CN110988839B - 基于一维卷积神经网络的墙体健康状况的快速识别方法 - Google Patents

Abstract

本发明公开了一种基于一维卷积神经网络的墙体健康状况的快速识别方法，其包括：步骤S100：构建一维卷积神经网络训练模块；通过获取测试数据，进行去天线耦合波、归一化操作后整理生成数据集，然后通过一维卷积神经网络进行训练，从而生成用于墙体空洞识别的一维卷积神经网络模型；步骤S200：利用一维卷积神经网络进行墙体健康状态的识别；通过无人机载雷达获取实时的墙体回波数据，通过无人机的姿态信息进行数据挑选，对去天线耦合波、归一化等操作之后，利用一维卷积神经网络进行识别，最终得出墙体健康状况。本发明具有能够有效提升墙体空洞探测准确性、安全性、效率和实时性等优点。

Description

基于一维卷积神经网络的墙体健康状况的快速识别方法

技术领域

本发明主要涉及到建筑物健康检测技术领域，特指一种基于一维卷积神经网络的墙体健康状况的快速识别方法。

背景技术

近年来，由高层建筑物墙砖脱落引起的事故屡见不鲜，瓷砖主要用于建筑外墙的装饰和保护，从八十年代末开始广泛的应用于我国建筑体系中。由于修建时的工艺水平和结构老化等原因，瓷砖与墙体之间的粘结性能大大降低，极易导致瓷砖脱落。而墙体空洞造成墙体瓷砖脱落的主要原因之一，空洞是由于建筑原砌体结构层(混凝土或砖墙主体)和表面层(粉灰层、装修层、饰面砖)之间因粘贴结合不牢而出现空隙、存在空气的现象。因此，迫切需要一种有效且高效的墙体空洞识别方法。

对于建筑物墙体空洞的检测，以往使用较多的方法主要有和敲击法、超声波法和红外热成像法等无损检测方法。现有方法主要有以下缺点：

1、敲击法是检测者用空鼓锤或硬物轻敲建筑物表面，主要凭借检测人员的个人经验，受主观因素影响较大，准确性不高且无法给出量化结果。同时还可能会对建筑表面造成一定的损害，甚至引起或者加大墙体与表面层之间的分离，带来新的隐患，检测时需要搭建脚手架才能工作。准确性不高且无法给出量化结果。

2、超声波检测方法由于墙体的不均匀性使其受到一定的限制。检测前期准备工作繁琐，超声波检测要求墙面平滑，依赖专家经验。

3、红外热成像法根据物体表面辐射的红外线能量判断是否存在，容易受周围环境、墙体材料等因素影响,且影响程度不能确定,使对墙体的定量检测更加困难。

由此可见，现有的所有这些检测方法除了准确性不高、易受干扰外，还有检测过程繁琐、检测效率不高，人工需要在危及生命的高度工作等缺点。

发明内容

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种能够有效提升墙体空洞探测准确性、安全性和效率的基于一维卷积神经网络的墙体健康状况的快速识别方法，用以实现对墙体空洞的快速识别。

为解决上述技术问题，本发明采用以下技术方案：

一种基于一维卷积神经网络的墙体健康状况的快速识别方法，其包括：

步骤S100：构建一维卷积神经网络训练模块；

通过获取测试数据，进行去天线耦合波、归一化等操作后整理后生成数据集，然后通过一维卷积神经网络进行训练，从而生成一维卷积神经网络；

步骤S200：利用一维卷积神经网络进行墙体健康状态的识别；

获取实时的墙体雷达回波数据，通过无人机的姿态信息进行数据挑选，对去天线耦合波、归一化等操作后，利用一维卷积神经网络进行识别，最终得出墙体健康状况。

作为本发明的进一步改进：所述步骤S100中，进行卷积神经网络训练包括如下步骤：

步骤S110：测试数据获取；利用雷达对已知健康墙体和非健康墙体进行探测，得到若干组不同介质健康墙体和若干组不同介质非健康墙体回波数据；测试数据为采样后得到的回波信号x[m,n]，m表示回波次数，n表示采样点数；

