CN110766067B - 基于机器学习的毫米波雷达材质识别方法 - Google Patents

基于机器学习的毫米波雷达材质识别方法 Download PDF

Info

Publication number
CN110766067B
CN110766067B CN201910997814.XA CN201910997814A CN110766067B CN 110766067 B CN110766067 B CN 110766067B CN 201910997814 A CN201910997814 A CN 201910997814A CN 110766067 B CN110766067 B CN 110766067B
Authority
CN
China
Prior art keywords
machine learning
millimeter wave
wave radar
sample
classifier
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
CN201910997814.XA
Other languages
English (en)
Other versions
CN110766067A (zh
Inventor
张智
蒋雅晨
刘子瑜
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.)
Zhijiang College of ZJUT
Original Assignee
Zhijiang College of ZJUT
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 Zhijiang College of ZJUT filed Critical Zhijiang College of ZJUT
Priority to CN201910997814.XA priority Critical patent/CN110766067B/zh
Publication of CN110766067A publication Critical patent/CN110766067A/zh
Application granted granted Critical
Publication of CN110766067B publication Critical patent/CN110766067B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • 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
    • 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

Abstract

本发明提供了一种基于机器学习的毫米波雷达材质识别方法，涉及材质识别技术领域，包括使用毫米波雷达传感器采集目标包络信息；对电磁波包络去噪，为去噪后的数据进行手动标记生成样本库；构建机器学习分类器；通过毫米波雷达测量传感器到物体间的距离，再结合机器学习分类器判断物体材质。本发明通过检测毫米波来标记物体材质得到大量样本，生成样本库，通过机器学习方法训练分类器，最后结合机器学习分类器和探测物体反射回来的电磁波的包络判断物体材质。本发明相对于目前现有识别方法具有无损坏、低功耗、低成本、低复杂度的特点，对不同材质的待测目标或者目标在非透明塑料袋、纸袋或塑料盒、纸盒内也能正常识别材质。

