CN113837163B - 一种基于三维探地雷达的隧道监测方法、系统以及存储介质 - Google Patents

一种基于三维探地雷达的隧道监测方法、系统以及存储介质 Download PDF

Info

Publication number
CN113837163B
CN113837163B CN202111428130.1A CN202111428130A CN113837163B CN 113837163 B CN113837163 B CN 113837163B CN 202111428130 A CN202111428130 A CN 202111428130A CN 113837163 B CN113837163 B CN 113837163B
Authority
CN
China
Prior art keywords
information
test
signal
actual
positioning
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
Application number
CN202111428130.1A
Other languages
English (en)
Other versions
CN113837163A (zh
Inventor
武贤龙
包小华
陈湘生
崔宏志
沈俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
Original Assignee
Shenzhen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN202111428130.1A priority Critical patent/CN113837163B/zh
Publication of CN113837163A publication Critical patent/CN113837163A/zh
Application granted granted Critical
Publication of CN113837163B publication Critical patent/CN113837163B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • 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
    • 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
    • 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)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本申请涉及一种基于三维探地雷达的隧道监测方法、系统以及存储介质，涉及无损检测的领域，该方法包括获取信号信息；对信号信息进行信息处理；识别出检测数据信息中的问题参数信息和问题类别信息；对问题参数信息发生的位置进行精确定位并输出定位信息；根据所预设的问题评价数据库中所存储的问题评价结果和问题参数信息和问题类别信息进行比对以确定问题评价结果信息并输出问题评价结果信息。改善接收到的电磁波信号较为复杂，对检测图像的判读往往采用人工的方式进行，这种方式效率低下，并严重依赖于检测人员的工作经验的问题，本申请具有通过三维探地雷达系统对隧道进行检测、处理和自动化判读，提高了问题信息和定位的准确性的效果。

