CN113361367B - 基于深度学习的地下目标电磁反演方法及系统 - Google Patents
基于深度学习的地下目标电磁反演方法及系统 Download PDFInfo
- Publication number
- CN113361367B CN113361367B CN202110609551.8A CN202110609551A CN113361367B CN 113361367 B CN113361367 B CN 113361367B CN 202110609551 A CN202110609551 A CN 202110609551A CN 113361367 B CN113361367 B CN 113361367B
- Authority
- CN
- China
- Prior art keywords
- matrix
- frequency domain
- simulation
- gpr
- echo
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于深度学习的地下目标电磁反演方法及系统。该方法包括:将手写数据集中每一个手写数字体图像映射为GPR探测区域区间中的探测目标区域,通过仿真计算获取GPR数据集;对GPR数据集进行频域处理,获取频域数据集;以回波频域数据矩阵为输入、探测目标区域的介电常数矩阵为输出对构建的初始电磁反演网络进行训练,得到训练好的目标电磁反演网络;将GPR采集的实测回波数据矩阵经频域处理后输入训练好的目标电磁反演网络,以获得待测地下目标区域的介电常数矩阵。本发明可以有效解决数据量大造成的数据采集时间过长,数据冗余造成的计算效率低的问题,同时能够有效恢复地下目标区域的介电常数分布和几何形状分布。
Description
技术领域
本发明属于探地雷达无损探测领域,尤其涉及到一种基于深度学习的地下目标电磁反演方法及系统。
背景技术
GPR(Ground Penetrating Radar,探地雷达)技术作为一种地下目标无损检测方法的一种,具有高效、无损、可穿透性、成像分辨率高等特点,在地下目标无损检测领域迅猛发展。在城市道路交通设施方面,GPR技术已经被应用于地下管道、线缆、公路、铁道、桥梁检测等,其中,城市地下管、线缆检测主要是通过分析GPR回波数据得到管道、线缆的位置信息,公路、铁道、桥梁检测主要通过分析GPR回波数据得到整个地层信息。在军事检测方面,GPR技术可以探测出所有的反坦克地雷和防步兵地雷,以及未爆弹并且还能进行目标分类。在考古研究方面,GPR技术主要用于分析不同的地层分布,得到地底墓穴的位置信息。
在电磁反演方面,目前对地下目标介电常数与几何形状进行重构存在以下几种方法:
1)利用GPR B-scan(二维剖面图)数据进行直接建模的方法,在通过对B-scan数据进行裁剪得到简易处理后的时域回波数据矩阵之后,将简易处理后的时域回波数据矩阵直接输入卷积神经网络中训练得到更新好的权重模型,最终实现地下目标介电常数和几何形状的重构。该方法由于简易裁剪后的B-scan数据庞大且存在大量的信息冗余,在利用卷积神经网络进行训练时增加了大量的无效训练时间,存在计算量大、过拟合等问题。
2)利用计算电磁学中的矩量法对GPR的连续散射场进行离散变换得到回波数据矩阵,然后通过卷积神经网络恢复地下目标介电常数与几何形状分布。该方法提升了重建目标的质量,但是矩量法也增加了方法的计算复杂度。
3)构建GPR半空间散射回波模型,对散射场进行离散处理实现网格划分,然后采用多频-跳频相结合的多尺度迭代方法在避免算法陷入局部最优的同时,提高了介电常数与几何形状分布的分辨率。但是此类方法在频率选择上的多样性提高了硬件设计复杂度与设计成本,在实际应用时受到限制。
发明内容
本发明实施例的目的在于提供一种基于深度学习的地下目标电磁反演方法及系统,以解决现有技术中存在上述至少一个问题。
基于上述目的,第一方面,本发明实施例提供了一种基于深度学习的地下目标电磁反演方法,包括:
构建GPR探测区域空间,将手写数据集中每一个手写数字体图像映射为所述GPR探测区域空间中的探测目标,并通过仿真计算获取GPR数据集;所述GPR数据集中包含与每一个所述手写数字体图像对应的仿真回波数据矩阵;
对所述GPR数据集进行频域处理之后,获取频域数据集;所述频域数据集中包含与每一个所述仿真回波数据矩阵对应的回波频域数据矩阵;
构建初始电磁反演网络,并以所述频域数据集中的回波频域数据矩阵为输入、探测目标区域的介电常数矩阵为输出对所述初始电磁反演网络进行训练,得到训练好的目标电磁反演网络;
通过GPR对待测地下目标区域进行探测,获得实测回波数据矩阵,并对所述实测回波数据矩阵进行频域处理之后,将频域处理获得的回波频域数据矩阵输入所述目标电磁反演网络,以获得所述待测地下目标区域的介电常数矩阵。
可选的,所述构建GPR探测区域空间,将手写数据集中每一个手写数字体图像映射为所述GPR探测区域空间中的探测目标,并通过仿真计算获取GPR数据集,包括:
获取手写数据集,并调用预设的Python程序从所述手写数据集中读取手写数字体图像;
将读取的所述手写数字体图像进行二值化处理,得到二值矩阵;
将所述二值矩阵转换为仿真文件,并将所述仿真文件输入预先构建的GPR仿真场景中,通过运行GPR仿真软件得到所述手写数字体图像对应的探测目标区域的仿真回波数据矩阵;
获取多个所述仿真回波数据矩阵,构建GPR数据集。
可选的,所述GPR仿真软件为GPRMax仿真软件;
所述将所述二值矩阵转换为仿真文件,并将所述仿真文件输入预先构建的GPR仿真场景中,通过运行GPR仿真软件得到所述手写数字体图像对应的探测目标区域的仿真回波数据矩阵,包括:
创建HDF5文件,将所述二值矩阵以支持NumPy的数据类型存储到所述HDF5文件,并在所述HDF5文件中添加分辨率属性;
创建仿真文件,将所述HDF5文件导入所述仿真文件,以使所述仿真文件的分辨率参数与所述HDF5文件中的分辨率属性值大小相等;
创建包含两条材料命令的材料文本文件;所述两条材料命令均用于设置与所述手写数字体图像对应的探测目标区域的材料属性;
将所述手写数字体图像对应的探测目标区域放置在所述GPR探测区域空间的固定位置,并设置GPR配置参数,以完成GPR仿真场景的构建;
将所述仿真文件输入所述GPR仿真场景,通过运行GPRMax仿真软件获得所述手写数字体图像对应的探测目标区域的仿真回波数据矩阵。
可选的,所述对所述GPR数据集进行频域处理之后,获取频域数据集,包括:
获取GPR仿真场景下的背景回波数据矩阵,并使用仿真计算获得的所述仿真回波数据对所述背景回波数据矩阵进行背景抑制处理,得到不含背景的回波数据矩阵;
通过频域转换算法对所述不含背景的回波数据矩阵进行频域转换之后,通过预先构建的矩阵滑窗函数对频域转换后的初始复数矩阵进行频点筛选,得到目标复数矩阵;
根据所述目标复数矩阵的实部矩阵和虚部矩阵,构建回波频域数据矩阵;
获取多个所述回波频域数据矩阵构建频域数据集,并对所述频域数据集中每一个所述回波频域数据矩阵进行标准化,得到标准化后的频域数据集。
可选的,所述频域转换算法为一维傅里叶算法;