步骤S120：去天线耦合波、归一化；采集到的雷达回波减去预先对空测得一组雷达数据以消去天线耦合波，距墙体L，假设墙体厚d，雷达波传到墙体所用时间为t1，在墙体中传播时间为t2，截取在2*t1与2*t2之间的回波数据，截取后的一次回波数据为x＝[x1,x2,…,xp],对截取后的回波序列做全局归一化：

步骤S130：数据集生成；对预处理后的回波序列矩阵叠加相应的墙体健康状况信息整合生成数据集；

步骤S140：卷积神经网络训练；

步骤S150：墙体空洞识别模型生成。

作为本发明的进一步改进：所述步骤S140中，为提高训练数据的利用率，将带有标签的训练集随机打乱，经过一维卷积层和一维池化层进行提取自动特征，为防止网络模型出现过拟合现象，加入Dropout层，由全连接层得到一个一维向量，通过输出层输出实际向量，输出向量与理想向量的对比得到代价误差，代价误差反向传播，并不断更新各网络层的参数值和进一步调整网络；如此重复，直到代价函数达到迭代要求，整个网络训练完成，得到应用于墙体健康状况检测的一维卷积神经网络模型。

作为本发明的进一步改进：所述步骤S140中对于每一次迭代中对数据集中的每一个样本或者每一批量样本进行如下操作：

S141、前向传播：从网络输入层到输出层向前逐步计算每一层网络的的输出；

S142、反向传播：基于代价函数计算输出层的误差并反向逐步传播至第一个隐含层，从而得到各层的残差；

S143、计算梯度：计算网络权重和偏置的梯度；

S144、更新权重：更新网络的权重和偏置。

作为本发明的进一步改进：所述步骤S150中对验证样本的回波数据输入训练好的神经网络进行验证，输出层输出一维向量，该向量用于表征墙体的健康状况，与期望输出对比后用于确定模型中的超参数；将测试样本的回波数据输入训练好的神经网络中进行测试，输出层输出一维向量，根据网络中激活函数要求，计算得出输入回波所属类别，并对比理想输出结果所属类别，多次测试，统计分类精确度，评估模型的泛化能力，若精度达到所需要求则生成基于一维卷积神经网络的墙体健康状况识别模型。

作为本发明的进一步改进：所述一维卷积神经网络包括输入层在内，总共包含9层，分别为：输入层、C1一维卷积层、C2一维卷积层、S3一维最大池化层、C4一维卷积层、C5一维卷积层、S6一维全局平均池化层、S7 Dropout层、输出层；输入层传递预处理后的回波序列到C1卷积层进行卷积操作。

作为本发明的进一步改进：所述一维卷积神经网络中C1一维卷积层、C2一维卷积层、C4一维卷积层、C5一维卷积层、S7 Dropout层训练时激活函数均采用ReLU函数；输出层是一个全连接层，并且连接一个Softmax函数，输出总共有2个节点，最终输出为一维2个元素的行向量或者列向量；一维池化层S3选用最大值池化方法、一维池化层S6选用全局平均池化方法；训练时为了评价卷积神经网络的实际输出值与目标值的关系选择的损失函数为交叉熵损失函数。

作为本发明的进一步改进：所述步骤S200进行卷积神经网络识别包括如下步骤：

步骤S210：墙体雷达回波数据获取；雷达波束方向与墙体垂直步进移动对墙体进行扫描，获取墙体回波数据；

步骤S220：墙体结构分析及建模；根据建筑物的已知参数基于笛卡尔坐标系建立建筑物外墙的二维坐标模型，分别以水平方向和竖直方向为x和y轴，控制雷达对墙体左下、左上、右下及右上进行探测，基于无人机上的GPS传感器获得墙体轮廓的对应的位置信息，基于墙体雷达回波数据中的GPS信息，将回波数据与相应的位置坐标进行融合关联；

