CN113780361A - 一种基于2.5d-cnn算法的三维探地雷达图像地下管线识别方法 - Google Patents
一种基于2.5d-cnn算法的三维探地雷达图像地下管线识别方法 Download PDFInfo
- Publication number
- CN113780361A CN113780361A CN202110944158.4A CN202110944158A CN113780361A CN 113780361 A CN113780361 A CN 113780361A CN 202110944158 A CN202110944158 A CN 202110944158A CN 113780361 A CN113780361 A CN 113780361A
- Authority
- CN
- China
- Prior art keywords
- ground penetrating
- penetrating radar
- dimensional
- pipeline
- wavelet
- 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
- 230000000149 penetrating effect Effects 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 238000012795 verification Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000004880 explosion Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- 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
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)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (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)
- Probability & Statistics with Applications (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种基于2.5D‑CNN算法的三维探地雷达图像地下管线识别方法，所述方法包括步骤1：对已经得到的探地雷达的三维回波图像进行直达波去除，以及小波去噪；步骤2：将已预处理的探地雷达的三维回波图像进行标注，分别为横向管线、纵向管线、地下空洞和无目标四类，并将其打乱，随机分配至训练集和验证集；步骤3：利用步骤2的训练集和验证集对2.5D‑CNN的神经网络模型进行训练，得到训练好的权重模型；步骤4：利用步骤3获得训练好的神经网络模型，对探地雷达三维回波图像进行管线目标识别检测。本发明解决了传统方法识别地下管线目标效率低以及准确率低的问题。
Description
技术领域
本发明属于探地雷达三维回波图像后处理的目标检测技术领域，特别是涉及一种基于2.5D-CNN算法的三维探地雷达图像地下管线识别方法。
背景技术
探地雷达是一种高效率的、无破坏性的用于探测浅层地下环境的探测技术。探地雷达通过发射天线不断向地层发射高频电磁波，电磁波可以穿透地下介质，但是由于不同的地下介质具有不同的介电常数，电磁波在地层传播时，会在介质交替层发生反射和折射。接收天线通过接收多道反射回波(A-Scan)信号，通过信号处理技术，拼接为二维B-Scan图像。但是二维B-Scan图像并不能完全反映地下目标的特征。比如受检测方向、图像选取方式等的影响，二维B-Scan图像中的信息可能不能被识别而发生漏检的情况。如果采用的阵列式发射天线和接收天线，每个天线将会得到一个平面的二维B-Scan图像，通过将空间内的多个二维B-Scan图像按顺序堆叠，将会得到一副可以完整反映地下空间结构的三维图像(C-Scan)。
传统的检测方法是通过人工分辨的方式，有专业技术人员根据能量、同相性以及波形等先验经验来分辨地层结构，以及被掩埋物体。而由于地层环境的复杂性，例如地下物体一般具有复杂的几何形状，再加上地下介质水分含量的变化和地下其他物体的干扰等影响，使得探地雷达的数据解释很具有挑战性。同时人工分辨的效率较低，一名专家通常需要几天的时间才能分析几公里的探地雷达数据。这种方法效率低下且常常导致漏检或误检的问题。现如今深度学习发展火热，各式各样的神经网络模型相继出现，例如CNN通过卷积神经网络逐层提取二维图像上的特征来实现目标检测。但是这些网络模型基本都是根据特定的二维输入图像来设计的，目的是逐层提取二维图像上的特征来实现目标检测。对于处理更能反映地下结构的三维图像仍存在一定障碍。