所述通过频域转换算法对所述不含背景的回波数据矩阵进行频域转换之后,通过预先构建的矩阵滑窗函数对频域转换后的初始复数矩阵进行频点筛选,得到目标复数矩阵,包括:
通过一维傅里叶变换算法将所述不含背景的回波数据矩阵转换为初始复数矩阵;其中,所述初始复数矩阵为:
Ej=Fourier(Sj),
其中,Ej为初始复数矩阵E中第j列的值,Fourier()为一维傅里叶变换,Sj为不含背景的回波数据矩阵S中第j列的值;
根据预设的宽度和中心频点构建矩阵滑窗函数,通过所述矩阵滑窗函数对频域转换后的所述初始复数矩阵进行频点筛选,得到目标复数矩阵;其中,所述宽度为:
其中,O为宽度;J为初始复数矩阵E的列数;kj为初始复数矩阵E中第j列的频点数量;length()为取长度函数;Pj为初始复数矩阵E中第j列的频点序列;select()为幅频筛选函数;Aj为初始复数矩阵E中第j列的幅频值;TAj为初始复数矩阵E中第j列的预设幅频阈值;
所述目标复数矩阵可以表示为:
Q=FO,fc(E),
其中,Q为目标复数矩阵;FO,fc()为宽度为O、中心频点为fc的矩形滑窗函数。
可选地,所述构建初始电磁反演网络,并以所述频域数据集中的回波频域数据矩阵为输入、探测目标区域的介电常数矩阵为输出对所述初始电磁反演网络进行训练,得到训练好的目标电磁反演网络,包括:
构建初始电磁反演网络,并初始化网络权重参数;所述初始电磁反演网络包含由十二层卷积层、两层池化层、两层上采样层组成的全卷积神经网络结构,以及三种不同尺度的长跳跃连接结构;
将所述频域数据集按照预设比例划分为训练集和测试集;
将所述训练集输入所述初始电磁反演网络进行训练,通过所述全卷积神经网络结构中的卷积层、池化层和上采样层提取三种不同尺度的数据特征;
通过所述长跳跃连接结构对所述全卷积神经网络结构提取的三种不同尺度的数据特征进行长跳跃连接,获得探测目标区域的介电常数矩阵;
在所述初始电磁反演网络完成一次正向传播之后,通过反向传播算法对所述网络权重参数进行更新优化,直至达到最大迭代次数时,保存所述网络权重参数,并输出训练好的目标电磁反演网络;
将所述测试集输入训练好的所述目标电磁反演网络,获取所述目标电磁反演网络输出的预测结果,并计算预测结果与实际结果之间的相对误差。
可选的,所述全卷积神经网络结构中包含的所述十二层卷积层的核大小均为3×3,步长为1,每层卷积层的核数量分别为64、64、128、128、256、256、256、128、128、64、64、1,卷积时采用全零填充操作;所述两层池化层的核大小均为2×2,步长为2;所述两层上采样层的核大小均为3×3,步长为2;
所述长跳跃连接结构对所述全卷积神经网络结构中浅层和深层网络的28×28、14×14、7×7这三种尺度进行三次长跳跃连接。
第二方面,本发明实施例还提供了一种基于深度学习的地下目标电磁反演系统,包括:
仿真数据收集模块,用于构建GPR探测区域空间,将手写数据集中每一个手写数字体图像映射为所述GPR探测区域空间中的探测目标,并通过仿真计算获取GPR数据集;所述GPR数据集中包含与每一个所述手写数字体图像对应的仿真回波数据矩阵;
频域处理模块,用于对所述GPR数据集进行频域处理之后,获取频域数据集;所述频域数据集中包含与每一个所述仿真回波数据矩阵对应的回波频域数据矩阵;
网络构建模块,用于构建初始电磁反演网络,并以所述频域数据集中的回波频域数据矩阵为输入、探测目标区域的介电常数矩阵为输出对所述初始电磁反演网络进行训练,得到训练好的目标电磁反演网络;
电磁反演模块,用于通过GPR对待测地下目标区域进行探测,获得实测回波数据矩阵,并对所述实测回波数据矩阵进行频域处理之后,将频域处理获得的回波频域数据矩阵输入所述目标电磁反演网络,以获得所述待测地下目标区域的介电常数矩阵。
可选的,所述仿真数据获取模块,包括:
数字体读取子模块,用于获取手写数据集,并调用预设的Python程序从所述手写数据集中读取手写数字体图像;
二值化子模块,用于将读取的所述手写数字体图像进行二值化处理,得到二值矩阵;
仿真文件生成子模块,用于将所述二值矩阵转换为仿真文件,并将所述仿真文件输入预先构建的GPR仿真场景中,通过运行GPR仿真软件得到所述手写数字体图像对应的探测目标区域的仿真回波数据矩阵;
数据集构建子模块,用于获取多个所述仿真回波数据矩阵,构建GPR数据集。
可选的,所述频域处理模块,包括:
背景抑制子模块,用于获取GPR仿真场景下的背景回波数据矩阵,并使用仿真计算获得的所述仿真回波数据对所述背景回波数据矩阵进行背景抑制处理,得到不含背景的回波数据矩阵;
提取筛选子模块,用于通过频域转换算法对所述不含背景的回波数据矩阵进行频域转换之后,通过预先构建的矩阵滑窗函数对频域转换后的初始复数矩阵进行频点筛选,得到目标复数矩阵;
矩阵构建子模块,用于根据所述目标复数矩阵的实部矩阵和虚部矩阵,构建回波频域数据矩阵;
数据集标准化子模块,用于获取多个所述回波频域数据矩阵构建频域数据集,并对所述频域数据集中每一个所述回波频域数据矩阵进行标准化,得到标准化后的频域数据集。
由上述可知,本发明实施例提供的基于深度学习的地下目标电磁反演方法,首先将手写数据集中每一个手写数字体图像映射为构建的GPR探测区域空间中的探测目标,并通过仿真计算获取GPR数据集,然后对GPR数据集进行频域处理之后,获取频域数据集,其次以频域数据集中的回波频域数据矩阵为输入、探测目标区域的介电常数矩阵为输出对构建的初始电磁反演网络进行训练,得到训练好的目标电磁反演网络,最后将GPR采集的实测回波数据矩阵经频域处理后输入训练好的目标电磁反演网络,以将待测地下目标区域的介电常数矩阵输出,从而实现地下目标的电磁反演。本发明实施例提供的基于深度学习的地下目标电磁反演方法可以有效解决了数据量大造成的数据采集时间过长,数据冗余造成的计算效率低的问题,同时能够有效恢复地下目标区域的介电常数分布和几何形状分布。此外,本发明实施例提供的基于深度学习的地下目标电磁反演方法可以应用于公路探伤、未爆弹探测、考古探测等无损检测领域。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例中基于深度学习的地下目标电磁反演方法的流程图;
图2为本发明一实施例中基于深度学习的地下目标电磁反演方法的步骤S10的流程图;
图3为本发明一实施例中基于深度学习的地下目标电磁反演方法的步骤S103的流程图;
图4为本发明一实施例中基于深度学习的地下目标电磁反演方法的步骤S20的流程图;
图5为本发明一实施例中基于深度学习的地下目标电磁反演方法的步骤S30的流程图;
图6为本发明一实施例中基于深度学习的地下目标电磁反演系统的结构示意图;
图7为本发明一实施例中基于深度学习的地下目标电磁反演系统的仿真数据收集模块的结构示意图;
图8为本发明一实施例中基于深度学习的地下目标电磁反演系统的频域处理模块的结构示意图。
具体实施方式
为使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
本申请中涉及的部分名词解释如下:
GPR:Ground Penetrating Radar,探地雷达;
HDF5:Hierarchical Data Format 5,层次数据格式。
