CN111539291B - 基于雷达波的目标检测方法及装置、电子设备、存储介质 - Google Patents

基于雷达波的目标检测方法及装置、电子设备、存储介质 Download PDF

Info

Publication number
CN111539291B
CN111539291B CN202010302964.7A CN202010302964A CN111539291B CN 111539291 B CN111539291 B CN 111539291B CN 202010302964 A CN202010302964 A CN 202010302964A CN 111539291 B CN111539291 B CN 111539291B
Authority
CN
China
Prior art keywords
radar wave
image data
arch
target detection
target
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
CN202010302964.7A
Other languages
English (en)
Other versions
CN111539291A (zh
Inventor
张发恩
秦树鑫
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.)
Ainnovation Hefei Technology Co ltd
Original Assignee
Ainnovation Hefei Technology Co ltd
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 Ainnovation Hefei Technology Co ltd filed Critical Ainnovation Hefei Technology Co ltd
Priority to CN202010302964.7A priority Critical patent/CN111539291B/zh
Publication of CN111539291A publication Critical patent/CN111539291A/zh
Application granted granted Critical
Publication of CN111539291B publication Critical patent/CN111539291B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • 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
    • G01S7/28—Details of pulse systems
    • G01S7/285—Receivers
    • G01S7/34—Gain of receiver varied automatically during pulse-recurrence period, e.g. anti-clutter gain control
    • 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
    • G01S7/35—Details of non-pulse systems
    • G01S7/352—Receivers
    • 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
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请提供一种基于雷达波的目标检测方法及装置、电子设备、存储介质，该方法包括：获取雷达波图像数据；对所述雷达波图像数据进行多增益处理，生成多张不同增益的雷达波增益图像数据；对所述多张不同增益的雷达波增益图像数据分别进行目标检测，得到每张雷达波增益图像数据对应的目标预测区域；对多张雷达波增益图像数据对应的目标预测区域进行融合处理，得到目标检测结果。该方法节约了人工检测的成本，提高了检测的效率。