步骤S230：数据筛选；对墙体进行多点探测，利用墙体雷达回波数据中的姿态参数判别墙体回波数据的准确性；结合姿态参数剔除因无人机扰动引起的墙体回波数据，提取出一组可对墙体健康状况进行高质量表征的墙体回波数据。

步骤S240：去天线耦合波、归一化；

步骤S250：墙体健康状况识别。

作为本发明的进一步改进：所述步骤S240中，雷达与墙体之间的垂直距离为L，假设墙体厚度为d，雷达发射的信号传到墙体所用时间为t1，在墙体中传播时间为t2，截取在2*t1与2*t2之间的回波数据以降低算法运算复杂度，记截取后的一次回波数据为x＝[x1,x2,…,xp],对截取后的回波序列做全局归一化：

将所有探测点预处理后的回波整合完成数据集的构建；

作为本发明的进一步改进：所述步骤S250中，去除天线耦合波、归一化等操作后的回波整合形成的数据集输入一维卷积神经网络对其进行识别，得到墙体健康状况识别结果，将识别结果与墙体上坐标关联，以此获取墙体缺陷处的位置坐标信息，最终结果形式如下：

(x_n,y_n)为墙体探测点坐标，(O_n1,O_n2)为(x_n,y_n)点处探测结果；最后得到墙体坐标系下墙体缺陷的具体位置。

与现有技术相比，本发明的优点在于：

1、本发明的基于一维卷积神经网络的墙体健康状况的快速识别方法，利用雷达探测无空洞墙体与有空洞墙体时回波的差异识别是否存在空洞。且进一步采用超宽带雷达，探测分辨率高，波束小不易受周围环境干扰。

2、本发明的基于一维卷积神经网络的墙体健康状况的快速识别方法，工作人员在地面站即可远程操控无人机载超宽带雷达实现墙体探测，使检测过程自动化，不仅提高了建筑检查的效率，而且减少了人工在危及生命安全的高度工作的需要。安全性能和工作效率等大大提高。

3、本发明基于一维卷积神经网络的墙体健康状况的快速识别方法，对墙体的雷达回波数据去除雷达直接耦合波后直接输入一维卷积神经网络进行分类识别，不依靠人工提取特征，识别精度高且速度快，能实现端到端的墙体空洞识别，实时性好。

附图说明

图1是本发明方法的流程示意图。

图2是本发明在具体应用实例中的流程示意图。

图3是本发明在具体应用实例中一维卷积神经网络的结构示意图。

图4是本发明在具体应用实例中利用无人机载超宽带雷达实施时的轨迹图。

图5是本发明在具体应用实例中一维池化层用于在一位卷积神经网络中用于对时间序列进行时间下采样的示意图。

具体实施方式

以下将结合说明书附图和具体实施例对本发明做进一步详细说明。

如图1所示，本发明的基于一维卷积神经网络的墙体健康状况的快速识别方法，其包括：

步骤S100：构建一维卷积神经网络训练模块；

通过获取测试数据，进行去天线耦合波、归一化等操作后整理后生成数据集，然后通过一维卷积神经网络进行训练，从而生成一维卷积神经网络；

步骤S200：利用一维卷积神经网络进行墙体健康状态的识别；

获取实时的墙体雷达回波数据，通过无人机的姿态信息进行数据挑选，对去天线耦合波、归一化等操作之后，利用一维卷积神经网络进行识别，最终得出墙体健康状况。

如图2所示，在具体应用实例中，本发明的快速识别方法用于训练学习样本的一维卷积神经网络包括输入层在内，总共包含9层，分别为：输入层、C1一维卷积层、C2一维卷积层、S3一维最大池化层、C4一维卷积层、C5一维卷积层、S6一维全局平均池化层、S7 Dropout层、输出层；每次雷达回波序列共768个采样点，输入层传递预处理后的回波序列到C1卷积层进行卷积操作。C1一维卷积层、C2一维卷积层、C4一维卷积层、C5一维卷积层、S7 Dropout层训练时激活函数均采用ReLU函数。输出层是一个全连接层，并且连接一个Softmax函数，输出总共有2个节点，最终输出为一维2个元素的行向量或者列向量。一维池化层S3选用最大值池化方法、一维池化层S6选用全局平均池化方法。训练时为了评价卷积神经网络的实际输出值与目标值的关系选择的损失函数为交叉熵损失函数。