如图1所示,本发明一实施例提供了一种基于深度学习的地下目标电磁反演方法,具体包括以下步骤:
步骤S10,构建GPR探测区域空间,将手写数据集中每一个手写数字体图像映射为GPR探测区域空间中的探测目标,并通过仿真计算获取GPR数据集;其中,GPR数据集中包含每一个手写数字体图像对应的仿真回波数据矩阵。
在本实施例中,GPR探测区域空间的空间大小根据手写数据集中各手写数字体图像的尺寸大小进行设置。手写数据集包含手写数字体图像以及对应的数字体类别,相应的,GPR数据集包含多个(n个)仿真回波数据矩阵,且每一个仿真回波数据矩阵均为二维时域-空间域数据矩阵。
具体的,在构建GPR探测区域空间之后,基于直接调用的或者预先构建的手写数据集进行仿真计算,该仿真计算的实现过程包括:读取手写数据集中每一个手写数字体图像,将每一个手写数字体图像进行二值化处理再转换为仿真文件之后,将仿真文件输入到预先构建的GPR仿真场景中,通过运行GPR仿真软件,得到每一个手写数字体图像对应的仿真回波数据矩阵,从而获得GPR数据集。其中,GPR仿真软件包括但不限于GPRMax仿真软件、XFdtd仿真软件以及其他用于探地雷达的仿真软件。
进一步地,获取多批次的手写数据集,对每一批次的手写数据集执行上述仿真计算,可以获得多批次的仿真回波数据,以完成数据扩充。
需要说明的是,每一批次的手写数据集中包含不同类别的手写数字体图像,且手写数据集的大小以及批次数量根据需求进行设置。
在一可选实施例中,如图2所示,步骤S10包括以下步骤:
步骤S101,获取手写数据集,并调用预设的Python程序从手写数据集中读取手写数字体图像。其中,预设的Python程序用于实现手写数据体图像的读取。
在本实施例中,手写数据集可以包含“0”、“1”、“2”、“3”、“4”、“5”、“6”、“7”、“8”、“9”这10种阿拉伯数字体对应的图像;手写数据集中每一个手写数字体图像的大小为n×n(优选为28×28),且均为灰度图像,也即n×n个像素点的灰度值在0~255之间。需要说明的是,灰度值为0时表示黑色,灰度值为255时表示白色。
具体的,可以直接采用公开的MINST数据集作为手写数字集,也可以收集“0”至“9”这10种阿拉伯数字体对应的灰度图像来构建手写数据集,进而通过预先设置的Python程序来读取手写数据集中每一个手写数字体图像进行后续操作。
步骤S102,将读取的手写数字体图像进行二值化处理,得到二值矩阵。
具体的,首先采用灰度平均值法设置阈值σ,也即计算手写数字体图像的灰度平均值,并将计算得到的灰度平均值设置为阈值σ,然后检测手写数字体图像中各像素点的灰度值是否大于阈值σ,若像素点的灰度值大于或等于阈值σ,则将该像素点的灰度值设置为1,否则将该像素点的灰度值设置为0,进而得到二值矩阵D。其中,阈值σ可以表示为:
公式(1)中,bij表示尺寸为m×m的手写数字体图像中第i行第j列像素点bij的灰度值。
二值矩阵D中第i行第j列元素Dij的灰度值可以表示为:
步骤S103,仿真数据生成:将二值矩阵转换为仿真文件,并将仿真文件输入预先构建的GPR仿真场景中,通过运行GPR仿真软件得到手写数字体对应的探测目标区域的仿真回波数据矩阵。
作为优选,通过后续步骤S1031至步骤S1035实现仿真数据生成。
步骤S104,获取多个仿真回波数据矩阵,构建GPR数据集。
具体的,重复执行步骤S101至步骤S103,对手写数据集中的每一个手写数字体图像进行相同的操作,得到对应的仿真回波数据矩阵,并由所有的仿真回波数据矩阵构建GPR数据集。
在一可选实施例中,如图3所示,在GPR仿真软件为GPRMax仿真软件时,仿真数据集生成的实现过程,也即步骤S103具体包括以下步骤:
步骤S1031,创建HDF5文件,将二值矩阵以支持NumPy的数据类型存储到HDF5文件,并在HDF5文件中添加分辨率属性。
步骤S1032,创建仿真文件,将HDF5文件导入仿真文件,以使仿真文件的分辨率参数与HDF5文件中的分辨率属性值大小相等。
步骤S1033,创建包含两条材料命令的材料文本文件;其中,两条材料命令均用于设置与手写数字体图像对应的探测目标区域中探测目标的材料属性。优选地,在材料文本文件中,第一条材料命令用于设置仿真文件包含的二值矩阵中灰度值为0的元素的材料属性,第二条材料命令用于设置仿真文件包含的二值矩阵中灰度值为1的元素的材料属性。其中,材料属性包含但不限于介电常数、电导率等。
步骤S1034,将手写数字体图像对应的探测目标区域放置在GPR探测区域空间的固定位置,并设置GPR配置参数,以完成GPR仿真场景的构建。优选地,GPR配置参数包含GPR配置的天线参数和扫描参数;天线参数包含接收天线和发射天线的数量以及天线的孔径类型等;扫描参数包含接收天线和发送天线的排列位置、以及根据排列位置确定的扫描方式。在GPR仿真场景中,可以采用单发多收的天线沿一维测线排列的实孔径方式发射接收电磁数据。
步骤S1035,将仿真文件输入GPR仿真场景,运行GPRMax仿真软件,获得手写数字体图像对应的探测目标区域的仿真回波数据矩阵。优选地,手写数字体图像对应的探测目标区域的仿真回波数据矩阵为一个M×N的二维数据矩阵T,其中,M为数据的时域采样点数,N为接收天线的数量。
可理解的,本实施例基于手写数据集,通过仿真计算批量生成GPR数据集,达到数据扩充,减少大量数据采集的时间,节约时间成本和经济成本的目的;此外,仿真数据可以模拟不同地质的地下空间,避免了在同一地质下采集的实测数据的单一性。
步骤S20,对GPR数据集进行频域处理之后,获取频域数据集;其中,该频域数据集中包含与每一个仿真回波数据矩阵对应的回波频域数据矩阵。
在本实施例中,频域处理由背景信号抑制、频域数据提取筛选、数据矩阵构建和数据集标准化组成。
具体的,先对GPR数据集中的每一个频域数据集进行背景信号抑制、频域数据提取筛选、数据矩阵构建处理之后,得到对应的回波频域数据矩阵,进而由多个回波频域数据矩阵组成频域数据集,再对频域数据集中每一个回波频域数据矩阵进行标准化,得到标准化后的频域数据集,该标准化后的频域数据集中包含多个标准化后的回波频域数据矩阵。其中,回波频域数据矩阵的大小为n×n×2,也即,若手写数字体图像的大小为28×28,则回波频域数据矩阵的大小为28×28×2。
在一可选实施例中,如图4所示,步骤S20具体包括以下步骤:
步骤S201,背景信号抑制:获取GPR仿真场景下的背景回波数据矩阵,并使用仿真计算获得的仿真回波数据矩阵对背景回波数据矩阵进行背景抑制处理,得到不含背景的回波数据矩阵。
对于仿真数据,将手写数字体图像对应的探测目标区域从GPR仿真场景中移除,保留背景介质参数和GPR配置参数(包含GPR配置的天线参数和扫描参数)不变,运行GPR仿真软件,生成GPR仿真场景下的背景回波数据矩阵H1,进一步地利用仿真计算获得的仿真回波数据矩阵T减去背景回波数据矩阵H1,得到不含背景的回波数据矩阵S。其中,不含背景的回波数据矩阵S可以表示为:
Sij=Tij-Hij (3)
公式(3)中,Sij为不含背景的回波数据矩阵S中第i行、第j列的值,Tij为仿真回波数据矩阵T中第i行、第j列的值,Hij为背景回波数据矩阵H1中第i行、第j列的值。
