CN113359101A - 一种地下目标探测方法、系统及计算机存储介质 - Google Patents
一种地下目标探测方法、系统及计算机存储介质 Download PDFInfo
- Publication number
- CN113359101A CN113359101A CN202110914664.9A CN202110914664A CN113359101A CN 113359101 A CN113359101 A CN 113359101A CN 202110914664 A CN202110914664 A CN 202110914664A CN 113359101 A CN113359101 A CN 113359101A
- Authority
- CN
- China
- Prior art keywords
- data
- scan
- target
- underground
- subsurface
- 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
Images
Classifications
-
- 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
- G01S7/417—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 involving the use of neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/12—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with electromagnetic waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
Abstract
本发明提供一种地下目标探测方法、系统及存储介质,该地下目标探测方法包括:获得由一维测线上每个扫描位置处的A‑Scan散射回波组合形成的B‑Scan回波数据,A‑Scan散射回波为探地雷达在该扫描位置处向地下发射电磁波后接收到的地下区域的散射回波;处理B‑Scan回波数据,使部分B‑Scan回波数据形成输入数据,并至少以用于表征与地下目标位置关系的特征数据形成输出数据;基于输入数据及输出数据训练网络模型,形成散射曲线特征识别模型;向散射曲线特征识别模型中输入待测B‑Scan回波数据,获得目标特征数据;基于目标特征数据辅助计算地下目标的横向位置与顶部埋深估算值。
Description
技术领域
本发明涉及GPR(Ground Penetrating Radar,探地雷达)无损探测领域,特别涉及一种地下目标探测方法、系统及计算机存储介质。
背景技术
GPR是一种常用的近地表无损检测技术,已广泛应用于地质勘探、地雷检测、考古、地下管道探测等领域。GPR天线沿一维测线扫描时,在测线的某个扫描位置处,发射天线向下发射时域窄脉冲电磁波,电磁波向下传播时,遇到与背景媒质存在电磁参数差异的物体时,部分能量被散射,并由接收天线接收。该单道回波信号称为A-Scan,设其时间采样点为M,则该A-Scan为一个M*1的一维数组。当天线沿一维测线扫描时,设该一维测线上有N个扫描位置,那么在每个扫描位置处都可以获得一道A-Scan数据。当GPR沿该测线扫描完毕时,可以获得M道A-Scan数据。这些数据按列排列,就生成了一个B-Scan,又称为B-Scan记录剖面或回波数据,是一个M*N的二维矩阵。通过对该B-Scan回波数据进行分析处理,可以获得地下介质和被测目标的介电特性、空间位置、结构尺寸等参数。在GPR数据处理过程中,大多数情况下需要以“人在回路”的方式进行数据解译和分析,解译结果高度依赖于从业人员的经验和先验信息。在某些应用场合,GPR数据的自动化处理和高精度参数估计,如地下目标定位和深度估算,就显得尤为重要。
国内外研究人员在GPR数据解译方面进行了大量的研究。传统方法,如Hough变换,可用于GPR B-Scan记录剖面的双曲线检测。作为一种基于图像分析的特征提取技术,Hough变换可以将全局曲线检测问题转化为Hough参数空间内的有效峰值检测问题。该方法的计算,需要迭代多次,导致时间复杂度和空间复杂度非常高,运算量非常大。基于模板匹配和边缘检测的曲线拟合方法,可以定位B-Scan中的双曲线轮廓并寻找其顶点。近年来,机器学习和人工智能技术的发展,推动了GPR数据处理向着自动化、智能化的方向发展。研究人员采用卷积神经网络进行GPR B-Scan记录剖面中双曲线特征的检测和框选,通过建模来拟合双曲线并定位地下目标的顶点位置坐标,进而进行地下目标横向位置和埋设深度的估算。上述方法,将整个B-Scan数据作为输入,是对整幅图像进行处理,并没有考虑到B-scan中各道A-Scan数据的内在特征和相邻道A-Scan数据的峰值相互关系。现有技术在进行地下目标位置和埋设深度估计时,具有数据处理负荷大、精度不足的缺陷。
发明内容
本发明提供一种地下目标探测方法、系统及存储介质,用以准确地实现地下目标探测。
本发明提供一种地下目标探测方法,包括:
获得由一维测线上每个扫描位置处采集的A-Scan散射回波形成的B-Scan回波数据,所述A-Scan散射回波为探地雷达在该扫描位置处向地下发射电磁波后接收到的地下区域的散射回波;
处理所述B-Scan回波数据,使所述B-Scan回波数据中相邻三个所述扫描位置的A-Scan散射回波数据形成输入数据,至少以所述B-Scan回波数据中的用于表征与地下目标位置关系的特征数据形成输出数据;
基于所述输入数据及输出数据训练网络模型,形成散射曲线特征识别模型;
向所述散射曲线特征识别模型中输入待测的B-Scan回波数据,获得目标特征数据;
基于所述目标特征数据辅助计算所述地下目标的横向位置与顶部埋深估算值。
在一实施例中,处理所述回波数据,包括:
对处理后的所述B-Scan回波数据进行样本划分,以形成所述输入数据。
将所述B-Scan回波数据(尺寸为M*N的二维矩阵)规范化为尺寸为K*N的二维矩阵。当M≥K时,截取[M-K+1,M]时间采样范围内的回波数据形成所述尺寸为K*N的二维矩阵,当M<K时,采用插值法形成M个时间维采样。
在一实施例中,对处理后的所述回波数据进行样本划分,以形成所述输入数据,包括:
将所述处理后的数据中在横向上每三个相邻扫描位置的A-Scan回波数据划分形成一个数据样本;
多个所述数据样本形成所述输入数据。
在一实施例中,所述以所述回波数据中的用于表征与地下目标位置关系的特征数据形成输出数据,包括:
基于所述回波数据确定对应的散射曲线;
基于所述散射曲线确定与所述地下目标的位置满足不同距离阈值的数据为所述输出数据,所述不同距离阈值包括与所述地下目标的位置间的距离依次增大的多个距离阈值。
在一实施例中,所述网络模型包括长短时记忆网络LSTM、卷积神经网络CNN和全连接神经网络。
在一实施例中,所述网络模型包括四层所述长短时记忆网络LSTM、由四层卷积层构成的所述卷积神经网络CNN以及一层所述全连接神经网络。
在一实施例中,所述基于所述目标特征数据辅助计算所述地下目标的横向位置与顶部埋深估算值,包括:
基于所述目标特征数据确定每个所述数据样本中与所述地下目标的横向位置满足阈值要求的目标扫描点,所述目标扫描点表征其测线位置至少与所述地下目标的横向位置相似;
基于步进距离以及所述数据样本的数量计算所述地下目标的横向位置;
基于所述目标扫描点的回波数据中最大振幅所对应的采样时间及预置的时延-深度映射关系确定所述地下目标的预埋深度。
本申请同时提供一种地下目标探测系统,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行以实现如上述任一实施例所述的地下目标探测方法。
本申请还提供一种计算机存储介质,当存储介质中的指令由地下目标探测系统对应的处理器执行时,使得地下目标探测系统能够实现上述任一实施例中所述的地下目标探测方法。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中的地下目标探测方法的流程图。
图2为本发明实施例中的地下目标探测方法的实际应用流程图;
图3为本发明实施例中的散射曲线特征识别网络模型的结构图;
图4(A)为本发明实施例中的地下目标探测方法应用时的处理流程图;
图4(B)为本发明实施例中的地下目标探测方法应用时的中间结果生成图;
图5为本发明实施例中的地下目标探测方法应用时的输入样本、中间输出、分类标签编码、解码结果的关系图;
图6为本发明实施例中的地下目标探测方法应用时产生的真实标签结果和预测标签结果图;
图7为本发明实施例中的地下目标探测方法的地下目标检测准确率曲线。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
图1为本发明一实施例中一种地下目标探测方法的流程图,如图1所示,本发明实施例中的地下目标探测方法,包括:
获得由一维测线上每个扫描位置的散射回波,形成回波数据。散射回波为GPR在该扫描位置处发射电磁波后接收到的地下区域的回波信号;
处理回波数据,使回波数据中相邻三个扫描点的散射回波数据形成输入数据,以回波数据中的用于表征与地下目标位置关系的特征数据形成输出数据;
基于输入数据及输出数据训练网络模型,形成散射曲线特征识别模型;
向散射曲线特征识别模型中输入待测回波数据,获得目标特征数据;
基于目标特征数据辅助计算地下目标的横向位置与顶部埋深估算值。
例如,结合图2所示,可以利用GPR在地表沿一维测线对地下目标进行探测扫描。在测线的某一扫描位置处开始,发射时域窄脉冲电磁波并接收散射回波。然后沿测线移动到下一扫描位置,重复上述过程。在每个扫描位置处,均能获得一道散射回波,称之为A-Scan散射回波。设A-Scan散射回波的时间采样点数为M点,则该A-Scan为一个M*1的一维数组。当天线沿一维测线扫描时,设该一维测线上有N个扫描位置,那么在每个扫描位置处都可以获得一道A-Scan数据。当GPR沿该测线扫描完毕时,可以获得M道A-Scan数据。这些数据按列排列,就生成了一个B-Scan,又称为B-Scan记录剖面或回波数据,是一个M*N的二维矩阵,记为二维矩阵Bmn。该记录剖面可以显示为一幅描述地下探测情况的图像。当获得了B-Scan回波数据后,需要对该B-Scan回波数据进行处理,使该B-Scan回波数据中相邻三个扫描位置的A-Scan散射回波数据形成输入数据,也即,相邻三道A-Scan散射回波形成一组输入数据,回波数据中包括至少一组输入数据。另外,至少以该B-Scan回波数据中的用于表征与地下目标位置关系的特征数据形成输出数据,例如每道A-Scan散射回波所反映出的探测位置与实际地下目标所在位置之间的关系,基于该关系形成输出数据。当确定了输入数据以及输出数据后,利用输入数据及输出数据训练网络模型,生成散射曲线特征识别模型。基于该模型,用户可以通过输入散射回波数据来确定出各散射回波与地下目标的位置关系,进而辅助用户快速计算出地下目标的横向位置及顶部埋深估算值。如用户向散射曲线特征识别模型中输入待测回波数据,获得表征探测位置与地下目标的位置关系的目标特征数据,然后基于目标特征数据辅助计算地下目标的横向位置与顶部埋深估算值。