其中：

C1一维卷积层参数：卷积核长度为5，卷积核个数为64个。输出的特征子序列长度为764，个数为64。

C2一维卷积层参数：卷积核长度为5，卷积核个数为64个。输出的特征子序列长度为760，个数为64。

S3一维最大池化层参数：下采样区域长度为3，输出的特征子序列长度为253，个数为64。

C4一维卷积层参数：卷积核长度为5，卷积核个数为128个。输出的特征子序列长度为249，个数为128。

C5一维卷积层参数：卷积核长度为5，卷积核个数为128个。输出的特征子序列长度为245，个数为128。

S6一维全局池化层参数：输出的特征子序列长度为1，个数为128。

卷积层参数设置：卷积核大小为3*3，输出Feature Map大小为29*29，个数为64。

S7 Dropout层参数：随机失活概率0.2，共128个节点，后面连接另外一个全连接层作为输出层。输出层节点为2。

在具体应用实例中，本发明采用超宽带雷达的工作频率由电磁波穿透介质的能力决定。电磁波的波长越长，穿透能力越好。根据超宽带雷达的应用场景，系统设计的重点应当聚焦于墙体穿透能力。因此，在工作频率选择上，应当选择低频工作频段。电磁波穿透不同介质的损耗与其频率有关，1-10GHz的低频电磁破穿透介质衰减较小，随着频率降低，其衰减也减小，频谱在250MHz-3GHz的电磁波能有效穿透目前市面上的建筑材料。

在具体应用实例中，本发明所采用的一维卷积神经网络，参见图5，对于一些序列处理问题，一维卷积神经网络的效果可以媲美循环神经网络(RNN)，而且计算代价要小很多，计算效率高。一维卷积神经网络一般由一维卷积层、一维池化层和全连接层构成。

一维卷积层从序列中提取局部一维序列段(即子序列)，其每个输出时间步都是利用输入序列在时间维度上的一小段得到的，即可以识别序列中的局部模式。因为对每个序列段执行相同的输入变换，所以在序列中某个位置学到的模式稍后可以在其他位置被识别，这使得一维卷积神经网络具有平移不变性(对于时间平移而言)。一维池化层用于在一位卷积神经网络中用于对时间序列进行时间下采样。即从输入中提取一维序列段(即子序列)，然后输出其最大值(最大池化)或平均值(平均池化)。该运算用于降低一维输入的长度(子采样)。减小网络的计算复杂度，同时还具有保持特征尺度不变形的功能，减少过拟合现象。全连接层的作用是对下采样层的特征图进行分类。

在具体应用实例中，本发明的快速识别方法，参见图3，以利用无人机载超宽带雷达作为检测设备为例，在所述步骤S100中，进行卷积神经网络训练包括如下步骤：

步骤S110：地面测试数据获取；

利用无人机载超宽带雷达对已知健康墙体和非健康墙体进行探测，得到1000组不同介质健康墙体和1000组不同介质非健康墙体回波数据。超宽带雷达距墙体1米，地面测试数据为采样后得到的回波信号x[m,n]。m表示回波次数，n表示采样点数。

步骤S120：去天线耦合波、归一化；

采集到的雷达回波减去预先对空测得一组雷达数据以消去天线耦合波，超宽带雷达距墙体L，假设墙体厚d，雷达波传到墙体所用时间为t1，在墙体中传播时间为t2，截取在2*t1与2*t2之间的回波数据以降低运算量，截取后的一次回波数据为x＝[x1,x2,…,xp],对截取后的回波序列做全局归一化：