Description

基于机器学习的毫米波雷达材质识别方法
技术领域
本发明涉及一种材质识别方法，尤其基于机器学习的毫米波雷达材质识别方法，
背景技术
随着各行各业的快速发展，在日常生活和工业监管等方面对物体材质的识别检测需求越来越高。例如扫地机器人需要能区分清扫区域是地毯还是木板，从而确定最佳清扫模式，而且能够避开地面有水的区域，这样需要区分所清扫区域的表面材质；例如工业清洗行业需要根据清洗材质的不同而选择不同的清洗剂，因而机械化的清洗过程需要事先判断材质。因此亟需一种既能融入个体生活又能适用于公共场合的材质检测方法。
现有的识别材质的方法有图像识别、射线技术、超声波技术和红外技术等。但是在许多特殊场景下物体存在被遮挡或者在箱内不可见的情况，图片量大将导致运算速度降低，因此图像识别技术有其局限性；射线技术会产生辐射，对人体将造成伤害；超声波和红外技术成本都比较高，而且红外技术的识别精度比较低。还有专门检测一种或者几种材质的技术，如用于检测金属的金属探测技术、用于检测液体的介电常数测量技术、用于检测毒品的激光拉曼技术等，类似特殊的技术都有一定的辅助适用性，对操作人员有较高的技能水平要求，增加了人力、物力成本。雷达技术发展是现有技术发展的最大的竞争方向，目前可运用的范围越来越广，但是现有的雷达产品体积较大、高功耗、高成本并且对供电要求比较高。
基于此，做出本申请。
发明内容
为了解决现有技术中存在的上述缺陷，本发明提供了一种基于机器学习的毫米波雷达材质识别方法，目的在于提供一种无损坏、低功耗、低成本、低复杂度的材质识别方法，解决现有技术对不同材质的待测目标或者目标在非透明塑料袋、纸袋或塑料盒、纸盒内不能够正常的实现材质识别等技术问题。
为了实现上述目的，本发明采取的技术方案如下：
步骤1、使用毫米波雷达传感器采集目标包络信息；
主要是接收所测立体扇形区域不同材质的物体在不同距离下返回的电磁波包络，包络中数据包括距离、信号强度、相位和幅度。
步骤2、数据预处理：通过小波阈值法对电磁波包络去噪，为去噪后的数据进行手动标记生成样本库；
2.1、通过小波阈值法对原始电磁波信号去噪后得到有效信号，选取软阈值函数如公式1所示：
公式1：
其中γ表示小波系数，首先对原始电磁波信号作4个尺度的小波正交分解，得到分解系数，绝对值低于阈值系数结果为0，高于阈值的通过收缩(Shrinkage)方法处理。θ为给定的阈值，通过VisuShrink方法确定，即σ＝MAD/0.6745，MAD为首次尺度变换分解系数绝对值的中间值，N为信号长度。处理后的系数通过逆小波变换重构信号后即可得到去噪电磁波信号。
2.2、生成样本库，构建类别集合
主要是对去噪后电磁波信号进行手动标记，对于毫米波雷达具有不同距离的相同目标标记为一个样本，对每个样本进行分类划分阈值区间，形成样本库，样本库中包含训练样本、测试样本和交叉验证样本。
步骤3、构建机器学习分类器；
通过机器学习方法用训练样本进行训练得到分类器，以验证样本对分类器的参数进行调整，通过测试样本对分类器进行测试最后得到相对准确的分类器。
步骤4、通过毫米波雷达测量传感器到物体间的距离，再结合机器学习分类器判断物体材质。
本发明的工作原理：本发明的主体技术原理是利用了毫米波雷达传感器的包络数据采集，不同的物体表面反射的毫米波是不同的，利用这一原理可以通过检测毫米波来标记物体材质得到大量样本，生成样本库，通过机器学习方法训练分类器，最后结合机器学习分类器和探测物体反射回来的电磁波的包络判断物体材质。
本发明能实现如下技术效果：
(1)本发明的材质识别方法，相对于目前现有识别方法具有无损坏、低功耗、低成本、低复杂度的特点，由于毫米波雷达的体积很小，便于移植到不同材质检测的系统，毫米波雷达的穿透能力很强，因此对不同材质的待测目标或者目标在非透明塑料袋、纸袋或塑料盒、纸盒内也能正常识别材质。
(2)本发明的材质识别方法，基于机器学习分类方法并结合毫米波雷达传感器的材质识别方法实现物体材质识别，该方法灵活性强更具有实用价值，能够更加有效揭示目标物体的物理特征，具有非常广阔的应用前景；
(3)本发明的材质识别方法，应用过程中运算量低，速度快，对操作人员要求低，甚至无需人力；
