CN110308444B - 道路层位智能识别及干扰源排除方法 - Google Patents

道路层位智能识别及干扰源排除方法 Download PDF

Info

Publication number
CN110308444B
CN110308444B CN201910729876.2A CN201910729876A CN110308444B CN 110308444 B CN110308444 B CN 110308444B CN 201910729876 A CN201910729876 A CN 201910729876A CN 110308444 B CN110308444 B CN 110308444B
Authority
CN
China
Prior art keywords
data
horizon
identification
interference source
point
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.)
Active
Application number
CN201910729876.2A
Other languages
English (en)
Other versions
CN110308444A (zh
Inventor
许献磊
郭飚
周东林
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.)
China University of Mining and Technology Beijing CUMTB
Original Assignee
China University of Mining and Technology Beijing CUMTB
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 China University of Mining and Technology Beijing CUMTB filed Critical China University of Mining and Technology Beijing CUMTB
Priority to CN201910729876.2A priority Critical patent/CN110308444B/zh
Publication of CN110308444A publication Critical patent/CN110308444A/zh
Application granted granted Critical
Publication of CN110308444B publication Critical patent/CN110308444B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/885—Radar or analogous systems specially adapted for specific applications for ground probing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明专利提供了一种道路层位智能识别及干扰源排除方法，其步骤为：1.数据预处理，包括对探地雷达原始数据进行背景去噪、零线设定、增益和滑动平均；2.干扰源识别及排除，建立干扰源样本库，通过机器学习实现干扰源的自动识别和有效排除；3.层位追踪和信息提取，以参考道种子点为中心，建立三级窗口算子，依次进行追踪判断，直到所获取的层位坐标信息达到要求。该方法的核心是“三级窗口算子”层位追踪算法，可实现追踪道路层位的精确定位和识别。

