CN112665461A - 基于多频电磁感应和弛豫频率参数的识别方法、系统 - Google Patents
基于多频电磁感应和弛豫频率参数的识别方法、系统 Download PDFInfo
- Publication number
- CN112665461A CN112665461A CN202011554578.3A CN202011554578A CN112665461A CN 112665461 A CN112665461 A CN 112665461A CN 202011554578 A CN202011554578 A CN 202011554578A CN 112665461 A CN112665461 A CN 112665461A
- Authority
- CN
- China
- Prior art keywords
- frequency
- relaxation
- electromagnetic induction
- parameters
- relaxation frequency
- 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.)
- Pending
Links
- 230000005674 electromagnetic induction Effects 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000000126 substance Substances 0.000 claims abstract description 43
- 230000004044 response Effects 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000010801 machine learning Methods 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims description 31
- 239000013598 vector Substances 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 239000002689 soil Substances 0.000 claims description 12
- 230000005291 magnetic effect Effects 0.000 claims description 9
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 8
- 238000011160 research Methods 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 6
- 239000000523 sample Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 4
- 229910052802 copper Inorganic materials 0.000 claims description 4
- 239000010949 copper Substances 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 4
- 229910052742 iron Inorganic materials 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 239000002184 metal Substances 0.000 abstract description 12
- 229910052751 metal Inorganic materials 0.000 abstract description 12
- 239000012535 impurity Substances 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 10
- 230000004913 activation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000005294 ferromagnetic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 206010021118 Hypotonia Diseases 0.000 description 1
- 238000004458 analytical method Methods 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
- 238000002592 echocardiography Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种基于多频电磁感应和弛豫频率参数的识别方法、系统,包括如下步骤:步骤1:运用多频电磁感应线圈频率响应计算得到探测物的弛豫频率特征参数;步骤2:运用弛豫频率参数结合机器学习算法识别探测物的物质种类。本发明提供的一种基于多频电磁感应和弛豫频率参数的识别方法、系统解决了目前电磁感应探雷器难以对低金属雷的精准探测的问题,同时降低探雷器对弱磁性杂质的虚警概率。
Description
技术领域
本发明涉及多频电磁感应探测技术领域,具体地,涉及基于多频电磁感应和弛豫频率参数的识别方法、系统。
