CN113468804B - 一种基于矩阵束和深度神经网络的地下管道识别方法 - Google Patents
一种基于矩阵束和深度神经网络的地下管道识别方法 Download PDFInfo
- Publication number
- CN113468804B CN113468804B CN202110646373.6A CN202110646373A CN113468804B CN 113468804 B CN113468804 B CN 113468804B CN 202110646373 A CN202110646373 A CN 202110646373A CN 113468804 B CN113468804 B CN 113468804B
- Authority
- CN
- China
- Prior art keywords
- scan data
- data
- matrix
- neural network
- training
- 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
- 239000011159 matrix material Substances 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 44
- 239000013598 vector Substances 0.000 claims description 31
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 238000000354 decomposition reaction Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 16
- 238000004088 simulation Methods 0.000 claims description 15
- 230000000149 penetrating effect Effects 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 239000004927 clay Substances 0.000 claims description 6
- 239000011435 rock Substances 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 239000002689 soil Substances 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 4
- 239000002184 metal Substances 0.000 claims description 4
- 239000004576 sand Substances 0.000 claims description 4
- 239000004800 polyvinyl chloride Substances 0.000 claims description 3
- 229910000831 Steel Inorganic materials 0.000 claims description 2
- 239000004567 concrete Substances 0.000 claims description 2
- 239000010959 steel Substances 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000012360 testing method Methods 0.000 description 12
- 238000010276 construction Methods 0.000 description 10
- 238000012795 verification Methods 0.000 description 9
- 239000007789 gas Substances 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 229920000915 polyvinyl chloride Polymers 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000002737 fuel gas Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
-
- 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
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于矩阵束与深度神经网络的地下管道识别方法，属于基于深度神经网络的识别技术领域。本发明针对现有技术中对城市地下管道现识别处理的不足，本发明提供了一种基于矩阵束与深度神经网络的地下管道识别方法，本发明采用一种高效的回波信号数据处理方法，将传统基于深度学习地下目标识别方法中的图像样本转移到频率域和衰减域样本中去，进而基于所设置深度卷积神经网络模型实现管道目标的高效、高准确度识别。
Description
技术领域
本发明属于基于深度神经网络的识别技术领域，具体涉及一种基于矩阵束与深度神经网络的地下管道识别方法。
背景技术
城市的地下管道在物质输送和信息传递中发挥着重大作用，为城市生活提供了便利和保障。地下管道的数量、种类繁多，常见的地下管道有：供水管道、污水管道、燃气管道和综合电力管道等。但是，随着我国城市建设的发展，管线建设存在着许多问题，主要表现为四个方面：1)、缺乏科学、长远规划。由于历史等因素，我国城市建设存在“重地上、轻地下”的问题，城市管道建设过程中科学、长远的规划意识极为淡薄，使得我国在管线探测手段和仪器等方面长期落后于西方发达国家。2)、缺乏基础性资料。我国城市地下管线建设基础性资料极为缺乏，据有关资料表明，全国约有70％的城市地下管线没有基础性城建档案资料，地下管线家底不清的现状普遍存在。3)、管理混乱、监管力度差。由于管线权属有多个部门，各部门管道标准不同，管线信息难以共享，导致现有管线资料信息缺乏或不准确，不仅无法为城市规划、建设以及管理提供有效的地下空间信息保障，也给城市地下管线的监管带来了一定的难度。4)、日常养护不足。随着地下管线敷设年代增加，管线老化、腐蚀、生锈、堵塞、损坏等现象普遍存在，但由于多方面原因，导致无法进行有效的地下管道维护，给人民生活带来了极大的安全隐患。据有关部门估计我国的燃气和热力管道的腐蚀率达30％。在城市后续建设过程中，地下管线往往面临着泄露、改道、错误挖掘等问题，给城市建设带来了诸多安全隐患。如何快速准确查明地下管线的类别、位置及形态结构以减少城市建设过程中对环境的破坏，成为现今城市地下管道探测技术亟需解决的热点问题。
探地雷达作为一种无损探测技术，其工作原理是发射天线向地下发射超宽带电磁波，超宽带电磁波在地下介质传播过程中因电学参数(介电常数、电导率和磁导率)差异而产生反射，由接收天线接收到的雷达波信号经预处理后生成A扫波形或B扫剖面图像，可根据回波信号的振幅、相位、波形等特征实现对地下目标特性的分析和判断。因此，如何更高效的利用探地雷达A扫或B扫数据中回波信号的振幅、相位、频率、衰减等信息，是进行地下管道目标识别的关键。其中，A扫数据(A-scan)是一维时间域波形扫描图，它表示了探地雷达天线在地面某一具体位置接收到的单脉冲回波波形数据；B扫数据(B-scan)是由一组在某一具体位置沿水平方向扫描的A-scan数据堆积形成的二维数据。
当前商用探地雷达的工作频率在100MHz～2GHz，根据天线类型不同可以探测到地下10cm～2m以内的目标体，被广泛用于城市地下管道、隧道、桥梁等地下探测任务中。目前，对于探地雷达获取的A扫和B扫数据主要以人工特征分析为主，常见的特征分析方法有：霍夫变换、开口扫描聚类算法(OSCA)算法、支持向量机算法等。其中，霍夫变换通过拟合目标回波数据的点集，可以实现较高的精度，具有一定的抗干扰能力，但存在曲线无法聚焦的情况；OSCA算法通过纵向扫描B扫图像并进行二值化处理能够有效提取图像中双曲线位置，但该算法抗噪能力较差；支持向量机对于地下目标的有无可以实现较高的识别准确率，但该分类算法需要对A扫或B扫数据进行良好的特征处理。传统的人工特征提取方法本身存在较大的局限性，且依靠复杂的人工操作提取特征，特征分析受人为误差因素影响较大，不能胜任实际工程检测需求。近年来，随着深度学习技术的发展，基于卷积神经网络的探地雷达B扫图像识别技术得到了空前的发展，其做法是将B扫获取的目标散射场值数据转换为图像数据，通过卷积核的特征提取技术，有效提取B扫图像中目标回波的双曲线特征，从而达到远高于人工特征处理的识别准确度和工作效率。由于管道目标的腔体结构，入射波在管道内部振荡造成多次反射，反射波所携带的信息与管道材质、几何结构、空间位置紧密相关，可作为管道目标识别的有效特征信息。但传统B扫图像中，目标体内部的多次反射波信号常淹没于目标表面强反射信号中，无法充分利用整体回波信号信息，在神经网络层面表现为卷积核对图像部分区域双曲线特征提取不敏感。此外基于B扫图像的处理复杂度高，将B扫场值数据转换为图像数据本身存在较大的数值损失。
发明内容
针对现有技术中对城市地下管道现识别处理的不足，本发明提供了一种基于矩阵束与深度神经网络的地下管道识别方法，本发明采用一种高效的回波信号数据处理方法，将传统基于深度学习地下目标识别方法中的图像样本转移到频率域和衰减域样本中去，进而基于所设置深度卷积神经网络模型实现管道目标的高效、高准确度识别。
本发明提供了一种基于矩阵束与深度神经网络的地下管道识别方法，所述方法包括：
仿真获取地下管道B扫数据，并基于仿真构建的地下管道目标模型和设置的异常目标确定识别类型，所述识别类型包括不同类型的地下管道目标和异常目标；
获取训练样本集：对仿真获取的地下管道B扫数据进行波形数据直达波去除，从去除直达波后的B扫数据中提取一定道数的A扫数据，再获取所提取的各道的A扫数据的特征向量，并将每道的A扫数据的特征向量作为一个样本，基于每个样本对应的目标类型标签值得到训练样本集；其中，各道A扫数据的特征向量为：对每道A扫数据进行矩阵束(MPM)波形分解，获取指定采样点的频率因子和衰减因子，按照时间顺序，将每道的所有频率因子和衰减因子组成当前道的A扫数据的特征向量；
设置深度卷积神经网络模型，所述深度卷积神经网络模型的网络结构为依次连接的一个第一卷积块、多个第二卷积块、多层下采样层和至少两层全连接层，其中，第一卷积块包括顺次连接的卷积层和Relu激活，第二卷积块包括顺次连接的卷积层、Relu激活和池化层；
基于训练样本集对所述深度卷积神经网络模型进行深度学习训练，直到满足预置的训练结束条件时，停止训练，得到训练好的深度卷积神经网络模型并保存；
基于探地雷达采集待识别的目标区域的B扫数据，对所述目标区域的B扫数据进行波形数据直达波去除，获取去除直达波后的B扫数据中的任一道的A扫数据的特征向量或一定道数的A扫数据的特征向量，得到当前的待识别特征向量；将所述待识别特征向量输入训练好的深度卷积神经网络模型中获取地下管道识别的识别结果：若道数为1，则直接基于模型的前向传播输出得到地下管道识别的识别结果；否则，基于每个待识别特征向量的前向传播输出，基于众数判决法确定地下管道识别的识别结果。
进一步的，所述波形数据直达波去除为：
将B扫数据表示为维度为M×N的矩阵WR，其中，N表示探地雷达测量的总道数，M表示任意道接收位置对应的时间采样点数；
对矩阵WR进行奇异值分解，得到WR＝UDVT，其中，矩阵U和V为正交矩阵，矩阵D为对角阵，其对角元素为奇异值，并降序排列，去除最大奇异值，基于奇异值分解的逆过程，获取去除直达波后的B扫数据。
进一步的，从去除直达波后的B扫数据中提取一定道数的A扫数据为：
以去除直达波后的B扫数据的水平中心位置为起始位置，从起始位置开始，在起始位置的左右两边每间隔固定道数提取一道，提取一定道数的A扫数据。
进一步的，各道A扫数据的特征向量的获取方式为：对当前道A扫波形数据进行滑窗处理，对每次滑窗中的A扫波形数据进行矩阵束波形分解，获取当前滑窗对应的频率因子和衰减因子，按照时间顺序，将每道的所有频率因子和衰减因子组成当前道的A扫数据的特征向量，其中滑窗的步长为A扫数据的采样时间间隔。
进一步的，模型训练时采用的损失函数为交叉熵损失函数。
进一步的，训练结束条件为：误差函数值保持持续下降趋势，在后的批次训练呈上升趋势时停止，并保存上升之前的最后一次批训练所确定的网络参数。
本发明从A扫数据出发，利用矩阵束算法将A扫数据转换到频率域和衰减域，转换后目标回波的多次反射信号在数值上分布更加均匀，大大提高了后续神经网络卷积核对目标特征数据(频率因子和衰减因子)的敏感性。
本发明实施例提供的技术方案至少带来如下有益效果：
本发明将矩阵束的波形分解和深度神经网络相结合并用于探地雷达管道识别任务中；有效利用管道回波信号的频率信息和衰减信息，提高了识别效果；克服了探地雷达识别任务中传统深度学习方法卷积核对目标回波双曲线特征提取不敏感的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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它的附图。
图1是本发明实施例提供的基于矩阵束和深度神经网络的地下管道识别方法流程图；
图2是本发明实施例中，利用SVD去除直达波后的B扫图像效果图，其中(2a)表示原B扫图像，(2b)表示利用SVD去除直达波后的B扫图像；
图3是本发明实施例中，从B扫数据获取用于矩阵束分解的A扫数据分布结构图；
图4是本发明实施例中，根据燃气管道B扫数据中的一个A扫信号进行矩阵束分解得到的频率因子和衰减因子时域分布图，其中，(4a)表示分解得到的频率因子的时域分布图，(4b)表示分解得到的衰减因子的时域分布图；
图5是本发明实施例中，用于管道识别的卷积神经网络结构示意图；
图6是本发明实施例中，损失函数下降曲线图；
图7是本发明实施例中，测试集上地下管道识别综合准确率曲线。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
本发明实施例从A扫数据出发，利用矩阵束算法将A扫数据转换到频率域和衰减域，转换后目标回波的多次反射信号在数值上分布更加均匀，大大提高了后续神经网络卷积核对目标特征数据(频率因子和衰减因子)的敏感性。
本发明实施例提供的一种基于矩阵束和深度神经网络的地下管道识别方法，包括下列步骤：
步骤1：仿真获取地下管道B扫数据：
步骤101：根据时域有限差分方法，利用仿真软件(例如GprMax仿真软件)对地下排水管道、供水管道和燃气管道三种类型的管道进行建模，三种管道的材质依次设置为混泥土、PVC(Poly Vinyl Chloride)和金属钢管。同时引入岩石块作为探测过程中的异常目标，因此最终识别类型分为：排水管道、供水管道、燃气管道和岩石块；其中，探测过程中的异常目标可基于实际应用场景进行设置，不局限于本实施例中所设置的岩石块。
步骤102：为了更好的逼近真实土壤环境，可在仿真时引入半经验土壤模型作为仿真背景，本实施例中，相关参数设置为：土壤中沙子占比为50％，黏土占比为50％；沙子密度为2g/cm3，黏土密度为2.01g/cm3，且黏土体积含水率范围为0.001～0.2；
步骤103：批量生成相应的输入文件，求解整个模型空间的场值，并以文件形式保存B扫数据结果，本实例中共生成320个B扫数据文件。本实施例中，输入文件的文件格式为“*.in”，B扫数据的文件格式为“*.out”；
步骤2：对获取的B扫数据进行直达波去除：
步骤201：将B扫数据表示为矩阵WR∈RM×N，其中M为某道接收位置对应的时间采样点数，N为探地雷达测量的总道数，采用SVD对B扫数据WR进行直达波去除，获取如图2中的(b)所示的去除直达波后B扫图像：
WR＝UDVT (1)
其中，矩阵U＝{u1，u2，…，uN}∈RM×N，矩阵V＝{v1，v2，…，vN}∈RN×N为正交矩阵，ui和vi分别表示矩阵U和V的第i个元素，且i＝1，…，N，矩阵D＝{d1，d2，…，dN}∈RN×N为对角阵，其对角元素di即为奇异值，按从大到小排列。其中，最大奇异值中包含最多的是直达波信息，通过去除最大奇异值，获取去除直达波后的B扫数据W′R为：
W′R＝U′D′V′T (2)
其中，U′＝{u2，…，uN}，V′＝{v2，…，vN}，D′＝{d2，…，dN}；
步骤202：保将去除直达波后的B扫数据保，可以保存在去除之前的文件中，并保存其采集时间间隔Δt，采样总点数等信息，以备后续矩阵束计算使用；
步骤3：从去除直达波后的B扫数据中获取A扫数据。其起始位置为目标的水平中心位置，从起始位置开始，在起始位置的左右两边每间隔固定道数提取一道，获取一定数量的A扫数据进行矩阵束(MPM)波形分解，生成频率因子和衰减因子数据集。
例如，每隔10道取1道，在中心位置左右两边各取5道A扫数据进行矩阵束(MPM)波形分解，如图3所示，从而生成3200个频率因子和衰减因子数据集。
步骤301：在A扫数据(A扫时域波形)上执行加窗处理，设窗长为L(设置L＝200为例)，以A扫数据的采样时间间隔Δt为步长，向右移动窗口通过整个A扫时域波形；即对A扫数据进行滑窗处理，每次滑窗会得到一组频率因子和衰减因子。
步骤302：对每次采集到窗口中的A扫数据进行MPM算法处理，按照时间顺序构建一系列的频率因子和衰减因子，从而得到每道A扫数据的特征向量，如图4所示；
其中，MPM算法可总结为四步：
第一步，将窗口内A扫数据构造为汉克明矩阵：
若获取窗口中的A扫数据为y(0)，y(1)，y(2)，y(3)，y(4)，…，y(N-1)共N个数，将其转化为汉克明矩阵形式：
其中，L通常选择为
第二步，根据汉克明矩阵进行SVD分解，得到VT分量，即对矩阵Y进行奇异值分解：Y＝U∑VT，得到VT分量；
第三步，分别去除VT中各个特征向量的最后一个数和第一个数：
第四步，存在矩阵束Y2-λY1，其中特征值其中-γi为衰减因子，ωi为频率因子，Δt为波形的时域采样间隔，e表示自然底数，j表示虚数单位，。对于求解Y2-λY1中的特征值λ问题，可将其转换为求解该式可转化为：
其中，为/>的广义逆矩阵，I表示单位矩阵，通过求/>矩阵的特征值，即可得/>进行对数ln化并除以Δt后，其实部值即为衰减因子，虚部值为频率因子；
步骤303：将步骤302计算的频率因子和衰减因子组成双道样本与目标类型标签值一起保存作为神经网络输入数据集，本发明实施例中，将其存在Excel表中；
步骤304：遍历整个去除直达波后的B扫数据，按照步骤301、步骤302、步骤303计算出频率因子和衰减因子，并保存为最终数据集。
步骤4：建立深度卷积神经网络模型：
本实施例中，所采用的深度卷积神经网络模型的网络结构为依次连接的一个第一卷积块、多个第二卷积块、多层下采样层和至少两层全连接层，其中，第一卷积块包括顺次连接的卷积层和Relu激活，第二卷积块包括顺次连接的卷积层、Relu激活和池化层。其中，卷积层作用主要有两方面，一方面是获取频率因子和衰减因子双道之间的特征信息，另一方面是获取单通道数据的全局信息特征；池化层的作用是对提取的特征数据进行下采样，即特征降维，提高特征提取的鲁棒性，本发明实施例中下采样操作采用最大值池化(Maxpooling)，全连接层的作用是将提取的特征数据转换为概率化映射需要的值，最终通过softmax输出为各种管道类型的对应概率。
其中，卷积层的卷积操作为：
其中，S′i为卷积层输出的特征图，即卷积计算结果，W1m为卷积核的参数(核权重)，由于输入数据为一维向量，故卷积核的纬度始终为1×n，一共n个参数，b为卷积核的偏置参量。S′i表示按卷积核宽度根据指定步长(例如步长为1)遍历上一级Si(i＝1，2，3，…)一维向量的计算结果，Si表示一维向量中的第i个数；
通过Relu激活可以让网络具有更好的非线性映射能力，其表达式为：
S″i＝max(0，S′i) (8)
对S″i进行池化层最大值池化得S″′i，其表达式为：
S″′i＝max(S″i，S″i+1，S″i+2，…，S″i+n-1) (9)
S″′i+1＝max(S″i+n，S″i+n+1，S″i+n+2，…，S″i+2n-1) (10)
最后的至少两层的全连接仍由卷积核组成，第一层全连接卷积核大小等于输入全连接层向量的大小，最后一层全连接的卷积核个数等于目标类别数，将结果再通过Softmax计算出各目标类别的概率值，其表达式为：
其中，xi(i＝1，2，3，…，k)表示最后一层全连接的输出值，y值表示对应目标类别的标签值，q(y＝k|xi)表示输出为目标标签k的概率值，X表示当前样本；
参见图5，在一种可能的实现方式中，本发明实施例中所设置的深度卷积神经网络模型的结构为：包括1个第一卷积块，3个第二卷积块、两层下采样层(下采样层为最大值池化方式的池化层)和三层全连接层。优选的，本发明实施例中，将模型的输入(特征向量)的通道数设置为2，维度为16761，即对每道A扫数据的滑窗次数。作为一种优选的方式，将卷积层的卷积核大小设置为1×12，第一卷积块的卷积层的输出通道数设置为32，第1个和第2个第二卷积块的卷积层的输出通道数分别设置为64和128。在经过三层下采样层后，第1个全连接层输入的特征图在经过一维化(flatten)转换为一维数据(维数为2048)后，再输入第1个全连接层，其中，三层全连接层的输入通道数依次为：2048、128、64，三层全连接层的输出通道数依次为：128、64、4。
步骤5：训练深度卷积神经网络：
步骤501：将数据集分为训练集、验证集和测试集，本实施例中，训练集、验证集和测试集的比例设置为10∶1∶1；
其中，训练集用于模型拟合，即训练学习模型参数(即核权重ω和偏置参数b)，验证集用于调整模型的超参数和用于对模型的能力进行初步评估，测试集用来评估模最终模型的泛化能力。
步骤502：将频率因子和衰减因子输入卷积神经网络，基于预设的批数据(bitchsize)大小n，每次输入一个批数据的样本，通过卷积层卷积和池化层最大值池化之后，由全连接层输出并通过Softmax函数计算出相应的预测概率值，将概率值代入交叉熵损失函数并求其平均值，其表达式为：
其中，m为目标类别总数。p(xj)为第j个目标的标签概率(其取值为1或0)，q(xj)为第j个目标的输出预测概率；
步骤503：设置学习率为α，根据网络训练结束的判断标准终止网络训练，并保存此时网络结构参数；
其中，训练结束条件可以是训练次数达到预设的最大迭代次数，或者损失函数值满足预置的条件。
在一种可能的实现方式中，本发明实施例对模型的训练结束条件还可以设置为：在每批次训练过程中送入整个验证集进行误差验证，观察当前模型在验证集上误差的变化情况：①当训练误差函数与验证误差函数整体呈下降趋势时，再将一定批次的训练集输入网络继续训练；②若验证误差函数在下降过程中达到某一训练批次后，在后续的批次训练过程中又呈上升趋势，则在该训练批次位置停止训练，并保存当前网络结构参数。
步骤6：目标识别综合测试；
在测试集上进行测试，获取测试目标的A扫数据，通过步骤3的矩阵束方法计算得到相应的频率因子和衰减因子，将其输入训练好的网络，得到输出各目标的概率值，取概率最大的目标类型作为识别结果，统计样本识别正确个数，形成综合准确率测试曲线。本发明实施例中，若识别的目标类型为岩石目标，则可认为该处无管道目标；否则，可以得到当前目标识别区域(位置)处的地下管道目标类别，如排水管道、供水管道或燃气管道。
在一种可能的实现方式中，在多次循环训练神经网络过程中需要不断更新网络的各层参数，本实施例中，采用常见的SGD更新各级参数，以其中一层网络结构更新参数为例，其SGD算法的迭代公式为：
其中，α为学习率，i表示迭代次数，ωmn表示第m个卷积核的第n个权重参数、bm表示第m个卷积核的偏置参数，表示更新后的权重，即第i+1次的权重参数，/>表示第i次的权重参数，/>表示对应迭代次数时的偏置参数，/>表示损失梯度；
为了在误差迭代过程中自适应的调整α来避免误差出现震荡不收敛或者陷入局部极小值情况，需要动态的调整α，可视情况对SGD算法进行改进，引出Adam梯度下降算法，其改进后的梯度下降算法为：
其中，vt表示梯度累计项，mt为动量，为损失梯度，β为预置的权值参数，为了区分梯度累计项和动量的权值参数，将梯度累计项和动量的权值参数分别定义为/>
∈为较小的偏置量，其目的是防止分母为0出现；该梯度下降算法会累积历史梯度信息，并以梯度的未中心化方差形式动态调整α，以动量的形式来更新参数值，非常适用于不稳定的损失函数和梯度存在较大噪声的问题。
在工业应用时，可以直接基于训练集对模型进行训练后，基于训练好的模型对待识别数据进行地下管道识别，即首先基于探地雷达获取目标区域的B扫数据，然后对获取的B扫数据进行直达波去除后，再从去除直达波后的B扫数据中获取A扫数据，对获取的A扫数据进行矩阵束(MPM)波形分解，生成指定长度的频率因子和衰减因子组成的双道数据序列(每道A扫数据的特征向量)，得到当前的待识别数据；将待识别数据输入训练好的模型中，基于模型的前向传播输出得到待识别数据的地下管道识别的识别结果，得到该位置处地下管道目标类别，若为岩石目标可认为该处无管道目标；
本发明实施例中，基于仿真实验进一步验证了所提供的地下管道识别方法的识别性能，整个仿真实验在GprMax3.0仿真软件和Pytorch1.4深度学习框架中进行，其中Pytorch1.4基于cuda10.0框架实现了整个网络的GPU并行计算，其硬件条件为：在windows10系统下，内存32GB、CPU为i5-9600KF、GPU为1080Ti显卡。通过本实验，以燃气管道为例，在对燃气管道矩阵束波形分解中(如图4所示)，有效观察到了燃气管道表面回波的频率因子和衰减因子以及金属管道与地面之间多次振荡产生的频率因子和衰减因子，该特征与金属管道的电学参数和几何形状高度相关。在时间域的起始和结尾位置产生了一定的杂波因子，该因子主要由GprMax仿真软件计算数值误差造成，对A-scan波形时域截断分析发现其场值围绕0上下随机振荡，形成高频杂波，在数据集制作中对其进行了滤波处理，通过对A-scan波形的矩阵束分解提高了后续神经网络对目标回波特征的提取能力。本实验的仿真数据集一共3200个，其训练集2700个、验证集250个、测试集250个；最后通过Adam优化器训练设计的卷积神经网络，在第200批次时网络训练达到最佳效果，得到损失函数下降曲线如图6所示；在测试集上进行了综合准确率测试如图7所示，综合准确率达到91％。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (10)
1.一种基于矩阵束和深度神经网络的地下管道识别方法，其特征在于，包括下列步骤：
仿真获取地下管道B扫数据，并基于仿真构建的地下管道目标模型和设置的异常目标确定识别类型，所述识别类型包括不同类型的地下管道目标和异常目标；
获取训练样本集：对仿真获取的地下管道B扫数据进行波形数据直达波去除，从去除直达波后的B扫数据中提取一定道数的A扫数据，再获取所提取的各道的A扫数据的特征向量，并将每道的A扫数据的特征向量作为一个样本，基于每个样本对应的目标类型标签值得到训练样本集；
其中，各道A扫数据的特征向量为：对每道A扫数据进行矩阵束MPM波形分解，获取指定采样点的频率因子和衰减因子，按照时间顺序，将每道的所有频率因子和衰减因子组成当前道的A扫数据的特征向量；
设置深度卷积神经网络模型，所述深度卷积神经网络模型的网络结构为依次连接的一个第一卷积块、多个第二卷积块、多层下采样层和至少两层全连接层，其中，第一卷积块包括顺次连接的卷积层和Relu激活，第二卷积块包括顺次连接的卷积层、Relu激活和池化层；
基于训练样本集对所述深度卷积神经网络模型进行深度学习训练，直到满足预置的训练结束条件时，停止训练，得到训练好的深度卷积神经网络模型并保存；
基于探地雷达采集待识别的目标区域的B扫数据，对所述目标区域的B扫数据进行波形数据直达波去除，获取去除直达波后的B扫数据中的任一道的A扫数据的特征向量或一定道数的A扫数据的特征向量，得到当前的待识别特征向量；将所述待识别特征向量输入训练好的深度卷积神经网络模型中获取地下管道识别的识别结果：若道数为1，则直接基于模型的前向传播输出得到识别结果；否则，基于每个待识别特征向量的前向传播输出，基于众数判决法确定地下管道识别的识别结果。
2.如权利要求1所述的方法，其特征在于，所述波形数据直达波去除为：
将B扫数据表示为维度为M×N的矩阵WR，其中，N表示探地雷达测量的总道数，M表示任意道接收位置对应的时间采样点数；
对矩阵WR进行奇异值分解，得到WR＝UDVT，其中，矩阵U和V为正交矩阵，矩阵D为对角阵，其对角元素为奇异值，并降序排列，去除最大奇异值，基于奇异值分解的逆过程，获取去除直达波后的B扫数据。
3.如权利要求1所述的方法，其特征在于，从去除直达波后的B扫数据中提取一定道数的A扫数据为：
以去除直达波后的B扫数据的水平中心位置为起始位置，从起始位置开始，在起始位置的左右两边每间隔固定道数提取一道，提取一定道数的A扫数据。
4.如权利要求1-3中任一项所述的方法，其特征在于，各道A扫数据的特征向量的获取方式为：
对当前道A扫波形数据进行滑窗处理，对每次滑窗中的A扫波形数据进行矩阵束波形分解，获取当前滑窗对应的频率因子和衰减因子，按照时间顺序，将每道的所有频率因子和衰减因子组成当前道的A扫数据的特征向量，其中滑窗的步长为A扫数据的采样时间间隔。
5.如权利要求4所述的方法，其特征在于，滑窗的长度设置为200个采样点。
6.如权利要求1所述的方法，其特征在于，模型训练时采用的损失函数为交叉熵损失函数。
7.如权利要求1所述的方法，其特征在于，训练结束条件为：误差函数值保持持续下降趋势，在后的批次训练呈上升趋势时停止，并保存上升之前的最后一次批训练所确定的网络参数。
8.如权利要求1所述的方法，其特征在于，所述第一卷积块数量为1，第二卷积块的数量为3，下采样层为池化层，且池化方式为最大值池化，下采样层数为2，全连接层的层数为3。
9.如权利要求1所述的方法，其特征在于，仿真获取地下管道B扫数据时，在地下管道目标模型中加入半经验土壤模型作为仿真背景，其相关参数设置为：土壤中沙子占比为50％，黏土占比为50％；沙子密度为2g/cm3，黏土密度为2.01g/cm3,且黏土体积含水率范围为0.001～0.2。
10.如权利要求1所述的方法，其特征在于，仿真获取地下管道B扫数据时，所述地下管道目标包括地下排水管道、供水管道和燃气管道，三种管道的材质依次设置为混泥土、PVC和金属钢管；所述异常目标为岩石块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110646373.6A CN113468804B (zh) | 2021-06-10 | 2021-06-10 | 一种基于矩阵束和深度神经网络的地下管道识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110646373.6A CN113468804B (zh) | 2021-06-10 | 2021-06-10 | 一种基于矩阵束和深度神经网络的地下管道识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113468804A CN113468804A (zh) | 2021-10-01 |
| CN113468804B true CN113468804B (zh) | 2023-09-19 |
Family
ID=77869543
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110646373.6A Active CN113468804B (zh) | 2021-06-10 | 2021-06-10 | 一种基于矩阵束和深度神经网络的地下管道识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113468804B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114118289B (zh) * | 2021-12-02 | 2024-04-23 | 中国石油大学(北京) | 基于数据驱动的成品油管道运行工况识别方法及系统 |
| CN116185306B (zh) * | 2023-04-24 | 2023-07-14 | 山东爱福地生物股份有限公司 | 一种利用菹草的污水处理系统数据存储方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101183899A (zh) * | 2007-12-19 | 2008-05-21 | 天津大学 | 基于bp网络用于光纤管道泄漏监测装置的管道安全识别方法 |
| CN103033567A (zh) * | 2012-12-31 | 2013-04-10 | 江苏大学 | 一种基于导波的管道缺陷信号识别方法 |
| CN108361560A (zh) * | 2018-03-21 | 2018-08-03 | 天津科技大学 | 一种基于小波包用于天然气管道安全监测装置的管道安全识别方法 |
| CN109538943A (zh) * | 2018-12-18 | 2019-03-29 | 天津科技大学 | 基于超声导波的管道结垢检测与识别方法 |
| CN110231409A (zh) * | 2019-06-21 | 2019-09-13 | 华中科技大学 | 一种地下管道损伤的检测方法及系统 |
| CN110598767A (zh) * | 2019-08-29 | 2019-12-20 | 河南省收费还贷高速公路管理有限公司航空港分公司 | 一种基于ssd卷积神经网络的地下排水管道缺陷识别方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200348662A1 (en) * | 2016-05-09 | 2020-11-05 | Strong Force Iot Portfolio 2016, Llc | Platform for facilitating development of intelligence in an industrial internet of things system |
| US11423538B2 (en) * | 2019-04-16 | 2022-08-23 | Covera Health | Computer-implemented machine learning for detection and statistical analysis of errors by healthcare providers |
-
2021
- 2021-06-10 CN CN202110646373.6A patent/CN113468804B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101183899A (zh) * | 2007-12-19 | 2008-05-21 | 天津大学 | 基于bp网络用于光纤管道泄漏监测装置的管道安全识别方法 |
| CN103033567A (zh) * | 2012-12-31 | 2013-04-10 | 江苏大学 | 一种基于导波的管道缺陷信号识别方法 |
| CN108361560A (zh) * | 2018-03-21 | 2018-08-03 | 天津科技大学 | 一种基于小波包用于天然气管道安全监测装置的管道安全识别方法 |
| CN109538943A (zh) * | 2018-12-18 | 2019-03-29 | 天津科技大学 | 基于超声导波的管道结垢检测与识别方法 |
| CN110231409A (zh) * | 2019-06-21 | 2019-09-13 | 华中科技大学 | 一种地下管道损伤的检测方法及系统 |
| CN110598767A (zh) * | 2019-08-29 | 2019-12-20 | 河南省收费还贷高速公路管理有限公司航空港分公司 | 一种基于ssd卷积神经网络的地下排水管道缺陷识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| Jian Feng等.Injurious or Noninjurious Defect Identification From MFL Images in Pipeline Inspection Using Convolutional Neural Network.《IEEE Transactions on Instrumentation and Measurement》.2017,第1883-1892页. * |
| 杨坤.基于深度学习的地下管道雷达探测识别与检测研究.《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》.2023,第C038-2177页. * |
| 赵燕锋等. 复杂工况下基于时频图像和CNN-SVM的管道堵塞识别研究.《电子测量与仪器学报》.2021,第161-170页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113468804A (zh) | 2021-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106990018B (zh) | 一种预应力混凝土梁灌浆密实度智能识别方法 | |
| Li et al. | Deep learning–based nondestructive evaluation of reinforcement bars using ground‐penetrating radar and electromagnetic induction data | |
| 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 | |
| CN109343022B (zh) | 估测层间土壤含水量的方法 | |
| 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 | |
| CN112130132A (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 | |
| Lu et al. | Feature extraction and automatic material classification of underground objects from ground penetrating radar data | |
| Liu et al. | Overall grouting compactness detection of bridge prestressed bellows based on RF feature selection and the GA-SVM model | |
| CN107037136B (zh) | 一种管道换热污垢阵列式超声检测方法 | |
| CN113009447A (zh) | 基于深度学习和探地雷达的道路地下空洞检测预警方法 | |
| CN116258086B (zh) | 一种燃气管道风险评估方法及系统 | |
| Vy et al. | Damage localization using acoustic emission sensors via convolutional neural network and continuous wavelet transform | |
| Lai et al. | An evaluation of Mahalanobis Distance and grey relational analysis for crack pattern in concrete structures | |
| Zhang et al. | Automatic corrosive environment detection of RC bridge decks from ground-penetrating radar data based on deep learning | |
| Xiong et al. | Automatic detection and location of pavement internal distresses from ground penetrating radar images based on deep learning | |
| Hu et al. | Defects identification and location of underground space for ground penetrating radar based on deep learning | |
| Zhu et al. | Evaluating the optimised YOLO-based defect detection method for subsurface diagnosis with ground penetrating radar | |
| Li et al. | Generalized Hough transform and ANN for subsurface cylindrical object location and parameters inversion from GPR data | |
| Polnikov et al. | Estimation of extreme wind speeds and wave heights along the regional waters of India | |
| Jaufer et al. | Deep learning based automatic hyperbola detection on GPR data for buried utility pipes mapping | |
| CN117351321A (zh) | 一种单阶段轻量化的地铁衬砌空洞识别方法及相关设备 | |
| CN109905190B (zh) | 一种低频地波传播时延时变特性的建模方法 | |
| CN112800664B (zh) | 一种基于探地雷达A-scan数据估算树根直径的方法 | |
| CN116224265A (zh) | 探地雷达数据反演方法、装置、计算机设备及存储介质 |
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 |