CN111445515A - 基于特征融合网络的地下圆柱体目标半径估算方法及系统 - Google Patents
基于特征融合网络的地下圆柱体目标半径估算方法及系统 Download PDFInfo
- Publication number
- CN111445515A CN111445515A CN202010219817.3A CN202010219817A CN111445515A CN 111445515 A CN111445515 A CN 111445515A CN 202010219817 A CN202010219817 A CN 202010219817A CN 111445515 A CN111445515 A CN 111445515A
- Authority
- CN
- China
- Prior art keywords
- target
- radius
- fusion network
- echo data
- underground
- 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.)
- Granted
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000009933 burial Methods 0.000 claims abstract description 25
- 230000000149 penetrating effect Effects 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims 2
- 230000008961 swelling Effects 0.000 claims 1
- 239000013598 vector Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Radar Systems Or Details Thereof (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种基于特征融合网络的地下圆柱体目标半径估算方法及系统，包括：获取探地雷达对地下圆柱体探测得到的训练回波数据并进行预处理，获取预处理后数据中的双曲线目标区域并且估算出地下圆柱体的埋深；建立特征融合网络，以双曲线目标区域作为特征融合网络的输入对特征融合网络进行训练得到以双曲线目标区域为输入、以地下圆柱体目标半径为输出的按照埋深范围分类的若干训练后的特征融合网络；对于实时回波数据重复上述步骤并根据待测地下圆柱体的埋深选择对应的按照埋深范围分类的特征融合网络从而得到地下圆柱体的半径。本方法能够快速检测探地雷达目标区域并精确估计地下圆柱体目标的半径。
Description
技术领域
本发明属于探地雷达无损探测领域，具体公开了一种基于特征融合网络的地下圆柱体目标半径估算方法及系统。
背景技术
随着我国基础设施建设的飞速发展，越来越多的钢筋、管道、电缆等圆柱形物体被掩埋在地下，精确估计被埋物体的深度、尺寸和材料特性变得越来越重要。特别是在土木工程领域，需要对桥面、公路、混凝土建筑物的结构构件和地基状态进行评估，包括测量混凝土的厚度，估计钢筋在混凝土中的深度及其半径，以及了解混凝土的腐蚀性环境和介电常数等等。探地雷达(Ground Penetrating Radar，GPR)已经成为地下目标无损检测的一种重要技术手段，它通过发射天线向地下发射宽带电磁波，然后在接收天线端接收地下区域的散射波。电磁波在地下介质中传播时遇到电磁差异的界面发生散射，从而可以根据接收到的电磁波波形及特征，推断地下介质和探测目标的介电特性、空间位置、和结构尺寸等参数。
国内外学者在这方面进行了大量的研究。GPR目标区域的检测是半径估计的首要步骤，目前有基于神经网络的目标区域检测方法，通过神经网络分类器对波形信号进行分类来确定目标区域。还有基于模板匹配和卷积神经网络CNN的双曲线目标区域检测方法，通过设计匹配的模板遍历GPR B-scan数据，计算相似度较高的区域作为预检测区域。再利用CNN消除非双曲线区域，得到双曲线目标区域。研究人员提出了采用Faster-Rcnn框架来检测GPR数据中的双曲线目标区域，取得了较好的检测效果。这类方法计算量都比较大，而且样本的训练过程显得相当重要，同时也容易受杂波和噪声的影响。对于双曲线目标区域特征的提取和处理，普遍的方法是通过定位目标区域双曲线的坐标，建立数学模型来进行双曲线拟合，通过估计半径和双曲线参数的关系来获得半径大小的估计值。现有研究提出利用双曲线的顶点曲率大小提取半径信息。还有基于列相关的聚类(C3)算法，结合机器学习方法能够很好的定位双曲线的坐标位置，并且能够成功分离开交叉的双曲线。之后通过最小二乘法来建立双曲线的数学模型，通过双曲线参数估计半径。但这类方法只利用了GPRB-scan回波数据的目标双曲轮廓线，并没有完全利用到整个目标回波的信息，精度不高，且准确率很大程度上取决于双曲线坐标定位的准确性。
发明内容
本发明目的在提供一种基于特征融合网络的地下圆柱体目标半径估算方法及系统，以解决现有技术中存在的技术缺陷。
为实现上述目的，本发明提供了一种基于特征融合网络的地下圆柱体目标半径估算方法及系统，参见图1，包括以下步骤：