发明内容
本发明是为了解决现有方法难以检测识别三维探地雷达图像中地下管线的问题，从而提供了一种基于2.5D-CNN算法的三维探地雷达图像地下管线识别方法。
本发明是通过以下技术方案实现的，本发明提出一种基于2.5D-CNN算法的三维探地雷达图像地下管线识别方法，所述方法包括以下步骤：
步骤1：对已经得到的探地雷达的三维回波图像进行预处理，所述预处理包括直达波去除以及小波去噪；
步骤2：将已预处理的探地雷达的三维回波图像进行标注，标注的类别分别为横向管线、纵向管线、地下空洞和无目标四类，并将标注完类别的三维回波图像进行打乱，随机分配至训练集和验证集；
步骤3：利用步骤2的训练集和验证集对2.5D-CNN的神经网络模型进行训练，得到训练好的权重模型；
步骤4：利用步骤3获得的训练好的权重模型，对探地雷达三维回波图像进行管线目标识别检测。
进一步地，所述步骤1利用时间门限截取的方式进行直达波滤除，是将回波数据中B-Scan图像中包含直达波横线状的部分直接截掉。
进一步地，探地雷达的回波数据简化表示为y(k)＝x(k)+n(k)，其中y(k)为探地雷达的回波数据，x(k)为地下目标的有用数据，n(k)表示噪声分量；为了尽可能的从y(k)中提取有用的信号分量，对探地雷达的回波数据进行小波变换，有yi,j＝xi,j+ni,j，其中yi,j为探地雷达的回波数据小波变换后的小波系数，xi，j即目标回波信号的小波变换的小波系数，ni，j为噪声分量小波变换后的小波系数，经小波变换后，目标回波信号的小波系数xi，j幅值比噪声分量的小波系数ni，j大，由此设置一个临界阈值，当小波系数小于该阈值时，则是噪声分量，并将其设置为0；当小波系数大于该阈值时，则认为它是有用信号的小波系数，保留这部分系数；处理后再进行小波逆变换，经过小波重构得到去噪后的探地雷达的三维回波图像。
进一步地，在步骤2中按照4：1的比例随机将标注完类别并打乱的三维回波图像分配至训练集和验证集；在四个类别中，当管线和探地雷达测道方向夹角小于45°时，标记为纵向管线，当管线和探地雷达测道方向夹角大于45°时，标记为横向管线。
进一步地，所述2.5D-CNN的神经网络模型结构为：首先经过第一层的8个20×3×3大小的卷积核进行二维卷积操作，这里的20是输入通道数，也是输入的B-Scan图像个数，在单个通道上通过3×3的卷积核来提取B-Scan图像的特征，然后在20个输入通道上进行全连接操作，来提取空间结构特征，最终生成8个二维图像，然后采用批标准化对每一批的训练数据进行归一化，再采用ReLU激活函数完成数据的非线性变换，以增强网络模型的适配性并解决网络模型梯度爆炸的问题，然后作为8通道输入到下一层网络中；第二层为16个8×3×3大小的卷积核在每个通道上进行二维卷积操作，然后在所有通道进行全连接操作，同样也采用批标准化和ReLU激活函数，并进行2×2的最大池化操作，从而减少最后连接层中的参数数量；第三层为32个16×3×3大小的卷积核在每个通道进行二维卷积操作，然后在所有通道上进行全连接操作，其余与第一层的参数和步骤相同；第四层为64个32×3×3大小的卷积核在每个通道进行二维卷积操作，然后在所有通道上进行全连接操作，与第二层一样采用批标准化、ReLU激活函数和池化，并进行0.2的Dropout，随机删除训练过程中的一部分的隐藏神经元，用来减少训练时间和减少过拟合；然后网络经由Flatten层展平提取到的特征，送入接下来的一层全连接网络部分，经过Softmax分类输出。
进一步地，神经网络模型选取训练超参数为10batch和10epochs，学习率为0.0001。
进一步地，所述步骤4具体为：将未使用过的地下管线目标探地雷达三维回波图像输入到训练好的权重模型中，自动地对探地雷达三维回波图像中的地下管线目标进行检测，最终标注出带有地下管线信息的三维回波图像。
本发明有益效果为：
本发明通过已经人工分类出的地下管线标签的三维图像作为训练集，利用该训练集训练出可用于自动识别后续探地雷达三维回波图像中的地下管线信息的卷积神经网络模型。采用本发明的方法对探地雷达三维回波图像的地下管线目标进行检测可以有效提高识别概率和识别速度。本发明可以将地下管线目标识别概率提高到90％以上。
附图说明
图1是本发明基于2.5D-CNN算法的三维探地雷达图像地下管线识别方法的流程图。
图2是采用的卷积神经网络模型结构图。
图3是直达波去除前后的对比图。
图4是横向管线和纵向管线的B-Scan图像。
图5是地下管线和空洞的B-Scan图像以及反映它们的空间结构图像。
图6是卷积神经网络训练过程中的准确率曲线图和损失函数曲线图。
具体实施方式
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，都属于本发明保护的范围。