Description

基于雷达波的目标检测方法及装置、电子设备、存储介质
技术领域
本申请涉及目标检测技术领域，特别涉及一种基于雷达波的目标检测方法及装置、电子设备、存储介质。
背景技术
隧道工程施工质量影响着铁道运营安全。为了严格控制隧道工程核心部件的施工质量，通常采用人工方法，直观观察地质雷达无损检测图像。工程质检人员手持地质雷达扫描设备进入隧道，沿径向方向采集雷达图像。采集获得的雷达波图像由专业质检人员通过人工统计分析的方式计算隧道内的拱架间距和数目是否符合设计参数。该人工方式主要是通过行业专家对可视化后的雷达波数据观察分析，确定工程中的重要指标是否符合设计要求。
由于雷达检测数据具有高复杂性和噪声干扰，对雷达波图像的判读需要较高的专业知识与经验。同时，由于隧道长达数公里乃至数十公里，采集到的雷达数据量也很庞大，人工判读分析的处理效率较低，人效消耗过大。因此，在质检过程中急需一种自动处理的方法。
发明内容
本申请实施例提供了一种基于雷达波的目标检测方法，节约了人工检测的成本，提高了检测的效率。
本申请提供了一种基于雷达波的目标检测方法，所述方法包括：
获取雷达波图像数据；
对所述雷达波图像数据进行多增益处理，生成多张不同增益的雷达波增益图像数据；
对所述多张不同增益的雷达波增益图像数据分别进行目标检测，得到每张雷达波增益图像数据对应的目标预测区域；
对多张雷达波增益图像数据对应的目标预测区域进行融合处理，得到目标检测结果。
在一实施例中，所述获取雷达波图像数据，包括：
采集雷达波数据；
对所述雷达波数据进行格式解析，获得雷达波信号数据；
对所述雷达波信号数据进行滤波和幅值缩放，获得所述雷达波图像数据。
在一实施例中，所述对所述雷达波图像数据进行多增益处理，生成多张不同增益的雷达波增益图像数据，包括：
统计所述雷达波图像数据的灰度均值；
分别正向和反向调整所述雷达波图像数据的增益，获得多张不同增益的雷达波增益图像数据；
其中，所述雷达波增益图像数据的灰度均值与所述雷达波图像数据的灰度均值的差值的绝对值小于第一阈值。
在一实施例中，所述对所述多张不同增益的雷达波增益图像数据分别进行目标检测，得到每张雷达波增益图像数据对应的目标预测区域，包括：
对所述多张不同增益的雷达波增益图像数据分别进行目标检测，得到多张雷达波增益图像数据对应的拱架预测区域和预埋件预测区域。
在一实施例中，所述对所述多张不同增益的雷达波增益图像数据分别进行目标检测，得到多张雷达波增益图像数据对应的拱架预测区域和预埋件预测区域，包括：
将所述多张不同增益的雷达波增益图像数据分别输入目标检测网络模型进行检测，获得拱架预测区域和预埋件预测区域。
在一实施例中，所述对多张雷达波增益图像数据对应的目标预测区域进行融合处理，得到目标检测结果，包括：
对于多张雷达波增益图像数据对应的同一区域范围内的拱架预测区域和预埋件预测区域，选取置信度最高的拱架预测区域和预埋件预测区域作为所述区域范围内的拱架预测位置和预埋件预测位置；
基于拱架和预埋件预设的位置信息阈值和面积信息阈值，对所述拱架预测位置和预埋件预测位置进行过滤；
对水平重叠度超过第二阈值的相邻拱架预测位置，剔除相邻拱架预测位置中置信度相对低的拱架预测位置；
基于已知的拱架与预埋件的相对位置关系，根据所述预埋件预测位置对所述拱架预测位置进行校正，得到拱架检测结果。
在一实施例中，所述基于已知的拱架与预埋件的相对位置关系，根据所述预埋件预测位置对所述拱架预测位置进行校正，得到拱架检测结果之后，所述方法还包括：
根据所述拱架检测结果，计算每个拱架的顶点位置；
根据所述每个拱架的顶点位置，计算拱架的数量；
去除大于第三阈值的拱架间距，得到拱架的间距平均值。
另一方面，本申请还提供了一种基于雷达波的目标检测方法，所述方法包括：
图像获取模块，用于获取雷达波图像数据；
图像生成模块，用于对所述雷达波图像数据进行多增益处理，得到多张不同增益的雷达波增益图像数据；
目标检测模块，用于对所述雷达波增益图像数据分别进行目标检测，得到每张雷达波增益图像数据对应的目标预测区域；
融合处理模块，用于对多张雷达波增益图像数据对应的目标预测区域进行融合处理，得到目标检测结果。
进一步地，本申请还提供了一种电子设备，所述电子设备包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行本申请提供的基于雷达波的目标检测方法。