S1：获取探地雷达对不同埋深、不同半径的地下圆柱体探测得到的训练回波数据。
探地雷达在地表对埋有地下圆柱体的区域进行探测，测线方向垂直于圆柱体的轴线，得到GPR B-scan数据，显示为一幅图像。
S2：对训练回波数据进行预处理，获取预处理后训练回波数据中的双曲线目标区域并且估算出地下圆柱体的埋深。
对于GPR B-scan数据的预处理包括去直达波处理和滤波降噪处理。
通过AN-TDRC算法来检测预处理后的GPR B-scan数据中的双曲线目标区域，具体包括以下步骤：
S201：适应归一化,根据训练回波数据的特征，设计自适应比例系数k，将训练回波数据归一化。
自适应归一化是根据训练回波数据的幅值特征，通过tanh函数以及设计一个自适应比例系数k，能够将背景数据的幅值大小限定在0附近，突出目标的数据特征，再取绝对值，将数据的幅值范围变换至[0，1]，记每幅训练回波数据矩阵为A，自适应归一化方法如下：
其中，
A(i)表示A中的第i个最大值，I＝10，Amn表示原始GPR数据矩阵上第m行n列的值。
S202：二值化，设计阀值为0.8，大于阀值置1，小于阀值置0，将归一化后的训练回波数据二值化，具体方法如下：
其中，Bmn表示训练回波数据矩阵归一化后第m行第n列的值，Cmn表示训练回波数据矩阵二值化后第m行第n列的值。实验表明设计阀值为0.8时能够保留大部分有用的目标回波数据。
S203：膨胀化，用结构元素D膨胀二值化后的GPR矩阵C，将结构元素D的原点平移到矩阵C的(m，n)位置：如果D在矩阵C的(m，n)处与C的交集不为空，则输出矩阵对应的(m，n)位置赋值为1，否则赋值为0。膨胀操作的表达式如下：
矩阵C是原始GPR B-scan数据经过预处理、自适应归一化、二值化所得到的。GPR在地表对埋有地下圆柱体的区域进行探测，测线方向垂直于圆柱体的轴线，得到一幅GPR B-scan数据称原始GPR数据。
S204：寻找目标轮廓，在膨胀后的训练回波数据中寻找目标信号轮廓，采用OpenCV(计算机开源视觉库，Open Source Computer Vision Library)中的findCounters(寻找轮廓)方法，每次进行行扫描，当遇到f(i，j-1)＝0，f(i，j)＝1或者f(i，j)＝1，f(i，j+1)＝0的情况确定(i，j)位置为轮廓位置，并记录；然后进行列扫描，当遇到f(i-1，j)＝0，f(i，j)＝1或者f(i，j)＝1，f(i+1，j)＝0的情况确定(i，j)位置为轮廓位置，并记录。
S205：生成矩形框，采用OpenCV中boundingRect(矩形框定)方法，计算目标轮廓最小矩形区域，确定矩形坐标，框出检测出的双曲线目标区域。
S3：建立特征融合网络，以双曲线目标区域作为特征融合网络的输入对特征融合网络进行训练得到以双曲线目标区域为输入、以地下圆柱体目标半径为输出的按照埋深范围分类的若干训练后的特征融合网络。
基于GPR B-scan数据估计地下圆柱体目标的半径，主要分为两大步骤，一是检测出GPR B-scan数据中的双曲线目标区域，二是提取目标区域的特征进行识别或处理。LSTM是一种用于处理序列数据的神经网络，能够处理时间序列变化的数据。与标准RNN(循环神经网络)相比，它通过引入门机制(gated mechanism)和记忆单元(memory cell)，克服了传统RNN存在梯度消失和梯度爆炸的缺陷，在提取序列数据的长期依赖关系方面也表现更好，因此LSTM适合应用于提取GPR B-Scan数据的时序特征。CNN是一种前馈型神经网络，除输入层、输出层之外主要包含卷积层和池化层，其特殊的网络结构可以有效地降低神经网络的复杂性，在图像识别方面取得了巨大的成功，因此，CNN适合应用于提取GPR B-scan数据中的双曲线特征。LSTM结合CNN构成的深度学习网络模型能够充分提取GPR B-scan数据的高层特征。
参见图2，特征融合网络包括二层长短时记忆网络结构(LSTM，Long Short-TermMemory)、由五层卷积层和五层池化层构成的卷积神经网络结构(CNN，ConvolutionalNeural Networks)和两层全连接神经网络结构。CNN的五层卷积层的卷积核大小都为3×3，步长为1，每层的卷积核个数分别为4，4，8，16，32，卷积时采用全零填充操作；池化层核大小为2×2，步长为2。LSTM每层包含80个长短时记忆网络单元。全连接神经网络结构中，隐藏层节点数为100，输出层节点数为X，X表示半径类别数目。
检测出的双曲线目标区域作为融合特征网络模型的输入，通过五层卷积、五层池化的CNN结构来提取GPR B-scan数据的双曲线位置特征与两层LSTM结构来提取GPR B-scan数据的时序特征，之后，将提取到的两种数据特征融合，通过两层的全连接神经网络输出分类结果。
根据不同的埋深将整个GPR B-scan数据集分成n份小数据集，分开训练n个特征融合网络模型，训练完成之后，将待测的GPR B-scan数据先通过AN-TDCR算法检测出目标区域，同时估计出圆柱体目标的埋深，根据埋深将目标区域输入至对应的网络模型，得到网络模型的输出数组，该输出数组是长度为X的一维数组，一维数组中第x个元素表示该检测区域属于第x类半径的概率，记为Px，
X为半径类别数，将最大的Px对应类别的半径作为该检测区域的分类结果，完成对地下圆柱体目标半径的估计。图3为AN-TDCR算法检测出来的目标区域示意图。