Description

一种基于三维探地雷达的隧道监测方法、系统以及存储介质
技术领域
本申请涉及无损检测的领域，尤其是涉及一种基于三维探地雷达的隧道监测方法、系统以及存储介质。
背景技术
探地雷达是近些年发展最为迅速的地球物理工具之一，它通过向地下待测物体发射高频电磁波，对接收的回波进行相应的数据采样以及相关分析处理来确定目标物分布和性质的一种无损检测的方法。
在无损检测技术领域，探地雷达被广泛应用于隧道的检测中，通过捕获电磁波在衬砌及围岩内的反射信号，从而实现对围岩及衬砌内部结构的判断。通常的探地雷达系统由控制系统、发射天线、接收天线、传输电缆四部分组成。发射天线根据控制系统的参数信号发射固定频率的电磁波，而接收天线依据控制系统的命令接收反射信号，通过对采集到的电磁波信号进行多步处理，便可实现对对围岩及衬砌内部结构的判断。随着探地雷达技术的进步，三维探地雷达开始被应用于隧道监测中来。
针对上述中的相关技术，发明人认为，探地雷达的电磁波信号中包含多种杂波和噪声，使得接收到的电磁波信号较为复杂，对检测图像的判读往往采用人工的方式进行，这种方式效率低下，并严重依赖于检测人员的工作经验，尚有改进的空间。
发明内容
为了改善接收到的电磁波信号较为复杂，对检测图像的判读往往采用人工的方式进行，这种方式效率低下，并严重依赖于检测人员的工作经验的问题，本申请提供一种基于三维探地雷达的隧道监测方法、系统及存储介质。
第一方面，本申请提供一种基于三维探地雷达的隧道监测方法，采用如下的技术方案：
一种基于三维探地雷达的隧道监测方法，包括：
获取三维探地雷达上的信号信息；
对信号信息进行信息处理，以获得处理后的检测数据信息；
根据所预设的检测算法识别出检测数据信息中的问题参数信息和问题类别信息；
根据检测算法对问题参数信息发生的位置进行精确定位并输出定位信息；
根据所预设的问题评价数据库中所存储的问题评价结果和问题参数信息和问题类别信息进行比对以确定问题参数信息和问题类别信息所对应的问题评价结果，将该问题评价结果定义为问题评价结果信息并输出问题评价结果信息。
通过采用上述技术方案，通过三维探地雷达系统对隧道进行检测，并且对信号中的有效信号进行提取处理，并按照一定的算法进行自动化判读，提高了问题信息和定位的准确性。
可选的，还包括对信号信息进行信息处理方法，该方法包括：
将信号信息进行零点校正以得到校正信号信息；
根据所预设的小波基信息和小波分解层数信息将校正信号信息进行小波变化以得到变换信号信息和噪音信息；
判断变换信号信息中的尺寸是否大于所预设的基准值；
若变换信号信息中的尺寸大于所预设的基准值，则根据变换信号信息中的尺寸和噪音信息计算出阈值信息；
若变换信号信息中的尺寸小于所预设的基准值，则将阈值信息定义为0；
判断变换信号信息是否大于阈值信息；
若变换信号信息大于阈值信息，则根据所预设的阈值函数信息、变换信号信息和阈值信息计算出去噪后的信号，将该信号定义为去噪信号信息；
若变换信号信息小于阈值信息，则将阈值函数信息定义为0并计算出去噪信号信息；
获取天线上的频率信息；
根据所预设的带通滤波器数据库与频率信息进行匹配分析以确定频率信息所对应的带通滤波器，将该带通滤波器定义为带通滤波器信息；
使用带通滤波器信息对去噪信号信息去除频域干扰以得到去干扰信号信息；
将去干扰信号信息进行补偿以得到最终信号信息。
通过采用上述技术方案，通过均值点法进行零点校正、通过小波转化去噪，通过带通滤波器去除频域干扰，最后通过补偿得到最终的信号，使得整个信号具有较高的保真度，可以有效提高电磁波信号的信噪比，保证图像识别的准确性。
可选的，检测算法包括：
获取信号信息的特征信息；
根据特征信息进行神经网络训练并识别出特征信息中包含的问题参数信息和候选区域信息，并将问题参数信息进行输出；
根据所预设的问题类别数据库中存储的问题类别和问题参数信息进行匹配分析以确定问题参数信息所对应的问题类别信息并输出；
根据候选区域信息和特征信息进行计算得到定位信息并输出。
通过采用上述技术方案，将图像通过算法进行识别得到特征图，以获取特征图的背景和问题产生的候选区域，并将识别后的特征图对识别网络进行训练，最后将特征和候选区域结合起来计算出定位和内部的参数，使得整个检测无需依靠人为经验，人为干预较少，提高了检测的自动化和准确率。
可选的，还包括检测算法的结果校验方法，该方法包括：
获取实际情况下的实际定位信息、实际问题参数信息和实际问题类别信息；
将实际定位信息、实际问题参数信息以及实际问题类别信息和定位信息、问题参数信息以及问题类别信息一一进行比对并进行计数以确定两者之间一致的个数、不一致的个数和漏识别的个数，将一致的个数定义为正确识别数量信息，将不一致的个数定义为错误识别数量信息，将漏识别的个数定义为漏识别数量信息；
根据正确识别数量信息、错误识别数量信息和漏识别数量信息进行计算以得到识别效果信息；
判断识别效果信息是否大于所预设的基准效果信息；
若识别效果信息大于基准效果信息，则直接输出定位信息、问题类别信息、问题参数信息和问题评价结果信息；
若识别效果信息小于基准效果信息，则将检测算法进行优化并重新判断识别效果信息是否大于基准效果信息。
通过采用上述技术方案，通过实际情况的检验得到最后的准确率，然后根据准确率来优化算法，使得检测算法更加精确，能够高效准确地识别出问题参数，提高了算法的准确性和精确性。
可选的，还包括检测算法的优化方法，该方法包括：
任意选取候选区域信息的调整范围、比例和个数进行神经网络训练以获得测试候选区域信息和测试问题参数信息；
