CN109685011A - 一种基于深度学习的地下管线检测识别方法 - Google Patents

一种基于深度学习的地下管线检测识别方法 Download PDF

Info

Publication number
CN109685011A
CN109685011A CN201811592445.8A CN201811592445A CN109685011A CN 109685011 A CN109685011 A CN 109685011A CN 201811592445 A CN201811592445 A CN 201811592445A CN 109685011 A CN109685011 A CN 109685011A
Authority
CN
China
Prior art keywords
underground utilities
detection
data
target
window
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811592445.8A
Other languages
English (en)
Inventor
刘振
张鹏
刘思娇
赵英海
侯杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Huahang Radio Measurement Research Institute
Original Assignee
Beijing Huahang Radio Measurement Research Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Huahang Radio Measurement Research Institute filed Critical Beijing Huahang Radio Measurement Research Institute
Priority to CN201811592445.8A priority Critical patent/CN109685011A/zh
Publication of CN109685011A publication Critical patent/CN109685011A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G06F2218/16—Classification; Matching by matching signal segments
    • G06F2218/20—Classification; Matching by matching signal segments by applying autoregressive analysis

Abstract

本发明涉及一种基于深度学习的地下管线检测识别方法，属于地质勘探技术领域，解决了现有检测方法工作效率低及受人为因素影响较大的问题。包括：获取用于地下管线检测模型训练所需的数据集；构建地下管线检测模型，并利用上述数据集训练模型；利用训练好的地下管线检测模型对地下管线进行检测识别。本发明通过对采集的探地雷达数据特性进行分析，结合人工智能算法‑“深度学习”进行地下管线的自动检测识别，通过构建的卷积神经网络进行目标特征的自动提取，进而实现地下管线的自动识别，提高了地下管线的检测效率，可以满足对大量探测数据的快速高效处理，同时有效减少了人为因素对数据解释和判读结果的影响，提高了地下管线检测识别的置信度。