步骤S130：数据集生成；

对预处理后的二维像素矩阵叠加相应的墙体健康状况信息整合生成数据集。数据集分为训练集(带标签)、验证集(带标签)和测试集，其比例为6：3：1。

步骤S140：卷积神经网络训练；

为提高训练数据的利用率，将带有标签的训练集随机打乱，经过一维卷积层和一维池化层进行提取自动特征，为防止网络模型出现过拟合现象，加入Dropout层，由全连接层得到一个一维向量，通过输出层输出实际向量，输出向量与理想向量的对比得到代价误差，代价误差反向传播，并不断更新各网络层的参数值和进一步调整网络；如此重复，直到代价函数达到迭代要求，整个网络训练完成，得到应用于墙体健康状况检测的一维卷积神经网络模型。

对于每一次迭代中对数据集中的每一个样本或者每一批量样本进行如下操作：

S141、前向传播：从网络输入层到输出层向前逐步计算每一层网络的的输出；

S142、反向传播：基于代价函数计算输出层的误差并反向逐步传播至第一个隐含层，从而得到各层的残差；

S143、计算梯度：计算网络权重和偏置的梯度；

S144、更新权重：更新网络的权重和偏置。

步骤S150：墙体空洞识别模型生成；

对验证样本的回波数据输入训练好的神经网络进行验证，输出层输出一维向量，进一步确定模型中的超参数；将测试样本的回波数据输入训练好的神经网络中进行测试，输出层输出一维向量，根据网络中激活函数要求，得出输入回波所属类别，并对比理想输出结果所属类别，多次测试，统计分类精确度，评估模型的泛化能力，若精度足够则卷积神经网络模型生成。

在具体应用实例中，本发明的快速识别方法中所述步骤S200进行卷积神经网络识别，包括如下步骤：

步骤S210：墙体雷达回波数据获取；

飞行控制系统控制无人机载超宽带雷达对待测量的墙体进行“Z”字形扫描实现对墙体无死角探测。设超宽带雷达波束角为2*θ，无人机与墙面距离为L，根据三角函数以及弧角定理得到超宽带雷达的探测半径R＝L*tanθ,当无人机每行进进行定点悬停控制，得到的数据形式如下：

第1-3列为每次探测时无人机的GPS模块测得的无人机所在位置经度、纬度和高，第3-6列为每次探测时无人机的姿态信息(俯仰角、偏航角和滚转角)，后n列为墙体回波数据。

步骤S220：墙体结构分析及建模；

飞行控制系统控制无人机搭载超宽带雷达对墙体进行探测，如图3所示，根据合作方提供的建筑物的相关参数(比如建筑物的高度，外墙的宽度等信息)，建立建筑物外墙的二维坐标模型，分别以水平方向和竖直方向为x和y轴建立墙体坐标系，控制无人机搭载超宽带雷达对墙体左下、左上、右下及右上进行探测，获得墙体四个角的GPS位置信息，结合墙体雷达回波数据中的GPS信息可得到每个探测点在墙体坐标系中的坐标，并将回波数据与相应位置坐标关联起来。

步骤S230：数据筛选；

无人机搭载超宽带雷达探测墙体空洞系统在无人机悬停时对墙体进行探测，利用墙体雷达回波数据中的姿态参数可以判别墙体回波数据的准确性。剔除无人机姿态不平稳时的墙体回波数据，提取出一组质量较高的墙体回波数据。

步骤S240：去天线耦合波、归一化；

雷达与墙体之间的垂直距离为L，假设墙体厚度为d，雷达发射的信号传到墙体所用时间为t1，在墙体中传播时间为t2，截取在2*t1与2*t2之间的回波数据以降低算法运算复杂度，记截取后的一次回波数据为x＝[x1,x2,…,xp],对截取后的回波序列做全局归一化：