本实施例中的地下探测方法提出了以B-scan中每相邻三道A-scan作为散射曲线特征识别网络模型的输入数据,以每道A-scan所表征的探测位置与地下目标的实际位置间关系的特征数据作为输出数据,来对散射曲线特征识别网络模型进行训练,使在未来使用未训练的数据样本输入至模型中时,该模型可以快速的进行地下目标检测,使系统可以根据模型输出的特征数据进行地下目标的定位估算,提升了探测效率及精度,同时能够实现自动化处理。而且,由于散射曲线特征识别网络模型自身具有机器学习属性,通过不断的训练,其可以在输入数据不完整的情况下,依旧保持较高的数据检测正确率,进而确保系统最终获得的目标横向位置和顶部埋深的估算精度。
进一步地,本实施例中在处理回波数据时,包括:
对回波数据形成的二维矩阵依次进行规范化处理、数据标准化处理;
对处理后的回波数据进行样本划分,以至少形成输入数据。
例如,可以先对上述的B-scan数据进行去直达波处理、去噪,接着进行规范化处理,数据标准化处理,之后再对处理后的回波数据进行数据样本划分,形成输入数据。
具体地,本实施例中对回波数据形成的二维矩阵依次进行规范化处理,包括:
将回波数据形成尺寸为M*N的二维矩阵规范化为尺寸为K*N的二维矩阵,当M≥K时,截取[M-K+1,M]范围内的时间采样点的回波数据形成尺寸为K*N的二维矩阵,当M<K时,采用插值法生成M个时间采样点,并基于M个时间采样点的回波数据形成尺寸为K*N的二维矩阵。
本实施例中的M表征单道A-Scan的时间采样长度为M,N为一条测线上有N个扫描位置。K可认为是实际输入的数据样本的尺寸。当M≥K时,将A-Scan数据从头部截断,保留后面K点,也即截取以第M-K+1个时间采样点为起始,以第M个时间采样点为终点的回波数据;当M<K时,可以采用二次插值法将单道A-Scan插值为具有M个时间采样点的一维数据,生成Bkn。
其中,为二次差值法。在完成数据规范化后,需要继续对上述数据进行标准化处理。所用的方法可以是机器学习库scikit-learn(简称sklearn)中的StandardScaler方法,以减少网络模型计算时的空间和时间复杂度,并弱化数据和标签之间的映射差异。
进一步地,如图4(A)、图4(B)及图5所示,对处理后的回波数据进行样本划分,以至少形成输入数据,包括:
将处理后的数据中在横向上每相邻三个扫描点的回波数据划分形成一个数据样本;
多个数据样本形成输入数据。
例如将经过上述处理后的B-scan数据按横向每三道A-scan数据划分形成一个数据样本/训练样本。如果经划分后有多余的1道或2道A-scan数据,则舍弃,从而将B-Scan数据按列划分为S个数据样本。
进一步地,至少以回波数据中的用于表征与地下目标位置关系的特征数据形成输出数据,包括:
基于回波数据确定对应的散射曲线;
基于散射曲线确定与地下目标的位置满足不同距离阈值的数据为输出数据,所述不同距离阈值包括与地下目标的位置间的距离范围依次增大的多个距离阈值。
例如,基于地下目标的横向位置与每三道A-scan对应的各数据样本所在的横向位置的相对位置关系进行划分,形成距离值范围依次增大的多个不同的距离阈值。每个距离阈值可以被认定为一类特征,如距离值范围最大的距离阈值,可以认为特征类型是“目标丢失”,距离范围值相较稍小一些的距离阈值,可以认为特征类型是“目标远离”,之后的距离阈值依次可以被认为特征类型是“目标接近”、“目标所在”。实际应用时,可以将上述四种特征类型作为输出数据来对网络模型进行训练,使生成的模型的输出结果为上述四种特征类型,例如可以以标签的形式输出对应的特征类型。
具体地,在进行对应的标签制作时,具体可以包括以下步骤:
窗口求和:寻找A-scan回波数据中幅值的最大值所在的时间采样点I,设置固定窗口D,对[max(1, I-D),min(800,I+D)]时间采样区间内的该A-scan回波幅值进行求和得到T,其中D为整数。
样本求和:将B-Scan沿横向按每三列A-scan回波数据为一组分为S个样本。在第s个样本中,有三道A-scan回波数据分别为s1,s2,s3,根据上述方式(1)求出该样本三道A-scan波形的幅值和,再对样本中三道A-scan幅值和求总和E。
寻找上下沿、顶峰特征点:将B-Scan按三列一组分为S个样本,序号为s的样本按照上述方式(2),计算各个样本幅值总和Es;寻找出幅值总和最大值Ep,计算Es和Ep比值为R;设置阈值Q,通过Q与R的大小关系,以及该样本序号与Ep样本所在序号左右关系,来标定上下沿特征点标签Label;设置阈值min(P,1), 根据R与min(P,1)的大小关系来标定顶峰特征点标签Label。