Description

一种基于深度学习的地下管线检测识别方法
技术领域
本发明涉及地质勘探技术领域，尤其涉及一种基于深度学习的地下 管线检测识别方法。
背景技术
探地雷达(Ground Penetrating Radar.GPR)，是利用天线发射和接收 高频电磁波来探测介质内部物质特性和分布规律的一种地球物理方法， 该方法是近几十年发展起来的一种探测地下目标的有效手段，为无损探 测技术；与其他常规的地下探测方法相比，具有探测速度快、探测过程 连续、穿透能力强、分辨率高、操作方便灵活、探测费用低等优点，在 地下空间安全检测、地质勘查以及特种目标检测等工程勘察领域的应用 日益广泛。
探地雷达的工作方法是通过地面上的发射天线向地下辐射高频电磁 波，通过地面上的接收天线接收反射回地面的电磁波，如图1所示，当 高频电磁波在地下媒质中传播时，遇到存在电性差异的界面时便会产生 反射，因此，可以对接收电磁波数据进行处理，获取波形特征、振幅强 弱和走时变化特征等实现对地下媒质的空间位置结构、形态特征和埋藏 深度的解释评价。
但是，传统的针对于采集到的数据进行处理方式主要存在以下两方 面的缺点：一方面，处理效率低，传统处理方法为人工处理解释，对于 大量的探测数据而言，数据处理与解释效率较低。另一方面，数据解释 和判读结果受人为因素影响较大，不同处理者由于经验和认知层次的差 异，可能存在“同一数据，多种解释”的现象。
发明内容
鉴于上述的分析，本发明旨在提供一种基于深度学习的地下管线检 测识别方法，用以解决现有检测方法工作效率低及受人为因素影响较大 的问题。
本发明的目的主要是通过以下技术方案实现的：
提供了一种基于深度学习的地下管线检测识别方法，包括以下步骤：
获取用于地下管线检测模型训练所需的数据集；
构建地下管线检测模型，并利用上述获取的数据集训练所述模型；
利用训练好的地下管线检测模型对地下管线进行检测识别。
本发明有益效果如下：本发明通过对采集的探地雷达数据特性进行 分析，结合最先进的人工智能算法-“深度学习”进行地下管线的自动检测 识别，通过构建的卷积神经网络进行目标特征的自动提取，进而实现地 下管线的自动识别，提高了地下管线的检测效率，可以满足对大量探测 数据的快速高效处理，同时有效减少了人为因素对数据解释和判读结果 的影响，提高了地下管线检测识别的置信度。
在上述方案的基础上，本发明还做了如下改进：
进一步，所述获取用于地下管线检测模型训练所需的数据集包括：
将搜集到的探地雷达数据转换到图像域；
对上述图像域的数据进行有覆盖滑窗截取；
在上述截取图像上，利用标注工具进行特征标注。
进一步，采用卷积神经网络构建地下管线检测模型。
进一步，所述卷积神经网络包括：主体特征提取网络和检测识别分 支架构；
所述主体特征提取网络，用于对目标候选区域进行特征描述；
所述检测识别分支架构包括目标位置分支架构和目标类别分支架 构；所述目标位置分支架构，对目标位置的偏移量进行回归预测，并结 合候选窗口位置，得到目标的准确位置；所述目标类别分支架构，以目 标在各类上的分类概率作为预测目标，通过softmax结构输出目标候选窗 口的分类概率。
进一步，在目标位置分支架构，回归参数为：
其中，dx,dy,dW,dh分别为真实窗口相对于候选窗口的中心点坐标、 宽度和高度的偏移量；Gx,Gy,Gw,Gh分别为真实窗口中心点的坐标，真 实窗口的宽度和高度；Px,Py,Pw,Ph为候选窗口中心点的坐标，候选窗 口的宽度和高度。
进一步，利用训练好的深度卷积网络模型进行智能识别，包括：
采集目标区域探地雷达回波数据；
对上述采集的原始雷达回波数据进行数据转换、数据截取处理后， 将各截取图像数据输入到上述训练好的深度卷积网络模型的，得到各截 取图像中地下管线检测结果；
将上述各截取图像中的地下管线检测结果进行合并，得到最终的地 下管线检测结果。
进一步，所述将搜集到的探地雷达数据转换到图像域，转换公式为：
其中，xi为原始的第i个回波值，f(xi)为滤波函数，yi为转换到灰 度值值域为[0,b]的图像域中的对应值。
进一步，所述截取图像大小为m*n，m为截取图像的宽度，n为截 取图像的长度，滑窗步长为m/2；
进一步，还包括对采集到的探地雷达回波数据进行预处理，预处理 方式为：增益处理、IIR滤波、FIR滤波、F-K滤波、算术运算、卷积、 偏移处理、静态校正、希尔伯特变换中的一种或多种。
进一步，所述搜集探地雷达数据包括：采集开源学术数据集，网页 爬虫获取数据，自制相关数据。
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优 选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且， 部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本 发明的目的和其他优点可通过说明书、权利要求书以及附图中所特别指 出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制， 在整个附图中，相同的参考符号表示相同的部件。