步骤S202,频域数据提取筛选:通过频域转换算法对不含背景的回波数据矩阵进行频域转换之后,通过预先构建的矩阵滑窗函数对频域转换后的初始复数矩阵进行频点筛选,得到目标复数矩阵。
作为优选,在频域转换算法为一维傅里叶变换算法时,步骤S202包括以下步骤:
步骤一:通过一维傅里叶变换算法将不含背景的回波数据矩阵转换为初始复数矩阵。
具体的,在获取到不含背景的回波数据矩阵S之后,依次读取不含背景的回波数据矩阵S中的每一列数据,并对每一列数据进行一维傅里叶变换,得到初始复数矩阵E。其中,初始复数矩阵E可以表示为:
Ej=Fourier(Sj) (4)
公式(4)中,Ej为初始复数矩阵E中第j列的值,Fourier()为一维傅里叶变换,Sj为不含背景的回波数据矩阵S中第j列的值。且初始复数矩阵E的大小由频域采样点数和接收天线的数量确定,可以表示为:
公式(5)中,|E|为初始复数矩阵E的矩阵大小,N为接收天线的数量,当M为偶数时,即M%2=0,数据的频域采样点数为0.5M,而当M为奇数时,即M%2=1,数据的频域采样点数为0.5(M+1)。
在其他实施例中,预设频域转换算法还可以为一维快速傅里叶变换等。
步骤二,根据预设的宽度和预设中心频点构建矩阵滑窗函数,通过矩阵滑窗函数对频域转换后的初始复数矩阵进行频点筛选,得到目标复数矩阵。
作为优选,预设的宽度O为初始复数矩阵E中大于或等于预设幅频阈值TAj的频点数量的平均值,也即筛选后的频点数量。预设的中心频点fc为发射波中心频率对应的频点。
具体的,在获取到初始复数矩阵E之后,依次读取初始复数矩阵E中的每一列数据,首先计算每一列的幅频值Aj,并筛选出每一列中幅频值Aj大于或等于预设幅频阈值TAj的频点,得到每一列的频点序列Pj,然后计算每一列的频点序列Pj的长度,得到每一列的频点数量kj,并根据所有列的频点数量kj得到频点数量的平均值,最后将频点数量的平均值作为宽度O,发射波中心频率对应的频点作为中心频点fc构建矩阵滑窗函数对初始复数矩阵E进行频点筛选,得到目标复数矩阵Q。其中,宽度O可以表示为:
公式(6)中,J为初始复数矩阵E的列数;kj为初始复数矩阵E中第j列的频点数量;length()为取长度函数;Pj为初始复数矩阵E中第j列的频点序列;select()为幅频筛选函数;Aj为初始复数矩阵E中第j列的幅频值,可以表示为Aj=abs(Ej);TAj为初始复数矩阵E中第j列的预设幅频阈值,可以表示为TAj=0.5×max(Aj),也即预设幅频阈值TAj为0.5倍最大幅频值。且目标复数矩阵Q的矩阵大小为O×N,O为筛选后的频点数量,N为接收天线的数量。
其次,目标复数矩阵Q可以表示为:
Q=FO,fc(E) (7)
公式(7)中,FO,fc()为宽度为O、中心频点为fc的矩形滑窗函数。
步骤S203,数据矩阵构建:根据目标复数矩阵的实部矩阵和虚部矩阵,构建回波频域数据矩阵。
具体的,在获取到目标复数矩阵Q之后,先分别提取目标复数矩阵Q中所有元素的实部和虚部构建实部矩阵R和虚部矩阵I,再将实部矩阵R和虚部矩阵I堆叠生成回波频域数据矩阵A,该回波频域数据矩阵A为三维数据矩阵。其中,回波频域数据矩阵A具体表示为:
公式(8)中,stack()为堆叠函数,也即将实部矩阵R置于顶部,将虚部矩阵I置于底部实现堆叠;real()为实部提取函数;img()为虚部提取函数。
步骤S205,数据集标准化:获取多个回波频域数据矩阵构建频域数据集,并对频域数据集中每一个回波频域数据矩阵进行标准化,得到标准化后的频域数据集;其中,该标准化后的频域数据集包含多个标准化的回波频域数据矩阵。
具体的,对GPR数据集中的每一个频域数据集进行背景信号抑制、频域数据提取筛选、数据矩阵构建之后,对n个回波频域数据矩阵A进行组合,得到频域数据集DS,提取频域数据集DS中所有元素的最大值,将频域数据集DS中的每个回波频域数据矩阵A除以频域数据集中DS所有元素的最大值,再将回波频域数据矩阵A的数据值分为256个灰度,得到标准化的回波频域数据矩阵,从而完成数据集标准化。其中,标准化后的频域数据集可以表示为:
公式(9)中,Ai为标准化后的频域数据集DS中第i个标准化后的回波频域数据矩阵。
可理解的,本实施例的频域处理过程,利用背景信号抑制、频域数据提取筛选、数据矩阵构建、数据集标准化将仿真回波数据矩阵(时域数据)转换为回波频域数据矩阵(频域数据),也即通过背景信号抑制来去除仿真回波数据矩阵中的背景回波数据矩阵,并频域数据提取筛选来选取能量集中的频点减少其他能量较少的频点,可以避免频域数据集中存在背景信号和数据冗余的问题,并且有利于提高数据计算效率;此外,通过三维数据矩阵构建来保留数据的空间特征,有利于恢复探测目标区域的介电常数分布和几何形状分布,通过数据集标准化将回波频域数据矩阵进行灰度级别划分,更适用于电磁反演网络。相较于直接使用时域数据训练初始电磁反演网络,由于时域数据在时间维度上存在大量的冗余数据,会降低甚至抑制电磁反演网络的学习速度,且时域数据的整体尺寸不利于电磁反演网络的结构设计。
步骤S30,构建初始电磁反演网络,并以频域数据集中的回波频域数据矩阵为输入、探测目标区域的介电常数矩阵为输出对初始电磁反演网络进行训练,得到训练好的目标电磁反演网络。
在本实施例中,初始电磁反演网络中包含由十二层卷积层、两层池化层、两层上采样层构成的全卷积神经网络结构、三种不同尺度的长跳跃连接结构。
FCN(Fully Convolutional Neural Network,全卷积神经网络)是一种前向神经网络,其在去除了全连接神经网络的同时保留了CNN(Convolutional Neural Network,卷积神经网络)权值共享和稀疏连接的优点。相较于CNN,FCN可以将来自深层的粗糙语义信息,以及来自浅层的精细外观信息相结合,得到更加精确的信息,进而通过对回波频域数据矩阵进行多尺度特征提取,可以充分获得数据的多尺度特征信息。长跳跃连接结构对FCN中的浅层和深层的同尺度结构进行连接,将数据浅层和深层特征融合,可以避免有用特征丢失,进而将长跳跃连接结构与FCN结构相结合,能够充分恢复探测目标区域的介电常数分布与几何形状分布。
可选地,FCN的十二层卷积层的核大小均为3×3,步长为1,每层卷积层的核数量分别为64、64、128、128、256、256、256、128、128、64、64、1,卷积时采用全零填充操作;两层池化层的核大小均为2×2,步长为2;两层上采样层的核大小均为3×3,步长为2。长跳跃连接结构对FCN浅层和深层网络的28×28、14×14、7×7这三种尺度进行三次长跳跃连接。
在一可选实施例中,如图5所示,步骤S30包括以下步骤:
步骤S301,构建初始电磁反演网络,并初始化网络权重参数;该初始电磁反演网络包含由十二层卷积层、两层池化层、两层上采样层构成的全卷积神经网络结构、三种不同尺度的长跳跃连接结构。
步骤S302,将频域数据集按照预设比例随机划分为训练集和测试集。
其中,预设比例为e:f,e为训练集所占频域数据集的比例,f为测试集所占频域数据集的比例。例如,假设频域数据集中包含1100个元素,预设比例e:f=10:1,则训练集和测试集中分别包含1000个和100个元素。