进一步地，本申请还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序可由处理器执行以完成本申请提供的基于雷达波的目标检测方法。
本申请上述实施例提供的技术方案，通过对雷达波图像数据进行多增益处理，通过对多张不同增益的雷达波图像数据进行目标检测，最后对每张不同增益的雷达波图像数据对应的目标预测区域进行融合处理，得到目标检测结果，节约了人工检测的成本，提高了检测的效率和检测的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍。
图1为本申请一实施例提供的基于雷达波的目标检测方法的应用场景示意图；
图2为本申请一实施例提供的基于雷达波的目标检测方法的流程示意图；
图3为图2对应实施例中步骤S210的细节流程图；
图4为本申请一实施例提供的目标检测网络模型的训练流程示意图；
图5为图2对应实施例中步骤S240的细节流程图；
图6为本申请一实施例提供的对拱架检测结果进行统计分析的流程示意图；
图7为本申请另一实施例提供的基于雷达波的目标检测装置的框图；
图8为图7对应实施例中图像获取模块的框图；
图9为图7对应实施例中图像生成模块的框图；
图10为本申请另一实施例提供的基于雷达波的目标检测装置的框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
图1为本申请实施例提供的基于雷达波的目标检测方法的应用场景示意图。如图1所示，该应用场景包括服务端110。该服务端110可以是服务器、服务器集群或者云计算中心。服务端110可以采用实施例提供的基于雷达波的目标检测方法，对雷达波图像数据进行目标检测，从而节约人工检测的成本，提高检测的效率。
在一实施例中，上述应用场景还可以包括雷达波图像采集装置120。服务端110可以从雷达波图像采集装置120获取雷达波图像，进而服务端110可以采用本申请提供的方法，进行目标检测。
本申请还提供了一种电子设备。该电子设备可以是图1所示的服务端110。如图1所示，服务端110可以包括处理器111和用于存储处理器111可执行指令的存储器112；其中，该处理器111被配置为执行本申请提供的基于雷达波的目标检测方法。
存储器112可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read Only Memory，简称EPROM)，可编程只读存储器(Programmable Red-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
本申请还提供了一种计算机可读存储介质，存储介质存储有计算机程序，计算机程序可由处理器111执行以完成本申请提供的基于雷达波的目标检测方法。
图2为本申请实施例提供的基于雷达波的目标检测方法的流程示意图。如图2所示，该方法包括以下步骤S210-S240。
在步骤S210中，获取雷达波图像数据。
其中，雷达是利用电磁波探测目标的电子设备。雷达发射电磁波对目标进行照射并接收其回波，该回波包含了目标的位置信息。雷达波图像数据可以认为是将回波转换成图像的形式。雷达波图像数据可以直接通过雷达波图像采集装置采集得到，也可以由雷达波采集装置采集到雷达波信号后，经过数据处理后获得。
在步骤S220中，对所述雷达波图像数据进行多增益处理，生成多张不同增益的雷达波增益图像数据。
其中，多增益处理是指以所述雷达波图像数据为图像原型，多次调整所述雷达波图像数据的增益，分别生成多张不同增益的雷达波增益图像数据。
雷达波增益图像数据是指按照指定的增益大小，对雷达波图像数据进行变换后的图像数据。为进行区分，此处称为雷达波增益图像数据。
在一实施例中，上述步骤S220可以包括以下步骤：统计雷达波图像数据的灰度均值，然后分别正向和反向调整雷达波图像数据的增益，获得多张不同增益的雷达波增益图像数据，使所述雷达波增益图像数据的灰度均值与所述雷达波图像数据的灰度均值的差值的绝对值小于第一阈值。
在一实施例中，首先将雷达波图像数据转化为灰度图像，灰度值为0-255，即用黑色为基准色，不同的饱和度的黑色来显示图像。图像中每个像素的灰度值范围为从0％(白色)到100％(黑色)。之后遍历该灰度图像的每个像素点的灰度值，统计其灰度平均值。