Description

道路层位智能识别及干扰源排除方法
技术领域
本发明属于探地雷达探测应用技术领域，涉及一种道路层位智能识别及干扰源排除方法，该方法包括数据的预处理、干扰源识别及排除、层位追踪和信息提取。核心是“三级窗口算子”层位追踪算法，可解决现有道路层位识别追踪算法所存在的识别精度低、定位不准确以及“串层”等问题。
背景技术
随着我国经济的快速发展，公路里程也不断增加，截止2018年底，全国现有公路里程477.35万公里。新建公路的质量验收、已有公路的老化以及自然或人为原因导致的路面破坏等，均需要对公路面层和基层厚度进行高精度检测。当前，可用于道路层厚检测的方法主要有人工有损探测方法(取芯法和钻孔法等)、地球物理无损探测方法等，有损探测方法准确率高但探测效率低，探地雷达等无损探测方法虽然具有探测效率高的优势，但是现有的道路层位识别追踪算法仍然存在识别精度低、定位不准确以及“串层”等现象。
因此，如何解决现有技术中，道路层位识别问题，是本领域技术人员亟待解决的。
发明内容
本发明的目的是实现对道路地下层位的自动识别。为了达到上述目的，本发明提出了一种道路层位智能识别及干扰源排除方法。本发明采取的步骤如下：
1、数据预处理；
2、干扰源识别及排除；
3、层位追踪和信息提取；
在上述技术方案中，步骤1、所述预处理包括对探地雷达原始数据进行背景去噪、零线设定、增益和滑动平均，其中背景去噪主要是去除雷达数据中的噪声干扰信息；零线设定主要是为了确定地面的反射点位置；增益的目的是对雷达数据进行放大处理；滑动平均是对数据进行处理以消除偶然变动因素的影响。
步骤2、建立样本库时，针对不同干扰源，在雷达数据剖面上以干扰源图像几何中心点为中心，选取可覆盖整个干扰源图像的t×t窗口数据作为样本数据。通过机器学习，分类识别不同种类的干扰源。
步骤3、层位追踪和信息提取包括确立“三级窗口算子”、相关性分析及判断、获取层位坐标信息三个步骤。“三级窗口”指的是以参考道种子点为中心，通过改变上下边界范围建立的三级窗口，设x(m)、y(n)分别为参考道和被追踪道的数据序列，m和n1为数据序列的长度；m1、m2和m3分别为参考道三个数据序列窗口的长度，且n1>m3>m2>m1。则有：
Figure BDA0002160190450000021
其中，ρxy为相关系数，Grade是窗口的级别。
步骤4根据步骤3中所述的公式进行相关性分析，分析步骤如下：
(1)在三级窗口中，首先判断1级窗口，具体方式是：从被追踪道所选序列的上边界第一个点开始，将参考道与被追踪道进行相关计算，到窗口下边界最后一个点结束，直到所计算的相关系数值最大为止(计为ρ1)，然后判断2级窗口，直到所计算的相关系数值最大为止(计为ρ2)，如果ρ1和ρ2所对应的点号相同，那么将该点位置信息作为被追踪道的层位坐标信息。
(2)如果ρ1和ρ2所对应的点号不同，即要判断3级窗口，直到所计算的相关系数值最大为止(计为ρ3)，如果ρ3和ρ1、ρ2所对应的任一点号相同，那么就将该相同点位置信息作为被追踪道的层位坐标信息。
(3)如果ρ3、ρ1和ρ2所对应的点号都不同，那么将ρ3对应位置信息作为被追踪道的层位坐标信息。
本发明相对于现有技术取得了以下技术效果：
(1)在传统道相关算法上引入三级相关窗口算子，可以有效减少定位不准确、串层等现象的出现，满足复杂道路地下状况的数据处理要求。
(2)通过建立常见干扰源样本库，训练识别模型并应用于层位追踪算法中，可以实现跨越干扰源的连续追踪。
(3)对实测数据进行追踪对比实验，结果表明：改进后的层位追踪算法在简单道路结构层位识别中准确率达到98％，在复杂道路结构层位识别中准确率高于传统算法85％，具有巨大的优越性，有效提高了探地雷达的道路检测效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为道路层位智能识别流程图；
图2为道路层位智能识别结果图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细描述：
本例所用实验设备包括中国矿业大学(北京)制造的GR-IV型探地雷达主机和不同频率探地雷达天线。采集参数设置如下：(1)天线的中心频率为1.5GHz；(2)采样时间窗口为15ns；(3)采样率为512点。为了验证上述道路层位智能识别方法的实用性，在矿大(北京)民族楼下道路上进行了验证实验。
用频率为1.5GHz的探地雷达天线进行数据采集。运用上述道路层位智能识别方法对采集的原始雷达数据进行量化识别。
道路层位智能识别按照如下方法进行：
1、对1.5GHz探地雷达采集的原始数据进行背景去噪、零线设定、增益和滑动平均，其中背景去噪主要是去除雷达数据中的噪声干扰信息；零线设定主要是为了确定地面的反射点位置；增益的目的是对雷达数据进行放大处理；滑动平均是对数据进行处理以消除偶然变动因素的影响。
2、干扰源识别及排除方法包括建立样本库、机器学习和分类识别三个步骤。针对不同干扰源，在雷达数据剖面上以干扰源图像几何中心点为中心，选取可覆盖整个干扰源图像的1×1(单位：m)窗口数据作为样本数据，从而建立样本库。通过机器学习，分类识别不同种类的干扰源。
3、层位追踪和信息提取包括确立“三级窗口算子”、相关性分析及判断、获取层位坐标信息。“三级窗口”指的是以参考道种子点为中心，通过改变上下边界范围建立三级窗口，设x(m)、y(n)分别为参考道和被追踪道的数据序列，m和n1为数据序列的长度；m1、m2和m3分别为参考道三个数据序列窗口的长度，n1>m3>m2>m1。在这里，m1＝4,m2＝5,m3＝6,n1＝40。
4、根据步骤3中所选参数进行相关性分析，根据步骤3中所述的公式进行相关性分析，分析步骤如下：
(1)在三级窗口中，首先判断1级窗口，具体方式是：从被追踪道所选序列的上边界第一个点开始，将参考道与被追踪道进行相关计算，到窗口下边界最后一个点结束，直到所计算的相关系数值最大为止(计为ρ1)，然后判断2级窗口，直到所计算的相关系数值最大为止(计为ρ2)，如果ρ1和ρ2所对应的点号相同，那么将该点位置信息作为被追踪道的层位坐标信息。
(2)如果ρ1和ρ2所对应的点号不同，即要判断3级窗口，直到所计算的相关系数值最大为止(计为ρ3)，如果ρ3和ρ1、ρ2所对应的任一点号相同，那么就将该相同点位置信息作为被追踪道的层位坐标信息。
(3)如果ρ3、ρ1和ρ2所对应的点号都不同，那么将ρ3对应位置信息作为被追踪道的层位坐标信息。
结合第4步所识别出来的道路地下干扰源所对应的始末道数，跳过道路地下干扰源，自动绘出层位线。
本发明中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (4)