背景技术
地雷埋设环境具有复杂多变特性,以及现代战争对地雷探测精度和效率不断增长的要求,目前地雷探测仍然是一项非常困难和极富有挑战性的工作。地雷探测技术的研究重点应该从检测地雷中的金属含量大小转移到提取并检测地雷的有效特征上来,需要提高的不仅仅是金属探测灵敏度,更重要的是改进对地雷特征的识别灵敏度性能。由于地雷类型和埋设深度的不同,加之土壤类型、土壤结构、湿度、温度和地表形状、植被覆盖以及天气因素的影响,现有的金属探雷器的全地域作业性能还需要进一步改善,且金属探雷器无法降低金属杂波带来的原理性虚警率过高的问题。同时,金属探雷器的目标特征参数提取空间受到了信号体制的限制,其中双频连续波探雷器只能对传统铁磁和非铁磁目标进行简单识别,时域脉冲式金属探测器只能简单提取目标的电导率参数,且该参数提取精度容易受到土壤环境和目标方位的影响。这些特征过于简单,无法支撑各种地雷样本目标的分类与识别,尤其是无法保证在强矿化土壤条件下的目标识别鲁棒性。如果要有效降低各种野外探测环境下的探测虚警问题,突破现有的电磁感应信号体制迫在眉睫。
针对上述中的相关技术,发明人认为存在有因金属探雷器无法降低金属杂波带来的原理性虚警率过高的问题,因此,需要提出一种技术方案以改善上述技术问题。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于多频电磁感应和弛豫频率参数的识别方法、系统。
根据本发明提供的一种基于多频电磁感应和弛豫频率参数的识别方法,包括如下步骤:
步骤1:运用多频电磁感应线圈频率响应计算得到探测物的弛豫频率特征参数;
步骤2:运用弛豫频率参数结合机器学习算法识别探测物的物质种类。
优选地,所述步骤1包括:
步骤1.1:通过观测多频电磁感应系统辐射探测物得到频点对应的反馈信号,然后运用前行神经网络完成对探测物物质类型的识别;
步骤1.2:对频点的频率响应进行采样得到探测目标的频率反馈参数向量;
步骤1.3:将弛豫频率进行对数变换并且对弛豫频率进行线性插值。
优选地,所述步骤1.1在进行电磁感应探测时,运用定量关系建立多元方程组,之后对方程组进行拟合优化求解出探测物离散松弛频率向量。
优选地,所述步骤1.2为了求解探测物离散松弛频率,系统首先通过发射q个频率的正弦波信号并记录向量[ω1,ω2,...,ωq]为线圈发射的从小到大的q个信号频率,之后对各个频点的频率响应进行采样得到探测目标的频率反馈参数向量,并列出矩阵方程:
式中频率响应H和频率w为可观测量,偏置参数[c0,c1,...,ck]和弛豫频率参数[ζ1,ζ2,...,ζk]未知,k为模型阶数,而由两者在公式中的相互关系会使得在进行矩阵方程求解时需要进行非线性拟合运算。
优选地,所述步骤1.3通过的实验和数据分析,真实的弛豫频率参数会介于弛豫频率之间,将弛豫频率进行对数变换并且对相邻两个预估值的弛豫频率进行线性插值,得到的插值结果接近真实值;在取弛豫频率参数估计向量中任意两个相邻的弛豫频率估计参数和后,按如下插值公式:
对弛豫频率参数ζ和对应的偏置参数c进行插值优化,在对数域上得到插值结果。
优选地,所述步骤2包括:
步骤2.1:为了能够更加深层次的探究物质种类与弛豫频率参数之间的关系,对其进行定量研究;
步骤2.2:在探测目标并且识别目标之前,系统需要生成包含多种物质的离散弛豫频率数据库;
步骤2.3:用多频电磁感应物质识别系统对探测目标进行探测。
优选地,所述步骤2.1根据弛豫频率运算方案,分别对铜、铁、磁性土壤和一般土壤四种物质进行特征参数仿真,由计算得到的四种物质弛豫频率参数向量的维度均为1*55,为了能够更加深层次的探究物质种类与弛豫频率参数之间的关系,需要对两者进行了定量研究。
优选地,所述步骤2.2在探测目标并且识别目标之前,系统需要生成包含多种物质的离散弛豫频率数据库,对不同的物质进行了弛豫频率参数计算,并在系统中内置如下数据矩阵:
数据矩阵中第一列代表物质的种类标签,用数值或者数值区域来区分,此处取数值1-20,2-k列代表20个目标对应的离散松弛频率。
优选地,所述步骤2.3用多频电磁感应物质识别系统对探测目标Tg进行探测,系统检测到目标回波频点对应的频率响应[HTg(ω1),HTg(ω2),...,HTg(ω12)],通过探测目标的弛豫频率向量[ζ1,ζ2,...,ζl],然后按如下过程对目标种类进行判别:
a.将弛豫频率向量作为输入代入到训练好的神经网络DSRFNET中运用网络权值和偏置计算得到目标对应的种类标签RangeTg;
b.求取RangeTg与[Range1,Range2,...,RangeN]中每个元素的差值的绝对值[Δ1,Δ2,...,ΔN];
c.取绝对值中最小值的下标作为探测目标所属类别。
本发明还提供一种基于多频电磁感应和弛豫频率参数的识别系统,包括如下模块:
模块M1:运用多频电磁感应线圈频率响应计算得到探测物的弛豫频率特征参数;
模块M2:运用弛豫频率参数结合机器学习算法识别探测物的物质种类。
与现有技术相比,本发明具有如下的有益效果:
1.解决了目前电磁感应探雷器难以对低金属雷的精准探测的问题,同时降低探雷器对弱磁性杂质的虚警概率;对PRB M409反步兵地雷在沙土地中进行探测,在沙土地中同时埋下弱磁性物质,用多频电磁感应线圈扫描沙土地,采集各频率的频率响应;通过提取各频点对应的弛豫频率特征参数,系统能够精确的分辨PRB M409反步兵地雷和弱磁性物质的位置,使得系统虚警概率低至3%;
2.使用机器学习算法结合离线数据库大幅度提高在线探测物识别准确率;通过在线实时计算的结果与离线数据库中各类物质的类别指纹计算欧氏距离向量,准确得到探测物所属的物质类别,扩充离线数据库的物质种类数量使得探测物的识别准确率得到进一步提高。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明的系统框图;