步骤S303,将训练集输入初始电磁反演网络进行训练,通过全卷积神经网络结构中的卷积层、池化层和上采样层提取三种不同尺度的数据特征。
步骤S304,通过长跳跃连接结构对全卷积神经网络结构提取的三种不同尺度的数据特征进行长跳跃连接,获得探测目标区域的介电常数矩阵。
步骤S305,在初始电磁反演网络完成一次正向传播之后,通过反向传播算法对网络权重参数进行更新优化,直至达到最大迭代次数时,保存网络权重参数,并输出训练好的目标电磁反演网络。
步骤S306,将测试集输入训练好的目标电磁反演网络,获取网络输出的预测结果,并计算预测结果与实际结果之间的相对误差。
在本实施例的网络训练过程中,将训练集中的每一个尺寸大小为28×28×2的回波频域数据矩阵作为训练样本输入初始电磁反演网络,通过全卷积神经网络结构中的十二层卷积、两层池化层、两层上采样层提取28×28、14×14、7×7这三种尺度的数据特征,并通过长跳跃连接结构对全卷积神经网络结构浅层与深层网络中28×28、14×14、7×7这三种尺度的数据特征进行三次长跳跃连接,得到探测目标区域的介电常数矩阵e,以完成初始电磁反演网络的正向传播过程。其中,该介电常数矩阵e的尺寸大小为56×56×1,eij为对应的探测目标区域中第i行第j列的介电常数值,整个介电常数矩阵e可以表征探测目标区域的介电常数分布和几何形状分布。
进一步地,在完成一次正向传播之后,将探测目标区域的介电常数矩阵eij输入损失函数计算损失值,基于该损失值通过反向传播算法对网络权重参数进行更新优化,直至损失值达到预设的期望值或者迭代次数达到预设的最大迭代次数,保存网络权重参数,并输出训练好的目标电磁反演网络。可选地,反向传播算法采用Adam优化算法,损失函数采用均方误差函数,最大迭代次数设置为500。
在本实施例的网络测试过程中,将测试集中的每一个尺寸大小为28×28×2的回波频域数据矩阵作为测试样本输入训练好的目标电磁反演网络,将探测目标区域的介电常数矩阵e作为预测结果,进而可以确定探测目标区域对应的数字体图像,并根据探测目标区域对应的数字体图像(预测结果)与手写数字体图像对应的数字体标签(真实结果)计算相对误差,以通过相对误差来评估目标电磁反演网络的性能。其中,相对误差可以表示为:
可理解的,本实施例的电磁反演网络,通过由十二层卷积层、两层池化层和两层上采样层组成的FCN,对输入的频域数据矩阵进行多尺度特征提取,可以充分获得数据的多尺度特征信号,同时通过三种不同尺度的长跳跃连接结构将FCN中的浅层和深层网络的同尺度结构进行连接,将深层及浅层数据特征进行融合,可以避免特征丢失,有利于恢复探测目标区域的介电常数分布与几何形状分布。
步骤S40,通过GPR对待测地下目标区域进行探测,获得实测回波数据矩阵,并对实测回波数据矩阵进行频域处理之后,将频域处理获得的回波频域数据矩阵输入目标电磁反演网络,以获取待测地下目标区域的介电常数矩阵。
具体的,通过GPR对待测地下目标区域进行探测,获得实测回波数据矩阵,并对实测回波数据矩阵依次进行背景信号抑制、频域数据提取筛选、数据矩阵构建处理之后,得到对应的回波频域数据矩阵,进而将回波频域数据矩阵输入步骤S30获得的目标电磁反演网络,通过目标电磁反演网络中的十二层卷积层、两层池化层和两层上采样层,并进行三次长跳跃连接获得待测地下目标区域的介电常数矩阵,该整个介电常数矩阵可以表征待测地下目标区域的介电常数分布和几何形状分布。
其中,对于频域处理中的背景信号抑制,本实施例使用GPR采集待测地下v组无目标区域的回波数据矩阵,并计算v组无目标区域的回波数据矩阵的平均值,将其作为GPR实测场景下的背景回波数据矩阵H2,进一步地利用实地探测获得的实测回波数据矩阵减去背景回波数据矩阵H2,得到不含背景的回波数据矩阵。而对于频域处理中的频域数据提取筛选与上述步骤S202相同,以及数据矩阵构建与步骤S203相同,在此不再赘述。
由上述可知,本实施例的基于深度学习的地下目标电磁反演方法,首先将手写数据集中每一个手写数字体图像映射为构建的GPR探测区域空间中的探测目标区域,并通过仿真计算获取GPR数据集,然后对GPR数据集进行频域处理之后,获取频域数据集,其次以频域数据集中的回波频域数据矩阵为输入、探测目标区域的介电常数矩阵为输出对构建的初始电磁反演网络进行训练,得到训练好的目标电磁反演网络,最后将GPR采集的实测回波数据矩阵经频域处理后输入训练好的目标电磁反演网络,以将待测地下目标区域的介电常数矩阵输出,从而实现地下目标的电磁反演。本实施例基于深度学习的地下目标电磁反演方法可以有效解决了数据量大造成的数据采集时间过长,数据冗余造成的计算效率低的问题,同时能够有效恢复地下目标区域的介电常数分布和几何形状分布。此外,本实施例的基于深度学习的地下目标电磁反演方法可以应用于公路探伤、未爆弹探测、考古探测等无损检测领域。
此外,如图6所示,本发明一实施例中还提供了一种基于深度学习的地下目标电磁反演系统,包括仿真数据收集模块110、频域处理模块120、网络构建模块130和电磁反演模块140,各功能模块的详细说明如下:
仿真数据收集模块110,用于构建GPR探测区域空间,将手写数据集中每一个手写数字体图像映射为GPR探测区域空间中的探测目标区域,并通过仿真计算获取GPR数据集;该GPR数据集中包含与每一个手写数字体图像对应的仿真回波数据矩阵;
频域处理模块120,用于对GPR数据集进行频域处理之后,获取频域数据集;该频域数据集中包含与每一个仿真回波数据矩阵对应的回波频域数据矩阵;
网络构建模块130,用于构建初始电磁反演网络,并以频域数据集中的回波频域数据矩阵为输入、探测目标区域的介电常数矩阵为输出对初始电磁反演网络进行训练,得到训练好的目标电磁反演网络;
电磁反演模块140,用于通过GPR对待测地下目标区域进行探测,获得实测回波数据矩阵,并对实测回波数据矩阵进行频域处理之后,将频域处理获得的回波频域数据矩阵输入目标电磁反演网络,以获得待测地下目标区域的介电常数矩阵。
进一步地,如图7所示,所述仿真数据收集模块110包括数字体读取子模块111、二值化子模块112、仿真文件生成子模块113和数据集构建子模块114,各功能模块的详细说明如下:
数字体读取子模块111,用于获取手写数据集,并调用预设的Python程序从手写数据集中读取手写数字体图像;
二值化子模块112,用于将读取的手写数字体图像进行二值化处理,得到二值矩阵;
仿真文件生成子模块113,用于将二值矩阵转换为仿真文件,并将仿真文件输入预先构建的GPR仿真场景中,通过运行GPR仿真软件得到手写数字体图像对应的探测目标区域的仿真回波数据矩阵;
数据集构建子模块114,用于获取多个仿真回波数据矩阵,构建GPR数据集。
进一步地,在所述GPR仿真软件为GPRMax仿真软件时,所述仿真文件生成子模块113包括以下单元,各功能单元的详细说明如下:
第一创建单元,用于创建HDF5文件,将二值矩阵以支持NumPy的数据类型存储到HDF5文件,并在HDF5文件中添加分辨率属性;
第二创建单元,用于创建仿真文件,将HDF5文件导入仿真文件,以使仿真文件的分辨率参数与HDF5文件中的分辨率属性值大小相等;
第三创建单元,用于创建包含两条材料命令的材料文本文件;该两条材料命令均用于设置与手写数字体图像对应的探测目标区域的材料属性;