标签编码:为了获得更好的泛化能力,标签在训练网络时采用one hot编码形式。
通过上述方式,可以全自动地将数据样本分为四类:目标消失(0)、目标接近(1)、目标所在(2)、目标远离(3)。由于某些样本噪声和杂波干扰较大,样本标定标签可能会因此存在误差,故可以根据B-scan数据形成灰度图,由人工来判定上下沿特征点和顶峰特征点标签Label。若样本数据为标准数据,也可以通过编程实现上述标签的自动判定。
进一步地,由上述内容可知,本实施例基于B-scan数据对地下目标进行检测和定位估算,主要分为两大步骤,一是输入样本的制作,二是样本中散射曲线特征点的识别和处理。为实现第二步骤,对于网络模型的架构设计是十分重要的。长短时记忆网络LSTM神经网络可以处理时序数据,能有效的防止长时间训练时梯度爆炸和梯度消失问题。与传统的循环神经网络RNN相比,其引入了门机制和存储单元,能够自动长期保存以往训练时重要的特征数据,丢弃垃圾数据,因此适用于B-Scan和A-scan这两类存在内在时序特征的数据。进一步地,卷积神经网络CNN是一种针对图像识别领域的网络,它包含输入层、卷积层、池化层、输出层等。其中最主要的是卷积层,卷积层可以有效的减少网络模型的计算量,增强网络学习的特征。CNN中卷积层适用于提取B-scan图像中散射曲线特征点。基于LSTM和CNN形成的散射曲线特征识别网络模型,有利于提取和学习输入数据中的高维空间和时序特征。
具体地,如图3所示,本实施例中的网络模型包括长短时记忆网络LSTM、卷积神经网络CNN和全连接神经网络。具体可以包括四层长短时记忆网络LSTM、由四层卷积层构成的卷积神经网络CNN以及一层全连接神经网络。四层卷积层的卷积核大小分别为1×8、1×16、1×32、1×128,每层的卷积核个数分别为8、16、32、128,步长为1。四层LSTM分别包含720、512、256、64个LSTM网络单元。全连接神经网络结构中,输出层节点数为4,4表示检测散射曲线特征点类别数目。当向网络模型中输入数据样本后,通过四层卷积CNN结构来提取输入样本的空间维度特征,与此同时利用四层LSTM提取输入样本的时间维度特征,以充分利用A-scan和B-scan中内在时序、空间特征。随后,将提取到的两类维度特征反馈到全连接神经网络,输出分类结果。
进一步地,本实施例中基于目标特征数据辅助计算地下目标的横向位置与顶部埋深估算值,包括:
基于目标特征数据确定每个数据样本中与地下目标的横向位置满足阈值要求的目标扫描点,目标扫描点表征其测线位置至少与地下目标的横向位置相似;
基于步进距离以及数据样本的数量计算地下目标的横向位置;
基于目标扫描点的回波数据中最大振幅所对应的采样时间及预置的时延-深度映射关系确定地下目标的预埋深度。
例如,当散射曲线特征识别网络的输出为“标签2”时,表明该样本s中的中间一道A-Scan所在的测线位置即为地下目标的横向位置。而该中间一道A-Scan回波数据对应的扫描点即为目标扫描点。根据步进距离d,计算该地下目标的横向位置L。
L=(3*s-1)×d
提取该样本s中第二道A-scan回波数据中最大振幅所对应的时间采样点,根据预设置的“时延—深度”映射关系计算目标顶部的埋深。
当B-Scan中相邻的多个数据样本s经网络模型处理后,均输出标签“2”时,按照上述方式,分别计算各样本s中中间一道A-Scan对应的目标横向位置和顶部埋深,再将上述计算得到的目标横向位置和顶部埋深取均值,将该均值作为该地下目标的横向位置和顶部埋深的估计值。
进一步地,在实际应用上述地下目标探测方法时,例如假设地下目标在沙坑中的埋深区间为10~50cm,横向位置在[0,1]m范围内随机,背景介质为均匀单层介质。GPR沿一维测线扫描后,获得B-Scan回波记录剖面。该B-Scan回波记录剖面为二维矩阵,尺寸为M*N,记为Bmn。对该二维矩阵进行预处理,再进行数据规范化,处理结果记为Bkn。每道A-scan时间采样点数设为800,即M=800。数据标准化、样本划分三步骤完成后形成S个样本,样本序号s对应的B-Scan的列序号为[3*s-2, 3*s-1, 3*s]。B-scan回波数据通过上述方式进行制作后形成用于输入网络模型中的输入数据。接着进行标签制作,具体步骤可参考上文所述实施例。
采用电磁仿真软件模拟GPR沿一维测线的扫描,生成仿真数据。采用雷达设备采集实测数据。仿真和实测数据一共有3600个样本,采用其中的3000个仿真和实测样本与其对应标签对网络模型进行训练,生成散射曲线特征识别模型。剩余的600个实测样本用于测试数据,以测试网络模型的处理效果。将输入样本输入到散射曲线特征识别网络模型中,输入数据通过CNN结构的四层卷积层提取空间维度特征,经过四层LSTM结构提取时间维度特征,最后经过一层全连接神经网络得到输出结果向量Y。通过解码,获得标签分类结果。在模型的训练过程中,批量大小设置为128,学习率设置为0.001,方向传播算法采用了RMSROP算法,损失函数采用交叉熵方法,使用dropout和recurrent_dropout提高模型泛化性,不依赖于局部特征。经过200轮训练之后,模型训练完毕,保存好模型。