设原始图像为f(x)，调整后的图像为g(x)，则调整后的图像g(x)可由(1)式表示：
g(x)＝αf(x)+β (1)
其中，α是增益，且α>0，β是偏置。在进行增益调整时，分别调整α和β的大小，并且使调整后的图像g(x)的灰度均值与原始图像f(x)的灰度均值的差值的绝对值小于预设的第一阈值。第一阈值可以接近于0，也就是说，雷达波增益图像数据的灰度均值与雷达波图像数据的灰度均值基本一致。通过多次改变α和β的大小，可以获得多张不同增益的雷达波增益图像数据。
在实际采集的雷达波数据中，图像中的不同部分在不同的图像增益下，检测的难易程度可能是不同的，检测结果的置信度也可能是不同的。将雷达波图像数据置于同一增益下进行后续的检测，可能造成图像中的有些部分在该增益下检测结果较差。因此，对雷达波图像进行多增益处理，尽可能地让图像中的每一部分都能获取在适宜增益下的检测结果，提高检测质量。
在步骤S230中，对所述多张不同增益的雷达波增益图像数据分别进行目标检测，得到每张雷达波增益图像数据对应的目标预测区域。
在进行目标检测之前，可以预设需要检测的目标。在一实施例中，检测的目标可以是建筑或者工程设施中的某些结构、部件等，例如隧道内的拱架、预埋件等。对雷达波增益图像数据进行目标检测，可以选择一种目标检测算法，获取雷达波增益图像数据中与预设目标相符的区域，即目标预测区域。在一实施例中，可以对步骤S220中生成的多张不同增益的雷达波图像数据预设相同的检测目标，然后通过目标检测算法，分别获取每张雷达波增益图像数据对应的目标预测区域。
在步骤S240中，对多张雷达波增益图像数据对应的目标预测区域进行融合处理，得到目标检测结果。
由步骤S210-S230可知，多张雷达波增益图像数据对应的目标预测区域实际上是同一张雷达波图像数据经过不同处理后得到的目标预测结果。在本步骤中，将步骤S230中得到的不同的雷达波增益图像数据下的目标预测区域进行融合处理，得到目标检测结果，可以是对于雷达波图像数据的某一区域内，选取多张雷达波增益图像数据对应的目标预测区域中置信度最高的目标预测区域，得到目标检测结果。举例来说，根据目标预测区域，可将雷达波图像数据分为三个区域：区域1、区域2和区域3。设有三张雷达波增益图像数据，对区域1的目标预测区域分别为预测1、预测2、预测3。预测1的置信度为95％，预测2的置信度为90％，预测3的置信度为70％，则区域1内的目标预测区域为预测1。区域2和区域3以此内推，最终可以得到区域1、区域2、区域3内的目标预测区域，作为目标检测结果。
本申请上述实施例提供的技术方案，通过对雷达波图像数据进行多增益处理，通过对多张不同增益的雷达波图像数据进行目标检测，最后对每张不同增益的雷达波图像数据对应的目标预测区域进行融合处理，得到目标检测结果，节约了人工检测的成本，提高了检测的效率。
在一实施例中，如图3所示，上述步骤S210可以包括以下步骤S211-S213。
在步骤S211中，采集雷达波数据。
该雷达波数据可以由固定的雷达波装置自动采集，也可以由工作人员手持雷达波采集设备或者通过可移动的雷达波采集设备采集。
在步骤S212中，对所述雷达波数据进行格式解析，获得雷达波信号数据。
在本步骤中，所述的格式解析方法可以由雷达波采集设备厂商提供，或遵循业界标准接口格式。
在步骤S213中，对所述雷达波信号数据进行滤波和幅值缩放，获得所述雷达波图像数据。
其中，所述滤波和幅值缩放方法可以采用雷达波设备厂商提供的可视化工具，或采用常用的限幅滤波、消抖滤波、均值滤波等方法来进行滤波，但不限于这些方法，可以通过sigmoid函数法进行幅值缩放，生成可视化的雷达波图像数据。
在一实施例中，雷达波图像数据可以是隧道的雷达波图像数据，对应的检测目标可以包括隧道内的拱架和预埋件。其中，预埋件可以是隧道施工过程中的一些预埋结构，该预埋件可以对拱架的检测提供一些辅助信息。在一实施例中，步骤S230可以是对多张不同增益的雷达波增益图像数据分别进行目标检测，得到多张雷达波增益图像数据对应的拱架预测区域和预埋件预测区域。
拱架预测区域是指从雷达波增益图像数据中检测到的拱架所在位置。预埋件预测区域是指从雷达波增益图像数据中检测到的预埋件所在位置。针对不同增益的雷达波增益图像数据可以分别进行检测，一种雷达波增益图像数据可以对应一组拱架预测区域和预埋件预测区域的测量结果。