图1为探地雷法原理示意图；
图2为本发明实施例中基于深度学习的地下管线检测识别方法流程 图；
图3为本发明实施例中目标位置分支架构结构图；
图4为本发明实施例中目标类别分支架构结构图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本 申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用 于限定本发明的范围。
本发明的一个具体实施例，公开了一种基于深度学习的地下管线检 测识别方法，如图1所示，包括以下步骤：
步骤S1、构建用于地下管线检测模型训练所需的数据集；
步骤S2、构建地下管线检测模型，并利用上述构建的数据集训练所 述模型；
步骤S3、利用训练好的地下管线检测模型对地下管线进行检测识 别。
与现有技术相比，本实施例提供的基于深度学习的地下管线检测识 别方法，通过对采集的探地雷达数据特性进行分析，结合最先进的人工 智能算法-“深度学习”进行地下管线的自动检测识别，通过构建的卷积神 经网络进行目标特征的自动提取，进而实现地下管线的自动识别，提高 了地下管线的检测效率，可以满足对大量探测数据的快速高效处理，同 时有效减少了人为因素对数据解释和判读结果的影响，提高了地下管线 检测识别的置信度。
具体来说，在步骤S1中，构建大规模用于地下管线检测模型训练所 需的数据集，生成用于模型训练的训练集及测试集；主要包括三部分： 数据转换、数据截取以及数据标注；具体包括以下步骤：
步骤S101，将搜集到的探地雷达数据转换到图像域；
在搜集数据阶段，可以充分利用现有的数据资源，即通过采集开源 学术数据集或者通过网页爬虫获取数据，经过筛选，获取与地下管线检 测相关的探地雷达回波数据。另外，还可以自制相关数据，即通过对实 际或模拟的地下管线通过探地雷达进行探测，获取到探地雷达回波数据。 本实施例中，通过以上三种方式，获取大规模的用于训练深度学习检测 模型的数据。
考虑到训练模型所需的数据集为带标签样本集(标签具备明确的目 标位置及类别信息)，而标签的生成需要人工标注，为了便于标注工作的 开展，将上述搜集到的探地雷达生成的回波数据转换到图像域进行可视 化标注。其转换公式如下所示：
式中xi表示原始的第i个回波值，f(xi)表示滤波函数，yi为转换到 灰度值值域为[0,b]的图像域中的对应值；
优选的，b取255，即图像域的灰度值值域为[0,255]，此时的转换公 式为：
需要说明的是，在将原始探地雷达数据转换到图像域之间，可以对 数据进行预处理，以便压制干扰信息，突出有效信号，提高信噪比，进 而提高检测识别的准确性。其中，预处理可以为：增益处理、IIR滤波、 FIR滤波、F-K滤波、算术运算、卷积、偏移处理、静态校正、希尔伯特 变换等的一种或者多种。
步骤S102，对上述图像域的数据进行有覆盖滑窗截取；
由于探地雷达所产生的原始回波信号为大场景宽幅(宽度值极大) 数据，如此大幅数据直接用于卷积神经网络会导致计算量成倍增加，从 而导致计算效率低下，而直接进行数据的降采样会导致小目标的丢失； 因为，本实施例中通过进行数据的有覆盖滑窗截取，在保证处理效率的 同时，避免小目标的丢失。其中，截取图像的大小可以根据处理性能及 地下管线的检测精度要求进行调节，截取图像大小为m*n，m为截取图 像的宽度，n为截取图像的长度，滑窗步长为m/2，保证处于截取边界处 的目标可以完整的出现于下一个截取窗口内；示例性的，截取图像大小 为92*314，滑窗步长为截取图像宽度的一半即46。
步骤S103，在上述截取得到的所有图像上，利用标注工具进行特征 标注。
其中，标注的信息包括目标位置及类别，示例性地，可以通过两点 确定一个矩形，以图像的左上角作为坐标原点，标记检测框左上角(Xmin, Ymin)以及右上角(Xmax,Ymax)，同时对正负样本进行标注，作为唯一标 识，连同坐标、标签名、文件名、长宽、深度等信息一起，制作成可扩 展标记语言(XML)格式，便于构建的深度学习检测模型读取。
将通过上述步骤S101-103处理后的数据汇总，得到用于地质类目标 模型训练所需的数据集，优选地，将该数据集中的80％作为训练集，20％ 作为测试集。
在步骤S2中，构建地下管线检测模型，并利用上述构建的数据集训 练所述模型；
步骤S201，构建用于地下管线检测识别的深度卷积网络模型；
随着深度学习的快速发展，目标识别、目标检测以及场景分割在计 算机视觉方向取得了很好的应用效果，在本实施例中应用深度学习技术 对地质勘探类目标(如地下管线)进行自动检测识别，无需人为设计特 征，通过大量实验数据，算法自动学习目标的潜在特征描述，从而摆脱 了人为设计特征的主观臆断性。
需要说明的是，深度学习可以采用自动编码器、稀疏编码、卷积神 经网络、限制波尔兹曼机、深信度网络等方法。
自动编码器(AutoEncoder)，通过给定一个神经网络，假设其输出与 输入是相同的，然后训练调整其参数，得到每一层中的权重，自然地， 就可以得到输入的几种不同表示(每一层是输入的一种表示)，这些表示就 是特征，将原有的特征中加入这些自动学习得到的特征可以大大提高精 确度好。