根据测试候选区域信息和特征信息进行计算得到测试定位信息；
根据测试候选区域信息与问题类别数据库进行匹配分析以确定测试候选区域信息所对应的问题类别，将该问题类别定义为测试问题类别信息；
将实际定位信息、实际问题参数信息以及实际问题类别信息和测试定位信息、测试问题参数信息以及测试问题类别信息一一进行比对并进行计数以确定两者之间一致的个数、不一致的个数和漏识别的个数，将一致的个数定义为测试正确识别数量信息，将不一致的个数定义为测试错误识别数量信息，将漏识别的个数定义为测试漏识别数量信息；
根据测试正确识别数量信息和测试错误识别数量信息进行计算以得到测试识别效果信息；
判断测试识别效果信息是否大于基准效果信息；
若是，则停止调整；
若否，则继续选取候选区域信息的调整范围、比例和个数进行神经网络训练。
通过采用上述技术方案，对定位、问题类别和问题参数均进行比对来得到准确率，当不足时则通过调整候选区域的范围比例和个数进行神经网络训练，最终在不断的调试过程中得到符合要求的候选区域，无需人为干预，提高了检测算法的自动化和准确率。
可选的，所述小波基为db5～db7。
通过采用上述技术方案，当小波基为db5～db7时进行数据处理，最终获得的信噪比较高，提高了有用信号的表达。
可选的，所述小波分解层数为3～4层。
通过采用上述技术方案，当小波分解层数为3～4层时进行数据处理，最终获得的信噪比较高，提高了有用信号的表达。
可选的，所述带通滤波的频率为2/3~5/3倍的频率信息。
通过采用上述技术方案，当带通滤波的频率为2/3~5/3倍的频率信息时，可以屏蔽低于或高于这个范围的信号，重点突出有用信号。
第二方面，本申请提供一种基于三维探地雷达的隧道监测系统，采用如下的技术方案：
信号采集模块，用于获取三维探地雷达上的信号信息；
处理模块，与信号采集模块和计算模块相连，用于信息的存储和处理；
处理模块对信号信息进行信息处理，以获得处理后的检测数据信息；
计算模块，用于根据所预设的检测算法识别出检测数据信息中的问题参数信息和问题类别信息；
计算模块根据检测算法对问题参数信息发生的位置进行精确定位并输出定位信息；
处理模块根据所预设的问题评价数据库中所存储的问题评价结果和问题参数信息和问题类别信息进行比对以确定问题参数信息和问题类别信息所对应的问题评价结果，将该问题评价结果定义为问题评价结果信息并输出问题评价结果信息。
通过采用上述技术方案，通过三维探地雷达系统对隧道进行检测，并且对信号中的有效信号进行提取处理，并按照一定的算法进行自动化判读，提高了问题信息和定位的准确性。
第三方面，本申请提供一种计算机可读存储介质，能够存储相应的程序，具有优化算法的特点。
一种计算机可读存储介质，采用如下的技术方案：
一种计算机可读存储介质，存储有能够被处理器加载并执行上述任一种基于三维探地雷达的隧道监测方法的计算机程序。
通过采用上述技术方案，通过三维探地雷达系统对隧道进行检测，并且对信号中的有效信号进行提取处理，并按照一定的算法进行自动化判读，提高了问题信息和定位的准确性。
综上所述，本申请包括以下至少一种有益技术效果：
1.通过三维探地雷达系统对隧道进行检测、处理和自动化判读，提高了问题信息和定位的准确性；
2.通过校正、去噪，去除频域干扰和补偿得到最终的信号，使得整个信号具有较高的保真度，可以有效提高电磁波信号的信噪比，保证图像识别的准确性。
附图说明
图1是本申请实施例中的一种基于三维探地雷达的隧道监测方法的流程图。
图2是本申请实施例中的衬砌病、灾害的分级标准的表图。
图3是本申请实施例中的围岩状态评价标准的表图。
图4是本申请实施例中的检测算法的结果校验方法的流程图。
图5是本申请实施例中的选区域信息的调整范围、比例和个数的选取方法的流程图。
图6是本申请实施例中的一种基于三维探地雷达的隧道监测方法的模块示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图1-6及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
下面结合说明书附图对本发明实施例作进一步详细描述。
参见图1，本发明实施例提供一种基于三维探地雷达的隧道监测方法，基于三维探地雷达的隧道监测方法的主要流程描述如下：
步骤100：获取三维探地雷达上的信号信息。
信号信息为探地雷达上发射特定信息后得到的电磁波信号，受到工作环境、地质条件等多种因素的影响，探地雷达的电磁波信号中包含多种杂波和噪声，电磁波在频散、随机、各向异性介质中会出现能量衰减，所以出现的信号信息较为复杂。
步骤101：将信号信息进行零点校正以得到校正信号信息。
校正信号信息为原始的信号信息进行零点校正后得到的信号，此处的信号已经取出了衬砌表面反射的直达波。零点校正的方法为均值点法，其表达式为：
Figure 322201DEST_PATH_IMAGE001
，其中，
Figure 957451DEST_PATH_IMAGE002
表示经过零点校正后的数据，
Figure 940450DEST_PATH_IMAGE003
表示原始数据，
Figure 538922DEST_PATH_IMAGE004
表示该组天线接收到的电磁波的数量。
步骤102：根据所预设的小波基信息和小波分解层数信息将校正信号信息进行小波变化以得到变换信号信息和噪音信息，所述小波基为db5～db7，所述小波分解层数为3～4层。
小波基信息为小波函数，小波转换是指用有限长或快速衰减的、为母小波的震荡波形来表示信号。该波通过被缩放和平移以匹配输入的信号。小波转换的函数为Daubechies函数。其表达式为：