(4)本发明的材质识别方法，适用于任何材质的检测识别，对待识别物无损坏、对环境无危害。
附图说明
图1是本发明方法的主要步骤流程图；
图2是本发明实施例分类器训练及应用流程图；
图3是本发明实施例1中材质1在距离为15cm的回波信号示意图；
图4是本发明实施例1中材质1在距离为30cm的回波信号示意图；
图5是本发明实施例1中材质2在距离为30cm的回波信号示意图。
具体实施方式
为了使本发明的技术手段及其所能达到的技术效果，能够更清楚更完善的披露，兹提供了以下实施例，并结合附图作如下详细说明：
实施例1：
为达到上述目标，本实施例1对毫米波雷达传感器接收的数据通过朴素贝叶斯分类器的训练得到机器学习分类模型，应用时先通过纠错输出编码支持向量机(ECOC-SVM)对反射回的包络信息求出最优类别解，再结合朴素贝叶斯分类器可以更加准确识别待测物体材质。
如图1所示主要包括如下步骤：
步骤1、使用毫米波雷达传感器采集目标信息；
主要是接收所测立体扇形区域不同材质的物体在不同距离下返回的电磁波包络，记录返回的峰值数据存于数据库中，包括包络中的距离数据、信号强度、相位和幅度。同一物体对
不同的距离生成的包络具有不同的特征属性向量aj＝{dj，sj，pj，rj}，dj、sj、pj和rj分别表示不同的距离、信号强度、相位和幅度。
步骤2、数据预处理：通过小波阈值法对电磁波包络去噪，为去噪后的数据进行手动标记生成样本库；
步骤2.1、通过小波阈值法对原始电磁波信号去噪，选取软阈值函数如公式1所示：
公式1：
其中γ表示小波系数，首先对原始电磁波信号作4个尺度的小波正交分解，得到分解系数，绝对值低于阈值系数结果为0，高于阈值的通过收缩(Shrinkage)方法处理。
θ为给定的阈值，通过VisuShrink方法确定，即σ＝MAD/0.6745，MAD为首次尺度变换分解系数绝对值的中间值，N为信号长度。处理后的系数通过逆小波变换重构信号后即可得到去噪电磁波信号。
步骤2.2、对去噪后电磁波信号进行手动标记，对于毫米波雷达具有不同距离的相同目标标记为一个样本，分成n类形成样本库，类别名称记为yn，在此统计过程可计算出第i类的概率P(yi)及特征向量aj中各属性的条件概率P(dj|yi)、P(sj|yi)、P(pj|yi)、P(rj|yi)；样本库中80％为训练样本，10％为测试样本，10％为交叉验证样本。
2.3、在2.2中的标记分类基础上构建训练样本类别集合Y＝{y1，y2，...，yn}。
步骤3、使用朴素贝叶斯算法构建机器学习分类模型；由于朴素贝叶斯模型误差率较小，所以本实施例选用该方法，亦可采用其他能完成与本发明相关材质识别分类的机器学习方法或者深度学习类方法。图2所示为本发明实施例分类器训练及应用流程图，分类器训练阶段如步骤3.1-3.3所示。
步骤3.1、假设共有m个目标，确定每个目标个体的特征属性，构成一个待分类项特征向量x＝{a1，a2，...，am}；其中特征属性为步骤1中记录的包络信号特征属性向量。
步骤3.2、获取训练样本类别集合，对每个类计算训练样本中待分类项的概率，即计算P(y1|x)，P(y2|x)，…，P(yn|x)；如公式2所示：
公式2：
步骤3.3、获取交叉验证样本，对训练样本类别集合中的每个类通过公式2计算交叉验证样本待分类项的概率，通过实验不断比对交叉验证样本待分类项的概率和训练样本待分类项的概率，设置误差阈值，分类结果在阈值内认为分类准确，最终再用测试样本测试分类器的泛化性。
步骤4、通过毫米波雷达测量传感器到物体间的距离，再结合机器学习分类器判断物体材质；
步骤4.1、通过毫米波雷达测量传感器到物体间的距离，并记录此时返回包络中的信号强度、相位和幅度；
步骤4.2、将此时物体信号强度、相位和幅度与数据库中对应距离下的数据进行比对，得到类别范围；本实施例在数据对比粗分类时采用ECOC-SVM完成多分类的任务，亦可采用其他能完成与本发明相关材质识别分类的算法。