场景构建单元,用于将手写数字体图像对应的探测目标区域放置在GPR探测区域空间的固定位置,并设置GPR配置参数,以完成GPR仿真场景的构建;
仿真数据获取单元,用于将仿真文件输入GPR仿真场景,通过运行GPRMax仿真软件获得手写数字体图像对应的探测目标区域的仿真回波数据矩阵。
进一步地,如图8所示,所述预处理模块120包括背景抑制子模块121、提取筛选子模块122、矩阵构建子模块123和数据集标准化子模块124,各功能模块的详细说明如下:
背景抑制子模块121,用于获取GPR仿真场景下的背景回波数据矩阵,并使用仿真计算获得的仿真回波数据对背景回波数据矩阵进行背景抑制处理,得到不含背景的回波数据矩阵;
提取筛选子模块122,用于通过频域转换算法对不含背景的回波数据矩阵进行频域转换之后,通过预先构建的矩阵滑窗函数对频域转换后的初始复数矩阵进行频点筛选,得到目标复数矩阵;
矩阵构建子模块123,用于根据目标复数矩阵的实部矩阵和虚部矩阵,构建回波频域数据矩阵;
数据集标准化子模块124,用于获取多个回波频域数据矩阵构建频域数据集,并对频域数据集中每一个回波频域数据矩阵进行标准化,得到标准化后的频域数据集。
进一步地,所述网络构建模块包括以下子模块,各功能子模块的详细说明如下:
网络初始化子模块,用于构建初始电磁反演网络,并初始化网络权重参数;该初始电磁反演网络包含由十二层卷积层、两层池化层、两层上采样层组成的全卷积神经网络结构、三种不同尺度的长跳跃连接结构;
数据集划分子模块,用于将频域数据集按照预设比例划分为训练集和测试集;
多尺度特征提取子模块,用于将训练集输入初始电磁反演网络进行训练,利用全卷积神经网络结构中的卷积层、池化层和上采样层提取三种不同尺度的数据特征;
长跳跃连接子模块,用于利用长跳跃连接结构对全卷积神经网络结构提取的三种不同尺度的数据特征进行长跳跃连接,获得探测目标区域的介电常数矩阵;
权重更新优化子模块,用于在初始电磁反演网络完成一次正向传播之后,通过反向传播算法对网络权重参数进行更新优化,直至达到最大迭代次数时,保存网络权重参数,并输出训练好的目标电磁反演网络;
网络预测子模块,用于将测试集输入训练好的目标电磁反演网络,获取目标电磁反演网络输出的预测结果,并计算预测结果与实际结果之间的相对误差。
上述实施例的基于深度学习的地下目标电磁反演系统用于实现前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本公开的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明实施例的,不同方面的许多其它变化,为了简明它们没有在细节中提供。
本发明实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (7)
1.一种基于深度学习的地下目标电磁反演方法,其特征在于,包括:
构建GPR探测区域空间,将手写数据集中每一个手写数字体图像映射为所述GPR探测区域空间中的探测目标区域,并通过仿真计算获取GPR数据集;所述GPR数据集中包含与每一个所述手写数字体图像对应的仿真回波数据矩阵;该步骤包括:获取手写数据集,并调用预设的Python程序从所述手写数据集中读取手写数字体图像;将读取的所述手写数字体图像进行二值化处理,得到二值矩阵;将所述二值矩阵转换为仿真文件,并将所述仿真文件输入预先构建的GPR仿真场景中,通过运行GPR仿真软件得到所述手写数字体图像对应的探测目标区域的仿真回波数据矩阵;获取多个所述仿真回波数据矩阵,构建GPR数据集;
对所述GPR数据集进行频域处理之后,获取频域数据集;所述频域数据集中包含与每一个所述仿真回波数据矩阵对应的回波频域数据矩阵;
构建初始电磁反演网络,并以所述频域数据集中的回波频域数据矩阵为输入、探测目标区域的介电常数矩阵为输出对所述初始电磁反演网络进行训练,得到训练好的目标电磁反演网络;
通过GPR对待测地下目标区域进行探测,获得实测回波数据矩阵,并对所述实测回波数据矩阵进行频域处理之后,将频域处理获得的回波频域数据矩阵输入所述目标电磁反演网络,以获得所述待测地下目标区域的介电常数矩阵;
其中,所述GPR仿真软件为GPRMax仿真软件;所述将所述二值矩阵转换为仿真文件,并将所述仿真文件输入预先构建的GPR仿真场景中,通过运行GPR仿真软件得到所述手写数字体图像对应的探测目标区域的仿真回波数据矩阵,包括:
创建HDF5文件,将所述二值矩阵以支持NumPy的数据类型存储到所述HDF5文件,并在所述HDF5文件中添加分辨率属性;
创建仿真文件,将所述HDF5文件导入所述仿真文件,以使所述仿真文件的分辨率参数与所述HDF5文件中的分辨率属性值大小相等;
创建包含两条材料命令的材料文本文件;所述两条材料命令均用于设置与所述手写数字体图像对应的探测目标区域的材料属性;
将所述手写数字体图像对应的探测目标区域放置在所述GPR探测区域空间的固定位置,并设置GPR配置参数,以完成GPR仿真场景的构建;
将所述仿真文件输入所述GPR仿真场景,通过运行GPRMax仿真软件获得所述手写数字体图像对应的探测目标区域的仿真回波数据矩阵。
2.如权利要求1所述的基于深度学习的地下目标电磁反演方法,其特征在于,所述对所述GPR数据集进行频域处理之后,获取频域数据集,包括:
获取GPR仿真场景下的背景回波数据矩阵,并使用仿真计算获得的所述仿真回波数据对所述背景回波数据矩阵进行背景抑制处理,得到不含背景的回波数据矩阵;
通过频域转换算法对所述不含背景的回波数据矩阵进行频域转换之后,通过预先构建的矩阵滑窗函数对频域转换后的初始复数矩阵进行频点筛选,得到目标复数矩阵;
根据所述目标复数矩阵的实部矩阵和虚部矩阵,构建回波频域数据矩阵;
获取多个所述回波频域数据矩阵构建频域数据集,并对所述频域数据集中每一个所述回波频域数据矩阵进行标准化,得到标准化后的频域数据集。
3.如权利要求2所述的基于深度学习的地下目标电磁反演方法,其特征在于,所述频域转换算法为一维傅里叶算法;
所述通过频域转换算法对所述不含背景的回波数据矩阵进行频域转换之后,通过预先构建的矩阵滑窗函数对频域转换后的初始复数矩阵进行频点筛选,得到目标复数矩阵,包括:
通过一维傅里叶变换算法将所述不含背景的回波数据矩阵转换为初始复数矩阵;其中,所述初始复数矩阵为:
Ej=Fourier(Sj),
其中,Ej为初始复数矩阵E中第j列的值,Fourier()为一维傅里叶变换,Sj为不含背景的回波数据矩阵S中第j列的值;
根据预设的宽度和中心频点构建矩阵滑窗函数,通过所述矩阵滑窗函数对频域转换后的所述初始复数矩阵进行频点筛选,得到目标复数矩阵;其中,所述宽度为:
其中,O为宽度;J为初始复数矩阵E的列数;kj为初始复数矩阵E中第j列的频点数量;length()为取长度函数;Pj为初始复数矩阵E中第j列的频点序列;select()为幅频筛选函数;Aj为初始复数矩阵E中第j列的幅频值;TAj为初始复数矩阵E中第j列的预设幅频阈值;
所述目标复数矩阵可以表示为:
Q=FO,fc(E),
其中,Q为目标复数矩阵;FO,fc()为宽度为O、中心频点为fc的矩形滑窗函数。