在一实施例中，可以将多张不同增益的雷达波增益图像数据分别输入目标检测网络模型进行检测，获得拱架预测区域和预埋件预测区域。
其中，目标检测网络模型可选择YOLO、SSD、FasterRCNN、RetinaNet等基于深度卷积神经网络的目标检测算法，但不局限于这些方法。
在将雷达波增益图像数据输入目标检测网络模型之前，可以采用训练数据对该目标检测网络模型进行学习和训练，获得该目标检测网络模型的权值。如图4所示，其为目标检测网络模型的训练流程示意图。该训练过程可以包括以下步骤S401-S408。
在步骤S401中，读取训练数据和标签。所述训练数据是雷达波图像数据，所述标签是指与训练数据一一对应的拱架和预埋件区域的边框信息。
在步骤S402中，多增益数据在线增强。在训练过程中动态生成不同增益的雷达波图像数据和对应的标签。
在步骤S403中，初始化网络各层权值。可以使用随机数作为初始值，或者使用其他数据集上的预训练权值进行初始化。
在步骤S404中，计算图像特征。基于当前的网络权值，通过卷积的方式，计算拱架和预埋件目标检测特征图。
在步骤S405中，目标边框回归。根据目标检测特征图，同时并行回归多个目标边框分支，实现多目标、多类别回归。
在步骤S406中，单次优化操作。单次优化操作是指通过反向传播，更新模型参数权值。可用于权值更新的方法包括但不限于SGD、RMSProp、Adam、Nesterov AcceleratedGradient或他们的组合。
在步骤S407中，判断是否达到终止条件。所述终止条件可以是设定了总优化次数，或者是损失(loss)值小于某个预设值。如果达到终止条件，则进入步骤S408；如果未达到终止条件，则回到步骤S406。
在步骤S408中，保存网络权值。保存训练结束时的网络权值。
在获得目标检测网络模型的权值之后，可以将雷达波图像增益图像数据输入到基于该权值的目标检测网络模型中进行预测，获得拱架预测区域和预埋件预测区域。
在一实施例中，如图5所示，上述步骤S240可以包括如下步骤S241-S244。
在步骤S241中，对于多张雷达波增益图像数据对应的同一区域范围内的拱架预测区域和预埋件预测区域，选取置信度最高的拱架预测区域和预埋件预测区域作为所述区域范围内的拱架预测位置和预埋件预测位置。
在隧道工程中，相邻拱架间会相隔一定的距离。可以将雷达波增益图像数据划分为多个区域范围。对于雷达波图像的同一区域范围内，多张雷达波增益图像数据的目标预测区域可能有所偏差。通过目标检测网络模型完成目标检测后，每个拱架预测区域和预埋件预测区域的置信度可以由该模型自动生成，代表了该目标预测区域的可信水平。在本步骤中，对应同一区域范围内的多张雷达波增益图像数据的目标预测区域的置信度可能是不同的。对于同一区域范围内的拱架预测区域和预埋件预测区域，选取置信度最高的拱架预测区域和预埋件预测区域作为该区域范围内的拱架预测位置和预埋件预测位置。
在步骤S242中，基于预设的拱架预测位置和预埋件预测位置的位置信息阈值和面积信息阈值，对所述拱架预测位置和预埋件预测位置进行过滤。
在实际的隧道工程中，拱架和预埋件的位置和面积是在一定范围内的，根据隧道的设计与施工情况，可以预设拱架以及预埋件的位置信息阈值和面积信息阈值。基于预设的拱架和预埋件的位置信息阈值和面积信息阈值，将步骤S241中得到的拱架预测位置和预埋件预测位置逐一过滤，剔除掉阈值范围之外的区域。
在步骤S243中，对水平重叠度超过第二阈值的相邻拱架预测位置，剔除相邻拱架预测位置中置信度相对低的拱架预测位置。
其中，水平重叠度是指相邻的拱架预测位置的重叠面积占拱架面积的比例。拱架与拱架之间通常存在一定间隔，对于任意两个相邻的拱架预测位置，如果水平重叠度超过了第二阈值，例如40％，可以认为这两个相邻的拱架预测位置可能属于同一个拱架，故可以删除其中置信度较低的拱架预测位置。
在步骤S244中，基于已知的拱架与预埋件的相对位置关系，根据所述预埋件预测位置对所述拱架预测位置进行校正，得到拱架检测结果。