将所有探测点预处理后的回波整合完成数据集的构建；

步骤S250：墙体健康状况识别。

预处理后的回波整合形成数据集输入卷积神经网络对其进行识别，得到识别结果，将识别结果与墙体上坐标关联，用于确定存在墙体缺陷处的位置，最终结果形式如下：

(x_n,y_n)为墙体探测点坐标，(O_n1,O_n2)为(x_n,y_n)点处探测结果。最后利用画图命令可清楚的得到墙体坐标系下墙体缺陷的具体位置。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (9)

1.一种基于一维卷积神经网络的墙体健康状况的快速识别方法，其特征在于，包括：

步骤S100：构建一维卷积神经网络训练模块；

通过获取测试数据，进行去天线耦合波、归一化操作后整理生成数据集，然后通过一维卷积神经网络进行训练，从而生成一维卷积神经网络，所述获取测试数据时，利用无人机载超宽带雷达对已知健康墙体和非健康墙体进行探测，得到多组不同介质健康墙体和多组不同介质非健康墙体回波数据，所述墙体回波数据为从雷达回波数据中截取出的2*t1与2*t2之间的回波数据，t1为雷达波传到墙体所用时间，t2为在墙体中传播时间；

步骤S200：利用一维卷积神经网络进行墙体健康状态的识别；

获取实时的墙体雷达回波数据，通过无人机的姿态信息进行数据挑选，对去天线耦合波、归一化操作之后，利用一维卷积神经网络进行识别，最终得出墙体健康状况；

所述步骤S200利用一维卷积神经网络进行墙体识别包括如下步骤：

步骤S210：墙体雷达回波数据获取；使用具有墙体穿透介质能力的超宽带雷达按照雷达波束方向与墙体垂直步进移动对墙体进行扫描，获取墙体回波数据，超宽带雷达的探测半径为R＝L*tanθ，其中超宽带雷达波束角为2*θ，L为无人机与墙面距离，当无人机每行进进行定点悬停控制，在无人机悬停时对墙体进行探测；

步骤S220：墙体结构分析及建模；根据建筑物的已知参数基于笛卡尔坐标系建立建筑物外墙的二维坐标模型，分别以水平方向和竖直方向为x和y轴，控制雷达对墙体左下、左上、右上及右下进行探测，基于无人机上的GPS传感器获得墙体轮廓的对应的位置信息，基于墙体雷达回波数据中的GPS信息，将回波数据与相应的位置坐标进行融合关联；

步骤S230：数据筛选；对墙体进行多点探测，利用墙体雷达回波数据中的姿态参数判别墙体回波数据的准确性；结合姿态参数剔除因无人机扰动引起的墙体回波数据，提取出一组可对墙体健康状况进行高质量表征的墙体回波数据；

步骤S240：去天线耦合波、归一化；

步骤S250：墙体健康状况识别；去除天线耦合波、归一化操作后的回波整合形成的数据集输入一维卷积神经网络对其进行识别，得到识别结果，将识别结果与墙体上坐标关联，用于确定存在墙体缺陷处的位置。

2.根据权利要求1所述的基于一维卷积神经网络的墙体健康状况的快速识别方法，其特征在于，所述步骤S100中，进行卷积神经网络训练包括如下步骤：

步骤S110：测试数据获取；利用雷达对已知健康墙体和非健康墙体进行探测，得到若干组不同介质健康墙体和若干组不同介质非健康墙体回波数据；测试数据为采样后得到的回波信号x[m,n]，m表示回波次数，n表示采样点数；

步骤S120：去天线耦合波、归一化；采集到的雷达回波减去预先对空测得一组雷达数据以消去天线耦合波，雷达距墙体L，假设墙体厚d，雷达波传到墙体所用时间为t1，在墙体中传播时间为t2，截取在2*t1与2*t2之间的回波数据，截取后的一次回波数据为x＝[x1,x2,…,xp],对截取后的回波序列做全局归一化：