输入待测物体的特征向量x＝{a1，a2，...，am}，采用ECOC-SVM对与目标不同距离下的特征属性向量进行识别，即通过公式3的判断求出样本集中同距离集合中的最优类别解，其中Y(x)即Y表示类别；ns表示训练样本数；k是为了计算总和设定的下标，表示对应值的第k个；ak表示特征属性向量编号；yk表示类别编号；xk表示样本编号；b*表示分类面的阈值，可以是任意一对样本向量的中间值。如图3、图4所示的波峰处为材质1在15cm和30cm距离下的回波信号图，一行高为320信号强度，图5的波峰处为材质2在30cm距离下的回波信号图，一格为200信号强度，可见不同距离下的相同材质包络是不同的，距离相对较近时信号比较强，不同的材质就算距离相同包络信号也是不同的。因此任何一个目标样本包括不同距离对应下的属性，构成了不同的特征属性向量，一个目标样本的特征向量就由这些不同的特征属性向量组成。
公式3：
图2所示为本实施例分类器训练及应用流程图，在结合返回包络信息的基础上，分类器应用过程如步骤4.3所示。
4.3、对类别范围内的每个类别计算待识别物体概率，概率最大项为待识别物体所属类别。假设在数据对比时得到的最优类别集合为Y(x)＝{y1，y2，...yn}，则得到待识别项x为某具体类别的条件如公式4所示：
公式4：
由于公式2中的分母对所有类别都是常数，所以对于公式4只要求公式2中分子最大者即可。
实施例2：
为达到本发明目标，本实施例2通过将毫米波雷达结合卷积神经网络分类器实现材质识别，包括如下步骤：
步骤1、使用毫米波雷达传感器采集目标信息；
主要是接收所测立体扇形区域不同材质的物体在不同距离下返回的电磁波包络，记录返回的峰值数据存于数据库中，包括包络中的距离数据、信号强度、相位和幅度。
步骤2、数据预处理：通过小波阈值法对电磁波包络去噪，为去噪后的数据进行手动标记生成样本库；
步骤2.1、通过小波阈值法对原始电磁波信号去噪，选取软阈值函数如公式1所示：
公式1：
其中γ表示小波系数，首先对原始电磁波信号作4个尺度的小波正交分解，得到分解系数，绝对值低于阈值系数结果为0，高于阈值的通过收缩(Shrinkage)方法处理。θ为给定的阈值，通过VisuShrink方法确定，即σ＝MAD/0.6745，MAD为首次尺度变换分解系数绝对值的中间值，N为信号长度。处理后的系数通过逆小波变换重构信号后即可得到去噪电磁波信号。
步骤2.2、生成样本库，构建类别集合
主要是对去噪后电磁波信号以监督学习方式进行手动标记，对于毫米波雷达具有不同距离的相同目标标记为一个样本，对每个样本进行分类划分阈值区间，形成样本库，样本库中包含训练样本80％、测试样本10％和交叉验证样本10％。
步骤3、构建机器学习分类器；
本实施例主要为构建卷积神经网络模型，包括输入层、卷积层、池化层、全连接层和输出层。输入层输入的特征图是已完成数据预处理的包络波形图，即确定好的训练样本。进行特征提取时包括两层神经网络，分别由1维卷积层和1维最大池化层构成，通过SE(Squeeze and Excitation)模块和Inception-V2网络中的Inception模块组合构建网络。训练过程是训练、验证不断反复的过程，通过交叉验证样本的微调最终确定卷积层采用1*1卷积核，大小为1、步幅为1。第l层卷积层的第k个输出特征图表示如公式5所示：
公式5：
其中矩阵Xl-1表示第l-1层卷积层的某一输出特征图，即第l层的输入特征图；矩阵由第l层的第k个卷积核的若干未知权重组成；“*”在此处表示卷积操作符；/>表示第l层的第k个卷积核对应的偏置系数；矩阵E中所有值都为1。经过全连接层后是输出层，通过不断调整各层的权重训练网络使得网络性能最优即可输出。
步骤4、通过毫米波雷达测量传感器到物体间的距离，再结合机器学习分类器判断物体材质，本实施例中指卷积神经网络分类器；
步骤4.1、通过毫米波雷达传感器获得待测物体数据，测量传感器到物体间的距离，并保存波形作为待测物体材质的特征图；
步骤4.2、通过训练好的卷积神经网络分类器将此时物体信号强度、相位和幅度与数据库中对应距离下的数据进行比对输出分类。训练好的卷积神经网络可以自动识别输入特征图中的各属性值，得到材质识别结果。
以上内容是结合本发明的优选实施方式对所提供技术方案所作的进一步详细说明，不能认定本发明具体实施只局限于上述这些说明，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (2)