预埋件的位置信息可以对拱架的位置信息起到辅助作用。举例来说，在预埋件附近5米内应存在一个拱架，故可以基于预埋件预测位置以及拱架预测位置，判断预埋件的附近是否需要补充一个拱架。对拱架预测位置进行校正，可以是在已有的拱架预测位置基础上，补充其他的拱架预测位置，最终得到的所有拱架预测位置，为进行区分，可以称为拱架检测结果。
在一实施例中，在上述步骤S244之后，如图6所示，本申请实施例提供的方法还可以包括以下步骤S601-S603。
在步骤S601中，根据所述拱架检测结果，计算每个拱架的顶点位置。
拱架检测结果可以以矩形框的形式呈现，拱架的顶点可以为每个拱架检测结果所在矩形框的最高点，可以根据上述步骤的拱架检测结果，计算每个拱架的顶点位置。
在步骤S602中，根据所述每个拱架的顶点位置，计算拱架的数量。
通过统计顶点位置的个数，可以获得拱架的数量。
在步骤S603中，去除大于第三阈值的拱架间距，得到拱架的间距平均值。
计算拱架的间距平均值时，由于某些特殊地段的拱架间距超过了第三阈值，或者因为检测不准确，导致存在错误的检测结果，故为了让拱架的间距平均值计算结果更加准确，可以去除大于第三阈值的拱架间距，得到拱架的间距平均值。第三阈值可以凭借拱架之间的普遍间距设定。
下述为本申请装置实施例，可以用于执行本申请上述基于雷达波的目标检测方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请基于雷达波的目标检测方法实施例。
图7为本申请一实施例示出的基于雷达波的目标检测装置的框图。如图7所示，所述装置包括：图像获取模块710、图像生成模块720、目标检测模块730和融合处理模块740。
图像获取模块710，用于获取雷达波图像数据；
图像生成模块720，用于对所述雷达波图像数据进行多增益处理，得到多张不同增益的雷达波增益图像数据；
目标检测模块730，用于对所述雷达波增益图像数据分别进行目标检测，得到每张雷达波增益图像数据对应的目标预测区域；
融合处理模块740，用于对多张雷达波增益图像数据对应的目标预测区域进行融合处理，得到目标检测结果。
在一实施例中，如图8所示，所述图像获取模块710可以包括：图像采集模块711、数据解析模块712和数据处理模块713。
图像采集模块711，用于采集雷达波数据；
数据解析模块712，用于对所述雷达波数据进行格式解析，获得雷达波信号数据；
数据处理模块713，用于对所述雷达波信号数据进行滤波和幅值缩放，获得所述雷达波图像数据。
在一实施例中，如图9所示，所述图像生成模块720可以包括：灰度统计模块721和增益调整模块722。
灰度统计模块721，用于统计所述雷达波图像数据的灰度均值；
增益调整模块722，用于分别正向和反向调整所述雷达波图像数据的增益，获得多张不同增益的雷达波增益图像数据。
在一实施例中，所述装置可以应用于隧道拱架的检测。如图10所示，所述融合处理模块740可以包括：预测融合模块741、位置过滤模块742、位置剔除模块743和位置校正模块744。
预测融合模块741，用于对于多张雷达波增益图像数据对应的同一区域范围内的拱架预测区域和预埋件预测区域，选取置信度最高的拱架预测区域和预埋件预测区域作为所述区域范围内的拱架预测位置和预埋件预测位置；
位置过滤模块742，用于基于拱架和预埋件预设的位置信息阈值和面积信息阈值，对所述拱架预测位置和预埋件预测位置进行过滤；
位置剔除模块743，用于对水平重叠度超过第二阈值的相邻拱架预测位置，剔除相邻拱架预测位置中置信度相对低的拱架预测位置；
位置校正模块744，用于基于已知的拱架与预埋件的相对位置关系，根据所述预埋件预测位置对所述拱架预测位置进行校正，得到拱架检测结果。
在一实施例中，如图10所示，所述装置还可以包括统计分析模块750。所述统计分析模块750可以包括顶点计算模块751、数量计算模块752和间距均值计算模块753。
顶点计算模块751，用于根据所述拱架检测结果，计算每个拱架的顶点位置；
数量计算模块752，用于根据所述每个拱架的顶点位置，计算拱架的数量；
间距均值计算模块753，用于去除大于第三阈值的拱架间距，得到拱架的间距平均值。
上述装置中各个模块的功能和作用的实现过程具体详见上述基于雷达波的目标检测方法中对应步骤的实现过程，在此不再赘述。
在本申请所提供的几个实施例中，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (9)