S4：获取探地雷达对待测地下圆柱体探测得到的实时回波数据，对实时回波数据进行预处理，获取预处理后实时回波数据中的双曲线目标区域并且估算出待测地下圆柱体的埋深。
步骤S4实际上是重复步骤S1-S3的过程，不同的是这次获取的探地雷达的数据是需要测试的，之前的是用于训练网络模型的。
S5：根据待测地下圆柱体的埋深选择对应的按照埋深范围分类的特征融合网络从而得到地下圆柱体的半径。
依托于上述方法，本申请还提供了一种基于特征融合网络的地下圆柱体目标半径估算系统，包括处理器、存储器以及储存与存储器上的计算机程序，处理器执行计算机程序时实现上述任一的方法。
本发明具有以下有益效果：
针对目前大多数GPR目标区域检测算法计算量大、而且样本的训练过程显得相当重要，同时容易受杂波和噪声影响的问题。本发明提出了一种AN-TDCR算法，通过自适应归一化、二值化、膨胀化、寻找目标轮廓、生成矩形框等一系列操作，仅用较小计算量就能够快速检测出GPR B-scan数据中的双曲线目标区域。
针对双曲线目标区域特征的提取和处理，大多数方法是通过估计半径和双曲线参数的关系来获得半径大小的估计值。这类方法只提取了目标区域的双曲轮廓线的特征，并没有完全利用到整个目标回波的信息，精度不高，且估计准确率很大程度上取决于双曲线坐标定位的准确性。本发明设计了一种特征融合网络模型，通过CNN结构来提取目标区域GPR B-scan数据的双曲线位置特征与LSTM结构来提取目标区域GPR B-scan数据的时序特征，能够充分利用整个目标回波的信息，提高了半径估计精度。
针对目标深度和半径会同时影响回波数据的问题，本发明利用不同埋深的数据集训练多个网络模型，根据不同埋深选择对应的网络模型进行半径估计，能够进一步提高半径估计精度。
综上所述，本方法能够快速检测GPR目标区域并精确估计地下圆柱体目标的半径。
下面将参照附图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为基于特征融合网络的地下圆柱体目标半径估计方法的流程图；
图2为特征融合网络模型的详细结构图；
图3为通过AN-TDCR算法检测出来的目标区域示意图；
图4为在实测数据集上的半径估计准确率曲线图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
参见图4，在本实施例中，用于训练的金属圆管的半径取值为3、4、5、6、7、8、9、10、11、12单位mm，一共10种半径，即X＝10。金属圆管在干沙中的埋深范围为4～9cm，将埋深区间进一步细分成4～5cm、5～6cm、6～7cm、7～8cm、8～9cm，5个区间，每个区间的GPR数据样本用于训练一个网络模型，一共可以训练5个。在每个埋深区间内，每种半径实测100个GPR数据样本，总共可实测1000个GPR数据样本。对于这1000个GPR数据样本，加入随机噪声扩充为2000个GPR数据样本，将其中的1600个作为GPR数据训练样本，剩下的400个作为GPR数据测试样本。
对于每一个GPR数据样本，先对其进行去直达波和滤波降噪处理，然后通过AN-TDCR算法检测出双曲线目标区域，将检测到的目标区域规范化为160×60大小，之后作为特征融合网络的输入，输入数据通过CNN结构的五层卷积池化层提取到特征向量f1,大小为[1，320]。同时，输入数据经过两层LSTM结构提取特征，得到特征向量f2，大小为[1，80]。将f1、f2特征向量拼接，得到融合特征向量f3，大小为[1，400]，f3经过两层全连接神经网络得到输出结果向量Y。
将埋深区间4～5cm的GPR数据训练样本训练网络模型，得到网络模型model1，埋深区间5～6cm的GPR数据训练样本训练网络模型，得到网络模型model2，以此类推。在模型的训练过程中，批量大小设置为160，学习率设置为0.005，方向传播算法采用了随机梯度下降算法，损失函数采用交叉熵方法。为了提高模型的泛化能力，加入了正则化的优化方法。经过75个epcho之后，模型训练完毕，保存好模型的权重参数。
测试数据时，GPR数据测试样本经过预处理后，通过AN-TDCR算法检测出目标区域，同时得到埋深的估计值，根据埋深的估计值找到对应的网络模型，再把该测试样本的目标区域输入至网络模型，通过网络模型输出，得到该测试样本的半径估计值。实验过程中采用400个测试样本测试网络模型model1，模型的预测准确率达到90％左右。实验验证了本发明方法能够快速检测GPR目标区域并精确估计地下圆柱体目标的半径。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于特征融合网络的地下圆柱体目标半径估算方法，其特征在于，包括以下步骤：
获取探地雷达对不同埋深、不同半径的地下圆柱体探测得到的训练回波数据；
对所述训练回波数据进行预处理，获取预处理后所述训练回波数据中的双曲线目标区域并且估算出所述地下圆柱体的埋深；
建立特征融合网络，以所述双曲线目标区域作为所述特征融合网络的输入对所述特征融合网络进行训练得到以所述双曲线目标区域为输入、以所述地下圆柱体目标半径为输出的按照埋深范围分类的若干训练后的特征融合网络；
获取探地雷达对待测地下圆柱体探测得到的实时回波数据，对所述实时回波数据进行预处理，获取预处理后所述实时回波数据中的双曲线目标区域并且估算出所述待测地下圆柱体的埋深；