稀疏编码(Sparse Coding)，是一种对对象的简洁表征的方法，这种 方法可以自动地学习到隐藏在对象数据潜在的基函数。
限制波尔兹曼机(restricted Boltzmann machine,RBM)是一种可通过 输入数据集学习概率分布的随机生成神经网络。为玻兹曼机的变体，但 限定模型必须为二分图，模型中包含对应输入参数的输入(可见)单元 和对应训练结果的隐单元，图中的每条边必须连接一个可见单元和一个 隐单元。
深信度网络(Deep BeliefNetworks)，为一个概率生成模型，与传统 的判别模型的神经网络相对，生成模型是建立一个观察数据和标签之间 的联合分布，通过训练其神经元间的权重，可以让整个神经网络按照最 大概率来生成训练数据。
卷积神经网络(Convolutional Neural Networks,CNN)，该网络是为 识别二维形状而特殊设计的一个多层感知器，这种网络结构对平移、比 例缩放、倾斜或者共他形式的变形具有高度不变性，通过权值共享网络 结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权 值的数量，使图像可以直接作为网络的输入，避免了传统识别算法中复 杂的特征提取和数据重建过程。在该网络中，图像的一小部分(局部感 受区域)作为层级结构的最低层的输入，信息再依次传输到不同的层， 每层通过一个数字滤波器去获得观测数据的最显著的特征。
在本实施例中，优选的，采用卷积神经网络构建深度卷积网络模型， 用于地下管线检测识别，卷积神经网络主体框架由两部分组成：主体特 征提取网络以及检测识别分支架构(目标位置分支架构、目标类别分支 架构)，具体地：
卷积神经网络由卷积层与池化层级联构成，卷积层用于对训练样本 数据卷积输出；池化层用于对卷积输出数据进行降维处理，得到神经网 络模块的卷积层池化输出，降维处理为对卷积输出进行最大池化处理， 取当前池化窗口的最大值作为当前窗口的输出；具体地，卷积神经网络 深度为M层，其中第1～M-1层的每一层均包括卷积层和池化层，第M层为全连接的输出层，输出为分类结果的概率矩阵；训练样本从第一层 输入，上一层神经网络的输出作为下一层的输入，卷积层卷积核的尺寸 小于输入数据的大小，池化层为对卷积层输出进行平均值池化处理，取 当前池化窗口的局部平均值作为当前窗口的输出，用池化区域的局部平 均值代替该区域整体；
主体特征提取网络，用于提取特征，通过主体特征提取网络对目标 候选区域进行特征描述，在此基础上，通过目标位置的回归预测以及目 标类别的分类预测获取目标的位置及类别，最终达到自动检测的目的。
目标位置分支架构，可对目标位置的偏移量进行准确的回归预测， 后结合候选窗口位置，即可推断出目标的准确位置；为了提高位置回归 的精度，以最终位置的偏差量作为回归参数，目标候选窗口的位置以 (Px,Py,Pw,Ph)表示，其分别代表中心点坐标以及宽高信息，其对应的真值 位置以(Gx,Gy,Gw,Gh)表示，则需要进行回归的参数设置如下：
其中，dx,dy,dW,dh分别为真实窗口相对于候选窗口的中心点坐标、 宽度和高度的偏移量；Gx,Gy,Gw,Gh分别为真实窗口中心点的坐标，真 实窗口的宽度和高度；Px,Py,Pw,Ph为候选窗口中心点的坐标，候选框 的宽度和高度。
该分支架构使用smooth L1损失函数，公式为：
其中，d＝(dx，dy，dw，dh)为真实窗口的位置偏移向量，d*＝(d*x， d*y，d*w,，d*h)为预测窗口的位置偏移向量，其中
其中，Ax,Ay,Aw,Ah分别为预测窗口中心点的坐标，预测窗口的宽 度和高度；
目标类别分支架构，以目标在各类上的分类概率作为预测目标，通 过softmax结构输出目标候选窗口的分类概率，其结构如下：
使用n*n卷积，输出通道数为num_priors x class，其中num_priors 为候选框数目，class为类别数加1，此子网络使用softmax损失函数，公 式如下：
其中，为预测框i与真实框j关于类别p的匹配概率，类别p的 预测概率越高，损失越小，表示预测框为负样本，表示预测框为负 样本，预测为背景的概率越高，损失越小；pos为正样本集，neg为负样 本集。
步骤S202，利用步骤S1中获取的数据集训练上述构建的深度卷积 网络模型：得到训练好的深度卷积网络检测模型；
将步骤S1中得到的正、负样本输入到上述构建的深度卷积检测网络 中进行训练，根据损失函数的损失值，使用反向传播算法，来训练深度 卷积检测网络模型，并使用mAP指标(为各类的AP的平均值)作为该 检测模型的性能衡量指标，mAP为0.95，则认为识别结果准确。训练完 成后得到初步的目标检测网络，最后使用测试集中数据进行验证。深度 卷积网络模型的损失函数为位置损失函数和类别损失函数之和：
其中，N为样本数量，Lloc为目标位置分支架构损失函数，Lconf为目 标类别分支架构损失函数。