1.一种基于雷达波的目标检测方法，其特征在于，所述方法包括：
获取雷达波图像数据；
对所述雷达波图像数据进行多增益处理，生成多张不同增益的雷达波增益图像数据；
对所述多张不同增益的雷达波增益图像数据分别进行目标检测，得到每张雷达波增益图像数据对应的目标预测区域；
对多张雷达波增益图像数据对应的目标预测区域进行融合处理，得到目标检测结果；
所述对所述雷达波图像数据进行多增益处理，生成多张不同增益的雷达波增益图像数据，包括：
统计所述雷达波图像数据的灰度均值；
分别正向和反向调整所述雷达波图像数据的增益，获得多张不同增益的雷达波增益图像数据；
其中，所述雷达波增益图像数据的灰度均值与所述雷达波图像数据的灰度均值的差值的绝对值小于第一阈值。
2.根据权利要求1所述的基于雷达波的目标检测方法，其特征在于，所述获取雷达波图像数据，包括：
采集雷达波数据；
对所述雷达波数据进行格式解析，获得雷达波信号数据；
对所述雷达波信号数据进行滤波和幅值缩放，获得所述雷达波图像数据。
3.根据权利要求1所述的基于雷达波的目标检测方法，其特征在于，所述对所述多张不同增益的雷达波增益图像数据分别进行目标检测，得到每张雷达波增益图像数据对应的目标预测区域，包括
对所述多张不同增益的雷达波增益图像数据分别进行目标检测，得到多张雷达波增益图像数据对应的拱架预测区域和预埋件预测区域。
4.根据权利要求3所述的基于雷达波的目标检测方法，其特征在于，所述对所述多张不同增益的雷达波增益图像数据分别进行目标检测，得到多张雷达波增益图像数据对应的拱架预测区域和预埋件预测区域，包括：
将所述多张不同增益的雷达波增益图像数据分别输入目标检测网络模型进行检测，获得拱架预测区域和预埋件预测区域。
5.根据权利要求3所述的基于雷达波的目标检测方法，其特征在于，所述对多张雷达波增益图像数据对应的目标预测区域进行融合处理，得到目标检测结果，包括：
对于多张雷达波增益图像数据对应的同一区域范围内的拱架预测区域和预埋件预测区域，选取置信度最高的拱架预测区域和预埋件预测区域作为所述区域范围内的拱架预测位置和预埋件预测位置；
基于拱架和预埋件预设的位置信息阈值和面积信息阈值，对所述拱架预测位置和预埋件预测位置进行过滤；
对水平重叠度超过第二阈值的相邻拱架预测位置，剔除相邻拱架预测位置中置信度相对低的拱架预测位置；
基于已知的拱架与预埋件的相对位置关系，根据所述预埋件预测位置对所述拱架预测位置进行校正，得到拱架检测结果。
6.根据权利要求5所述的基于雷达波的目标检测方法，其特征在于，所述基于已知的拱架与预埋件的相对位置关系，根据所述预埋件预测位置对所述拱架预测位置进行校正，得到拱架检测结果之后，所述方法还包括：
根据所述拱架检测结果，计算每个拱架的顶点位置；
根据所述每个拱架的顶点位置，计算拱架的数量；
去除大于第三阈值的拱架间距，得到拱架的间距平均值。
7.一种基于雷达波的目标检测装置，其特征在于，包括：
图像获取模块，用于获取雷达波图像数据；
图像生成模块，用于对所述雷达波图像数据进行多增益处理，得到多张不同增益的雷达波增益图像数据；
目标检测模块，用于对所述雷达波增益图像数据分别进行目标检测，得到每张雷达波增益图像数据对应的目标预测区域；
融合处理模块，用于对多张雷达波增益图像数据对应的目标预测区域进行融合处理，得到目标检测结果；
图像生成模块，具体用于：
统计所述雷达波图像数据的灰度均值；
分别正向和反向调整所述雷达波图像数据的增益，获得多张不同增益的雷达波增益图像数据；
其中，所述雷达波增益图像数据的灰度均值与所述雷达波图像数据的灰度均值的差值的绝对值小于第一阈值。
8.一种电子设备，其特征在于，所述电子设备包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行权利要求1-6任意一项所述的基于雷达波的目标检测方法。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序可由处理器执行以完成权利要求1-6任意一项所述的基于雷达波的目标检测方法。
CN202010302964.7A 2020-04-16 2020-04-16 基于雷达波的目标检测方法及装置、电子设备、存储介质 Active CN111539291B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010302964.7A CN111539291B (zh) 2020-04-16 2020-04-16 基于雷达波的目标检测方法及装置、电子设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010302964.7A CN111539291B (zh) 2020-04-16 2020-04-16 基于雷达波的目标检测方法及装置、电子设备、存储介质