根据所述待测地下圆柱体的埋深选择对应的所述按照埋深范围分类的特征融合网络从而得到所述地下圆柱体的半径。
2.根据权利要求1所述的一种基于特征融合网络的地下圆柱体目标半径估算方法，其特征在于，获取预处理后所述训练回波数据中的双曲线目标区域的方式为通过AN-TDRC算法来检测，具体包括以下步骤：
自适应归一化：根据所述训练回波数据的特征，设计自适应比例系数k，将所述训练回波数据归一化；
二值化：设计阀值为0.8，大于阀值置1，小于阀值置0，将归一化后的所述训练回波数据二值化得到矩阵C，具体方法如下：
其中，Bmn表示所述训练回波数据矩阵归一化后第m行第n列的值，Cmn表示所述训练回波数据矩阵二值化后第m行第n列的值；
膨胀化：用结构元素D膨胀所述矩阵C，将结构元素D的原点平移到矩阵C的(m，n)位置：如果D在矩阵C的(m，n)处与矩阵C的交集不为空，则输出矩阵对应的(m，n)位置赋值为1，否则赋值为0，膨胀操作的表达式如下：
寻找目标轮廓：在膨胀后的所述训练回波数据中寻找目标信号轮廓，采用OpenCV中的findCounters方法，每次进行行扫描，当遇到f(i，j-1)＝0，f(i，j)＝1或者f(i，j)＝1，f(i，j+1)＝0的情况确定(i，j)位置为轮廓位置，并记录；然后进行列扫描，当遇到f(i-1，j)＝0，f(i，j)＝1或者f(i，j)＝1，f(i+1，j)＝0的情况确定(i，j)位置为轮廓位置，并记录；
生成矩形框：采用OpenCV中boundingRect方法，计算目标轮廓最小矩形区域，确定矩形坐标，框出检测出的双曲线目标区域。
3.根据权利要求2所述的一种基于特征融合网络的地下圆柱体目标半径估算方法，其特征在于，所述自适应归一化具体包括：
根据所述训练回波数据的幅值特征，通过tanh函数以及设计一个自适应比例系数k，能够将背景数据的幅值大小限定在0附近，突出目标的数据特征，再取绝对值，将数据的幅值范围变换至[0，1]，记每幅所述训练回波数据矩阵为A，自适应归一化方法如下：
其中，
A(i)表示A中的第i个最大值，I＝10，Amn表示原始GPR数据矩阵上第m行n列的值。
4.根据权利要求1所述的一种基于特征融合网络的地下圆柱体目标半径估算方法，其特征在于，所述特征融合网络包括长短时记忆网络、卷积神经网络和全连接神经网络。
5.根据权利要求4所述的一种基于特征融合网络的地下圆柱体目标半径估算方法，其特征在于，所述特征融合网络中包括由五层卷积层和五层池化层构成的卷积神经网络结构；二层长短时记忆网络以及两层全连接神经网络结构。
6.根据权利要求5所述的一种基于特征融合网络的地下圆柱体目标半径估算方法，其特征在于，所述卷积神经网络结构的五层卷积层的卷积核大小都为3×3，步长为1，每层的卷积核个数分别为4，4，8，16，32，卷积时采用全零填充操作；池化层核大小为2×2，步长为2。
7.根据权利要求5所述的一种基于特征融合网络的地下圆柱体目标半径估算方法，其特征在于，所述长短时记忆网络每层包含80个长短时记忆网络单元。
8.根据权利要求5所述的一种基于特征融合网络的地下圆柱体目标半径估算方法，其特征在于，全连接神经网络结构中，隐藏层节点数为100，输出层节点数为X，X表示半径类别数目。
9.根据权利要求7所述的一种基于特征融合网络的地下圆柱体目标半径估算方法，其特征在于，所述地下圆柱体的半径估算方法为：
其中，所述特征融合网络的输出为长度为X的一维数组，一维数组中第x个元素表示该检测区域属于第x类半径的概率，记为Px，将最大的Px对应类别的半径作为该检测区域的分类结果，完成对地下圆柱体目标半径的估计。
10.一种基于特征融合网络的地下圆柱体目标半径估算系统，包括处理器、存储器以及储存与所述存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利按要求1-9任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010219817.3A CN111445515B (zh) | 2020-03-25 | 2020-03-25 | 基于特征融合网络的地下圆柱体目标半径估算方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010219817.3A CN111445515B (zh) | 2020-03-25 | 2020-03-25 | 基于特征融合网络的地下圆柱体目标半径估算方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111445515A true CN111445515A (zh) | 2020-07-24 |
| CN111445515B CN111445515B (zh) | 2021-06-08 |
Family
ID=71648750
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010219817.3A Active CN111445515B (zh) | 2020-03-25 | 2020-03-25 | 基于特征融合网络的地下圆柱体目标半径估算方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111445515B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112505049A (zh) * | 2020-10-14 | 2021-03-16 | 上海互觉科技有限公司 | 基于蒙版抑制的精密零组件表面缺陷检测方法和系统 |