图2为本发明弛豫频率和对应系数普图;
图3为本发明铜对应的弛豫频率分布图;
图4为本发明铁对应的弛豫频率分布图;
图5为本发明磁性土壤对应的弛豫频率分布图;
图6为本发明一般土壤对应的弛豫频率分布图;
图7为本发明物质识别神经网络结构图;
图8为本发明神经网络参数更新流程图;
图9为本发明信号处理及目标判决过程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
参照图1,本发明提供的一种基于多频电磁感应和弛豫频率参数的识别方法、系统包括如下步骤:
步骤1:运用多频电磁感应线圈频率响应计算得到探测物弛豫频率特征参数;
在进行电磁感应探测时,探测物的离散松弛频率与其电磁感应频率响应H存在如下定量关系:
式中H为电磁感应频率响应,w为电磁感应线圈发射信号频率,c为偏置参数。对于多频点磁感应探测系统,频率响应H和频率w为可观测量。通过观测多频电磁感应系统辐射探测物得到多个频点对应的反馈信号,进而运用定量关系建立多元方程组,之后对方程组进行拟合优化求解出探测物离散松弛频率向量,然后运用前行神经网络完成对探测物物质类型的识别。
为了求解探测物离散松弛频率,系统首先通过发射q个频率的正弦波信号并记录向量[ω1,ω2,...,ωq]为线圈发射的从小到大的q个信号频率,之后对各个频点的频率响应进行采样得到探测目标的频率反馈参数向量,并按照定量关系列出矩阵方程:
式中频率响应H和频率w为可观测量,偏置参数[c0,c1,...,ck]和弛豫频率参数[ζ1,ζ2,...,ζk]未知,k为模型阶数,而由两者在公式中的相互关系会使得在进行矩阵方程求解时需要进行非线性拟合运算,因此对弛豫频率参数进行如下假设:
假设探测物存在M个弛豫频率在M>k时,[ζ1,ζ2,...,ζM],在假设时将M设置足够大来保证[ζ1,ζ2,...,ζM]中存在部分接近真实弛豫频率的值,之后假设[ζ1,ζ2,...,ζM]均匀分布在[ω1,ωL]上,即认定目标弛豫频率ζ的范围介于[ζ1=ω1,ζM=ωL]之间,频率步进为
在假设的基础上按如下步骤执行计算:
1.将假设过后的弛豫频率向量代入矩阵方程中可以将公式改写为如下形式:
此时仅有偏置参数[c0,c1,...,cM]未知,而且根据矩阵方程的形式可以将矩阵求解问题划归为最小二乘优化问题,最小二乘的解即为偏置参数[c0,c1,...,cM]的解,不过偏置参数和弛豫频率参数之间的相互关系使得矩阵方程的解必须满足约束条件:
ck≥0(k∈[1,M])
2.根据最小二乘拟合运算得到:
[c0,c1,...,cM]=(ZTZ)-1ZTh
其中Z为弛豫频率矩阵:
3.根据最小二乘拟合所得到的偏置参数[c0,c1,...,cM]=(ZTZ)-1ZTh,结合约束条件ck≥0(k∈[1,M]),在ζ的取值范围[ζ1,ζ2,...,ζM]中选取满足约束条件的偏置参数得到预估偏置参数向量并取出与之对应的弛豫频率参数得到弛豫频率参数估计向量完成对探测物弛豫频率参数的求解。
通过大量的实验和数据分析后我们发现:真实的弛豫频率参数会介于弛豫频率之间,将弛豫频率进行对数变换并且对相邻两个预估值的弛豫频率进行线性插值,得到的插值结果接近真实值。
对弛豫频率参数ζ和对应的偏置参数c进行插值优化,在对数域上得到插值结果
步骤2:运用弛豫频率参数结合机器学习算法识别探测物物质种类:
对任意探测目标而言,在进行电磁感应探测时目标内部产生涡流到涡流稳定所需要的时间称为弛豫时间,其倒数就是弛豫频率。目标的离散弛豫频率ζ由于目标的材质和三维几何形态紧密关联,而且这种电磁特性不会随着探测物的摆放朝向或者位置而发生改变,在进行电测感应探测时它是一种能够对目标进行分类和识别的最为准确的电磁特征指标。
参照图3和图4,根据弛豫频率运算方案,分别对铜、铁、磁性土壤和一般土壤4种物质进行特征参数仿真,由计算得到的4种物质弛豫频率参数向量的维度均为1*55,参照图5和图6,通过弛豫频率曲线能够初步看出4种不同的探测物在此种电磁特性上具有一定的差异,为了能够更加深层次的探究物质种类与弛豫频率参数之间的关系,需要对两者进行了定量研究。
在探测目标并且识别目标之前,系统需要生成包含多种物质的离散弛豫频率数据库,因此本文在进行识别之前对20种不同的物质进行了弛豫频率参数计算,并在系统中内置如下数据矩阵:
数据矩阵中第一列代表物质的种类标签,用数值或者数值区域来区分,此处取数值1-20,2-k列代表20个目标对应的离散松弛频率。
系统启动后多频电磁线圈辐射探测物根据1中方法计算得到探测物的k个离散弛豫频率[ζ1,ζ2,...,ζk],之后采用前向传播神经网络分类方法运用目标离散弛豫频率识别目标种类。
参照图7,考虑到系统实时性,本系统中的神经网络设置的较为简单,网络为拥有1个输入层、1个隐藏层和1个输出层的系统,输入层设置神经元个数与频点个数相同(k个),隐藏层设置6个神经元,输出层设置1个神经元用于输出目标种类标签。
神经网络的输入层激活函数设定为Sigmoid函数,其函数表达式为:
y=1/(1+e-x)
隐藏层的激活函数为tansig函数,表达式为:
y=2/(1+exp(-2*x))-1
输出层的激活函数为purlin函数,是一个线性函数。
参照图8,网络性能分析:在组建神经网络时本系统通过非线性函数sigmoid与tansig将系统12个频点对应的离散松弛频率谱与物质种类进行了链接,在网络进行不断迭代、误差不断反向传播的过程中,网络的输入、隐藏以及输出层的权重和偏置会进行实时更新,通过运用内置数据对网络的训练会生成一个对内置数据进行高精度分类神经网络,这里将生成的网络命名为DRSFNET。
