本技术涉及电导率探测，尤其涉及一种基于神经网络的电导率成像方法、系统及存储介质。
背景技术：
1、相关技术中，直流电导率探测广泛应用于环境调查、工程勘探、水文调查和矿业应用等多个领域。然而，由于电导率探测得到的观测数据所固有的限制，往往难以全面揭示地下复杂特征。为满足对地质解释的需求，作为地球物理学重要工具之一的反演方法，一直在探寻更为准确、详尽的地下属性重构途径。
2、近年来，随着人工神经网络(artificial neural networks，简称anns)的发展，人工神经网络被引入了电导率探测，人工神经网络能够直接建立视电导率数据与真实电导率模型之间的映射关系，从而在电导率反演中，能够实现电导率特性的快速推断，但其预测的准确度不高，这就限制了该方法在复杂地下介质中的应用。因此，如何在电导率反演中提高电导率探测的准确性，成为了亟待解决的技术问题。
技术实现思路
1、本技术旨在至少解决现有技术中存在的技术问题之一。为此，本技术提出了一种基于神经网络的电导率成像方法、系统及存储介质，能够通过组合神经网络，在电导率反演中提高电导率探测的准确性。
2、根据本技术第一方面实施例的基于神经网络的电导率成像方法，包括：
3、根据地下二维分布的多种类型电导率模型，建立电位满足的泊松方程，并对泊松方程进行求解，得到观测电极间的电压数据，根据所述电压数据生成与所述电导率模型对应的多个视电导率彩色图像；
4、获取与所述视电导率彩色图像一一对应的真实电导率模型彩色图像以及位置模型灰色图像；
5、搭建第一初始神经网络和第二初始神经网络，其中，所述第一初始神经网络为基于所述视电导率彩色图像和所述真实电导率彩色图像之间的映射关系进行搭建，所述第二初始神经网络为基于所述视电导率彩色图像和位置模型灰色图像之间的映射关系进行搭建；
6、根据多个视电导率彩色图像、对应的真实电导率模型彩色图像、以及对应的位置模型灰色图像，分别对所述第一初始神经网络和所述第二初始神经网络进行训练，得到第一目标神经网络和第二目标神经网络；
7、将所述第一目标神经网络和所述第二目标神经网络进行组合，得到组合神经网络；
8、通过所述组合神经网络，确定基于视电导率图像的电导率模型成像预测结果。
9、根据本技术实施例的基于神经网络的电导率成像方法，至少具有如下有益效果：第一步，根据地下二维分布的多种类型电导率模型，建立电位满足的泊松方程，对泊松方程进行求解，获得观测电极间的电压数据，从而生成相应的多个视电导率彩色图像，并获取与所述视电导率彩色图像一一对应的真实电导率模型彩色图像以及位置模型灰色图像；第二步，搭建第一初始神经网络和第二初始神经网络，其中，第一初始神经网络基于视电导率彩色图像和真实电导率彩色图像之间的映射关系进行搭建，第二初始神经网络基于视电导率彩色图像和位置模型灰色图像之间的映射关系进行搭建；第三步，根据多个视电导率图像和其相应的真实电导率模型图像、以及其对应的位置模型图像，分别对第一初始神经网络和第二初始神经网络进行训练，得到第一目标神经网络和第二目标神经网络；第四步，将第一目标神经网络和第二目标神经网络进行组合，得到组合神经网络；第五步，通过组合神经网络，确定基于视电导率图像的电导率模型成像预测结果。本技术的基于神经网络的电导率成像方法，通过构建两个神经网络，一个用于学习从视电导率到真实模型的映射，另一个用于学习视电导率到位置模型的映射，这两个神经网络的结合，能够增强模型的反演能力，从而使得在电导率反演中，能够得到更加准确的预测结果。因此，本技术的电导率成像方法，能够通过组合神经网络，在电导率反演中提高电导率探测的准确性。
10、根据本技术第一方面的一些实施例，所述泊松方程为：
11、
12、其中，σ(s/m)为电导率，φ(v)表示在对r-和r+处两个供电电极注入电流i0(a)后所产生的电位场，δ为狄拉克函数；
13、所述对所述泊松方程进行求解，得到观测电极间的电压数据，包括：
14、根据预先设定的电导率空间分布和电位边界条件，对所述泊松方程进行求解，得到电位场；
15、根据所述电位场在观测电极所在位置确定各自的电位值，得到观测电极间的电压数据。
16、根据本技术第一方面的一些实施例，根据所述电压数据生成与所述电导率模型对应的多个视电导率彩色图像，包括：
17、通过转换公式对所述电压数据转换得到视电导率；
18、根据所述视电导率，得到与所述电导率模型对应的多个所述视电导率彩色图像。
19、其中，所述转换公式为：
20、
21、σa(s/m)为视电导率，k(m)为几何系数，取决于电流和所述电位场中电偶极子的空间配置，δv(v)为所述电位场中两个观测电极之间的电位差。
22、根据本技术第一方面的一些实施例，所述搭建第一初始神经网络和第二初始神经网络，包括：