1.基于机器学习的毫米波雷达材质识别方法，包括如下步骤：
步骤1、使用毫米波雷达传感器采集目标包络信息：毫米波雷达传感器接收所测立体扇形区域不同材质的物体在不同距离下返回的电磁波包络，包络中数据包括距离、信号强度、相位和幅度；
步骤2、对电磁波包络去噪，为去噪后的数据进行手动标记生成样本库：对去噪后电磁波信号进行手动标记，对于毫米波雷达具有不同距离的相同目标标记为一个样本，对每个样本进行分类划分阈值区间，形成样本库；样本库中包含训练样本、测试样本和交叉验证样本；
步骤3、构建机器学习分类器：用朴素贝叶斯算法或卷积神经网络模型构建机器学习分类模型：步骤3.1、假设共有m个目标，确定每个目标个体的特征属性，构成一个待分类项特征向量；其中特征属性为步骤1中记录的包络信号特征属性向量；步骤3.2、获取训练样本类别集合，对每个类计算训练样本中待分类项的概率；步骤3.3、获取交叉验证样本，对训练样本类别集合中的每个类计算交叉验证样本待分类项的概率，比对交叉验证样本待分类项的概率和训练样本待分类项的概率，设置误差阈值，分类结果在阈值内认为分类准确，最终再用测试样本测试分类器的泛化性；
步骤4、通过毫米波雷达测量传感器到物体间的距离，再结合机器学习分类器判断物体材质；
步骤4具体包括以下步骤：
步骤4.1、通过毫米波雷达测量传感器到物体间的距离，并记录此时返回包络中的信号强度、相位和幅度；
步骤4.2、将此时物体信号强度、相位和幅度与数据库中对应距离下的数据进行比对，得到类别范围；
步骤4.3、对类别范围内的每个类别计算待识别物体概率，概率最大项为待识别物体所属类别；
或者，步骤4具体包括以下步骤：
步骤4.1、通过毫米波雷达传感器获得待测物体数据，测量传感器到物体间的距离，并保存波形作为待测物体材质的特征图；
步骤4.2、通过训练好的卷积神经网络分类器将此时物体信号强度、相位和幅度与数据库中对应距离下的数据进行比对输出分类，训练好的卷积神经网络自动识别输入特征图中的各属性值，得到材质识别结果。
2.如权利要求1所述的基于机器学习的毫米波雷达材质识别方法，其特征在于：所述步骤2中，通过小波阈值法对原始电磁波信号去噪，选取软阈值函数为公式1：
其中γ表示小波系数，θ为给定的阈值，σ＝MAD/0.6745,MAD为首次尺度变换分解系数绝对值的中间值，N为信号长度。
CN201910997814.XA 2019-10-21 2019-10-21 基于机器学习的毫米波雷达材质识别方法 Active CN110766067B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910997814.XA CN110766067B (zh) 2019-10-21 2019-10-21 基于机器学习的毫米波雷达材质识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910997814.XA CN110766067B (zh) 2019-10-21 2019-10-21 基于机器学习的毫米波雷达材质识别方法