参照图9,用多频电磁感应物质识别系统对探测目标(代号为Tg)进行探测,系统检测到目标回波12个频点对应的频率响应[HTg(ω1),HTg(ω2),...,HTg(ω12)],通过3中方案计算得到探测目标的弛豫频率向量[ζ1,ζ2,...,ζl],然后按如下过程对目标种类进行判别:
1.将弛豫频率向量作为输入代入到训练好的神经网络DSRFNET中运用网络权值和偏置计算得到目标对应的种类标签RangeTg;
2.求取RangeTg与[Range1,Range2,...,RangeN]中每个元素的差值的绝对值[Δ1,Δ2,...,ΔN];
3.取绝对值中最小值的下标作为探测目标所属类别。
本发明提供的一种基于多频电磁感应和弛豫频率参数的识别方法、系统解决了目前电磁感应探雷器难以对低金属雷的精准探测的问题,同时降低探雷器对弱磁性杂质的虚警概率;对PRB M409反步兵地雷在沙土地中进行探测,在沙土地中同时埋下弱磁性物质,用多频电磁感应线圈扫描沙土地,采集各频率的频率响应;通过提取各频点对应的弛豫频率特征参数,系统能够精确的分辨PRB M409反步兵地雷和弱磁性物质的位置,使得系统虚警概率低至3%。
且使用机器学习算法结合离线数据库大幅度提高在线探测物识别准确率;通过在线实时计算的结果与离线数据库中各类物质的类别指纹计算欧氏距离向量,准确得到探测物所属的物质类别,扩充离线数据库的物质种类数量使得探测物的识别准确率得到进一步提高。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于多频电磁感应和弛豫频率参数的识别方法,其特征在于,包括如下步骤:
步骤1:运用多频电磁感应线圈频率响应计算得到探测物的弛豫频率特征参数;
步骤2:运用弛豫频率参数结合机器学习算法识别探测物的物质种类。
2.根据权利要求1所述的一种基于多频电磁感应和弛豫频率参数的识别方法,其特征在于,所述步骤1包括:
步骤1.1:通过观测多频电磁感应系统辐射探测物得到频点对应的反馈信号,然后运用前行神经网络完成对探测物物质类型的识别;
步骤1.2:对频点的频率响应进行采样得到探测目标的频率反馈参数向量;
步骤1.3:将弛豫频率进行对数变换并且对弛豫频率进行线性插值。
3.根据权利要求2所述的一种基于多频电磁感应和弛豫频率参数的识别方法,其特征在于,所述步骤1.1在进行电磁感应探测时,运用定量关系建立多元方程组,之后对方程组进行拟合优化求解出探测物离散松弛频率向量。
6.根据权利要求1所述的一种基于多频电磁感应和弛豫频率参数的识别方法,其特征在于,所述步骤2包括:
步骤2.1:为了能够更加深层次的探究物质种类与弛豫频率参数之间的关系,对其进行定量研究;
步骤2.2:在探测目标并且识别目标之前,系统需要生成包含多种物质的离散弛豫频率数据库;
步骤2.3:用多频电磁感应物质识别系统对探测目标进行探测。
7.根据权利要求6所述的一种基于多频电磁感应和弛豫频率参数的识别方法,其特征在于,所述步骤2.1根据弛豫频率运算方案,分别对铜、铁、磁性土壤和一般土壤四种物质进行特征参数仿真,由计算得到的四种物质弛豫频率参数向量的维度均为1*55,为了能够更加深层次的探究物质种类与弛豫频率参数之间的关系,需要对两者进行了定量研究。
9.根据权利要求6所述的一种基于多频电磁感应和弛豫频率参数的识别方法,其特征在于,所述步骤2.3用多频电磁感应物质识别系统对探测目标Tg进行探测,系统检测到目标回波频点对应的频率响应[HTg(ω1),HTg(ω2),…,HTg(ω12)],通过探测目标的弛豫频率向量[ζ1,ζ2,...,ζl],然后按如下过程对目标种类进行判别:
a.将弛豫频率向量作为输入代入到训练好的神经网络DSRFNET中运用网络权值和偏置计算得到目标对应的种类标签RangeTg;
b.求取RangeTg与[Range1,Range2,..,RangeN]中每个元素的差值的绝对值[Δ1,Δ2,...,ΔN];
c.取绝对值中最小值的下标作为探测目标所属类别。
10.一种基于多频电磁感应和弛豫频率参数的识别系统,其特征在于,包括如下模块:
模块M1:运用多频电磁感应线圈频率响应计算得到探测物的弛豫频率特征参数;
模块M2:运用弛豫频率参数结合机器学习算法识别探测物的物质种类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011554578.3A CN112665461A (zh) | 2020-12-24 | 2020-12-24 | 基于多频电磁感应和弛豫频率参数的识别方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011554578.3A CN112665461A (zh) | 2020-12-24 | 2020-12-24 | 基于多频电磁感应和弛豫频率参数的识别方法、系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112665461A true CN112665461A (zh) | 2021-04-16 |
Family
ID=75410092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011554578.3A Pending CN112665461A (zh) | 2020-12-24 | 2020-12-24 | 基于多频电磁感应和弛豫频率参数的识别方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112665461A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2019005A (en) * | 1978-04-10 | 1979-10-24 | Siderurgie Fse Inst Rech | Eddy-Current Detection |