Publications (2)

Publication Number Publication Date
CN111539291A CN111539291A (zh) 2020-08-14
CN111539291B true CN111539291B (zh) 2022-08-26

Family

ID=71952279

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010302964.7A Active CN111539291B (zh) 2020-04-16 2020-04-16 基于雷达波的目标检测方法及装置、电子设备、存储介质

Country Status (1)

Country Link
CN (1) CN111539291B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105205484A (zh) * 2014-11-26 2015-12-30 中国人民解放军第二炮兵工程大学 基于曲波变换与维纳滤波的合成孔径雷达目标检测方法
CN106842194A (zh) * 2017-03-07 2017-06-13 北京海兰信数据科技股份有限公司 一种自适应目标检测方法及装置
CN110929692A (zh) * 2019-12-11 2020-03-27 中国科学院长春光学精密机械与物理研究所 一种基于多传感器信息融合的三维目标检测方法及装置

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9495606B2 (en) * 2014-02-28 2016-11-15 Ricoh Co., Ltd. Method for product recognition from multiple images
US9501839B1 (en) * 2015-05-27 2016-11-22 The Boeing Company Methods and systems for detecting moving objects in a sequence of image frames produced by sensors with inconsistent gain, offset, and dead pixels
CN106529565B (zh) * 2016-09-23 2019-09-13 北京市商汤科技开发有限公司 目标识别模型训练和目标识别方法及装置、计算设备
CN107272030B (zh) * 2017-05-18 2020-03-31 西安电子科技大学 一种基于多个gps卫星信息融合的目标探测方法
CN108416327B (zh) * 2018-03-28 2022-04-29 京东方科技集团股份有限公司 一种目标检测方法、装置、计算机设备及可读存储介质
CN108872991A (zh) * 2018-05-04 2018-11-23 上海西井信息科技有限公司 目标物检测与识别方法、装置、电子设备、存储介质
CN108764163A (zh) * 2018-05-30 2018-11-06 合肥工业大学 多目标环境下基于灰度相关特性的cfar检测方法
CN109615016B (zh) * 2018-12-20 2021-06-22 北京理工大学 一种基于金字塔输入增益的卷积神经网络的目标检测方法
CN109685011A (zh) * 2018-12-25 2019-04-26 北京华航无线电测量研究所 一种基于深度学习的地下管线检测识别方法
CN109828268A (zh) * 2019-03-29 2019-05-31 成都纳雷科技有限公司 一种降低多径效应影响的雷达目标检测方法及装置
CN110533620B (zh) * 2019-07-19 2021-09-10 西安电子科技大学 基于aae提取空间特征的高光谱和全色图像融合方法
CN110738208A (zh) * 2019-10-08 2020-01-31 创新奇智(重庆)科技有限公司 一种高效的尺度规范化目标检测训练方法
CN110794405B (zh) * 2019-10-18 2022-06-10 北京全路通信信号研究设计院集团有限公司 一种基于相机和雷达融合的目标检测方法及系统
CN110866897B (zh) * 2019-10-30 2022-10-14 上海联影智能医疗科技有限公司 一种图像检测方法及计算机可读存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105205484A (zh) * 2014-11-26 2015-12-30 中国人民解放军第二炮兵工程大学 基于曲波变换与维纳滤波的合成孔径雷达目标检测方法
CN106842194A (zh) * 2017-03-07 2017-06-13 北京海兰信数据科技股份有限公司 一种自适应目标检测方法及装置
CN110929692A (zh) * 2019-12-11 2020-03-27 中国科学院长春光学精密机械与物理研究所 一种基于多传感器信息融合的三维目标检测方法及装置

Also Published As

Publication number Publication date
CN111539291A (zh) 2020-08-14

Similar Documents

Publication Publication Date Title
CN112735094B (zh) 基于机器学习的地质灾害预测方法、装置和电子设备
CN110378227B (zh) 修正样本标注数据的方法、装置、设备及存储介质
CN111539291B (zh) 基于雷达波的目标检测方法及装置、电子设备、存储介质
CN116990229B (zh) 一种产品镀铜层表面的缺陷检测方法及系统
CN117434153A (zh) 基于超声波技术的道路无损检测方法及系统
CN115063337A (zh) 埋地管道智能维修决策方法及装置
EP2251819A1 (en) Object classification with particle filters
CN110687548A (zh) 一种基于无人船的雷达数据处理系统
US11698349B2 (en) Scatter correction for computed tomography imaging
EP3982115A1 (en) Scatter correction for computed tomography imaging
CN108182492A (zh) 一种资料同化方法及装置
CN110633679B (zh) 一种基于遗传算法的指针式仪表示数自动识别方法及系统
CN112911164A (zh) 一种用于气密性试验的相机的曝光时间调整方法及系统
CN113808049B (zh) 一种列车线阵图像畸变校正方法及电子设备
US9177200B2 (en) Object classification
CN111160266A (zh) 物体跟踪方法和装置
CN112764092B (zh) 检波点位置定位方法及系统
CN117583281B (zh) 板件机器人分拣码垛优化方法、控制系统及分拣生产线
CN116448062B (zh) 一种桥梁沉降变形检测方法、装置、计算机及存储介质
CN117541832B (zh) 异常检测方法、系统、电子设备及存储介质
US20240159708A1 (en) Information processing method, non-transitory computer-readable storage medium, information processing device, and model generation method
US20240144448A1 (en) Blur Correction System
CN116434082B (zh) 基于深度学习的湖泊水环境遥感监测方法
CN113837163B (zh) 一种基于三维探地雷达的隧道监测方法、系统以及存储介质
EP2251820A1 (en) Object classification

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