如图6和 图7所示,测试模型时,将B-scan数据经过预处理和样本制作后,将样本输入到模型中,模型预测结果与真实标签进行比对,计算出检测准确率。通过输出标签的类型和顺序,得到目标顶部埋深对应的时间采样点后,根据常规处理算法,计算目标顶部埋深与横向位置。与真实的目标顶部埋深和横向位置进行对比,评估该网络的处理性能。
本实施例的实验过程中,采用仿真软件生成了仿真数据,采用雷达设备采集了实测数据。采用3000个样本训练并生成网络模型,采用600个测试样本测试网络模型,最终得到模型的检测准确率达到93%,目标横向位置的估计误差小于0.05米,目标埋深的估计误差小于0.08m,验证了本实施例的方法能够实现地下目标的高精度检测和定位。
本申请另一实施例同时提供一种地下目标探测系统,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行以实现上述任一实施例所述的地下目标探测方法。
该地下目标探测系统可以包括以下一个或多个组件:处理组件,存储器,电源组件,多媒体组件,音频组件,输入/输出(I/ O)的接口,传感器组件,以及通信组件。
处理组件通常控制地下目标探测系统的整体操作。处理组件可以包括一个或多个处理器来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件可以包括一个或多个模块,便于处理组件和其他组件之间的交互。例如,处理组件可以包括多媒体模块,以方便多媒体组件和处理组件之间的交互。
存储器被配置为存储各种类型的数据以支持在地下目标探测系统的操作。这些数据的示例包括用于在地下目标探测系统上操作的任何应用程序或方法的指令,如文字,图片,视频等。存储器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(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件为地下目标探测系统的各种组件提供电源。电源组件可以包括电源管理系统,一个或多个电源,及其他与为地下目标探测系统生成、管理和分配电源相关联的组件。
多媒体组件808包括在地下目标探测系统和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件还可以包括一个前置摄像头和/或后置摄像头。
I/ O接口为处理组件和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件包括一个或多个传感器,用于为地下目标探测系统提供各个方面的状态评估。例如,传感器组件可以包括声音传感器。另外,传感器组件可以检测到地下目标探测系统的打开/关闭状态,组件的相对定位,例如组件为地下目标探测系统的显示器和小键盘,传感器组件还可以检测地下目标探测系统或地下目标探测系统的一个组件的位置改变,用户与地下目标探测系统接触的存在或不存在,地下目标探测系统方位或加速/减速和地下目标探测系统的温度变化。传感器组件可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器,。
通信组件被配置为使地下目标探测系统提供和其他设备以及云平台之间进行有线或无线方式的通信能力。地下目标探测系统可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,通信组件还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,地下目标探测系统800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述车载灯语编辑方法。
本申请还提供一种计算机存储介质,当存储介质中的指令由车载灯语编辑系统对应的处理器执行时,使得车载灯语编辑系统能够实现上述任一实施例中所述的车载灯语编辑方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种地下目标探测方法,其特征在于,包括:
获得由一维测线上每个扫描位置的A-Scan散射回波组合形成的B-Scan回波数据,所述A-Scan散射回波为探地雷达在该扫描位置处向地下发射电磁波后接收到的地下区域的散射回波;
处理所述B-Scan回波数据,使所述B-Scan回波数据中相邻三个所述扫描位置的A-Scan散射回波形成输入数据,以所述B-Scan回波数据中的用于表征与地下目标位置关系的特征数据形成输出数据;
基于所述输入数据及输出数据训练网络模型,形成散射曲线特征识别模型;
向所述散射曲线特征识别模型中输入待测B-Scan回波数据,获得目标特征数据;
基于所述目标特征数据辅助计算所述地下目标的横向位置与顶部埋深估算值。
4.根据权利要求2所述的方法,其特征在于,所述对处理后的所述B-Scan回波数据进行样本划分,以至少形成所述输入数据,包括:
将所述处理后的数据中在横向上每三个相邻所述扫描位置的A-Scan回波数据划分形成一个数据样本;
多个所述数据样本形成所述输入数据。
5.根据权利要求1所述的方法,其特征在于,所述至少以所述B-Scan回波数据中的用于表征与地下目标位置关系的特征数据形成输出数据,包括:
基于所述B-Scan回波数据确定对应的散射曲线;