JP2005285085A (ja) * | 2003-07-25 | 2005-10-13 | Tama Tlo Kk | データ解析方法、データ解析装置およびデータ解析プログラム |
JP2012245036A (ja) * | 2011-05-25 | 2012-12-13 | Konica Minolta Medical & Graphic Inc | 超音波探触子 |
US20160116580A1 (en) * | 2014-10-23 | 2016-04-28 | King Fahd University Of Petroleum And Minerals | Method and system to identify and estimate relaxation frequencies for ground penetrating radars |
CN107818298A (zh) * | 2017-09-27 | 2018-03-20 | 厦门大学 | 用于机器学习物质识别算法的通用拉曼光谱特征提取方法 |
CN110766067A (zh) * | 2019-10-21 | 2020-02-07 | 浙江工业大学之江学院 | 基于机器学习的毫米波雷达材质识别方法 |
US20200096295A1 (en) * | 2016-12-13 | 2020-03-26 | Demine Robotics Inc. | Landmine excabator and neutralizer and related methods |
-
2020
- 2020-12-24 CN CN202011554578.3A patent/CN112665461A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2019005A (en) * | 1978-04-10 | 1979-10-24 | Siderurgie Fse Inst Rech | Eddy-Current Detection |
JP2005285085A (ja) * | 2003-07-25 | 2005-10-13 | Tama Tlo Kk | データ解析方法、データ解析装置およびデータ解析プログラム |
JP2012245036A (ja) * | 2011-05-25 | 2012-12-13 | Konica Minolta Medical & Graphic Inc | 超音波探触子 |
US20160116580A1 (en) * | 2014-10-23 | 2016-04-28 | King Fahd University Of Petroleum And Minerals | Method and system to identify and estimate relaxation frequencies for ground penetrating radars |
US20200096295A1 (en) * | 2016-12-13 | 2020-03-26 | Demine Robotics Inc. | Landmine excabator and neutralizer and related methods |
CN107818298A (zh) * | 2017-09-27 | 2018-03-20 | 厦门大学 | 用于机器学习物质识别算法的通用拉曼光谱特征提取方法 |
CN110766067A (zh) * | 2019-10-21 | 2020-02-07 | 浙江工业大学之江学院 | 基于机器学习的毫米波雷达材质识别方法 |
Non-Patent Citations (5)
Title |
---|
何明 等: "《物联网与数字营区》", 31 January 2014 * |
周可法 等: "《中亚地区高光谱遥感地物蚀变信息识别与提取》", 31 August 2008 * |
广东省测绘学会: "《测绘文集》", 31 March 2006 * |
杨守仁 等: "《中国地学通鉴 地质卷 上》", 30 June 2018 * |
王义忠: "《地质勘查工作高新技术研究》", 31 October 2019 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Travassos et al. | Artificial neural networks and machine learning techniques applied to ground penetrating radar: A review | |
Pasolli et al. | Automatic analysis of GPR images: A pattern-recognition approach | |
Xu et al. | Statistical method to detect subsurface objects using array ground-penetrating radar data | |
Özkaya et al. | Residual CNN+ Bi-LSTM model to analyze GPR B scan images | |