实际中的探地雷达采集到的数据，由于地下环境的复杂性，仅依靠二维B-Scan图像，无法表现出地下目标的全貌，这使后续目标的识别很容易出现误判和漏判的情况。本发明的目的是将探地雷达的三维回波图像分为多个B-Scan图像，再将其输入到多通道到卷积神经网络中去训练网络模型，利用多通道卷积神经网络在不同通道的全连接性，从而提取出多个B-Scan图像的空间结构信息。最终将训练好的模型用于实现探地雷达三维回波图像地下管线目标的识别。
结合图1-6，本发明提出一种基于2.5D-CNN算法的三维探地雷达图像地下管线识别方法，所述方法包括以下步骤：
步骤1：对已经得到的探地雷达的三维回波图像进行预处理，所述预处理包括直达波去除以及小波去噪；
所述步骤1利用时间门限截取的方式进行直达波滤除，是将回波数据中B-Scan图像中包含直达波横线状的部分直接截掉。该方式是最直接、最有效对直达波去除的方式，而且针对土地介质交界处不是水平的情况仍有很好的滤除效果，也不会减弱横线管道的特征，能很好地保留地下管线的双曲线特征。对于直达波的抑制是探地雷达信号处理中一个重要环节。如图3所示，由于直达波相对有用信号来说能量很强，有用信号很容易被覆盖而无法分辨，这对神经网络的特征提取会是一种干扰。
探地雷达的回波数据简化表示为y(k)＝x(k)+n(k)，其中y(k)为探地雷达的回波数据，x(k)为地下目标的有用数据，n(k)表示噪声分量；为了尽可能的从y(k)中提取有用的信号分量，对探地雷达的回波数据进行小波变换，有yi，j＝xi，j+ni，j，其中yi，j为探地雷达的回波数据小波变换后的小波系数，xi，j即目标回波信号的小波变换的小波系数，ni，j为噪声分量小波变换后的小波系数，经小波变换后，目标回波信号的小波系数xi，j幅值比噪声分量的小波系数ni，j大，由此设置一个临界阈值，当小波系数小于该阈值时，则是噪声分量，并将其设置为0；当小波系数大于该阈值时，则认为它是有用信号的小波系数，保留这部分系数；处理后再进行小波逆变换，经过小波重构得到去噪后的探地雷达的三维回波图像。未经处理时的信号有时极小，有时还被直达波覆盖而不能分辨，而且还会受到噪声等影响，使得数据图像不易分辨，这样在运用神经网络进行特征提取分类时很难保证准确率。
步骤2：将已预处理的探地雷达的三维回波图像进行标注，标注的类别分别为横向管线、纵向管线、地下空洞和无目标四类，并将标注完类别的三维回波图像进行打乱，随机分配至训练集和验证集；
在步骤2中按照4：1的比例随机将标注完类别并打乱的三维回波图像分配至训练集和验证集；在四个类别中，当管线和探地雷达测道方向夹角小于45°时，标记为纵向管线，当管线和探地雷达测道方向夹角大于45°时，标记为横向管线。
当探地雷达的测线方向与管线方向垂直时，可以看到B-Scan图像呈现双曲线形状；当探地雷达的测线方向与管线方向相同时，B-Scan图像上并不会呈现双曲线形状，如图4所示。这是由于探地雷达记录天线正下方测量反射信号的强度及反射设计，因此，当探地雷达先靠近然后远离埋藏的物体时，反射在雷达扫描中形成双曲线。双曲线的顶点可以计算出目标物体的实际位置。而当测道方向与管线方向相同时，就没有这样一个先靠近再远离的过程，显然这时就不会再B-Scan中出现双曲线的形状特征。并且对于地下管线和空洞，它们在B-Scan图像上都会呈现出双曲线状的回波图像，难以辨认区分，如图5所示。这样就对传统的基于二维图像的卷积神经网络提取特征造成了一定的困难，非常容易发生漏判和误判。
步骤3：利用步骤2的训练集和验证集对2.5D-CNN的神经网络模型进行训练，得到训练好的权重模型；
如图2所示，所述2.5D-CNN的神经网络模型结构为：首先经过第一层的8个20×3×3大小的卷积核进行二维卷积操作，这里的20是输入通道数，也是输入的B-Scan图像个数，在单个通道上通过3×3的卷积核来提取B-Scan图像的特征，然后在20个输入通道上进行全连接操作，来提取空间结构特征，最终生成8个二维图像，然后采用批标准化对每一批的训练数据进行归一化，再采用ReLU激活函数完成数据的非线性变换，以增强网络模型的适配性并解决网络模型梯度爆炸的问题，然后作为8通道输入到下一层网络中；第二层为16个8×3×3大小的卷积核在每个通道上进行二维卷积操作，然后在所有通道进行全连接操作，同样也采用批标准化和ReLU激活函数，并进行2×2的最大池化操作，从而减少最后连接层中的参数数量，这样可以加快计算速度和防止过拟合的作用；第三层为32个16×3×3大小的卷积核在每个通道进行二维卷积操作，然后在所有通道上进行全连接操作，其余与第一层的参数和步骤相同；第四层为64个32×3×3大小的卷积核在每个通道进行二维卷积操作，然后在所有通道上进行全连接操作，与第二层一样采用批标准化、ReLU激活函数和池化，并进行0.2的Dropout，随机删除训练过程中的一部分的隐藏神经元，用来减少训练时间和减少过拟合；然后网络经由Flatten层展平提取到的特征，送入接下来的一层全连接网络部分，经过Softmax分类输出。神经网络模型选取训练超参数为10batch和10epochs，学习率为0.0001。迭代得到的识别准确率曲线和损失曲线如图6所示，可以看到，训练迭代到4个周期后准确率和损失函数逐渐稳定下来，训练和验证的结果基本一致，没有出现明显的过拟合。最终得到经过训练的权重模型。