Publications (2)

Publication Number Publication Date
CN110766067A CN110766067A (zh) 2020-02-07
CN110766067B true CN110766067B (zh) 2023-07-21

Family

ID=69332880

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910997814.XA Active CN110766067B (zh) 2019-10-21 2019-10-21 基于机器学习的毫米波雷达材质识别方法

Country Status (1)

Country Link
CN (1) CN110766067B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021133252A (ja) * 2020-02-22 2021-09-13 オリジン ワイヤレス, インコーポレイテッドOrigin Wireless, Inc. 無線センシング、監視及び認識のための方法、装置及びシステム
CN111666852A (zh) * 2020-05-28 2020-09-15 天津大学 一种基于卷积神经网络的微表情双流网络识别方法
CN111839360B (zh) * 2020-06-22 2021-09-14 珠海格力电器股份有限公司 扫地机数据处理方法、装置、设备及计算机可读介质
CN112394728B (zh) * 2020-10-22 2024-03-29 深圳拓邦股份有限公司 一种清洁设备工作地面的检测方法与清洁设备
CN112665461A (zh) * 2020-12-24 2021-04-16 上海微波技术研究所（中国电子科技集团公司第五十研究所） 基于多频电磁感应和弛豫频率参数的识别方法、系统
CN114841291B (zh) * 2022-07-01 2022-09-30 山东大学 一种基于毫米波的非接触物质检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105137498A (zh) * 2015-09-17 2015-12-09 鲁东大学 一种基于特征融合的地下目标探测识别系统及方法
CN105512635A (zh) * 2015-12-15 2016-04-20 鲁东大学 一种融合类别属性的深度网络地下目标识别方法及系统
JP2018041178A (ja) * 2016-09-05 2018-03-15 独立行政法人国立高等専門学校機構 学習用データ生成方法およびこれを用いた対象空間状態認識方法
CN109799498A (zh) * 2019-01-04 2019-05-24 杭州立宸科技有限公司 基于毫米波雷达和NB-IoT的智能卷纸监测系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9830523B2 (en) * 2012-05-31 2017-11-28 Korea Institute Of Science And Technology Method and apparatus for recognizing object material using spatial image and spatial radar information
CN105469079A (zh) * 2015-12-31 2016-04-06 中国科学院上海高等研究院 基于多传感器信息融合的物体材质识别方法
US11412937B2 (en) * 2017-03-29 2022-08-16 Texas Instruments Incorporated Multi-person vital signs monitoring using millimeter wave (mm-wave) signals
CN107169469B (zh) * 2017-06-02 2020-06-19 南京理工大学 一种基于机器学习的mimo雷达的材料识别方法
US10591586B2 (en) * 2017-07-07 2020-03-17 Infineon Technologies Ag System and method for identifying a target using radar sensors
CN109061600B (zh) * 2018-09-28 2023-02-14 上海市刑事科学技术研究院 一种基于毫米波雷达数据的目标识别方法
CN109975799A (zh) * 2019-03-13 2019-07-05 谭伟 一种雷达识别材料的方法及其系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105137498A (zh) * 2015-09-17 2015-12-09 鲁东大学 一种基于特征融合的地下目标探测识别系统及方法
CN105512635A (zh) * 2015-12-15 2016-04-20 鲁东大学 一种融合类别属性的深度网络地下目标识别方法及系统
JP2018041178A (ja) * 2016-09-05 2018-03-15 独立行政法人国立高等専門学校機構 学習用データ生成方法およびこれを用いた対象空間状態認識方法
CN109799498A (zh) * 2019-01-04 2019-05-24 杭州立宸科技有限公司 基于毫米波雷达和NB-IoT的智能卷纸监测系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
5-Microwave,millimeter wave and terahertz(MMT) techniques for materials characterization;c. Sklarczyk;《ScienceDirect》;125-159 *
超宽带相控阵材质识别方法研究.《中国优秀硕士学位论文全文数据库信息科技辑》.2013,I136-595. *

Also Published As

Publication number Publication date
CN110766067A (zh) 2020-02-07

Similar Documents

Publication Publication Date Title
CN110766067B (zh) 基于机器学习的毫米波雷达材质识别方法
CN108764313B (zh) 基于深度学习的超市商品识别方法
Wang et al. Successful leveraging of image processing and machine learning in seismic structural interpretation: A review
Pasolli et al. Automatic analysis of GPR images: A pattern-recognition approach
Polewski et al. Detection of fallen trees in ALS point clouds using a Normalized Cut approach trained by simulation
CN110210463A (zh) 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法
CN103810704B (zh) 基于支持向量机和判别随机场的sar图像变化检测方法
US20100322474A1 (en) Detecting multiple moving objects in crowded environments with coherent motion regions
Zhang et al. A GANs-based deep learning framework for automatic subsurface object recognition from ground penetrating radar data
CN103824093B (zh) 一种基于kfda及svm的sar图像目标特征提取与识别方法
CN107169469B (zh) 一种基于机器学习的mimo雷达的材料识别方法
Rahnemoonfar et al. Automatic ice surface and bottom boundaries estimation in radar imagery based on level-set approach
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
Yari et al. Smart tracking of internal layers of ice in radar data via multi-scale learning
CN105205807B (zh) 基于稀疏自动编码机的遥感图像变化检测方法
CN115220007A (zh) 一种针对姿态识别的雷达点云数据增强方法
Cromwell et al. Lidar cloud detection with fully convolutional networks
Alohali et al. Automated fault detection in the Arabian Basin
Almaimani Classifying GPR images using convolutional neural networks
Dhameliya et al. Volume estimation of mango
CN107657615A (zh) 基于增量cae的高分辨sar图像变化检测方法
Marques et al. Target detection in SAR images based on a level set approach
Del Rio Vera et al. Automatic target recognition in synthetic aperture sonar images based on geometrical feature extraction
Patel et al. Color, size and shape feature extraction techniques for fruits: A technical review
CN117897741A (zh) 用于生成用于超声传感器模型的合成训练数据的方法和设备

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