在步骤S3中，利用步骤S2中训练好的深度卷积网络模型对地下管 线进行检测识别。
利用探地雷达对目标区域进行探测，采集原始雷达回波数据；
将上述采集的原始雷达回波数据进行数据转换、数据截取处理，具 体地，可参见步骤S1中相应记载内容，这里不再赘述。并将处理后的数 据输入到上述训练好的地下管线检测中，得到地下管线检测结果。
需要强调的是，由于有覆盖滑窗进行的数据截取，导致位于截取边 界处的同一目标在两幅截取图像中被检测出，因此，针对截取的图像均 完成检测识别后，还要进行结果合并，通过结果合并将各分离图像处理 的结果合并转换为在目标在宽幅数据中的位置。
需要说明的是，本实施例中通过构建地下管线检测模型针对地下管 线目标体进行自动检测识别；还可以进一步的，对地下管线目标体根据 需要进行分类，构建相应的检测模型，同时，本实施中方法还适用于其 他地质类目标体的检测识别。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程， 可以通过计算机程序指令相关的硬件来完成，所述的程序可存储于计算 机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只 读存储记忆体或随机存储记忆体等。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围 并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范 围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于深度学习的地下管线检测识别方法，其特征在于，包括以下步骤：
获取用于地下管线检测模型训练所需的数据集；
构建地下管线检测模型，并利用上述获取的数据集训练所述模型；
利用训练好的地下管线检测模型对地下管线进行检测识别。
2.根据权利要求1所述的方法，其特征在于，所述获取用于地下管线检测模型训练所需的数据集包括：
将搜集到的探地雷达数据转换到图像域；
对上述图像域的数据进行有覆盖滑窗截取；
在上述截取图像上，利用标注工具进行特征标注。
3.根据权利要求2所述的方法，其特征在于，采用卷积神经网络构建地下管线检测模型。
4.根据权利要求3所述的方法，其特征在于，所述卷积神经网络包括：主体特征提取网络和检测识别分支架构；
所述主体特征提取网络，用于对目标候选区域进行特征描述；
所述检测识别分支架构包括目标位置分支架构和目标类别分支架构；所述目标位置分支架构，对目标位置的偏移量进行回归预测，并结合候选窗口位置，得到目标的准确位置；所述目标类别分支架构，以目标在各类上的分类概率作为预测目标，通过softmax结构输出目标候选窗口的分类概率。
5.根据权利要求4所述的方法，其特征在于，在目标位置分支架构中，回归参数为：
其中，dx,dy,dW,dh分别为真实窗口相对于候选窗口的中心点坐标、宽度和高度的偏移量；Gx,Gy,Gw,Gh分别为真实窗口中心点的坐标，真实窗口的宽度和高度；Px,Py,Pw,Ph为候选窗口中心点的坐标，候选窗口的宽度和高度。
6.根据权利要求5所述的方法，其特征在于，利用训练好的深度卷积网络模型进行智能识别，包括：
采集目标区域探地雷达回波数据；
对上述采集的原始雷达回波数据进行数据转换、数据截取处理后，将各截取图像数据输入到上述训练好的地下管线检测模型中，得到各截取图像中地下管线检测结果；
将上述各截取图像中的地下管线检测结果进行合并，得到最终的地下管线检测结果。
7.根据权利要求6所述的方法，其特征在于，所述将搜集到的探地雷达数据转换到图像域，转换公式为：
其中，xi为原始的第i个回波值，f(xi)为滤波函数，yi为转换到灰度值值域为[0,b]的图像域中的对应值。
8.根据权利要求7所述的方法，其特征在于，所述截取图像大小为m*n，m为截取图像的宽度，n为截取图像的长度，滑窗步长为m/2。
9.根据权利要求8所述的方法，其特征在于，还包括对采集到的探地雷达回波数据进行预处理，预处理方式为：增益处理、IIR滤波、FIR滤波、F-K滤波、算术运算、卷积、偏移处理、静态校正、希尔伯特变换中的一种或多种。
10.根据权利要求9所述的方法，其特征在于，所述搜集探地雷达数据包括：采集开源学术数据集，网页爬虫获取数据，自制相关数据。
CN201811592445.8A 2018-12-25 2018-12-25 一种基于深度学习的地下管线检测识别方法 Pending CN109685011A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811592445.8A CN109685011A (zh) 2018-12-25 2018-12-25 一种基于深度学习的地下管线检测识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811592445.8A CN109685011A (zh) 2018-12-25 2018-12-25 一种基于深度学习的地下管线检测识别方法