Figure 71403DEST_PATH_IMAGE005
，其中
Figure 362707DEST_PATH_IMAGE006
为小波变换前的电磁波信号，
Figure 98582DEST_PATH_IMAGE007
为经过小波变换后的噪声信号，
Figure 766324DEST_PATH_IMAGE008
为目标信号经过小波变换之后的电磁波信号。即经过小波转化后可以将电磁波信号分接出噪声信号。在本申请中，小波基为db5～db7以及小波分解层数为3~4层的选择是本领域技术人员通过多次实验后得到的，可以得到较好的效果，获得较高的信噪比，提高有用信号的表达。
步骤103：判断变换信号信息中的尺寸是否大于所预设的基准值。
变换信号信息中的尺寸即为经过小波变化后的电磁波信号的尺寸。判断的目的由于后续过程中阈值的选择是根据变换信号信息中的尺寸来进行计算的。基准值为事先进行预设的尺寸，为本领域工作人员经过长期的试验和自身的经验得到的数值，在本申请中电磁波信号的尺寸的基准值为32。
步骤1031：若变换信号信息中的尺寸大于所预设的基准值，则根据变换信号信息中的尺寸和噪音信息计算出阈值信息。
当变换信号信息中的尺寸大于所预设的基准值即大于32时，阈值信息为变换信号信息中的临界值。
Figure 887732DEST_PATH_IMAGE009
，其中，
Figure 349938DEST_PATH_IMAGE010
为阈值，
Figure 573108DEST_PATH_IMAGE011
为噪声的方差，
Figure 768510DEST_PATH_IMAGE012
为电磁波信号的尺寸。
步骤1032：若变换信号信息中的尺寸小于所预设的基准值，则将阈值信息定义为0。
步骤104：判断变换信号信息是否大于阈值信息。
判断的目的是为了确定变换信号信息是否超过临界值，此处变换信号信息。
步骤1041：若变换信号信息大于阈值信息，则根据所预设的阈值函数信息、变换信号信息和阈值信息计算出去噪后的信号，将该信号定义为去噪信号信息。
去噪信号信息为经过合适的小波阈值和阈值函数进行滤波后得到的去噪后的电磁波信号的信息。其中，
Figure 760736DEST_PATH_IMAGE013
，
Figure 659422DEST_PATH_IMAGE014
为经过滤波后的电磁波信号，
Figure 369889DEST_PATH_IMAGE010
为阈值，
Figure 363122DEST_PATH_IMAGE008
为目标信号经过小波变换之后的电磁波信号，最后得到的为去噪后的电磁波信号。
步骤1042：若变换信号信息小于阈值信息，则将阈值函数信息定义为0并计算出去噪信号信息。
步骤105：获取天线上的频率信息。
频率信息为探地雷达上的天线上的频率信息，该信息可以通过铭牌一一对应进行获取。
步骤106：根据所预设的带通滤波器数据库与频率信息进行匹配分析以确定频率信息所对应的带通滤波器，将该带通滤波器定义为带通滤波器信息，所述带通滤波的频率为2/3~5/3倍的频率信息。
带通滤波器信息为带通滤波的频率信息，即和天线的频率相适配的带通滤波器的频率，在本申请中，带通滤波的频率为2/3~5/3倍的频率信息的选择是本领域技术人员通过多次实验后得到的，屏蔽低于或高于这个范围的信号，重点突出有用信号。
步骤107：使用带通滤波器信息对去噪信号信息去除频域干扰以得到去干扰信号信息。
去干扰信号信息为去噪信号信息经过带通滤波器进行滤波去除频域干扰之后得到的电磁波信号的信息，即将低于或高于这个范围的信号去除后得到的电磁波信号。
步骤108：将去干扰信号信息进行补偿以得到最终信号信息。
最终信号信息为处理后的检测数据信息，即该电磁波信号为最终有效的信号。由于接收到的电磁波信号在频散、随机、各向异性介质中会出现能量衰减，所以需要对探地雷达电磁波信号进行补偿。补偿的表达式为：
Figure 475434DEST_PATH_IMAGE015
，其中，
Figure 279442DEST_PATH_IMAGE016
为经过信号增强之后的电磁波幅值，
Figure 211626DEST_PATH_IMAGE017
为电磁波的原始幅值，
Figure 8550DEST_PATH_IMAGE018
为采样的数量，
Figure 975369DEST_PATH_IMAGE019
为电磁波增强系数。采样数量和电磁波增强系数为人为设置的，是本领域技术人员经过长期试验并结合经验得到的选定数值。
步骤109：获取信号信息的特征信息。
特征信息为各种异常信号的特征点的信息，例如围岩的裂隙、松动圈、渗漏水等缺陷以及衬砌中的脱空、不密实、厚度不足、开裂、钢筋屈曲等病、灾害。获取的方式为利用特征提取网络进行一系列的卷积、池化操作提取图像来进行获取的，例如脱空的特征，脱空时电磁波的振幅变化和灰度图中的命案变化等为特征图中的信息。
步骤110：根据特征信息进行神经网络训练并识别出特征信息中包含的问题参数信息和候选区域信息，并将问题参数信息进行输出。
问题参数信息为特征图中包含的内容，数据的提取过程为三维成像后进行提取的，可以提取目标体的长、宽、高和深度的主要参数。然后候选区域信息为特征图中出现问题参数的可能在的位置的区域信息，即在提取特征图后，然后RPN网络在特征图上定位候选目标，使用softmax分类器判别候选目标属于前景还是背景，利用范围框回归器修正候选目标的位置，最终生成候选目标区域。
步骤111：根据所预设的问题类别数据库中存储的问题类别和问题参数信息进行匹配分析以确定问题参数信息所对应的问题类别信息并输出。
问题类别信息为问题出现的类别的信息，比如脱空、破碎、断层等图像信息。理想的图像应该是均匀，规律，无明显变化的图像。围岩裂隙、松动圈及渗漏水缺陷识别依据为：检测图像的同相轴出现明显错动或局部同相轴缺失，该处电磁波信号发生紊乱，波峰、波谷的振幅显著增强且变化较大；对衬砌存在的脱空、不密实、厚度不足、开裂、钢筋屈曲等病、灾害进行识别依据为：检测图像出现明显规整的双曲线波形特征，三振相明显，呈带状长条形或三角形分布，区域化分布，钢筋分布不均匀，出现多组杂乱的回波信号。识别的过程前期为人为判别，后期为算法自动识别的过程。
步骤112：根据候选区域信息和特征信息进行计算得到定位信息并输出。
定位信息为问题信息出现的位置信息，在ROI池化中，综合候选框和和特征图的信息，最终标定出识别的目标体位置。标定的公式为深度公式，即：
Figure 215857DEST_PATH_IMAGE020
，其中，
Figure 635337DEST_PATH_IMAGE021
为围岩缺陷及衬砌病、灾害反射界面的深度，
Figure 235952DEST_PATH_IMAGE022
为电磁波信号的双程时，
Figure 57277DEST_PATH_IMAGE023
为探地雷达的天线偶极子距，
Figure 468667DEST_PATH_IMAGE024
为电磁波信号介质中的速度，可由介质相对介电常数
Figure 375443DEST_PATH_IMAGE025
及真空中的电磁波波速
Figure 248590DEST_PATH_IMAGE026
估算获得，表达式为
Figure 190001DEST_PATH_IMAGE027
，围岩的相对介电常数为5～50，衬砌的相对介电常数为15～25，这两个相对介电常数是地质条件的参数，是一个统计性的数据，包含了多种地质体的可能。可以由事先采取一部分地质材料进行试验得到。
步骤113：根据所预设的问题评价数据库中所存储的问题评价结果和问题参数信息和问题类别信息进行比对以确定问题参数信息和问题类别信息所对应的问题评价结果，将该问题评价结果定义为问题评价结果信息并输出问题评价结果信息。
问题评价结果信息为通过对问题参数信息和问题类别信息进行评价最后得到的结果的信息，问题评价数据库中存储有问题参数信息、问题类别信息和问题评价结果的映射关系。该结果为本领域技术人员经过长期试验得到的结果的信息，如图2所示，为当问题类别信息为衬砌病、灾害时的分级标准表，其中，
Figure 772292DEST_PATH_IMAGE028
为衬砌检测厚度，
Figure 415632DEST_PATH_IMAGE021
为衬砌设计厚度。图3所示为问题类别信息为围岩状态的评价标准，其中，
Figure 108782DEST_PATH_IMAGE029
为裂隙结构面组数；
Figure 639120DEST_PATH_IMAGE030
为裂隙结构面间距；
Figure 392313DEST_PATH_IMAGE031
为松动圈厚度。
参照图4，还包括检测算法的结果校验方法，该方法包括：
步骤200：获取实际情况下的实际定位信息、实际问题参数信息和实际问题类别信息。
实际定位信息、实际问题参数信息和实际问题类别信息为本领域工作人员事先进行人工检查得到的，甚至可以通过开挖，钻孔等技术现场进行验证。
步骤201：将实际定位信息、实际问题参数信息以及实际问题类别信息和定位信息、问题参数信息以及问题类别信息一一进行比对并进行计数以确定两者之间一致的个数、不一致的个数和漏识别的个数，将一致的个数定义为正确识别数量信息，将不一致的个数定义为错误识别数量信息，将漏识别的个数定义为漏识别数量信息。
正确识别数量信息为实际定位信息、实际问题参数信息以及实际问题类别信息和定位信息、问题参数信息以及问题类别信息中相一致的个数的信息。错误识别数量信息为实际定位信息、实际问题参数信息以及实际问题类别信息和定位信息、问题参数信息以及问题类别信息中不一致的个数的信息。漏识别数量信息为实际定位信息、实际问题参数信息以及实际问题类别信息和定位信息、问题参数信息以及问题类别信息中漏下的个数的信息。比对的目的是为了检查识别的准确性，可以对异常信号的定位进行评价，比如脱空的位置，自动识别的结果和我人工识别的是否一致。
步骤202：根据正确识别数量信息、错误识别数量信息和漏识别数量信息进行计算以得到识别效果信息。
识别效果信息为识别准确率中的平均准确率，是指对识别准确率的评价。表达式为：
Figure 257369DEST_PATH_IMAGE032
，其中，
Figure 754210DEST_PATH_IMAGE033
为平均准确率，
Figure 404634DEST_PATH_IMAGE034
为准确率与召回率的联合曲线。
Figure 63148DEST_PATH_IMAGE035
，其中
Figure 681080DEST_PATH_IMAGE036
为召回率，T为正确识别的数量，N为错误识别的数量。准确率为正确识别的数量占总异常点数量的占比，表达式为：
Figure 716033DEST_PATH_IMAGE037
，F为漏识别的数量。
Figure 486542DEST_PATH_IMAGE034
就是召回率与准确率的联合曲线，以召回率为横坐标，准确率为纵坐标便可以得到一条曲线。准确率和召回率是一对矛盾的度量，一般准确率高时召回率往往偏低。
步骤203：判断识别效果信息是否大于所预设的基准效果信息。
基准效果信息为理想状态下有较好的识别效果的信息，以本领域技术人员经过长期试验和丰富的经验得到的结果，一般设定为0.95。判断的目的是为了确定是否需要更新算法。
步骤2031：若识别效果信息大于基准效果信息，则直接输出定位信息、问题类别信息、问题参数信息和问题评价结果信息。
若识别效果信息大于基准效果信息，则说明此时识别较好，无需进行优化。
步骤2032：若识别效果信息小于基准效果信息，则任意选取候选区域信息的调整范围、比例和个数进行神经网络训练以获得测试候选区域信息和测试问题参数信息。
若识别效果信息小于基准效果信息，则说明此时识别效果不好，选择候选区域信息的范围不合理，需要对范围框回归器中的锚定点进行调整，修改锚定点的范围以及比例，必要时修改候选框的个数，例如当图像较为复杂时，适当的增加候选区域的个数，进行更详细的标记识别。
步骤204：根据测试候选区域信息和特征信息进行计算得到测试定位信息。
测试候选区域信息为候选框调整后的候选区域，测试定位信息为修改候选区域信息后计算得到的定位的信息。计算过程和步骤112一致，在此不做赘述。
步骤205：根据测试候选区域信息与问题类别数据库进行匹配分析以确定测试候选区域信息所对应的问题类别，将该问题类别定义为测试问题类别信息。
测试问题类别信息为候选框调整后在问题类别数据库查找出的问题类别。步骤和113一致，仅将候选区域信息和测试候选区域信息进行比对，在此不做赘述。
步骤206：将实际定位信息、实际问题参数信息以及实际问题类别信息和测试定位信息、测试问题参数信息以及测试问题类别信息一一进行比对并进行计数以确定两者之间一致的个数、不一致的个数和漏识别的个数，将一致的个数定义为测试正确识别数量信息，将不一致的个数定义为测试错误识别数量信息，将漏识别的个数定义为测试漏识别数量信息。
测试正确识别数量信息为实际定位信息、实际问题参数信息以及实际问题类别信息和测试定位信息、测试问题参数信息以及测试问题类别信息中相一致的个数的信息。测试错误识别数量信息为实际定位信息、实际问题参数信息以及实际问题类别信息和测试定位信息、测试问题参数信息以及测试问题类别信息中不一致的个数的信息。测试漏识别数量信息为实际定位信息、实际问题参数信息以及实际问题类别信息和测试定位信息、测试问题参数信息以及测试问题类别信息中漏下的个数的信息。步骤和步骤201一致，在此不做赘述。
步骤207：根据测试正确识别数量信息和测试错误识别数量信息进行计算以得到测试识别效果信息。
测试识别效果信息为识别准确率中的平均准确率，是指对识别准确率的评价。计算步骤和步骤202一致，在此不做赘述。
参照图5，在本申请实施例中，还包括候选区域信息的调整范围、比例和个数的选取方法，该方法包括：
步骤300：任意选取对候选区域信息调整的范围、比例和个数，将第一次对候选区域信息调整的范围、比例和个数定义调整参数信息。
调整参数信息为当识别效果不佳时对候选区域信息范围、比例和个数进行调整，调整后的候选区域信息范围、比例和个数的信息。由于是第一次训练，所以任意选取参数即可，目的是为了确定选取的趋势是否一致，可以对单个信息进行选取，也可以多个数据一起选取。
步骤301：根据测试识别效果信息和识别效果信息进行计算得到调整比例信息。
调整比例信息为在上次测试识别的基础上对下一个识别进行的调整的比例的信息。表达式为：（ax-a1）/（a2-a1）=（1-b1）/（b2-b1），其中，ax为下一次的调整参数值，a1为第一次识别时的某个参数，a2为第二次识别时的某个参数，b1是第一次的识别效果，b2是第二次的识别效果。
步骤302：根据调整比例信息、调整参数信息对候选区域信息进行下一次调整直至测试识别效果信息大于基准效果信息。
需要注意的是，从第三次开始，每次都是从前两次的基础上进行推进的，这样推进的目的是可以通过比例换算逐渐接近目的值，而非盲目选取。
基于同一发明构思，本发明实施例提供一种基于三维探地雷达的隧道监测系统，包括：
参照图6，一种基于三维探地雷达的隧道监测系统，包括：
信号采集模块403，用于获取三维探地雷达上的信号信息；
处理模块401，与信号采集模块403和计算模块404相连，用于信息的存储和处理；
处理模块401对信号信息进行信息处理，以获得处理后的检测数据信息；
计算模块404，用于根据所预设的检测算法识别出检测数据信息中的问题参数信息和问题类别信息；
判断模块402，与处理模块401相连，用于判断变换信号信息中的尺寸是否大于所预设的基准值；
训练模块405，与处理模块401相连，用于训练检测算法；
校验模块406，与处理模块401相连，用于对检测算法的结果进行校验；
计算模块404根据检测算法对问题参数信息发生的位置进行精确定位并输出定位信息；
处理模块401根据所预设的问题评价数据库中所存储的问题评价结果和问题参数信息和问题类别信息进行比对以确定问题参数信息和问题类别信息所对应的问题评价结果，将该问题评价结果定义为问题评价结果信息并输出问题评价结果信息。
本发明实施例提供一种计算机可读存储介质，存储有能够被处理器加载并执行基于三维探地雷达的隧道监测方法的计算机程序。
计算机存储介质例如包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，本说明书（包括摘要和附图）中公开的任一特征，除非特别叙述，均可被其他等效或者具有类似目的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

Claims (8)

1.一种基于三维探地雷达的隧道监测方法，其特征在于，包括：
获取三维探地雷达上的信号信息；
对信号信息进行信息处理，以获得处理后的检测数据信息；
根据所预设的检测算法识别出检测数据信息中的问题参数信息和问题类别信息；
根据检测算法对问题参数信息发生的位置进行精确定位并输出定位信息；
根据所预设的问题评价数据库中所存储的问题评价结果和问题参数信息和问题类别信息进行比对以确定问题参数信息和问题类别信息所对应的问题评价结果，将该问题评价结果定义为问题评价结果信息并输出问题评价结果信息，
其中，检测算法包括：
获取信号信息的特征信息；
根据特征信息进行神经网络训练并识别出特征信息中包含的问题参数信息和候选区域信息，并将问题参数信息进行输出；
根据所预设的问题类别数据库中存储的问题类别和问题参数信息进行匹配分析以确定问题参数信息所对应的问题类别信息并输出；
根据候选区域信息和特征信息进行计算得到定位信息并输出；
还包括检测算法的优化方法，该方法包括：任意选取候选区域信息的调整范围、比例和个数进行神经网络训练以获得测试候选区域信息和测试问题参数信息，将第一次对候选区域信息调整的范围、比例和个数定义为调整参数信息；
根据测试候选区域信息和特征信息进行计算得到测试定位信息；
根据测试候选区域信息与问题类别数据库进行匹配分析以确定测试候选区域信息所对应的问题类别，将该问题类别定义为测试问题类别信息；
将实际定位信息、实际问题参数信息以及实际问题类别信息和测试定位信息、测试问题参数信息以及测试问题类别信息一一进行比对并进行计数以确定两者之间一致的个数、不一致的个数和漏识别的个数，将一致的个数定义为测试正确识别数量信息，将不一致的个数定义为测试错误识别数量信息，将漏识别的个数定义为测试漏识别数量信息；
根据测试正确识别数量信息和测试错误识别数量信息进行计算以得到测试识别效果信息；
判断测试识别效果信息是否大于基准效果信息；
若是，则停止调整；
若否，则根据测试识别效果信息和识别效果信息进行计算得到调整比例信息；
根据调整比例信息、调整参数信息对候选区域信息进行下一次调整直至测试识别效果信息大于基准效果信息。
2.根据权利要求1所述的一种基于三维探地雷达的隧道监测方法，其特征在于，还包括对信号信息进行信息处理方法，该方法包括：
将信号信息进行零点校正以得到校正信号信息；
根据所预设的小波基信息和小波分解层数信息将校正信号信息进行小波变化以得到变换信号信息和噪音信息；
判断变换信号信息中的尺寸是否大于所预设的基准值；
若变换信号信息中的尺寸大于所预设的基准值，则根据变换信号信息中的尺寸和噪音信息计算出阈值信息；
若变换信号信息中的尺寸小于所预设的基准值，则将阈值信息定义为0；
判断变换信号信息是否大于阈值信息；
若变换信号信息大于阈值信息，则根据所预设的阈值函数信息、变换信号信息和阈值信息计算出去噪后的信号，将该信号定义为去噪信号信息；
若变换信号信息小于阈值信息，则将阈值函数信息定义为0并计算出去噪信号信息；
获取天线上的频率信息；
根据所预设的带通滤波器数据库与频率信息进行匹配分析以确定频率信息所对应的带通滤波器，将该带通滤波器定义为带通滤波器信息；
使用带通滤波器信息对去噪信号信息去除频域干扰以得到去干扰信号信息；
将去干扰信号信息进行补偿以得到最终信号信息。
3.根据权利要求1所述的一种基于三维探地雷达的隧道监测方法，其特征在于，还包括检测算法的结果校验方法，该方法包括：
获取实际情况下的实际定位信息、实际问题参数信息和实际问题类别信息；
将实际定位信息、实际问题参数信息以及实际问题类别信息和定位信息、问题参数信息以及问题类别信息一一进行比对并进行计数以确定两者之间一致的个数、不一致的个数和漏识别的个数，将一致的个数定义为正确识别数量信息，将不一致的个数定义为错误识别数量信息，将漏识别的个数定义为漏识别数量信息；
根据正确识别数量信息、错误识别数量信息和漏识别数量信息进行计算以得到识别效果信息；
判断识别效果信息是否大于所预设的基准效果信息；
若识别效果信息大于基准效果信息，则直接输出定位信息、问题类别信息、问题参数信息和问题评价结果信息；
若识别效果信息小于基准效果信息，则将检测算法进行优化并重新判断识别效果信息是否大于基准效果信息。
4.根据权利要求2所述的一种基于三维探地雷达的隧道监测方法，其特征在于：所述小波基为db5～db7。
5.根据权利要求2所述的一种基于三维探地雷达的隧道监测方法，其特征在于：所述小波分解层数为3～4层。
6.根据权利要求2所述的一种基于三维探地雷达的隧道监测方法，其特征在于：所述带通滤波的频率为2/3~5/3倍的频率信息。
7.一种基于三维探地雷达的隧道监测系统，其特征在于，包括：
信号采集模块，用于获取三维探地雷达上的信号信息；
处理模块，与信号采集模块和计算模块相连，用于信息的存储和处理；
处理模块对信号信息进行信息处理，以获得处理后的检测数据信息；
计算模块，用于根据所预设的检测算法识别出检测数据信息中的问题参数信息和问题类别信息；
计算模块根据检测算法对问题参数信息发生的位置进行精确定位并输出定位信息；
处理模块根据所预设的问题评价数据库中所存储的问题评价结果和问题参数信息和问题类别信息进行比对以确定问题参数信息和问题类别信息所对应的问题评价结果，将该问题评价结果定义为问题评价结果信息并输出问题评价结果信息；
其中，检测算法包括：
对信号信息进行信息处理，以获取信号信息的特征信息；
根据特征信息进行神经网络训练并识别出特征信息中包含的问题参数信息和候选区域信息，并将问题参数信息进行输出；
根据所预设的问题类别数据库中存储的问题类别和问题参数信息进行匹配分析以确定问题参数信息所对应的问题类别信息并输出；
根据候选区域信息和特征信息进行计算得到定位信息并输出；
还包括检测算法的优化方法，该方法包括：任意选取候选区域信息的调整范围、比例和个数进行神经网络训练以获得测试候选区域信息和测试问题参数信息，将第一次对候选区域信息调整的范围、比例和个数定义为调整参数信息；
根据测试候选区域信息和特征信息进行计算得到测试定位信息；
根据测试候选区域信息与问题类别数据库进行匹配分析以确定测试候选区域信息所对应的问题类别，将该问题类别定义为测试问题类别信息；
将实际定位信息、实际问题参数信息以及实际问题类别信息和测试定位信息、测试问题参数信息以及测试问题类别信息一一进行比对并进行计数以确定两者之间一致的个数、不一致的个数和漏识别的个数，将一致的个数定义为测试正确识别数量信息，将不一致的个数定义为测试错误识别数量信息，将漏识别的个数定义为测试漏识别数量信息；
根据测试正确识别数量信息和测试错误识别数量信息进行计算以得到测试识别效果信息；
判断测试识别效果信息是否大于基准效果信息；
若判断出是，则停止调整；
若判断出否，则根据测试识别效果信息和识别效果信息进行计算得到调整比例信息；
根据调整比例信息、调整参数信息对候选区域信息进行下一次调整直至测试识别效果信息大于基准效果信息。
8.一种计算机可读存储介质，其特征在于，存储有能够被处理器加载并执行如权利要求1至6中任一种基于三维探地雷达的隧道监测的方法的 计算机程序。
CN202111428130.1A 2021-11-29 2021-11-29 一种基于三维探地雷达的隧道监测方法、系统以及存储介质 Active CN113837163B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111428130.1A CN113837163B (zh) 2021-11-29 2021-11-29 一种基于三维探地雷达的隧道监测方法、系统以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111428130.1A CN113837163B (zh) 2021-11-29 2021-11-29 一种基于三维探地雷达的隧道监测方法、系统以及存储介质

Publications (2)

Publication Number Publication Date
CN113837163A CN113837163A (zh) 2021-12-24
CN113837163B true CN113837163B (zh) 2022-03-08

Family

ID=78971815

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111428130.1A Active CN113837163B (zh) 2021-11-29 2021-11-29 一种基于三维探地雷达的隧道监测方法、系统以及存储介质

Country Status (1)

Country Link
CN (1) CN113837163B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB202002225D0 (en) * 2020-02-18 2020-04-01 Foster Findlay Ass Ltd A System and method for improved geophysical data interpretation
CN112257735A (zh) * 2020-05-22 2021-01-22 广东省建设工程质量安全检测总站有限公司 一种基于人工智能的内部缺陷雷达检测系统
WO2021068848A1 (zh) * 2019-10-09 2021-04-15 山东大学 隧道结构病害多尺度检测与智能诊断系统及方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9086501B2 (en) * 2011-08-26 2015-07-21 Lawrence Livermore National Security, Llc Imaging, object detection, and change detection with a polarized multistatic GPR array
WO2021051071A1 (en) * 2019-09-13 2021-03-18 Wavesense, Inc. Improved navigation and localization using surface-penetrating radar and deep learning
CN112462346B (zh) * 2020-11-26 2023-04-28 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
CN112684440A (zh) * 2020-12-17 2021-04-20 江苏中路工程技术研究院有限公司 一种基于三维探地雷达检测的裂缝评价方法
CN113191391A (zh) * 2021-04-07 2021-07-30 浙江省交通运输科学研究院 一种针对三维探地雷达图谱的道路病害分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021068848A1 (zh) * 2019-10-09 2021-04-15 山东大学 隧道结构病害多尺度检测与智能诊断系统及方法
GB202002225D0 (en) * 2020-02-18 2020-04-01 Foster Findlay Ass Ltd A System and method for improved geophysical data interpretation
CN112257735A (zh) * 2020-05-22 2021-01-22 广东省建设工程质量安全检测总站有限公司 一种基于人工智能的内部缺陷雷达检测系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于Cascade R-CNN的铁路路基翻浆冒泥病害智能识别方法;徐昕军等;《铁道建筑》;20191220(第12期);第104-109页 *
探地雷达在隧道衬砌质量检测中的应用;李顺堂;《交通世界》;20160315;第142-143页 *

Also Published As

Publication number Publication date
CN113837163A (zh) 2021-12-24

Similar Documents

Publication Publication Date Title
CN110208806B (zh) 一种航海雷达图像降雨识别方法
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
CN105182328A (zh) 一种探地雷达地下目标定位方法
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
CN111598109B (zh) 一种变电站指针仪表读数智能识别方法
CN116256720B (zh) 基于三维探地雷达的地下目标探测方法、装置和电子设备
CN111679275A (zh) 基于探地雷达的地下管线识别方法
CN116432988A (zh) 一种阀门生产工艺数据智能管理方法、介质及设备
CN115100363A (zh) 基于探地雷达的地下异常体三维建模方法及装置
CN118311645A (zh) 一种地震前兆信息提取方法、装置、设备及存储介质
CN107300562A (zh) 一种测量继电器成品触点间距的x射线无损检测方法
CN113837163B (zh) 一种基于三维探地雷达的隧道监测方法、系统以及存储介质
CN106556824A (zh) 一种全波形数据的噪声回波剔除方法及系统
CN108615238A (zh) 基于区域分割的高频雷达海杂波区域提取方法
CN114488293A (zh) 基于敏感测井曲线的高分辨率反演方法
CN110333506B (zh) 一种提取索力测量雷达的拉索位置参数的方法
CN116930904A (zh) 一种探地雷达图像对齐及差异检测方法
CN106778515B (zh) 一种法兰轴向漏磁阵列信号自动识别方法
CN115542278A (zh) 一种基于探地雷达原始数据的路面病害区域判断方法
CN111399038B (zh) 斜率参数提取方法、装置及计算机可读存储介质
CN114778689A (zh) 高密度聚乙烯管道热熔对接接头的缺陷检测及识别系统与方法
CN111007464B (zh) 基于最优加权的道路地下空洞识别方法、装置及系统
CN114563771A (zh) 基于聚类分析的双阈值激光雷达云层检测算法
CN113536516A (zh) 基于偏移距向量片属性的观测系统评价方法
Barkataki et al. Efficient Hyperbola Detection and Fitting using Image Processing Techniques and Column-Connection Clustering

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