基于所述散射曲线确定与所述地下目标的位置满足不同距离阈值的数据为所述输出数据,所述不同距离阈值包括与所述地下目标的位置间的距离范围依次增大的多个距离阈值。
6.根据权利要求1所述的方法,其特征在于,所述网络模型包括长短时记忆网络LSTM、卷积神经网络CNN和全连接神经网络。
7.根据权利要求5所述的方法,其特征在于,所述网络模型包括四层所述长短时记忆网络LSTM、由四层卷积层构成的所述卷积神经网络CNN以及一层所述全连接神经网络。
8.根据权利要求4所述的方法,其特征在于,所述基于所述目标特征数据辅助计算所述地下目标的横向位置与顶部埋深估算值,包括:
基于所述目标特征数据确定每个所述数据样本中与所述地下目标的横向位置满足阈值要求的目标扫描点,所述目标扫描点表征其测线位置至少与所述地下目标的横向位置相似;
基于步进距离以及所述数据样本的数量计算所述地下目标的横向位置;
基于所述目标扫描点的回波数据中最大振幅所对应的采样时间及预置的时延-深度映射关系确定所述地下目标的埋设深度。
9.一种地下目标探测系统,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行以实现如权利要求1-8任一项所述的地下目标探测方法。
10.一种计算机存储介质,其特征在于,当存储介质中的指令由地下目标探测系统对应的处理器执行时,使得地下目标探测系统能够实现如权利要求1-8任一项所述的地下目标探测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110914664.9A CN113359101B (zh) | 2021-08-10 | 2021-08-10 | 一种地下目标探测方法、系统及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110914664.9A CN113359101B (zh) | 2021-08-10 | 2021-08-10 | 一种地下目标探测方法、系统及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113359101A true CN113359101A (zh) | 2021-09-07 |
CN113359101B CN113359101B (zh) | 2021-11-05 |
Family
ID=77540884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110914664.9A Active CN113359101B (zh) | 2021-08-10 | 2021-08-10 | 一种地下目标探测方法、系统及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113359101B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114331890A (zh) * | 2021-12-27 | 2022-04-12 | 中南大学 | 基于深度学习的探地雷达B-scan图像特征增强方法及系统 |
CN116047567A (zh) * | 2023-04-03 | 2023-05-02 | 长沙金维信息技术有限公司 | 基于深度学习辅助的卫惯组合定位方法及导航方法 |
CN116358460A (zh) * | 2023-01-31 | 2023-06-30 | 青岛中电众益智能科技发展有限公司 | 一种用于确定层位信息的方法、设备、介质及程序产品 |
CN117406193A (zh) * | 2023-12-14 | 2024-01-16 | 中铁四局集团有限公司 | 一种雷达数据提取方法、系统、设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5952954A (en) * | 1998-04-23 | 1999-09-14 | Power Spectra, Inc. | Ground penetrating radar with synthesized end-fire array |
CN105005042A (zh) * | 2015-07-27 | 2015-10-28 | 河南工业大学 | 一种探地雷达地下目标定位方法 |
CN105403883A (zh) * | 2015-10-29 | 2016-03-16 | 河南工业大学 | 一种探地雷达地下目标位置检测方法 |
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 |
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 |
CN110188761A (zh) * | 2019-04-22 | 2019-08-30 | 平安科技(深圳)有限公司 | 验证码的识别方法、装置、计算机设备和存储介质 |
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 |
NO20181273A1 (en) * | 2018-10-01 | 2020-04-02 | Think Outside As | Method, device and system for snow profile measurement |