Publications (1)

Publication Number Publication Date
CN109685011A true CN109685011A (zh) 2019-04-26

Family

ID=66189240

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811592445.8A Pending CN109685011A (zh) 2018-12-25 2018-12-25 一种基于深度学习的地下管线检测识别方法

Country Status (1)

Country Link
CN (1) CN109685011A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110458129A (zh) * 2019-08-16 2019-11-15 电子科技大学 基于深度卷积神经网络的非金属地雷识别方法
CN110716199A (zh) * 2019-09-18 2020-01-21 武汉市工程科学技术研究院 用于计算机自动辨别多类型缺陷的地质雷达标记方法
CN111191679A (zh) * 2019-12-11 2020-05-22 中国地质大学（武汉） 一种基于Faster R-CNN的地下未爆炸物检测与识别方法
CN111539291A (zh) * 2020-04-16 2020-08-14 创新奇智(合肥)科技有限公司 基于雷达波的目标检测方法及装置、电子设备、存储介质
CN112130132A (zh) * 2020-09-11 2020-12-25 广州大学 基于探地雷达和深度学习的地下管线探测方法和系统
CN112231874A (zh) * 2020-10-19 2021-01-15 中铁建华南建设有限公司 地下管线模型的建立方法、装置、计算机设备和存储介质
CN112257735A (zh) * 2020-05-22 2021-01-22 广东省建设工程质量安全检测总站有限公司 一种基于人工智能的内部缺陷雷达检测系统
CN112395979A (zh) * 2020-11-17 2021-02-23 平安科技（深圳）有限公司 基于图像的健康状态识别方法、装置、设备及存储介质
CN112731381A (zh) * 2020-12-16 2021-04-30 华南农业大学 一种利用安卓调试桥以及车载雷达智能检测土壤硬质异物方法
CN112862888A (zh) * 2021-01-29 2021-05-28 广东电网有限责任公司 一种电缆的定位方法、装置、计算机设备和存储介质
CN113392705A (zh) * 2021-05-13 2021-09-14 电子科技大学 一种基于卷积神经网络的沙漠地区管道泄漏目标识别方法
CN113901878A (zh) * 2021-09-13 2022-01-07 哈尔滨工业大学 一种基于cnn+rnn算法的三维探地雷达图像地下管线识别方法
CN114913477A (zh) * 2022-05-06 2022-08-16 广州市城市规划勘测设计研究院 城市管线防挖掘预警方法、装置、设备及介质
CN115112854A (zh) * 2022-05-26 2022-09-27 北京理工大学 一种基于极化特征与机器学习的探地雷达锈蚀钢筋辨识方法
CN112395979B (zh) * 2020-11-17 2024-05-10 平安科技（深圳）有限公司 基于图像的健康状态识别方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105353373A (zh) * 2015-12-16 2016-02-24 武汉大学 一种基于Hough变换探地雷达目标提取方法和装置
CN107621626A (zh) * 2017-10-09 2018-01-23 中国矿业大学(北京) 基于深度卷积神经网络的雷达信号铁路路基病害检测方法
CN108182450A (zh) * 2017-12-25 2018-06-19 电子科技大学 一种基于深度卷积网络的机载探地雷达目标识别方法
EP3336763A1 (en) * 2016-12-14 2018-06-20 Conti Temic microelectronic GmbH Device for classifying data