| CN113030956A (zh) * | 2021-03-05 | 2021-06-25 | 国网山东省电力公司济南供电公司 | 一种地下电缆周边环境成像方法 |
| CN113361367A (zh) * | 2021-06-01 | 2021-09-07 | 中南大学 | 基于深度学习的地下目标电磁反演方法及系统 |
| CN114998416A (zh) * | 2022-06-01 | 2022-09-02 | 东南大学 | 融合探地雷达图像和深度信息的地下管道半径估计方法 |
| CN117953382A (zh) * | 2024-03-19 | 2024-04-30 | 中铁四局集团有限公司 | 探地雷达数据的时空特征融合方法及系统 |
| CN117953382B (zh) * | 2024-03-19 | 2024-07-16 | 中铁四局集团有限公司 | 探地雷达数据的时空特征融合方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110014939A1 (en) * | 2009-06-25 | 2011-01-20 | Venkataramaiah Ravishankar | Methods, systems, and computer readable media for detecting and mitigating fraud in a distributed monitoring system that includes fixed-location monitoring devices |
| CN102495402A (zh) * | 2011-12-14 | 2012-06-13 | 中国民航大学 | 在钢筋强反射回波干扰下的道面灾害目标检测识别方法 |
| CN103675922A (zh) * | 2013-12-13 | 2014-03-26 | 南京工业大学 | 基于探地雷达的运营期地下管道管径测定方法 |
| CN105044785A (zh) * | 2014-09-19 | 2015-11-11 | 中国矿业大学(北京) | 一种基于模糊聚类与Hough变换的探地雷达地下管线探测方法 |
| CN107402386A (zh) * | 2017-08-02 | 2017-11-28 | 中南大学 | 一种基于bp神经网络的地下金属圆管半径和埋深的估计方法 |
| CN108375334A (zh) * | 2018-02-13 | 2018-08-07 | 南京工程学院 | 一种基于sar的gpr多层钢筋网参数检测方法 |
| CN110133643A (zh) * | 2019-05-22 | 2019-08-16 | 北京林业大学 | 植物根系探测方法及装置 |
| US10451726B1 (en) * | 2018-06-27 | 2019-10-22 | University Of South Florida | Precise infrastructure mapping using full-waveform inversion of ground penetrating radar signals |
| 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 |
| CN110866545A (zh) * | 2019-10-30 | 2020-03-06 | 中国地质大学（武汉） | 一种探地雷达资料中管线目标的自动识别方法及系统 |
-
2020
- 2020-03-25 CN CN202010219817.3A patent/CN111445515B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110014939A1 (en) * | 2009-06-25 | 2011-01-20 | Venkataramaiah Ravishankar | Methods, systems, and computer readable media for detecting and mitigating fraud in a distributed monitoring system that includes fixed-location monitoring devices |
| CN102495402A (zh) * | 2011-12-14 | 2012-06-13 | 中国民航大学 | 在钢筋强反射回波干扰下的道面灾害目标检测识别方法 |
| CN103675922A (zh) * | 2013-12-13 | 2014-03-26 | 南京工业大学 | 基于探地雷达的运营期地下管道管径测定方法 |
| CN105044785A (zh) * | 2014-09-19 | 2015-11-11 | 中国矿业大学(北京) | 一种基于模糊聚类与Hough变换的探地雷达地下管线探测方法 |