CN112132174A (zh) * | 2020-08-13 | 2020-12-25 | 华南农业大学 | 一种基于探地雷达与深度学习的地下目标智能实时识别与定位方法 |
CN112329648A (zh) * | 2020-11-09 | 2021-02-05 | 东北大学 | 基于面部表情交互的人际关系行为模式识别方法 |
-
2021
- 2021-08-10 CN CN202110914664.9A patent/CN113359101B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5952954A (en) * | 1998-04-23 | 1999-09-14 | Power Spectra, Inc. | Ground penetrating radar with synthesized end-fire array |
CN105005042A (zh) * | 2015-07-27 | 2015-10-28 | 河南工业大学 | 一种探地雷达地下目标定位方法 |
CN105403883A (zh) * | 2015-10-29 | 2016-03-16 | 河南工业大学 | 一种探地雷达地下目标位置检测方法 |
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 |
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 |
NO20181273A1 (en) * | 2018-10-01 | 2020-04-02 | Think Outside As | Method, device and system for snow profile measurement |
CN110188761A (zh) * | 2019-04-22 | 2019-08-30 | 平安科技(深圳)有限公司 | 验证码的识别方法、装置、计算机设备和存储介质 |
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 |
CN112132174A (zh) * | 2020-08-13 | 2020-12-25 | 华南农业大学 | 一种基于探地雷达与深度学习的地下目标智能实时识别与定位方法 |
CN112329648A (zh) * | 2020-11-09 | 2021-02-05 | 东北大学 | 基于面部表情交互的人际关系行为模式识别方法 |
Non-Patent Citations (2)
Title |
---|
FEIFEI HOU ET AL.: "Improved Mask R-CNN with distance guided intersection over union for GPR signature detection and segmentation", 《AUTOMATION IN CONSTRUCTION》 * |
叶爱文等: "混凝土中钢筋直径雷达检测的神经网络方法", 《建筑科学与工程学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114331890A (zh) * | 2021-12-27 | 2022-04-12 | 中南大学 | 基于深度学习的探地雷达B-scan图像特征增强方法及系统 |
CN116358460A (zh) * | 2023-01-31 | 2023-06-30 | 青岛中电众益智能科技发展有限公司 | 一种用于确定层位信息的方法、设备、介质及程序产品 |
CN116358460B (zh) * | 2023-01-31 | 2024-03-08 | 青岛中电众益智能科技发展有限公司 | 一种用于确定层位信息的方法、设备、介质及程序产品 |
CN116047567A (zh) * | 2023-04-03 | 2023-05-02 | 长沙金维信息技术有限公司 | 基于深度学习辅助的卫惯组合定位方法及导航方法 |
CN117406193A (zh) * | 2023-12-14 | 2024-01-16 | 中铁四局集团有限公司 | 一种雷达数据提取方法、系统、设备及存储介质 |
CN117406193B (zh) * | 2023-12-14 | 2024-04-09 | 中铁四局集团有限公司 | 一种雷达数据提取方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113359101B (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113359101B (zh) | 一种地下目标探测方法、系统及计算机存储介质 | |
Liu et al. | Detection and localization of rebar in concrete by deep learning using ground penetrating radar | |