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105353373A (zh) * 2015-12-16 2016-02-24 武汉大学 一种基于Hough变换探地雷达目标提取方法和装置
EP3336763A1 (en) * 2016-12-14 2018-06-20 Conti Temic microelectronic GmbH Device for classifying data
CN107621626A (zh) * 2017-10-09 2018-01-23 中国矿业大学(北京) 基于深度卷积神经网络的雷达信号铁路路基病害检测方法
CN108182450A (zh) * 2017-12-25 2018-06-19 电子科技大学 一种基于深度卷积网络的机载探地雷达目标识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WEI LIU,AT EL.: ""SSD: Single Shot MultiBox Detector"", 《ARXIV》 *
曾黄麟: "《智能计算：关于粗集、模糊逻辑、神经网络的理论及其用用》", 30 June 2004, 重庆大学出版社 *
陈慧岩等: "《智能车辆理论与应用》", 31 July 2018, 北京理工大学出版社 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110458129A (zh) * 2019-08-16 2019-11-15 电子科技大学 基于深度卷积神经网络的非金属地雷识别方法
CN110458129B (zh) * 2019-08-16 2020-06-23 电子科技大学 基于深度卷积神经网络的非金属地雷识别方法
CN110716199A (zh) * 2019-09-18 2020-01-21 武汉市工程科学技术研究院 用于计算机自动辨别多类型缺陷的地质雷达标记方法
CN110716199B (zh) * 2019-09-18 2023-09-29 武汉市工程科学技术研究院 用于计算机自动辨别多类型缺陷的地质雷达标记方法
CN111191679A (zh) * 2019-12-11 2020-05-22 中国地质大学（武汉） 一种基于Faster R-CNN的地下未爆炸物检测与识别方法
CN111539291A (zh) * 2020-04-16 2020-08-14 创新奇智(合肥)科技有限公司 基于雷达波的目标检测方法及装置、电子设备、存储介质
CN112257735A (zh) * 2020-05-22 2021-01-22 广东省建设工程质量安全检测总站有限公司 一种基于人工智能的内部缺陷雷达检测系统
CN112130132A (zh) * 2020-09-11 2020-12-25 广州大学 基于探地雷达和深度学习的地下管线探测方法和系统
CN112130132B (zh) * 2020-09-11 2023-08-29 广州大学 基于探地雷达和深度学习的地下管线探测方法和系统
WO2022052790A1 (zh) * 2020-09-11 2022-03-17 广州大学 基于探地雷达和深度学习的地下管线探测方法和系统
CN112231874A (zh) * 2020-10-19 2021-01-15 中铁建华南建设有限公司 地下管线模型的建立方法、装置、计算机设备和存储介质
CN112395979B (zh) * 2020-11-17 2024-05-10 平安科技（深圳）有限公司 基于图像的健康状态识别方法、装置、设备及存储介质
CN112395979A (zh) * 2020-11-17 2021-02-23 平安科技（深圳）有限公司 基于图像的健康状态识别方法、装置、设备及存储介质
CN112731381A (zh) * 2020-12-16 2021-04-30 华南农业大学 一种利用安卓调试桥以及车载雷达智能检测土壤硬质异物方法
CN112862888A (zh) * 2021-01-29 2021-05-28 广东电网有限责任公司 一种电缆的定位方法、装置、计算机设备和存储介质
CN113392705A (zh) * 2021-05-13 2021-09-14 电子科技大学 一种基于卷积神经网络的沙漠地区管道泄漏目标识别方法
CN113901878A (zh) * 2021-09-13 2022-01-07 哈尔滨工业大学 一种基于cnn+rnn算法的三维探地雷达图像地下管线识别方法
CN113901878B (zh) * 2021-09-13 2024-04-05 哈尔滨工业大学 一种基于cnn+rnn算法的三维探地雷达图像地下管线识别方法
CN114913477A (zh) * 2022-05-06 2022-08-16 广州市城市规划勘测设计研究院 城市管线防挖掘预警方法、装置、设备及介质
CN115112854A (zh) * 2022-05-26 2022-09-27 北京理工大学 一种基于极化特征与机器学习的探地雷达锈蚀钢筋辨识方法