步骤S130：数据集生成；对预处理后的二维像素矩阵叠加相应的墙体健康状况信息整合生成数据集；

步骤S140：一维卷积神经网络训练；

步骤S150：墙体空洞识别模型生成。

3.根据权利要求2所述的基于一维卷积神经网络的墙体健康状况的快速识别方法，其特征在于，所述步骤S140中，将带有标签的训练集随机打乱，经过一维卷积层和一维池化层进行提取自动特征，加入Dropout层，由全连接层得到一个一维向量，通过输出层输出实际向量，输出向量与理想向量的对比得到代价误差，代价误差反向传播，并更新各网络层的参数值和进一步调整网络；如此重复，直到代价函数达到迭代要求，整个网络训练完成，得到应用于墙体健康状况检测的一维卷积神经网络模型。

4.根据权利要求3所述的基于一维卷积神经网络的墙体健康状况的快速识别方法，其特征在于，所述步骤S140中对于每一次迭代中对数据集中的每一个样本或者每一批量样本进行如下操作：

S141、前向传播：从网络输入层到输出层向前逐步计算每一层网络的的输出；

S142、反向传播：基于代价函数计算输出层的误差并反向逐步传播至第一个隐含层，从而得到各层的残差；

S143、计算梯度：计算网络权重和偏置的梯度；

S144、更新权重：更新网络的权重和偏置。

5.根据权利要求3所述的基于一维卷积神经网络的墙体健康状况的快速识别方法，其特征在于，所述步骤S150中对验证样本的回波数据输入训练好的神经网络进行验证，输出层输出一维向量，该向量用于表征墙体的健康状况，与期望输出对比后用于确定模型中的超参数；将测试样本的回波数据输入训练好的神经网络中进行测试，输出层输出一维向量，根据网络中激活函数要求，计算得出输入回波所属类别，并对比理想输出结果所属类别，多次测试，统计分类精确度，评估模型的泛化能力，若精度达到所需要求则生成基于一维卷积神经网络的墙体健康状况识别模型。

6.根据权利要求1-5中任意一项所述的基于一维卷积神经网络的墙体健康状况的快速识别方法，其特征在于，所述一维卷积神经网络包括输入层在内，总共包含9层，分别为：输入层、C1一维卷积层、C2一维卷积层、S3一维最大池化层、C4一维卷积层、C5一维卷积层、S6一维全局平均池化层、S7 Dropout层、输出层；输入层传递预处理后的回波序列到C1卷积层进行卷积操作。

7.根据权利要求6所述的基于一维卷积神经网络的墙体健康状况的快速识别方法，其特征在于，所述一维卷积神经网络中C1一维卷积层、C2一维卷积层、C4一维卷积层、C5一维卷积层、S7 Dropout层训练时激活函数均采用ReLU函数；输出层是一个全连接层，并且连接一个Softmax函数，输出总共有2个节点，最终输出为一维2个元素的行向量或者列向量；一维池化层S3选用最大值池化方法、一维池化层S6选用全局平均池化方法；训练时为了评价卷积神经网络的实际输出值与目标值的关系选择的损失函数为交叉熵损失函数。

8.根据权利要求1所述的基于一维卷积神经网络的墙体健康状况的快速识别方法，其特征在于，所述步骤S240中，雷达与墙体之间的垂直距离为L，假设墙体厚度为d，雷达发射的信号传到墙体所用时间为t1，在墙体中传播时间为t2，截取在2*t1与2*t2之间的回波数据以降低算法运算复杂度，记截取后的一次回波数据为x＝[x1,x2,…,xp],对截取后的回波序列做全局归一化：

将所有探测点预处理后的回波整合完成数据集的构建。

9.根据权利要求8所述的基于一维卷积神经网络的墙体健康状况的快速识别方法，其特征在于，所述步骤S250中，去除天线耦合波、归一化操作后的回波整合形成的数据集输入一维卷积神经网络对其进行识别，得到墙体健康状况识别结果，将识别结果与墙体上坐标关联，以此获取墙体缺陷处的位置坐标信息，最终结果形式如下：

(x_n,y_n)为墙体探测点坐标，(O_n1,O_n2)为(x_n,y_n)点处探测结果；最后得到墙体坐标系下墙体缺陷的具体位置。