23、建立从所述视电导率彩色图像到所述真实电导率彩色图像的第一映射关系；
24、根据所述第一映射关系，搭建得到所述第一初始神经网络；
25、建立从所述视电导率彩色图像到所述位置模型灰色图像的第二映射关系；
26、根据所述第二映射关系，搭建得到所述第二初始神经网络。
27、根据本技术第一方面的一些实施例，所述第一初始神经网络和所述第二初始神经网络均采用编码器-解码器网络架构，其中，所述编码器-解码器网络架构为u-net架构。
28、根据本技术第一方面的一些实施例，所述真实电导率彩色图像的类型有多种，多种类型的所述真实电导率彩色图像通过以下步骤得到：
29、从预设的电导率集合随机选取得到背景电导率；
30、分别获取单个矩形体的异常体电导率、两个矩形体的异常体电导率、单个倾斜体的异常体电导率以及复杂异常体的异常体电导率；
31、根据所述背景电导率和所述异常体电导率，构建得到不同类型的所述真实电导率彩色图像。
32、根据本技术第一方面的一些实施例，所述将所述第一目标神经网络和所述第二目标神经网络进行组合，得到组合神经网络，包括：
33、根据预设的组合公式，对所述第一目标神经网络的输出和所述第二目标神经网络的输出进行组合，得到所述组合神经网络，其中，所述组合公式为：
34、
35、所述第一目标神经网络输出为所述第二目标神经网络输出为所述组合神经网络输出为z0和z1分别是中数值为0和数值为1的点的个数，i∈n，j∈n，i和j表示输出图像上的位置，n表示输出图像的像素总数。
36、根据本技术第二方面实施例的基于神经网络的电导率成像系统，包括：
37、生成模块，用于根据地下二维分布的多种类型电导率模型，建立电位满足的泊松方程，并对泊松方程进行求解，得到观测电极间的电压数据，根据所述电压数据生成与所述电导率模型对应的多个视电导率彩色图像，并获取与所述视电导率彩色图像一一对应的真实电导率模型彩色图像以及位置模型灰色图像；
38、搭建模块，用于搭建第一初始神经网络和第二初始神经网络，其中，所述第一初始神经网络为基于所述视电导率彩色图像和所述真实电导率彩色图像之间的映射关系进行搭建，所述第二初始神经网络为基于所述视电导率彩色图像和位置模型灰色图像之间的映射关系进行搭建；
39、训练模块，用于根据多个视电导率彩色图像、对应的真实电导率模型彩色图像、以及对应的位置模型灰色图像，分别对所述第一初始神经网络和所述第二初始神经网络进行训练，得到第一目标神经网络和第二目标神经网络；
40、组合模块，用于将所述第一目标神经网络和所述第二目标神经网络进行组合，得到组合神经网络；
41、预测模块，用于通过所述组合神经网络，确定基于视电导率图像的电导率模型成像预测结果。
42、根据本技术第三方面实施例的基于神经网络的电导率成像系统，包括：
43、至少一个存储器；
44、至少一个处理器；
45、至少一个程序；
46、所述程序被存储在所述存储器中，所述处理器执行至少一个所述程序以实现如第一方面实施例所述的基于神经网络的电导率成像方法。
47、根据本技术第四方面实施例的计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如第一方面实施例所述的基于神经网络的电导率成像方法。
48、本技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
1.基于神经网络的电导率成像方法，其特征在于，包括：
2.根据权利要求1所述的基于神经网络的电导率成像方法，其特征在于，所述泊松方程为：
3.根据权利要求2所述的基于神经网络的电导率成像方法，其特征在于，根据所述电压数据生成与所述电导率模型对应的多个视电导率彩色图像，包括：
4.根据权利要求1所述的基于神经网络的电导率成像方法，其特征在于，所述搭建第一初始神经网络和第二初始神经网络，包括：
5.根据权利要求1所述的基于神经网络的电导率成像方法，其特征在于，所述第一初始神经网络和所述第二初始神经网络均采用编码器-解码器网络架构，其中，所述编码器-解码器网络架构为u-net架构。
6.根据权利要求5所述的基于神经网络的电导率成像方法，其特征在于，所述真实电导率彩色图像的类型有多种，多种类型的所述真实电导率彩色图像通过以下步骤得到：
7.根据权利要求1所述的基于神经网络的电导率成像方法，其特征在于，所述将所述第一目标神经网络和所述第二目标神经网络进行组合，得到组合神经网络，包括：
8.基于神经网络的电导率成像系统，其特征在于，包括：
9.基于神经网络的电导率成像系统，其特征在于，包括：
10.计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至7任意一项所述的基于神经网络的电导率成像方法。