| CN107402386A (zh) * | 2017-08-02 | 2017-11-28 | 中南大学 | 一种基于bp神经网络的地下金属圆管半径和埋深的估计方法 |
| CN108375334A (zh) * | 2018-02-13 | 2018-08-07 | 南京工程学院 | 一种基于sar的gpr多层钢筋网参数检测方法 |
| US10451726B1 (en) * | 2018-06-27 | 2019-10-22 | University Of South Florida | Precise infrastructure mapping using full-waveform inversion of ground penetrating radar signals |
| CN110133643A (zh) * | 2019-05-22 | 2019-08-16 | 北京林业大学 | 植物根系探测方法及装置 |
| 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 |
| CN110866545A (zh) * | 2019-10-30 | 2020-03-06 | 中国地质大学（武汉） | 一种探地雷达资料中管线目标的自动识别方法及系统 |
Non-Patent Citations (6)
| Title |
|---|
| MINH-TAN PHAM 等: "Buried Object Detection from B-scan Ground Penetrating Radar Data using Faster-RCNN", 《IGARSS 2018-2018 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
| WENTAI LEI 等: "Automatic hyperbola detection and fitting in GPR B-scan image", 《AUTOMATION IN CONSTRUCTION》 * |
| 侯斐斐 等: "面向探地雷达B-scan图像的目标检测算法综述", 《电子与信息学报》 * |
| 刘雅瑜: "探地雷达图像的目标检测和半径估计", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 叶爱文 等: "混凝土钢筋直径雷达检测的神经网络方法", 《建筑科学与工程学报》 * |
| 贾佳: "基于探地雷达的树木根系图像处理与根直径估计", 《中国优秀硕士学位论文全文数据库农业科技辑》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112505049A (zh) * | 2020-10-14 | 2021-03-16 | 上海互觉科技有限公司 | 基于蒙版抑制的精密零组件表面缺陷检测方法和系统 |
| CN112505049B (zh) * | 2020-10-14 | 2021-08-03 | 上海互觉科技有限公司 | 基于蒙版抑制的精密零组件表面缺陷检测方法和系统 |
| CN113030956A (zh) * | 2021-03-05 | 2021-06-25 | 国网山东省电力公司济南供电公司 | 一种地下电缆周边环境成像方法 |
| CN113361367A (zh) * | 2021-06-01 | 2021-09-07 | 中南大学 | 基于深度学习的地下目标电磁反演方法及系统 |
| CN113361367B (zh) * | 2021-06-01 | 2022-04-26 | 中南大学 | 基于深度学习的地下目标电磁反演方法及系统 |
| CN114998416A (zh) * | 2022-06-01 | 2022-09-02 | 东南大学 | 融合探地雷达图像和深度信息的地下管道半径估计方法 |
| CN114998416B (zh) * | 2022-06-01 | 2024-07-12 | 东南大学 | 融合探地雷达图像和深度信息的地下管道半径估计方法 |
| CN117953382A (zh) * | 2024-03-19 | 2024-04-30 | 中铁四局集团有限公司 | 探地雷达数据的时空特征融合方法及系统 |
| CN117953382B (zh) * | 2024-03-19 | 2024-07-16 | 中铁四局集团有限公司 | 探地雷达数据的时空特征融合方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111445515B (zh) | 2021-06-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111445515B (zh) | 基于特征融合网络的地下圆柱体目标半径估算方法及系统 | |
| Liu et al. | Detection and localization of rebar in concrete by deep learning using ground penetrating radar | |
