1.一种基于卷积神经网络多物探法耦合的地质超前精细预报方法，其特征在于：包括以下步骤：S101：建立多物探法-多地质分类耦合的地质富标签样本数据集；

S102：构建基于特征提取的多目标识别分类神经网络模型；

S103：采用所述样本数据集，对所述多目标识别分类神经网络模型进行训练，得到训练好的多目标识别分类神经网络模型；

S104：将多种物探法得到的图像结果数据分别输入至所述训练好的多目标识别分类神经网络模型，得到多种物探法对应的检测结果，并结合多物探法检测结果权重耦合策略，得到综合预报结果。

2.如权利要求1所述的一种基于卷积神经网络多物探法耦合的地质超前精细预报方法，其特征在于：步骤S101中，样本数据集建立具体步骤如下：S201：地质类型标签确定：根据隧道内岩土破碎程度及含水量，将隧道地质类型分为6中类型：空腔型溶洞、泥夹石填充型溶洞、局部破碎围岩、富水破碎围岩、低含水量全破碎围岩和无明显异常围岩；

S202：根据各物探法适用场景特点及应用优势，案例收集或者现场采集相应的多张探测图像数据，并采用专家经验法确定各探测图像数据上6种地质类型位置分布及相应地质类型，以6对应地址类型作为标签内容进行数据标注，得到多物探法-多地质分类耦合的地质富标签样本数据集；所述物探法包括：地质雷达、TSP和瞬变电磁；

S203：根据各物探法的优势特点对各地质类型赋予一个影响权重因子，得到影响权重因子矩阵。

3.如权利要求2所述的一种基于卷积神经网络多物探法耦合的地质超前精细预报方法，其特征在于：步骤S203中，采用专家打分法，根据某一物探法对某一种地质类型的探测精度，基于模糊逻辑理论设置极高、高、一般、较低、低5档，并以1～10打分，综合得到三种物探法-六种地址类型预测精度影响打分矩阵M3×6；再对M3×6按行进行归一化，得到影响权重因子λij；公式如下：其中，i＝1,2,3；j＝1,2,3,..,6；λij表示第i种物探法对第j种地质类型的影响权重因子；Mi,j表示第i种物探法对第j种地质类型的探测精度对应的分数。

4.如权利要求1所述的一种基于卷积神经网络多物探法耦合的地质超前精细预报方法，其特征在于：步骤S102中，所述多目标识别分类神经网络模型包括依次连接的特征提取基础网络和特征结果分类网络；

其中，所述特征提取基础网络包括依次连接的：CBR块、最大池化层、BaseRN1层、2个BaseRN0层、BaseRN1层、3个BaseRN0层、BaseRN1层、5个BaseRN0层；

所述特征结果分类网络包括依次连接的：CBR块、最大池化层、全连接层和Softmax层。

5.如权利要求4所述的一种基于卷积神经网络多物探法耦合的地质超前精细预报方法，其特征在于：所述CBR块包括依次连接的卷积层、正则化层和激活层；其中，C代表卷积层，B代表正则化层Batch Norm，R代表激活层，采用Leaky-ReLU激活函数。

6.如权利要求4所述的一种基于卷积神经网络多物探法耦合的地质超前精细预报方法，其特征在于：BaseRN1层和BaseRN0层均基于残差网络思想设计，引入残差项，便于构建深度网络模型；其中，BaseRN0层和BaseRN1层中主干均为CBR-CBR-CB模块，且BaseRN0层和BaseRN1层中主干CBR-CBR-CB模块参数一致，具体为：第一个CBR块的滤波器尺寸为1×1，64个通道；第二个CBR块的滤波器尺寸为3×3，64个通道；第三个CB块的滤波器尺寸为1×1，

256个通道；BaseRN0层中分支CB块的滤波器尺寸与主干的CB块滤波器尺寸一致，BaseRN1中分支CBR块的滤波器尺寸与主干的第一个CBR块的滤波器尺寸一致；所述CB块包括依次连接的卷积层和正则化层。

7.如权利要求4所述的一种基于卷积神经网络多物探法耦合的地质超前精细预报方法，其特征在于：在所述特征提取基础网络中，特征提取层的输出特征映射以16倍的因子进行四级下采样，在空间分辨率和提取特征强度之间进行折中,激活层Leaky-ReLU的最后输出为14×14×1024；所述特征提取网络采用四个阶段对输入图像进行2倍的降采样，实现16倍的下采样：具体如下：第一阶段：输入尺寸大小为W×H×C的三通道RGB图像，在第一阶段输入进入一个CBR块；其中，W＝256为图像的宽，H＝256为图像的高，C＝3代表图像三通道；此CBR块中滤波器尺寸为1×1，64个通道，经过CBR块一次下采样，此时输出的图像尺寸大小为128×128×64；