1.一种道路层位智能识别及干扰源排除方法，主要解决现有道路层位识别追踪算法所存在的识别精度低、定位不准确以及“串层”等问题，包括如下步骤：1.数据预处理；2.干扰源识别及排除；3.层位追踪和信息提取；
所述层位追踪和信息提取包括确立“三级窗口算子”、相关性分析及判断、获取层位坐标信息三个步骤
所述“三级窗口”指的是以参考道种子点为中心，通过改变上下边界范围建立的三级窗口，设x(m)、y(n)分别为参考道和被追踪道的数据序列，m和n1为数据序列的长度；m1、m2和m3分别为参考道三个数据序列窗口的长度，且n1>m3>m2>m1，则有：
Figure FDA0002916452230000011
其中，ρxy为相关系数，Grade是窗口的级别，N表示采样点数；
根据所述的公式进行相关性分析，分析步骤如下：
(1)在三级窗口中，首先判断1级窗口，具体方式是：从被追踪道所选序列的上边界第一个点开始，将参考道与被追踪道进行相关计算，到窗口下边界最后一个点结束，直到所计算的相关系数值最大为止，记为ρ1，然后判断2级窗口，直到所计算的相关系数值最大为止，记为ρ2，如果ρ1和ρ2所对应的点号相同，那么将该点位置信息作为被追踪道的层位坐标信息；
(2)如果ρ1和ρ2所对应的点号不同，即要判断3级窗口，直到所计算的相关系数值最大为止，记为ρ3，如果ρ3和ρ1、ρ2所对应的任一点号相同，那么就将该相同点位置信息作为被追踪道的层位坐标信息；
(3)如果ρ3、ρ1和ρ2所对应的点号都不同，那么将ρ3对应位置信息作为被追踪道的层位坐标信息。
2.根据权利要求1所述的道路层位智能识别及干扰源排除方法，其特征在于：数据预处理包括对原始数据进行背景去噪、零线设定、增益和滑动平均，其中背景去噪主要是去除雷达数据中的噪声干扰信息；零线设定主要是为了确定地面的反射点位置；增益的目的是对雷达数据进行放大处理；滑动平均是对数据进行处理以消除偶然变动因素的影响。
3.根据权利要求1所述的道路层位智能识别及干扰源排除方法，其特征在于：干扰源指的是道路探测过程中存在的可能对雷达数据产生干扰从而影响解释的一切环境要素，所述干扰源包括井盖、天桥、公交站牌、过往车辆以及地下管线，干扰源的识别及排除方法包括建立样本库、机器学习和分类识别三个步骤。
4.根据权利要求3所述的道路层位智能识别及干扰源排除方法，其特征在于：建立样本库时，针对不同干扰源，在雷达数据剖面上以干扰源图像几何中心点为中心，选取可覆盖整个干扰源图像的t×t窗口数据作为样本数据。
CN201910729876.2A 2019-08-08 2019-08-08 道路层位智能识别及干扰源排除方法 Active CN110308444B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910729876.2A CN110308444B (zh) 2019-08-08 2019-08-08 道路层位智能识别及干扰源排除方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910729876.2A CN110308444B (zh) 2019-08-08 2019-08-08 道路层位智能识别及干扰源排除方法

Publications (2)

Publication Number Publication Date
CN110308444A CN110308444A (zh) 2019-10-08
CN110308444B true CN110308444B (zh) 2021-03-09

Family

ID=68082217

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910729876.2A Active CN110308444B (zh) 2019-08-08 2019-08-08 道路层位智能识别及干扰源排除方法

Country Status (1)

Country Link
CN (1) CN110308444B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111190179B (zh) * 2020-01-17 2022-06-24 中国矿业大学(北京) 基于钟摆式探地雷达的地下病害三维信息提取方法
CN111337883B (zh) * 2020-04-17 2022-02-08 中国矿业大学(北京) 一种矿井煤岩界面智能探测识别系统及方法
CN111562620B (zh) * 2020-05-19 2022-11-29 中国铁道科学研究院集团有限公司铁道建筑研究所 一种探地雷达层位自动追踪方法及系统
CN112014816B (zh) * 2020-08-20 2022-09-23 桂林电子科技大学 基于改进层位追踪算法的双程走时计算方法
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

