层信息编码序列、空间位置信息编码序列以及随机噪声相加后输入至所述解码层后进行解码，将解码信息输入至所述逆映射层进行还原到像素层得到一维地质剖面图像素值结果；利用所述训练集和测试集对深度学习网络模型进行训练和测试；将采集的实测钻孔图像数据处理后输入至训练得到的深度学习网络模型，将模型输出的一维地质剖面图像素值结果还原得到二维地质剖面图。本发明基于二维cnn构建编码层，使得在二维地质剖面图生成领域应用擅长建立全局相关性的transformer成为可能，并通过提取地层信息和位置信息，构建多权重的交叉熵损失函数加强对钻孔图像数据及其邻域的训练，以及构建随机噪声帮助训练和去噪，全自动的生成贴合已知钻孔的二维地质剖面图，提高了生成二维地质剖面图的质量以及精细化程度，进而提升其应用价值。
1.基于深度学习的二维地质剖面图生成方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于深度学习的二维地质剖面图生成方法，其特征在于，从二维地质剖面图中随机抽取局部图像得到虚拟钻孔图像，具体包括：
3.如权利要求2所述的基于深度学习的二维地质剖面图生成方法，其特征在于，从二维地质剖面图中随机抽取局部图像得到虚拟钻孔图像，具体包括：
4.如权利要求1所述的基于深度学习的二维地质剖面图生成方法，其特征在于，将虚拟钻孔图像输入至所述编码层进行地层信息编码和空间位置信息编码得到地层信息编码序列和空间位置信息编码序列，具体包括：
5.如权利要求4所述的基于深度学习的二维地质剖面图生成方法，其特征在于，将虚拟钻孔图像输入至所述编码层进行地层信息编码和空间位置信息编码得到地层信息编码序列和空间位置信息编码序列，具体包括：
6.如权利要求1所述的基于深度学习的二维地质剖面图生成方法，其特征在于，将地层信息编码序列、空间位置信息编码序列以及随机噪声相加后输入至所述解码层后进行解码，具体包括：
7.如权利要求1所述的基于深度学习的二维地质剖面图生成方法，其特征在于，利用所述训练集和测试集对深度学习网络模型进行训练和测试，具体包括：
8.如权利要求7所述的基于深度学习的二维地质剖面图生成方法，其特征在于，构建多权重的交叉熵损失函数，基于所述损失函数计算模型预测值与真实值之间的loss，具体包括：
9.基于深度学习的二维地质剖面图生成系统，其特征在于，所述系统包括：
10.一种电子设备，其特征在于，所述设备包括：处理器和存储器；