Li et al. | Detection of concealed cracks from ground penetrating radar images based on deep learning algorithm | |
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 | |
Liu et al. | Automatic recognition and localization of underground pipelines in GPR B-scans using a deep learning model | |
Yuan et al. | GPR signature detection and decomposition for mapping buried utilities with complex spatial configuration | |
Ji et al. | Seabed sediment classification using multibeam backscatter data based on the selecting optimal random forest model | |
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 | |
Ji et al. | Deep neural network-based permittivity inversions for ground penetrating radar data | |
Rahnemoonfar et al. | Automatic ice surface and bottom boundaries estimation in radar imagery based on level-set approach | |
Ristić et al. | Point coordinates extraction from localized hyperbolic reflections in GPR data | |
Barkataki et al. | A CNN model for predicting size of buried objects from GPR B-Scans | |
Gong et al. | Research on GPR image recognition based on deep learning | |
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 | |
Feng et al. | Improving 3D metric GPR imaging using automated data collection and learning-based processing | |
Milisavljević et al. | Improving mine recognition through processing and Dempster–Shafer fusion of ground-penetrating radar data | |
Kuchipudi et al. | Automated assessment of reinforced concrete elements using ground penetrating radar | |
Zhao et al. | A Comprehensive Horizon‐Picking Method on Subbottom Profiles by Combining Envelope, Phase Attributes, and Texture Analysis | |
Gonzalez-Huici | A strategy for landmine detection and recognition using simulated GPR responses | |
Xiong et al. | Automatic detection and location of pavement internal distresses from ground penetrating radar images based on deep learning | |
Almaimani | Classifying GPR images using convolutional neural networks | |
Hajipour et al. | A novel method for GPR imaging based on neural networks and dictionary learning | |
Zhu et al. | Evaluating the optimised YOLO-based defect detection method for subsurface diagnosis with ground penetrating radar | |
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 |