1.一种无标签框微地震信号检测方法，其特征在于，所述方法包括：

S1、从微地震信号数据中筛选出两个含有有效信号的数据集a、b，并对数据集a、b中的图像做预处理；

S2、通过卷积神经网络分别对所述预处理后的数据集a、b进行图像特征提取，得到数据集a、b的数据特征图；

S3、通过Faster-RCNN中的区域建议网络层RPN层分别在所述数据特征图上生成a、b两类候选框；

S4、通过对抗生成网络的判别器分辨a、b两类候选框的相似性，鉴别出相似度超过预设阈值的候选框；

S5、通过ROI Align调整步骤S4鉴别出的候选框，生成尺寸大小一致的特征图；

S6、通过Faster-RCNN的全连接层后，对所述尺寸一致的特征图进行分类，使用交叉熵损失函数对预测误差分析，不断拟合训练得到无标签框微地震信号检测模型；

S7、输入待检测信号图像，通过所述无标签框微地震信号检测模型检测有效信号。

2.根据权利要求1所述无标签框微地震信号检测方法，其特征在于，所述步骤S7中，所述输入待检测信号图像之后、通过所述无标签框微地震信号检测模型检测有效信号之前，还包括：对待检测信号图像做预处理，通过VGG16网络提取图像特征。

3.根据权利要求1所述无标签框微地震信号检测方法，其特征在于，所述步骤S3中，所述RPN层在所述特征图上定义纵横比，每一个像素点都在特征图上映射出大小比例不同的九个候选框，这些候选框中包含待检测的有效信号。

4.根据权利要求1所述无标签框微地震信号检测方法，其特征在于，所述步骤S4的具体过程为：设a、b两类候选框分别属于X集合与Y集合，采用对抗生成网络的判别器，对X，Y集合做极大似然估计，鉴别出相似度超过预设阈值的候选框，判别器损失公式如下：其中x，y为X、Y中像素点，ps(x)代表两类候选框相似的概率，pn(y)代表两类候选框不相似的概率，P为判别器判别为真的概率，i＝1,2,…,N，N为待分辨的建议框个数。

5.根据权利要求1所述无标签框微地震信号检测方法，其特征在于，所述步骤S6中，所述交叉熵损失函数为：其中yi为目标期待输出，yj为softmax分类器实际输出，n为分类个数，i＝1,2,···，n，j＝1,2,···，n。

6.一种无标签框微地震信号检测装置，其特征在于，所述装置包括：

预处理模块：从微地震信号数据中筛选出两个含有有效信号的数据集a、b，并对数据集a、b中的图像做预处理；

特征提取模块：通过卷积神经网络分别对所述预处理后的数据集a、b进行图像特征提取，得到数据集a、b的数据特征图；

模型训练模块：通过Faster-RCNN中的区域建议网络层RPN层分别在所述数据特征图上生成a、b两类候选框；通过对抗生成网络的判别器分辨a、b两类候选框的相似性，鉴别出相似度超过预设阈值的候选框；通过ROI Align调整所述鉴别出的候选框，生成尺寸大小一致的特征图；通过Faster-RCNN的全连接层后，对所述尺寸一致的特征图进行分类，使用交叉熵损失函数对预测误差分析，不断拟合训练得到无标签框微地震信号检测模型；

信号检测模块：输入待检测信号图像，通过所述无标签框微地震信号检测模型检测有效信号。

7.根据权利要求6所述无标签框微地震信号检测装置，其特征在于，所述模型训练模块中，所述判别器损失公式如下：其中x，y为X、Y中像素点，ps(x)代表两类候选框相似的概率，pn(y)代表两类候选框不相似的概率，P为判别器判别为真的概率，i＝1,2,…,N，N为待分辨的建议框个数。