4.如权利要求1所述的基于深度学习的地下目标电磁反演方法,其特征在于,所述构建初始电磁反演网络,并以所述频域数据集中的回波频域数据矩阵为输入、探测目标区域的介电常数矩阵为输出对所述初始电磁反演网络进行训练,得到训练好的目标电磁反演网络,包括:
构建初始电磁反演网络,并初始化网络权重参数;所述初始电磁反演网络包含由十二层卷积层、两层池化层、两层上采样层组成的全卷积神经网络结构,以及三种不同尺度的长跳跃连接结构;
将所述频域数据集按照预设比例划分为训练集和测试集;
将所述训练集输入所述初始电磁反演网络进行训练,通过所述全卷积神经网络结构中的卷积层、池化层和上采样层提取三种不同尺度的数据特征;
通过所述长跳跃连接结构对所述全卷积神经网络结构提取的三种不同尺度的数据特征进行长跳跃连接,获得探测目标区域的介电常数矩阵;
在所述初始电磁反演网络完成一次正向传播之后,通过反向传播算法对所述网络权重参数进行更新优化,直至达到最大迭代次数时,保存所述网络权重参数,并输出训练好的目标电磁反演网络;
将所述测试集输入训练好的所述目标电磁反演网络,获取所述目标电磁反演网络输出的预测结果,并计算预测结果与实际结果之间的相对误差。
5.如权利要求4所述的基于深度学习的地下目标电磁反演方法,其特征在于,所述全卷积神经网络结构中包含的所述十二层卷积层的核大小均为3×3,步长为1,每层卷积层的核数量分别为64、64、128、128、256、256、256、128、128、64、64、1,卷积时采用全零填充操作;所述两层池化层的核大小均为2×2,步长为2;所述两层上采样层的核大小均为3×3,步长为2;
所述长跳跃连接结构对所述全卷积神经网络结构中浅层和深层网络的28×28、14×14、7×7这三种尺度进行三次长跳跃连接。
6.一种基于深度学习的地下目标电磁反演系统,其特征在于,包括:
仿真数据收集模块,用于构建GPR探测区域空间,将手写数据集中每一个手写数字体图像映射为所述GPR探测区域空间中的探测目标区域,并通过仿真计算获取GPR数据集;所述GPR数据集中包含与每一个所述手写数字体图像对应的仿真回波数据矩阵;所述仿真数据获取模块,包括:数字体读取子模块,用于获取手写数据集,并调用预设的Python程序从所述手写数据集中读取手写数字体图像;二值化子模块,用于将读取的所述手写数字体图像进行二值化处理,得到二值矩阵;仿真文件生成子模块,用于将所述二值矩阵转换为仿真文件,并将所述仿真文件输入预先构建的GPR仿真场景中,通过运行GPR仿真软件得到所述手写数字体图像对应的探测目标区域的仿真回波数据矩阵;数据集构建子模块,用于获取多个所述仿真回波数据矩阵,构建GPR数据集;
频域处理模块,用于对所述GPR数据集进行频域处理之后,获取频域数据集;所述频域数据集中包含与每一个所述仿真回波数据矩阵对应的回波频域数据矩阵;
网络构建模块,用于构建初始电磁反演网络,并以所述频域数据集中的回波频域数据矩阵为输入、探测目标区域的介电常数矩阵为输出对所述初始电磁反演网络进行训练,得到训练好的目标电磁反演网络;
电磁反演模块,用于通过GPR对待测地下目标区域进行探测,获得实测回波数据矩阵,并对所述实测回波数据矩阵进行频域处理之后,将频域处理获得的回波频域数据矩阵输入所述目标电磁反演网络,以获得所述待测地下目标区域的介电常数矩阵;
其中,所述GPR仿真软件为GPRMax仿真软件,所述仿真文件生成子模块包括:
第一创建单元,用于创建HDF5文件,将所述二值矩阵以支持NumPy的数据类型存储到所述HDF5文件,并在所述HDF5文件中添加分辨率属性;
第二创建单元,用于创建仿真文件,将所述HDF5文件导入所述仿真文件,以使所述仿真文件的分辨率参数与所述HDF5文件中的分辨率属性值大小相等;
第三创建单元,用于创建包含两条材料命令的材料文本文件;所述两条材料命令均用于设置与所述手写数字体图像对应的探测目标区域的材料属性;
场景构建单元,用于将所述手写数字体图像对应的探测目标区域放置在所述GPR探测区域空间的固定位置,并设置GPR配置参数,以完成GPR仿真场景的构建;
仿真数据获取单元,用于将所述仿真文件输入所述GPR仿真场景,通过运行GPRMax仿真软件获得所述手写数字体图像对应的探测目标区域的仿真回波数据矩阵。
7.如权利要求6所述的基于深度学习的地下目标电磁反演系统,其特征在于,所述频域处理模块,包括:
背景抑制子模块,用于获取GPR仿真场景下的背景回波数据矩阵,并使用仿真计算获得的所述仿真回波数据对所述背景回波数据矩阵进行背景抑制处理,得到不含背景的回波数据矩阵;
提取筛选子模块,用于通过频域转换算法对所述不含背景的回波数据矩阵进行频域转换之后,通过预先构建的矩阵滑窗函数对频域转换后的初始复数矩阵进行频点筛选,得到目标复数矩阵;
矩阵构建子模块,用于根据所述目标复数矩阵的实部矩阵和虚部矩阵,构建回波频域数据矩阵;
数据集标准化子模块,用于获取多个所述回波频域数据矩阵构建频域数据集,并对所述频域数据集中每一个所述回波频域数据矩阵进行标准化,得到标准化后的频域数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110609551.8A CN113361367B (zh) | 2021-06-01 | 2021-06-01 | 基于深度学习的地下目标电磁反演方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110609551.8A CN113361367B (zh) | 2021-06-01 | 2021-06-01 | 基于深度学习的地下目标电磁反演方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113361367A CN113361367A (zh) | 2021-09-07 |
CN113361367B true CN113361367B (zh) | 2022-04-26 |
Family
ID=77530891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110609551.8A Active CN113361367B (zh) | 2021-06-01 | 2021-06-01 | 基于深度学习的地下目标电磁反演方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361367B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115060769B (zh) * | 2022-06-07 | 2024-04-02 | 深圳大学 | 一种基于智能反演的隧道围岩裂隙及松动检测方法、系统 |
CN115061138B (zh) * | 2022-08-18 | 2022-10-28 | 中南大学 | 探地雷达自聚焦并行掩膜后向投影成像方法、设备及介质 |
CN115315170B (zh) * | 2022-09-01 | 2023-09-22 | 中国科学院空天信息创新研究院 | 分布式电磁防护方法及系统 |
CN117310696A (zh) * | 2023-09-26 | 2023-12-29 | 中南大学 | 一种探地雷达自聚焦后向投影成像方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445515A (zh) * | 2020-03-25 | 2020-07-24 | 中南大学 | 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 |
CN111695645A (zh) * | 2020-05-09 | 2020-09-22 | 南京邮电大学 | 基于深度神经网络的未知手写体数字识别方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6538416B2 (ja) * | 2015-04-30 | 2019-07-03 | 日本電信電話株式会社 | 測定方法及び地中レーダ装置 |
CN108759648A (zh) * | 2018-04-09 | 2018-11-06 | 中国科学院电子学研究所 | 基于机器学习的探地雷达检测方法 |
US10234552B1 (en) * | 2018-06-27 | 2019-03-19 | University Of South Florida | Precise infrastructure mapping using full-waveform inversion of ground penetrating radar signals |
CN111784743B (zh) * | 2020-07-03 | 2022-03-29 | 电子科技大学 | 一种红外弱小目标检测方法 |
CN112198966B (zh) * | 2020-12-08 | 2021-03-16 | 中南大学 | 基于fmcw雷达系统的笔画识别方法以及系统 |
CN112731377B (zh) * | 2020-12-15 | 2024-03-26 | 郑州大学 | 一种介电常数反演方法、路基检测方法和检测系统 |
-
2021
- 2021-06-01 CN CN202110609551.8A patent/CN113361367B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445515A (zh) * | 2020-03-25 | 2020-07-24 | 中南大学 | 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 |
CN111695645A (zh) * | 2020-05-09 | 2020-09-22 | 南京邮电大学 | 基于深度神经网络的未知手写体数字识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113361367A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113361367B (zh) | 基于深度学习的地下目标电磁反演方法及系统 | |
Zhang et al. | Remote sensing image spatiotemporal fusion using a generative adversarial network | |
CN113298818B (zh) | 基于注意力机制与多尺度特征的遥感图像建筑物分割方法 | |
CN107239751B (zh) | 基于非下采样轮廓波全卷积网络的高分辨sar图像分类方法 | |
CN112183432B (zh) | 一种基于中分辨率sar图像的建筑区提取方法以及系统 | |
CN111079739B (zh) | 一种多尺度注意力特征检测方法 | |
CN109557540B (zh) | 基于目标散射系数非负约束的全变差正则化关联成像方法 | |
CN112017192B (zh) | 基于改进U-Net网络的腺体细胞图像分割方法及系统 | |
CN110826428A (zh) | 一种高速的sar图像中船只检测方法 | |
CN105117736B (zh) | 基于稀疏深度堆栈网络的极化sar图像分类方法 | |
CN106845343B (zh) | 一种光学遥感图像海上平台自动检测方法 | |
Yamaguchi et al. | Detection and localization of manhole and joint covers in radar images by support vector machine and Hough transform | |
CN106097290A (zh) | 基于nmf图像融合的sar图像变化检测方法 | |
CN110647977B (zh) | 一种用于星上对舰船目标检测的Tiny-YOLO网络的优化方法 | |
CN112766381B (zh) | 有限样本下属性引导的sar图像生成方法 | |
Zhang et al. | Internal wave signature extraction from sar and optical satellite imagery based on deep learning | |
CN115877345B (zh) | 一种风廓线雷达缺测数据的补齐方法和装置 | |
He et al. | Polarization matters: On bilinear convolutional neural networks for ship classification from synthetic aperture radar images | |
CN115527113A (zh) | 一种遥感图像裸土地分类方法及装置 | |
CN116224265A (zh) | 探地雷达数据反演方法、装置、计算机设备及存储介质 | |
Xie et al. | Lightweight and anchor-free frame detection strategy based on improved CenterNet for multiscale ships in SAR images | |
Yu et al. | A lightweight ship detection method in optical remote sensing image under cloud interference | |
CN114063063A (zh) | 基于合成孔径雷达和点状传感器的地质灾害监测方法 | |
Yang et al. | An Adaptive Clutter-Immune Method for Pipeline Detection with GPR | |
CN117217103B (zh) | 基于多尺度注意力机制的星载sar海杂波生成方法及系统 |
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 |