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012108122A (ja) * 2010-10-28 2012-06-07 Univ Of Tokyo 海底音響映像システム
CN102663423A (zh) * 2012-03-28 2012-09-12 北京航空航天大学 一种简谱图像的自动识别和演奏的方法
CN102819040A (zh) * 2012-08-22 2012-12-12 电子科技大学 基于中心扩散加倾角属性的三维地震层位自动追踪方法
CN103969683A (zh) * 2014-05-20 2014-08-06 南京大学 一种三维地震解释中基于约束的批量拾取层位面的方法
CN108710888A (zh) * 2018-01-05 2018-10-26 中国矿业大学(北京) 一种探地雷达数据配准方法
CN109190510A (zh) * 2018-08-13 2019-01-11 中国矿业大学(北京) 基于探地雷达的地下空洞量化识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102298160B (zh) * 2011-05-18 2013-05-22 西安交通大学 一种探地雷达数据层位追踪方法
CN102353990B (zh) * 2011-06-01 2013-08-14 中国石油集团川庆钻探工程有限公司地球物理勘探公司 含逆掩断层的地震切片制作的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012108122A (ja) * 2010-10-28 2012-06-07 Univ Of Tokyo 海底音響映像システム
CN102663423A (zh) * 2012-03-28 2012-09-12 北京航空航天大学 一种简谱图像的自动识别和演奏的方法
CN102819040A (zh) * 2012-08-22 2012-12-12 电子科技大学 基于中心扩散加倾角属性的三维地震层位自动追踪方法
CN103969683A (zh) * 2014-05-20 2014-08-06 南京大学 一种三维地震解释中基于约束的批量拾取层位面的方法
CN108710888A (zh) * 2018-01-05 2018-10-26 中国矿业大学(北京) 一种探地雷达数据配准方法
CN109190510A (zh) * 2018-08-13 2019-01-11 中国矿业大学(北京) 基于探地雷达的地下空洞量化识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于探地雷达的道路层厚检测算法研究";庄戌堃;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20190115;正文第37-45页及图4-10 *

Also Published As

Publication number Publication date
CN110308444A (zh) 2019-10-08

Similar Documents

Publication Publication Date Title
CN110308444B (zh) 道路层位智能识别及干扰源排除方法
CN107621626B (zh) 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
CN111476088B (zh) 沥青路面水损害识别模型构建方法、识别方法及系统
CA2343977C (en) Method of seismic signal processing
CN105445800A (zh) 一种厚层砂体顶部分异岩性油藏的识别方法
CN108921076B (zh) 基于图像的道面裂缝病害自适应恒虚警检测方法
CN112180433B (zh) 地震初至波拾取方法及装置
CN106772586A (zh) 一种基于地震信号奇异性的隐蔽性断裂检测方法
CN109633743A (zh) 一种基于波形分类地震相技术预测煤层厚度的方法
CN116256801B (zh) 基于图像融合的深地油气精准导航断层表征方法与系统
CN114187516A (zh) 一种基于bp神经网络的探地雷达地下空洞目标识别方法
CN111679275A (zh) 基于探地雷达的地下管线识别方法
CN110927817B (zh) 一种薄层叠置河道水平井轨迹优化设计及控制的方法
CN110261905A (zh) 基于倾角控制的复值相干微断层识别方法
CN106646606A (zh) 基于地震特征参数模式识别的薄砂体表征方法
CN110568490B (zh) 一种高速层顶薄储层的识别方法
CN108181665B (zh) 裂缝的确定方法和装置
CN107944469B (zh) 一种基于重排st的低信噪比微震事件辨识方法
CN113589365B (zh) 基于时频域信息的储层尖灭线描述方法
CN110873892B (zh) 层位提取方法及装置
CN107590824B (zh) 基于三维图像处理技术的岩石颗粒识别及位移跟踪方法
CN113030955A (zh) 基于探地雷达技术的地表走滑断裂探测方法及其深部应用
CN113536516A (zh) 基于偏移距向量片属性的观测系统评价方法
CN113094991A (zh) 一种利用地化热解谱图和机器学习计算原油密度的方法
CN112505773B (zh) 一种断裂继承性量化计算和判定方法

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
GR01 Patent grant
GR01 Patent grant