Similar Documents

Publication Publication Date Title
CN109685011A (zh) 一种基于深度学习的地下管线检测识别方法
Wang et al. Successful leveraging of image processing and machine learning in seismic structural interpretation: A review
Zhu et al. Intelligent logging lithological interpretation with convolution neural networks
An et al. Deep convolutional neural network for automatic fault recognition from 3D seismic datasets
Ji et al. Seabed sediment classification using multibeam backscatter data based on the selecting optimal random forest model
Peters et al. Neural networks for geophysicists and their application to seismic data interpretation
CN110472597A (zh) 基于深度学习的岩石图像风化程度检测方法及系统
Qiu et al. Application of an improved YOLOv5 algorithm in real-time detection of foreign objects by ground penetrating radar
Wang et al. GPRI2Net: A deep-neural-network-based ground penetrating radar data inversion and object identification framework for consecutive and long survey lines
CN113359212B (zh) 一种基于深度学习的储层特征预测方法及模型
Wang et al. Seismic stratum segmentation using an encoder–decoder convolutional neural network
Wu et al. Automatic extraction of outcrop cavity based on a multiscale regional convolution neural network
Lv et al. ShapeFormer: a shape-enhanced vision transformer model for optical remote sensing image landslide detection
Zhang et al. SaltISCG: Interactive salt segmentation method based on CNN and graph cut
Zhao et al. Evaluation of convolution operation based on the interpretation of deep learning on 3-d point cloud
Zhang et al. Extraction of Multiple Electrical Parameters from IP-Affected Transient Electromagnetic Data Based on LSTM-ResNet
Chen et al. Advanced geological prediction technology of tunnel based on image recognition
CN116759076A (zh) 一种基于医疗影像的无监督疾病诊断方法及系统
Galkin et al. Automated exploration of the radio plasma imager data
Xu et al. Detection method of tunnel lining voids based on guided anchoring mechanism
Chen et al. Improving GPR imaging of the buried water utility infrastructure by integrating the multidimensional nonlinear data decomposition technique into the edge detection
Ye et al. Rapid and Consistent Identification of Stratigraphic Boundaries and Stacking Patterns in Well Logs-An Automated Process Utilizing Wavelet Transforms and Beta Distributions
Liu et al. Advances in automatic identification of road subsurface distress using ground penetrating radar: State of the art and future trends
Hu et al. Defects identification and location of underground space for ground penetrating radar based on deep learning
Li et al. Deep learning electromagnetic CO 2 sequestration monitoring using the NANO-IP effect with convolutional neural network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination