CN113759337A - 针对地下空间数据的三维探地雷达实时解译方法及系统 - Google Patents

Abstract

本发明提供一种针对地下空间数据的三维探地雷达实时解译方法及系统，包括：步骤S1，对三维探地雷达采集的实时数据进行实时数据处理，生成垂直切片图像簇，进行一级模型的目标检测；步骤S2，根据检出的目标体生成水平切片图像簇，进行二级模型的实时分类；步骤S3，根据确认的目标在采集过程中记录的道号查找经纬度，生成地图位置；步骤S4，根据确认的目标在采集过程中记录的道号，根据道号查找视频流帧号，利用关键帧快速提取法生成现场定位照片；步骤S5，实时弹出多窗口组合，显示即时检测出的目标的复合图像、地图位置和现场定位照片。本发明能够很好地满足应急项目和大区域盲测项目对实时性的需求，还能够有效地避免误识别的问题。

Description

针对地下空间数据的三维探地雷达实时解译方法及系统

技术领域

本发明涉及一种探地雷达解译方法，尤其涉及一种针对地下空间数据的三维探地雷达实时解译方法，并涉及采用了该针对地下空间数据的三维探地雷达实时解译方法的系统。

背景技术

探地雷达(Ground Penetrating Radar)又称地质雷达，是一种利用高频电磁波来确定浅表地层构造的无损地球物理探测技术。通过发射高频脉冲电磁波(频率介于1MHz-1GHz)对地下介质进行探测，确定地下介质分布，具有操作简单、探测精度高、无损伤和采集速度快等特点，是目前工程检测和勘察最为活跃的探测技术，在城市道路地下病害探测中的应用日趋广泛。但是，大多的现有技术中，针对三维探地雷达的数据处理和图像解译主要靠人工进行，执行效率低，无法连续工作。不同处理人员的标准不统一，导致处理结果产生偏差。近年来，虽然基于人工智能的雷达图像解译和识别技术有所进步，处理速度远高于人工，但是仍存在以下三个问题。

第一、非实时的数据处理及人工智能解译，无法实现数据采集、数据处理和人工智能解译的高效率现场并行，以至于无法满足应急项目和大区域盲测项目的要求。第二、仅基于探地雷达垂直切片图像的人工智能解译，容易造成较多的误识别，从而降低解译结果的准确度，例如存在将地下管廊目标检测为地下空洞等情况。第三、仅基于探地雷达垂直切片与水平切片简单叠加的人工智能解译/分类法，同样容易造成较多的误识别，从而降低解译结果的准确度，例如存在将层分界形态图像分类为脱空等情况。

发明内容

本发明所要解决的技术问题是需要提供一种能够很好地实现数据采集、数据处理和人工智能解译的高效率现场并行工作，并且还能够有效避免误识别的弊端的针对地下空间数据的三维探地雷达实时解译方法，在此基础上，还进一步提供采用了该针对地下空间数据的三维探地雷达实时解译方法的系统。

对此，本发明提供一种针对地下空间数据的三维探地雷达实时解译方法，包括以下步骤：

步骤S1，对三维探地雷达采集的实时数据进行实时数据处理，生成垂直切片图像簇，进行一级模型的人工智能实时目标检测；

步骤S2，根据检出的目标体生成水平切片图像簇，进行二级模型的人工智能实时分类，排除一级模型的误识别目标；

步骤S3，根据确认的目标在采集过程中记录的道号查找经纬度，以此生成地图位置；

步骤S4，根据确认的目标在采集过程中记录的道号，根据道号查找视频流帧号，利用关键帧快速提取法生成现场定位照片；

步骤S5，实时弹出多窗口组合，显示即时检测出的目标的复合图像、地图位置和现场定位照片，所述复合图像为目标的垂直切片与水平切片的复合图像，实现可回溯查看所有经确认的检出目标。

本发明的进一步改进在于，所述步骤S1对采集实时数据进行实时数据处理包括以下子步骤：

步骤S101，对接收的原始道数据进行去除直流偏置滤波处理；

步骤S102，对去除直流偏置滤波处理后的数据进行快速低通滤波处理；

步骤S103，对快速低通滤波处理后的数据进行时间增益处理。

本发明的进一步改进在于，所述步骤S101中，通过公式ltrace[k] = amp[k] – dcrem进行去除直流偏置滤波处理；其中，ltrace[k]为每道数据的采样点经过去除直流偏 置滤波后的振幅值，0≤k≤nSamples，k表示不同深度的采样点序号；nSamples表示每道数 据包含的采样点数量；amp[k] 表示单个采样点的振幅值；dcrem

，dcrem表示直流偏置值；

= nSamples/2，表示深 度位置为采样中位数的采样点；

= nSamples–5，表示深度位置为nSamples–5的采样 点。

本发明的进一步改进在于，所述步骤S103中，先根据公式tgCoef [i]=tgVal*contrast计算每个深度i所对应采样点的增益系数tgCoef [i]，其中，tgVal表示深度增益量；tgVal=timegain/1000，timegain表示时间增益量；contrast表示对比度；然后再将所述增益系数tgCoef [i]与振幅值ltrace[k]进行相乘得到对不同深度的采样点进行不同级别的增益处理。

本发明的进一步改进在于，所述步骤S2包括以下子步骤：

步骤S201，根据检出的病害体体积和其所处的深度，在病害体上沿向下高度的2/7、3/7以及4/7处分别生成三张水平切片构成水平切片图像簇，进行二级目标检测；

步骤S202，将二级目标检测的目标得分超过预设阈值，且图像数量均超过数量阈值的目标作为一级模型检测中的误识别目标予以排除。

本发明的进一步改进在于，所述步骤S3包括以下子步骤：

步骤S301，根据旋转编码器在行进采集过程中产生的脉冲信号，同步建立道号与经纬度信息的关联记录；

步骤S302，根据确认的目标在采集过程中记录的道号作为索引，查道号与经纬度信息的关联记录得到所述经纬度，在浏览器中生成地图位置。

本发明的进一步改进在于，所述步骤S4包括以下子步骤：

步骤S401，在探地雷达数据采集过程中，根据旋转编码器在行进采集过程中产生的脉冲信号，上位机发指令触发摄像机抓拍，上位机将抓拍的照片序列实时压缩为HEVC视频码流，实现摄像机抓拍与探地雷达道间采集数据的同步，建立道号与视频流帧号的关联记录；

步骤S402，根据确认的目标在采集过程中记录的道号作为索引，查找道号与视频流帧号的关联记录得到所述视频流帧号，通过关键帧快速提取法生成现场定位照片。

本发明的进一步改进在于，所述步骤S402中通过关键帧快速提取法生成现场定位照片的过程包括以下子步骤：

步骤S4021，在解码每帧视频数据的回调函数里搜索关键帧并做计数后返回，不进行后续的解码操作，关键帧的标志定义为pPicParams->intra_pic_flag == 1；其中，pPicParams-代表视频参数集合，intra_pic_flag == 1代表视频参数集合里的一个关键帧标志位；

步骤S4022，当搜索超过目标帧时，搜索结束，保存关键帧计数值作为最近前向关键帧；

步骤S4023，重新创建解码器，在解码每帧视频数据的回调函数里进行二次搜索关键帧并做计数后返回，不进行后续的解码操作；

步骤S4024，当所述步骤S4023进行二次搜索计数的关键帧等于步骤S4022保存的计数值时，开始执行该关键帧解码操作；

步骤S4025，在解码每帧视频数据的回调函数里，对后续帧进行连续解码，直到目标帧解码结束。

本发明的进一步改进在于，所述步骤S5中，在继续进行数据采集的同时，弹出多窗口显示即时检出目标的垂直切片与水平切片复合图像、地图位置以及现场定位照片；所述垂直切片与水平切片复合图像包括8个相隔通道的垂直切片图和24层深度切片，并通过上下键翻看所有检出目标的组合窗口。

本发明还提供一种针对地下空间数据的三维探地雷达实时解译系统，采用了如上所述的针对地下空间数据的三维探地雷达实时解译方法，并包括：

一级模型检测模块，对三维探地雷达采集的实时数据进行实时数据处理，生成垂直切片图像簇，进行一级模型的人工智能实时目标检测；

二级模型检测模块，根据检出的目标体生成水平切片图像簇，进行二级模型的人工智能实时分类，排除一级模型的误识别目标；

生成地图位置模块，根据确认的目标在采集过程中记录的道号查找经纬度，以此生成地图位置；

生成现场定位照片模块，根据确认的目标在采集过程中记录的道号，根据道号查找视频流帧号，利用关键帧快速提取法生成现场定位照片；

组合显示模块，实时弹出多窗口组合，显示即时检测出的目标的复合图像、地图位置和现场定位照片，所述复合图像为目标的垂直切片与水平切片的复合图像，实现可回溯查看所有经确认的检出目标。

与现有技术相比，本发明的有益效果在于：通过三维探地雷达采集的实时数据，生成垂直切片图像簇和水平切片图像簇，并配合双模型级联方式的人工智能实时检测，通过关联关系生成地图位置以及现场定位照片，通过目标的复合图像、地图位置和现场定位照片之间的协同实现了地下空间数据的准确解译和精确定位，能够很好地满足应急项目和大区域盲测项目对实时性的需求，并且还能够有效地避免误识别的问题，响应速度快且准确度高。

附图说明

图1是本发明一种实施例的工作流程示意图；

图2是本发明一种实施例的实时数据采集示意图；

图3是本发明一种实施例在进行去除直流偏置滤波处理前的图像域仿真图；

图4是本发明一种实施例在进行去除直流偏置滤波处理后的图像域仿真图；

图5是本发明一种实施例生成的垂直切片图像；

图6是本发明一种实施例进行一级模型的人工智能实时目标检测的结果文件；

图7是本发明一种实施例生成的水平切片图像；

图8是本发明一种实施例进行二级模型的人工智能实时目标检测的结果文件；

图9是本发明一种实施例中道号与经纬度信息的关联记录示意图；

图10是本发明一种实施例在采集过程中实时弹出的多窗口组合示意图。

具体实施方式

下面结合附图，对本发明的较优的实施例作进一步的详细说明。

如图1所示，本例提供一种针对地下空间数据的三维探地雷达实时解译方法，包括以下步骤：

步骤S1，对三维探地雷达采集的实时数据进行实时数据处理，生成垂直切片图像簇，进行一级模型的人工智能实时目标检测；

步骤S2，根据检出的目标体生成水平切片图像簇，进行二级模型的人工智能实时分类，排除一级模型的误识别目标；

步骤S3，根据确认的目标在采集过程中记录的道号查找经纬度，以此生成地图位置；

步骤S4，根据确认的目标在采集过程中记录的道号，根据道号查找视频流帧号，利用关键帧快速提取法生成现场定位照片；

步骤S5，实时弹出多窗口组合，显示即时检测出的目标的复合图像、地图位置和现场定位照片，所述复合图像为目标的垂直切片与水平切片的复合图像，实现可回溯查看所有经确认的检出目标。

本例所述步骤S1中，先进行实时数据采集，上位机采集软件通过UDP传输协议与探地雷达主机进行数据交换。上位机首先通过广播的方式搜索在线的探地雷达主机，并建立连接。上位机然后通知探地雷达主机启动采集，探地雷达开始采集数据并将数据传到上位机。采集的实时数据包含道数据(trace data)和位置数据(GPS data)。

如图2所示，UDP协议号protocol默认设为0x5555， 源类型type = 0x5501的数据包是来自于上位机，0x5502的数据包来自于探地雷达主机。采集测量数据包的类型packetType = 0x02时，包内块类型blockType = 0x02是道数据，0x132是位置数据。

实时数据处理过程中，由于针对地下空间的探地雷达波具有波形复杂、能量易衰减和干扰杂波多的特点，无法直接观察，极易与周围环境混淆，需要经过多种滤波处理才能够发现地下病害体目标；传统的针对地下空间的探地雷达波的数据处理包括全局背景消除滤波、反向能量衰减增益、去除低频噪声滤波和K-L变换等方法。这些传统的方法需要整条测线数据计算中间值，计算量大且速度慢，无法满足测道级别的实时性要求。因此，本例通过以下步骤S101至步骤S103共三步高效滤波协作的方式，既能较好地从探地雷达波中将目标体图像进行增益突出，又能做到测道级的高效处理，满足实时性要求。

本例所述步骤S1对采集实时数据进行实时数据处理优选包括以下子步骤：

步骤S101，对接收的原始道数据进行去除直流偏置滤波处理；

步骤S102，对去除直流偏置滤波处理后的数据进行快速低通滤波处理；

步骤S103，对快速低通滤波处理后的数据进行时间增益处理。

更为具体的，本例所述步骤S101中，通过公式ltrace[k] = amp[k] –dcrem进行去 除直流偏置滤波处理；其中，ltrace[k]为每道数据的采样点经过去除直流偏置滤波后的振 幅值，0≤k≤nSamples，k表示不同深度的采样点序号；nSamples表示每道数据包含的采样 点数量；amp[k] 表示单个采样点的振幅值；dcrem

， dcrem表示直流偏置值；

= nSamples/2，表示深度位置为采样中位数的采样点；

= nSamples–5，表示深度位置为nSamples–5的采样点。本例这样设计去除直流偏置滤波处理， 其目的在于能够有效地把雷达信号中的直流分量和低频信号去除，以确保后续增益的抗噪 性。本例能够有效避免直流分量和低频信号导致波的振幅均值偏离零值。

在完成步骤S101之后，本例在步骤S102继续对去除直流偏置滤波处理的数据进行快速低通滤波，方法是：先初始化深度i的循环序号为0，设置低通滤波循环序号j=-30，j≤30，对深度循环序号i和低通滤波循环序号j进行增加，赋值k=i+j，当k≥0且k小于采样点数量nSamples时，通过公式sum= ltrace[k]* bpf_H[j+30]，op[i]=（short）（sum+0.5）实现快速低通滤波，其中，nSamples为每道数据包含的采样点数量，ltrace[k]为每道数据的采样点经过去除直流偏置滤波后的振幅值，bpf_H[j+30]为低通滤波参数集中从0到60的枚举值；bpf_H[61]为900MHz低通滤波(lowpass)参数，op[i] 为每道数据的采样点经过快速低通滤波后的振幅值；short表示短整型数，该短整型数的取值范围优选从-32768到32767；sum表示双精度浮点数；sum+0.5表示将双精度浮点数四舍五入转为短整型数。其对应的代码如下。

本例所述步骤S103中，先根据公式tgCoef [i]=tgVal*contrast计算每个深度i（也称时间）所对应采样点的增益系数tgCoef [i]，0≤i≤nSamples，其中，tgVal表示深度增益量；tgVal=timegain/1000，timegain表示时间增益量；contrast表示对比度，默认缺省值为8.0；然后再将所述增益系数tgCoef [i]与振幅值ltrace[k]进行相乘得到对不同深度的采样点进行不同级别的增益处理。其对应的代码如下。

图3所示的是本例对实时数据进行去除直流偏置滤波、快速低通滤波以及时间增益处理前的图像域，图4所示的是本例对实时数据进行去除直流偏置滤波、快速低通滤波以及时间增益处理后的图像域，由此可以看出，本例能够较好地从探地雷达波中将目标体图像进行增益突出，又能做到测道级的高效处理，满足实时性要求。

生成垂直切片图像簇的过程如下：经过以上实时处理的数据，可以用来生成垂直切片图像(B-scan)。三维雷达数据包括4到32个通道，常见的是16通道(channel)，每个通道含有多条道数据(trace)，每条道数据含多个深度方向的采样点数据(sample)，每个采样点数据则是一个从-32768到32767范围的振幅值；200条traces数据对应雷达采集行进方向上的10米距离，构成B-scan图像的宽度；256个samples对应深度方向向下的512厘米，构成B-scan图像的高度；以100条traces步进直到测线结束，可以生成多幅B-scans，组成垂直切片图像簇。如图5所示的就是本例测试过程中生成的垂直切片图像。

AI实时目标检测的过程如下：目标检测的一级模型为以真实病害体标注样本训练而成的轻量级神经网络模型yolov5，移动工作站(即上位机)配置算力6.0以上的Nvidia独立显卡，对以上生成的垂直切片图像簇进行实时批量推理，批尺寸batchsize设为4或16(和显卡能力相关)。探地雷达数据采集移动工作站采用ThinkPad P15V 10代i7-10750H标压32GB RAM 512GB+1TB 双SSD，独立显卡为Quadro P620 4GB，其支持的最大批尺寸为4。10米路段200条traces 的16个通道的垂直切片图像簇需要4次批量推理。AI实时目标检测也称AI推理。

如图6所示，实时批量推理的结果文件，其格式为：测区名称_测线号_Tr道号_通道号.jpg,目标类别,目标矩形框左上角.x,左上角.y,右下角.x,右下角.y,得分。

在步骤S1的一级目标检测模型检出的目标，即地下病害体目标，包括空洞或脱空，是指得分超过指定阈值的Bscan垂直切片图像，其数量超过图像簇图片总数量指定比例的目标。比如：70*5这个设定是指，在总数为16个通道的图像簇中，有至少5个垂直切片图像的病害体检测得分不低于70分。那么，如何排除一级模型的误识别目标，正是后面所要描述的。

对比，本例所述步骤S2优选包括以下子步骤：

步骤S201，根据检出的病害体体积和其所处的深度，在病害体上沿向下高度的2/7、3/7以及4/7处分别生成三张水平切片构成水平切片图像簇，进行二级目标检测，二级目标检测优选采用的推理模型为经过训练的基于yolov5的管线/管廊分类；

步骤S202，将二级目标检测的目标得分超过预设阈值，且图像数量均超过数量阈值的目标作为一级模型检测中的误识别目标予以排除。所述预设阈值为预先定义的得分阈值，默认为90，可以根据实际需求进行修改和调整；所述数量阈值为预先设置的图像数量阈值，默认为3，同样可以根据实际需求进行修改和调整。

图7所示的是步骤S1中，根据一级模型推理检出的病害体体积和其所处的深度生成的水平切片图像。图8所示的是步骤S2中，通过二级模型实时批量推理的结果文件，其格式为：测区名称_测线号_Tr道号_通道号_切片序号_切片深度.jpg,管线分类得分,非管线分类得分。

本例所述步骤S3包括以下子步骤：

步骤S301，在探地雷达数据采集过程中，探地雷达主机上传给上位机的数据包类型为0x2，块类型为0x132时，采集到的是NMEA格式的GGA位置信息(GPS坐标)。本例所述步骤S301根据旋转编码器/测距轮在行进采集过程中产生的脉冲信号，同步建立道号trace与经纬度信息gps的关联记录；

步骤S302，根据AI推理确认的目标在采集过程中记录的道号作为索引，查道号与经纬度信息的关联记录，即查找trace-to-gps关联记录，得到所述经纬度，在谷歌CEF浏览器中生成地图位置。

如图9所示的是道号trace与经纬度信息gps的关联记录，其格式为：道号_向北(相对于采集起点)米_向东(米)_纬度_经度_向北(CGCS2000投影坐标)米_向东(米)。在谷歌CEF浏览器框架采用的是：cef_binary_90.6.5+g7a604aa+chromium-90.0.4430.93_windows64。

本例所述步骤S4包括以下子步骤：

步骤S401，在探地雷达数据采集过程中，根据旋转编码器/测距轮在行进采集过程中产生的脉冲信号，上位机发指令触发摄像机抓拍，上位机将抓拍的照片序列实时压缩为HEVC/H.265视频码流，实现摄像机抓拍与探地雷达道间采集数据的同步，建立道号trace与视频流帧号frame的关联记录；

步骤S402，根据确认的目标在采集过程中记录的道号作为索引，查找道号与视频流帧号的关联记录得到所述视频流帧号，通过关键帧快速提取法生成现场定位照片。

由于摄像机镜头45°倾斜角造成的抓拍照片位置中心与探地雷达天线的中心形成平移矢量，那么探地雷达图像第n道数据的照片索引信息为：(Indexn)CAM = (Indexn)CAM+ Dshift/Δd，(Indexn)CAM为探地雷达采集第n道时同步抓拍的照片，Dshift为上述平移矢量距离，Δd为采样的道间距。

高精度的旋转编码器在行进过程中产生的脉冲上沿或下沿同时触发上位计算机的串口和探地雷达主机，实现探地雷达数据采集和现场照片抓拍的同步进行，也就建立了步骤S3和步骤S4的同步关联trace-gps-frame。

根据AI推理确认的目标在采集过程中记录的道号作为索引，查找trace-to-frame关联记录得到视频流帧号，利用关键帧快速提取法生成现场定位照片。在研发的时候无意发现，从最近的关键帧处开始解码视频流提取照片要比顺序解码方式快40%，提高了实时性，有助于定位照片的即时显示。

本例所述步骤S402中通过关键帧快速提取法生成现场定位照片的过程包括以下子步骤：

步骤S4021，在解码每帧视频数据的回调函数里搜索关键帧并做计数后返回，不进行后续的解码操作，关键帧的标志定义为pPicParams->intra_pic_flag == 1；其中，pPicParams-代表视频参数集合，intra_pic_flag == 1代表视频参数集合里的一个关键帧标志位；

步骤S4022，当搜索超过目标帧时，搜索结束，保存关键帧计数值作为最近前向关键帧；

步骤S4023，重新创建解码器，在解码每帧视频数据的回调函数里进行二次搜索关键帧并做计数后返回，不进行后续的解码操作；

步骤S4024，当所述步骤S4023进行二次搜索计数的关键帧等于步骤S4022保存的计数值时，开始执行该关键帧解码操作；

步骤S4025，在解码每帧视频数据的回调函数里，对后续帧进行连续解码，直到目标帧解码结束。

本例所述步骤S5中，在继续进行数据采集的同时，弹出多窗口显示即时检出目标的垂直切片与水平切片复合图像、地图位置以及现场定位照片；所述垂直切片与水平切片复合图像包括8个相隔通道的垂直切片图和24层深度切片，并通过上下键（PgUp/PgDn键）翻看所有检出目标的组合窗口。图10所示的是采集过程中实时弹出的多窗口组合图。

本例还提供一种针对地下空间数据的三维探地雷达实时解译系统，采用了如上所述的针对地下空间数据的三维探地雷达实时解译方法，并包括：

一级模型检测模块，对三维探地雷达采集的实时数据进行实时数据处理，生成垂直切片图像簇，进行一级模型的人工智能实时目标检测；

二级模型检测模块，根据检出的目标体生成水平切片图像簇，进行二级模型的人工智能实时分类，排除一级模型的误识别目标；

生成地图位置模块，根据确认的目标在采集过程中记录的道号查找经纬度，以此生成地图位置；

生成现场定位照片模块，根据确认的目标在采集过程中记录的道号，根据道号查找视频流帧号，利用关键帧快速提取法生成现场定位照片；

组合显示模块，实时弹出多窗口组合，显示即时检测出的目标的复合图像、地图位置和现场定位照片，所述复合图像为目标的垂直切片与水平切片的复合图像，实现可回溯查看所有经确认的检出目标。

综上所述，本例通过三维探地雷达采集的实时数据，生成垂直切片图像簇和水平切片图像簇，并配合双模型级联方式的人工智能实时检测，通过关联关系生成地图位置以及现场定位照片，通过目标的复合图像、地图位置和现场定位照片之间的协同实现了地下空间数据的准确解译和精确定位，能够很好地满足应急项目和大区域盲测项目对实时性的需求，并且还能够有效地避免误识别的问题，响应速度快且准确度高。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种针对地下空间数据的三维探地雷达实时解译方法，其特征在于，包括以下步骤：步骤S1，对三维探地雷达采集的实时数据进行实时数据处理，生成垂直切片图像簇，进行一级模型的人工智能实时目标检测；

步骤S2，根据检出的目标体生成水平切片图像簇，进行二级模型的人工智能实时分类，排除一级模型的误识别目标；

步骤S3，根据确认的目标在采集过程中记录的道号查找经纬度，以此生成地图位置；

步骤S4，根据确认的目标在采集过程中记录的道号，根据道号查找视频流帧号，利用关键帧快速提取法生成现场定位照片；

步骤S5，实时弹出多窗口组合，显示即时检测出的目标的复合图像、地图位置和现场定位照片，所述复合图像为目标的垂直切片与水平切片的复合图像，实现可回溯查看所有经确认的检出目标。

2.根据权利要求1所述的针对地下空间数据的三维探地雷达实时解译方法，其特征在于，所述步骤S1对采集实时数据进行实时数据处理包括以下子步骤：

步骤S101，对接收的原始道数据进行去除直流偏置滤波处理；

步骤S102，对去除直流偏置滤波处理后的数据进行快速低通滤波处理；

步骤S103，对快速低通滤波处理后的数据进行时间增益处理。

3.根据权利要求2所述的针对地下空间数据的三维探地雷达实时解译方法，其特征在 于，所述步骤S101中，通过公式ltrace[k] = amp[k] –dcrem进行去除直流偏置滤波处理； 其中，ltrace[k]为每道数据的采样点经过去除直流偏置滤波后的振幅值，0≤k≤ nSamples，k表示不同深度的采样点序号；nSamples表示每道数据包含的采样点数量；amp [k] 表示单个采样点的振幅值；dcrem

，dcrem表示直 流偏置值；staiti= nSamples/2，表示深度位置为采样中位数的采样点； stopi= nSamples–5，表示深度位置为nSamples–5的采样点。

4.根据权利要求3所述的针对地下空间数据的三维探地雷达实时解译方法，其特征在于，所述步骤S103中，先根据公式tgCoef [i]=tgVal*contrast计算每个深度i所对应采样点的增益系数tgCoef [i]，其中，tgVal表示深度增益量；tgVal=timegain/1000，timegain表示时间增益量；contrast表示对比度；然后再将所述增益系数tgCoef [i]与振幅值ltrace[k]进行相乘得到对不同深度的采样点进行不同级别的增益处理。

5.根据权利要求1至4任意一项所述的针对地下空间数据的三维探地雷达实时解译方法，其特征在于，所述步骤S2包括以下子步骤：

步骤S201，根据检出的病害体体积和其所处的深度，在病害体上沿向下高度的2/7、3/7以及4/7处分别生成三张水平切片构成水平切片图像簇，进行二级目标检测；

步骤S202，将二级目标检测的目标得分超过预设阈值，且图像数量均超过数量阈值的目标作为一级模型检测中的误识别目标予以排除。

6.根据权利要求1至4任意一项所述的针对地下空间数据的三维探地雷达实时解译方法，其特征在于，所述步骤S3包括以下子步骤：

步骤S301，根据旋转编码器在行进采集过程中产生的脉冲信号，同步建立道号与经纬度信息的关联记录；

步骤S302，根据确认的目标在采集过程中记录的道号作为索引，查道号与经纬度信息的关联记录得到所述经纬度，在浏览器中生成地图位置。

7.根据权利要求1至4任意一项所述的针对地下空间数据的三维探地雷达实时解译方法，其特征在于，所述步骤S4包括以下子步骤：

步骤S401，在探地雷达数据采集过程中，根据旋转编码器在行进采集过程中产生的脉冲信号，上位机发指令触发摄像机抓拍，上位机将抓拍的照片序列实时压缩为HEVC视频码流，实现摄像机抓拍与探地雷达道间采集数据的同步，建立道号与视频流帧号的关联记录；

步骤S402，根据确认的目标在采集过程中记录的道号作为索引，查找道号与视频流帧号的关联记录得到所述视频流帧号，通过关键帧快速提取法生成现场定位照片。

8.根据权利要求7所述的针对地下空间数据的三维探地雷达实时解译方法，其特征在于，所述步骤S402中通过关键帧快速提取法生成现场定位照片的过程包括以下子步骤：

步骤S4021，在解码每帧视频数据的回调函数里搜索关键帧并做计数后返回，不进行后续的解码操作，关键帧的标志定义为pPicParams->intra_pic_flag == 1；其中，pPicParams-代表视频参数集合，intra_pic_flag == 1代表视频参数集合里的一个关键帧标志位；

步骤S4022，当搜索超过目标帧时，搜索结束，保存关键帧计数值作为最近前向关键帧；

步骤S4023，重新创建解码器，在解码每帧视频数据的回调函数里进行二次搜索关键帧并做计数后返回，不进行后续的解码操作；

步骤S4024，当所述步骤S4023进行二次搜索计数的关键帧等于步骤S4022保存的计数值时，开始执行该关键帧解码操作；

步骤S4025，在解码每帧视频数据的回调函数里，对后续帧进行连续解码，直到目标帧解码结束。

9.根据权利要求1至4任意一项所述的针对地下空间数据的三维探地雷达实时解译方法，其特征在于，所述步骤S5中，在继续进行数据采集的同时，弹出多窗口显示即时检出目标的垂直切片与水平切片复合图像、地图位置以及现场定位照片；所述垂直切片与水平切片复合图像包括8个相隔通道的垂直切片图和24层深度切片，并通过上下键翻看所有检出目标的组合窗口。

10.一种针对地下空间数据的三维探地雷达实时解译系统，其特征在于，采用了如权利要求1至9任意一项所述的针对地下空间数据的三维探地雷达实时解译方法，并包括：

一级模型检测模块，对三维探地雷达采集的实时数据进行实时数据处理，生成垂直切片图像簇，进行一级模型的人工智能实时目标检测；

二级模型检测模块，根据检出的目标体生成水平切片图像簇，进行二级模型的人工智能实时分类，排除一级模型的误识别目标；

生成地图位置模块，根据确认的目标在采集过程中记录的道号查找经纬度，以此生成地图位置；

生成现场定位照片模块，根据确认的目标在采集过程中记录的道号，根据道号查找视频流帧号，利用关键帧快速提取法生成现场定位照片；

组合显示模块，实时弹出多窗口组合，显示即时检测出的目标的复合图像、地图位置和现场定位照片，所述复合图像为目标的垂直切片与水平切片的复合图像，实现可回溯查看所有经确认的检出目标。

Images