| Hou et al. | Improved Mask R-CNN with distance guided intersection over union for GPR signature detection and segmentation | |
| Chen et al. | Probabilistic robust hyperbola mixture model for interpreting ground penetrating radar data | |
| Merazi-Meksen et al. | Mathematical morphology for TOFD image analysis and automatic crack detection | |
| CN112130132B (zh) | 基于探地雷达和深度学习的地下管线探测方法和系统 | |
| CN111798411B (zh) | 一种基于探地雷达和深度学习的混凝土内钢筋智能定位方法 | |
| Ji et al. | Deep neural network-based permittivity inversions for ground penetrating radar data | |
| CN110866545A (zh) | 一种探地雷达资料中管线目标的自动识别方法及系统 | |
| Li et al. | Deep learning–based nondestructive evaluation of reinforcement bars using ground‐penetrating radar and electromagnetic induction data | |
| Lu et al. | Feature extraction and automatic material classification of underground objects from ground penetrating radar data | |
| CN113359101B (zh) | 一种地下目标探测方法、系统及计算机存储介质 | |
| Shahrokhinasab et al. | Performance of image-based crack detection systems in concrete structures | |
| Xiang et al. | Robust cascaded frequency filters to recognize rebar in GPR data with complex signal interference | |
| Ristić et al. | Point coordinates extraction from localized hyperbolic reflections in GPR data | |
| Chen et al. | Probabilistic conic mixture model and its applications to mining spatial ground penetrating radar data | |
| Szymczyk et al. | Neural networks as a tool for georadar data processing | |
| Tang et al. | Identification of grout sleeve joint defect in prefabricated structures using deep learning | |
| CN113468804B (zh) | 一种基于矩阵束和深度神经网络的地下管道识别方法 | |
| Ristić et al. | Verification of algorithm for point extraction from hyperbolic reflections in GPR data | |
| CN115546113A (zh) | 掌子面裂隙图像与前方三维结构参数预测方法及系统 | |
| Huang et al. | A deep learning framework based on improved self‐supervised learning for ground‐penetrating radar tunnel lining inspection | |
| Ahmadvand et al. | 1D-CNNs for autonomous defect detection in bridge decks using ground penetrating radar | |
| Hu et al. | Defects identification and location of underground space for ground penetrating radar based on deep learning | |
| Jaufer et al. | Deep learning based automatic hyperbola detection on GPR data for buried utility pipes mapping |
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 |