Barkataki et al. | Classification of soil types from GPR B scans using deep learning techniques | |
Fails et al. | Performance of a four parameter model for modeling landmine signatures in frequency domain wideband electromagnetic induction detection systems | |
Beran et al. | Practical strategies for classification of unexploded ordnance | |
Wang et al. | Target electromagnetic detection method in underground environment: A review | |
Smitha et al. | Target detection using supervised machine learning algorithms for GPR data | |
Kuchipudi et al. | Automated assessment of reinforced concrete elements using ground penetrating radar | |
CN112665461A (zh) | 基于多频电磁感应和弛豫频率参数的识别方法、系统 | |
Gharamohammadi et al. | A robust whitening algorithm to identify buried objects with similar attributes in correlation-based detection | |
Barkataki et al. | Automatic Material Classification of Targets from GPR Data using Artificial Neural Networks | |
Xiong et al. | GPR-GAN: A Ground-Penetrating Radar Data Generative Adversarial Network | |
Bordón et al. | Automatic detection of pipe-flange reflections in GPR data sections using supervised learning | |
Heagy et al. | Machine learning for the classification of unexploded ordnance (UXO) from electromagnetic data | |
Šimić et al. | Landmine Identification From Pulse Induction Metal Detector Data Using Machine Learning | |
Tiwari et al. | Development of a model for detection and estimation of depth of shallow buried non-metallic landmine at microwave X-band frequency | |
Collins et al. | Model-based statistical signal processing using electromagnetic induction data for landmine detection and classification | |
Bugarinović et al. | Automated data extraction from synthetic and real radargrams of complex structures | |
CN112666528B (zh) | 一种基于卷积神经网络的多站雷达系统干扰鉴别方法 | |
Tantum et al. | Frequency domain electromagnetic induction sensor data feature extraction and processing for improved landmine detection | |
Barkataki et al. | Prediction of size of buried objects using ground penetrating radar and machine learning techniques | |
Thomas et al. | Machine learning classification of metallic objects using pulse induction electromagnetic data | |
Gao et al. | Single-sensor processing and sensor fusion of GPR and EMI data for land mine detection |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210416 |
|
RJ01 | Rejection of invention patent application after publication |