步骤4：利用步骤3获得的训练好的权重模型，对探地雷达三维回波图像进行管线目标识别检测。
所述步骤4具体为：将未使用过的地下管线目标探地雷达三维回波图像输入到训练好的权重模型中，自动地对探地雷达三维回波图像中的地下管线目标进行检测，最终标注出带有地下管线信息的三维回波图像。
以上对本发明所提出的一种基于2.5D-CNN算法的三维探地雷达图像地下管线识别方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种基于2.5D-CNN算法的三维探地雷达图像地下管线识别方法，其特征在于：所述方法包括以下步骤：
步骤1：对已经得到的探地雷达的三维回波图像进行预处理，所述预处理包括直达波去除以及小波去噪；
步骤2：将已预处理的探地雷达的三维回波图像进行标注，标注的类别分别为横向管线、纵向管线、地下空洞和无目标四类，并将标注完类别的三维回波图像进行打乱，随机分配至训练集和验证集；
步骤3：利用步骤2的训练集和验证集对2.5D-CNN的神经网络模型进行训练，得到训练好的权重模型；
步骤4：利用步骤3获得的训练好的权重模型，对探地雷达三维回波图像进行管线目标识别检测。
2.根据权利要求1所述的方法，其特征在于：所述步骤1利用时间门限截取的方式进行直达波滤除，是将回波数据中B-Scan图像中包含直达波横线状的部分直接截掉。
3.根据权利要求1所述的方法，其特征在于：探地雷达的回波数据简化表示为y(k)＝x(k)+n(k)，其中y(k)为探地雷达的回波数据，x(k)为地下目标的有用数据，n(k)表示噪声分量；为了尽可能的从y(k)中提取有用的信号分量，对探地雷达的回波数据进行小波变换，有yi，j＝xi，j+ni，j，其中yi，j为探地雷达的回波数据小波变换后的小波系数，xi，j即目标回波信号的小波变换的小波系数，ni，j为噪声分量小波变换后的小波系数，经小波变换后，目标回波信号的小波系数xi，j幅值比噪声分量的小波系数ni，j大，由此设置一个临界阈值，当小波系数小于该阈值时，则是噪声分量，并将其设置为0；当小波系数大于该阈值时，则认为它是有用信号的小波系数，保留这部分系数；处理后再进行小波逆变换，经过小波重构得到去噪后的探地雷达的三维回波图像。
4.根据权利要求1所述的方法，其特征在于：在步骤2中按照4∶1的比例随机将标注完类别并打乱的三维回波图像分配至训练集和验证集；在四个类别中，当管线和探地雷达测道方向夹角小于45°时，标记为纵向管线，当管线和探地雷达测道方向夹角大于45°时，标记为横向管线。
5.根据权利要求1所述的方法，其特征在于：所述2.5D-CNN的神经网络模型结构为：首先经过第一层的8个20×3×3大小的卷积核进行二维卷积操作，这里的20是输入通道数，也是输入的B-Scan图像个数，在单个通道上通过3×3的卷积核来提取B-Scan图像的特征，然后在20个输入通道上进行全连接操作，来提取空间结构特征，最终生成8个二维图像，然后采用批标准化对每一批的训练数据进行归一化，再采用ReLU激活函数完成数据的非线性变换，以增强网络模型的适配性并解决网络模型梯度爆炸的问题，然后作为8通道输入到下一层网络中；第二层为16个8×3×3大小的卷积核在每个通道上进行二维卷积操作，然后在所有通道进行全连接操作，同样也采用批标准化和ReLU激活函数，并进行2×2的最大池化操作，从而减少最后连接层中的参数数量；第三层为32个16×3×3大小的卷积核在每个通道进行二维卷积操作，然后在所有通道上进行全连接操作，其余与第一层的参数和步骤相同；第四层为64个32×3×3大小的卷积核在每个通道进行二维卷积操作，然后在所有通道上进行全连接操作，与第二层一样采用批标准化、ReLU激活函数和池化，并进行0.2的Dropout，随机删除训练过程中的一部分的隐藏神经元，用来减少训练时间和减少过拟合；然后网络经由Flatten层展平提取到的特征，送入接下来的一层全连接网络部分，经过Softmax分类输出。
6.根据权利要求5所述的方法，其特征在于：神经网络模型选取训练超参数为10batch和10epochs，学习率为0.0001。
7.根据权利要求1所述的方法，其特征在于：所述步骤4具体为：将未使用过的地下管线目标探地雷达三维回波图像输入到训练好的权重模型中，自动地对探地雷达三维回波图像中的地下管线目标进行检测，最终标注出带有地下管线信息的三维回波图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110944158.4A CN113780361B (zh) | 2021-08-17 | 2021-08-17 | 一种基于2.5d-cnn算法的三维探地雷达图像地下管线识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110944158.4A CN113780361B (zh) | 2021-08-17 | 2021-08-17 | 一种基于2.5d-cnn算法的三维探地雷达图像地下管线识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113780361A true CN113780361A (zh) | 2021-12-10 |
| CN113780361B CN113780361B (zh) | 2024-09-13 |
Family
ID=78837971
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110944158.4A Active CN113780361B (zh) | 2021-08-17 | 2021-08-17 | 一种基于2.5d-cnn算法的三维探地雷达图像地下管线识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113780361B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114821346A (zh) * | 2022-06-28 | 2022-07-29 | 深圳安德空间技术有限公司 | 一种基于嵌入式平台的雷达图像智能识别方法和系统 |
| CN115291210A (zh) * | 2022-07-26 | 2022-11-04 | 哈尔滨工业大学 | 一种结合注意力机制的3d-cnn探地雷达三维图像管线识别方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685011A (zh) * | 2018-12-25 | 2019-04-26 | 北京华航无线电测量研究所 | 一种基于深度学习的地下管线检测识别方法 |
| CN112462346A (zh) * | 2020-11-26 | 2021-03-09 | 西安交通大学 | 一种基于卷积神经网络的探地雷达路基病害目标检测方法 |
-
2021
- 2021-08-17 CN CN202110944158.4A patent/CN113780361B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685011A (zh) * | 2018-12-25 | 2019-04-26 | 北京华航无线电测量研究所 | 一种基于深度学习的地下管线检测识别方法 |
| CN112462346A (zh) * | 2020-11-26 | 2021-03-09 | 西安交通大学 | 一种基于卷积神经网络的探地雷达路基病害目标检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 柯海南 等: "基于Viola-Jones方法的探地雷达管线目标识别", 信息通信, no. 12, 15 December 2019 (2019-12-15), pages 13 - 15 * |
| 胡浩帮 等: "基于Faster R-CNN算法的探地雷达管线目标智能识别", 城市勘测, no. 03, 30 June 2020 (2020-06-30), pages 203 - 208 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114821346A (zh) * | 2022-06-28 | 2022-07-29 | 深圳安德空间技术有限公司 | 一种基于嵌入式平台的雷达图像智能识别方法和系统 |
| CN114821346B (zh) * | 2022-06-28 | 2022-09-02 | 深圳安德空间技术有限公司 | 一种基于嵌入式平台的雷达图像智能识别方法和系统 |
| CN115291210A (zh) * | 2022-07-26 | 2022-11-04 | 哈尔滨工业大学 | 一种结合注意力机制的3d-cnn探地雷达三维图像管线识别方法 |
| CN115291210B (zh) * | 2022-07-26 | 2024-04-30 | 哈尔滨工业大学 | 一种结合注意力机制的3d-cnn探地雷达三维图像管线识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113780361B (zh) | 2024-09-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11402494B2 (en) | Method and apparatus for end-to-end SAR image recognition, and storage medium | |
| CN113780361B (zh) | 一种基于2.5d-cnn算法的三维探地雷达图像地下管线识别方法 | |
| Ishitsuka et al. | Object Detection in Ground‐Penetrating Radar Images Using a Deep Convolutional Neural Network and Image Set Preparation by Migration | |
| CN114169411B (zh) | 一种基于3d-cnn算法的三维探地雷达图像地下管线识别方法 | |
| 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 | |
| CN113901878B (zh) | 一种基于cnn+rnn算法的三维探地雷达图像地下管线识别方法 | |
| Noreen et al. | Using pattern recognition with HOG to automatically detect reflection hyperbolas in ground penetrating radar data | |
| CN1332220C (zh) | 基于信息融合的超宽带探地雷达自动目标识别方法 | |
| 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 | |
| Pasolli et al. | Automatic detection and classification of buried objects in GPR images using genetic algorithms and support vector machines | |
| Barkataki et al. | A CNN model for predicting size of buried objects from GPR B-Scans | |
| Gonzalez-Huici et al. | A combined strategy for landmine detection and identification using synthetic GPR responses | |
| CN107220628B (zh) | 红外干扰源检测的方法 | |
| CN107402386A (zh) | 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 | |
| CN111458688B (zh) | 一种基于三维卷积网络的雷达高分辨距离像目标识别方法 | |
| CN115223044A (zh) | 基于深度学习的端到端三维探地雷达目标识别方法及系统 | |
| CN110969203A (zh) | 基于自相关和cam网络的hrrp数据去冗余方法 | |
| CN113031059B (zh) | 基于视觉认知的环境抑制与轮廓结合模型的地震数据同相轴检测方法 | |
| Xiao et al. | Research on hyperbola detection and fitting in GPR B-scan image | |
| Gonzalez-Huici | A strategy for landmine detection and recognition using simulated GPR responses | |
| CN117452155A (zh) | 电缆放电位置的定位方法、装置、存储介质及电子设备 | |
| Dewantara et al. | Automatic hyperbola detection and apex extraction using Convolutional Neural Network on GPR data | |
| Qian et al. | Deep Learning-Augmented Stand-off Radar Scheme for Rapidly Detecting Tree Defects | |
| CN109061628A (zh) | 一种基于多功能雷达慢扫增强的浒苔提取方法 | |
| Juan et al. | A new Wavelet Prediction method for GPR clutter elimination Based on LSTM network |
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 |