第二阶段：首先通过一个过滤器为3×3和步幅2的最大池化层，然后再通过一个BaseRN1层和2个BaseRN0层；通过第二阶段后输出的图像尺寸大小为64×64×256；

第三阶段：将第二阶段的输出输入至依次连接的1个BaseRN1层和3个BaseRN0层，通过BaseRN0层、BaseRN1层的组合得到更深层的网络模型结构，输出图形尺寸大小为32×32×

512；

第四阶段：将第三阶段的输出输入至依次连接的1个BaseRN1层和5个BaseRN0层，通过BaseRN0、BaseRN1的不同组合进一步得到更深层的网络模型结构，输出图像尺寸大小为16×16×1024。

8.如权利要求4所述的一种基于卷积神经网络多物探法耦合的地质超前精细预报方法，其特征在于：在特征结果分类网络中：将特征提取基础网络的输出结果输入特征分类网络中，通过CBR块后对原始特征进行粗处理，然后利用最大池化层有效降低模型参数误差造成的特征估计均值的偏移影响，最后连接全连接层及softmax层进行定位及分类，通过多任务损失函数的设计实现对不良地质位置和不良地质类型分类的同时检测。

9.如权利要求7所述的一种基于卷积神经网络多物探法耦合的地质超前精细预报方法，其特征在于：步骤S103中，采用基于半监督迁移学习的训练框架，对多目标识别分类神经网络模型的参数进行镇定寻优；

训练时，设计多任务损失函数，具体针对目标分类和目标区域预测定位两大任务；其中：目标分类任务损失函数Lcls：检测出来的目标候选区域对应的地质类型为u，其中u属于

6种地质类型中的任意一种；目标分类的输入是特征提取基础网络的输出特征张量向量T＝[T1,T2,...,T6]，T1,T2,...,T6分别表示6种地质类型对应的特征张量，输出是目标候选区域地质类型u的概率置信度 Prob1,Prob2,...,Prob6,分别表示预测结果是第一种地质类型至第六种地质类型的概率值；其中：

采用softmax损失函数构建Lcls：

目标检测定位任务损失函数Lloc：对于候选区域所属的地质类型u，其对应的定位区域预测表征量定义为 实际通过数据标注得到该候选区域实际范围真实值定义为v＝{vx,vy,vw,vh}；其中， 表示第u种地质类型的位置预测的结果， 代表预测矩形区域的中心点横坐标和纵坐标， 代表预测矩形的长宽(w,h)；

v＝{vx,vy,vw,vh}表示实际标注的结果，代表真实值，vx,vy代表不良地质区域框的中心点横坐标和纵坐标，vw,vh代表不良地质区域框的长宽；

采用如下损失函数表征Lloc：

其中，

上式中，λ为预设的正超参数；

综合得到目标分类与目标检测分类耦合的多任务损失函数L(u,Prob，pu,v)，通过权重因子λ1来实现模型在定位与分类精度的一个平衡：L(u,Prob，pu,v)＝(1-λ1)Lcls(p,u)+λ1Lloc(pu,v),λ1∈[0,1]上式中，λ1为预设值，需根据任务实际情况调整。

10.如权利要求9所述的一种基于卷积神经网络多物探法耦合的地质超前精细预报方法，其特征在于：步骤S104中，所述多物探法检测结果权重耦合策略；具体包括：基于影响权重因子矩阵λweight，设计多物探法耦合的预报方法；综合预报结果Pres：上式中 ,i＝1 ,2 ,3分别代表TSP、地质雷达、瞬变电磁三种物探法；

分别代表物探结果Pi对应的6种地质类型的检测结果向量，具

体地，

Pi是多目标识别分类神经网络模型最终的输出结果矩阵，这个矩阵中的向量代表了某一物探方法对六种类型地质的预测结果向量[Prob,pu]，其中Prob中包括每种地质类型的预测概率，概率最高的值对应的地质类型代表预报是该地质类型；pu是预测结果中对应最高概率的地质类型的区域框 其中：N＝3，M＝6

j＝1,2,3,4,5,6，代表6种地质类型。