CN113901878B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113901878B CN113901878B CN202111068615.4A CN202111068615A CN113901878B CN 113901878 B CN113901878 B CN 113901878B CN 202111068615 A CN202111068615 A CN 202111068615A CN 113901878 B CN113901878 B CN 113901878B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- pipeline
- ground penetrating
- penetrating radar
- image
- 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
- 230000000149 penetrating effect Effects 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000012795 verification Methods 0.000 claims abstract description 10
- 239000010410 layer Substances 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 28
- 230000009466 transformation Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000000306 recurrent effect Effects 0.000 claims description 7
- 230000007787 long-term memory Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 210000004027 cell Anatomy 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 2
- 230000003313 weakening effect Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 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
- 230000000694 effects Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种基于CNN+RNN算法的三维探地雷达图像地下管线识别方法，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；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；利用的训练集和验证集对CNN+RNN的神经网络模型进行训练，得到训练好的权重模型；利用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；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，可以将地下管线目标识别概率提高到95％以上。
Description
技术领域
本发明属于探地雷达三维回波图后处理的目标检测领域，具体地，涉及一种基于CNN+RNN算法的三维探地雷达图像地下管线识别方法。
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，拼接为反映地下结构的二维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。容易受到检测方向、图像选取方式等情况的影响，单独从二维B-Scan图像中的获取信息非常容易而发生漏检、误检的情况。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，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和被掩埋物体。由于地下环境的复杂性，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具有极强的专业性，同时人工识别的效率较低，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。由于探地雷达二维回波图像并不能完全反映地下目标特征，在某些情况下可能会发生漏检和误检测情况，如何利用地下结构的三维图像来准确识别目标具有重要意义。
发明内容
本发明提出了一种基于CNN+RNN算法的三维探地雷达图像地下管线识别方法，用以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，减少漏检和误检测的情况。
本发明是通过以下方案实现的：
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：
所述方法具体包括以下步骤：
步骤1：通过探地雷达获得三维回波图像，对三维回波图像进行预处理，所述预处理包括直达波去除和小波变换；
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CNN+RNN的神经网络模型进行训练，得到训练好的权重模型；
所述CNN+RNN的神经网络模型结构为：先将三维图像中的各个二维图像分别送入CNN中，利用CNN来对三维图像的各个二维图像进行特征提取，然后再将同一幅三维图像的各个二维图像的特征进行整合，一起送到RNN网络中对这些特征进行处理，最后分类识别出目标物体；
CNN模型结构为：经过第一层的8个(3，3)的卷积核进行二维卷积操作，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；第二层为16个(3，3)卷积核的二维卷积操作，采用批标准化和ReLU激活函数，并进行(2，2)的最大池化操作；第三层为32个(3，3)卷积核的二维卷积操作，其余与第一层的参数和步骤相同；第四层为64个(3，3)卷积核的二维卷积操作，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；
在CNN网络后添加一个全连接层，将提取好的特征进行分类为36类，再由Flatten层展平提取到的特征向量送入RNN中；
RNN采用单层的LSTM递归神经网络；RNN部分的LSTM网络隐藏单元的维度设置为36；最后送入全连接层，对应连接到四个节点，经过Softmax分类输出；
LSTM递归神经网络模型含有三个门限：输入门it、遗忘门ft、输出门ot，拥有表征短期记忆的记忆体ht，表征长时记忆的细胞态ct以及长时记忆的候选态
it＝σ(Wi·[ht-1,xt]+bi)
ft＝σ(Wf·[ht-1,xt]+bf)
ot＝σ(Wo·[ht-1,xt]+bo)
ht＝ot*tanh(ct)
其中Wi、Wf、Wo、Wc分别是对应门的权重矩阵，bi、bf、bo、bc是相应的偏置，σ表示sigmoid函数。
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，最终标注出带有地下管线信息的三维回波图像。
进一步地，在步骤1中，
利用时间门限截取的方式进行直达波去除来提高信噪比，将回波数据B-Scan图像中包含直达波横线状的部分删除，不减弱横线管道的特征，保留地下管线的双曲线特征。
进一步地，在步骤1中，
将探地雷达的三维回波图像数据y(k)简化表示为y(k)＝x(k)+n(k)，
其中x(k)为地下目标的有用数据，n(k)表示噪声分量；
对y(k)进行小波变换来提取有用的信号分量，公式为yi，j＝xi，j+ni，j，其中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幅值大于噪声分析的小波系数ni，j；设置一个临界阈值，当小波系数小于该阈值时，认为它是噪声分量，并将其设置为0；当小波系数大于该阈值时，则可以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三维回波图像。
进一步地，在步骤2中，
对步骤1中得到的三维回波图像进行标签标注，按照4：1的比例随机分派给训练集和验证集，数据集共有4个分类，分别为横向管线、纵向管线、地下空洞和无目标；
其中当管线和探地雷达测道方向的夹角小于45°时，标记为纵向管线，当管线和探地雷达测道方向的夹角大于45°时，标记为横向管线。
进一步地，在步骤3中，
通过所述步骤2中生成的训练集对CNN+RNN的神经网络模型进行训练，训练参数为10batch和10epochs，学习率为0.0001。最终得到经过训练的权重模型。
进一步地，在步骤4中，
利用训练好的神经网络模型，对探地雷达的三维回波图像进行地下管线目标检测；将未输入过该系统的地下管线目标探地雷达三维回波图像输入到步骤3训练好的神经网络模型中，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
(1)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；
(2)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，再将其输入到卷积神经网络和循环神经网络中去训练网络模型，利用卷积神经网络对三维回波图像的各个B-Scan图像进行特征提取，再利用对这些特征进行整合，再送入到RNN网络中对这些特征处理，最后分类识别出目标物体。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；本发明可以将地下管线目标识别概率提高到95％以上。
附图说明
图1为本发明的基于CNN+RNN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为采用的CNN+RNN模型结构图；
图3为本发明的直达波去除前后的对比图；
图4为本发明的横向管线和纵向管线的B-Scan图像；
图5为本发明的地下管线和地下管线的B-Scan图像和反映它们的空间结构图像；
图6为本发明LSTM递归神经网络模型；
图7为本发明网络模型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。
结合图1至图7，
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：
所述方法具体包括以下步骤：
步骤1：通过探地雷达获得三维回波图像，对三维回波图像进行预处理，所述预处理包括直达波去除和小波变换；
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CNN+RNN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，最终标注出带有地下管线信息的三维回波图像。
在步骤1中，
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B-Scan图像中包含直达波横线状的部分直接截掉。想要对目标进行精确的识别，首要目标是提高信噪比。而直达波属于探地雷达回波图像中最主要的干扰来源之一。所以去除该部分回波信号有助于提高对地下管线识别率。采用时间门限截取的方式是最直接、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。想要对目标进行精确的识别，首要目标是提高信噪比。而直达波属于探地雷达回波图像中最主要的干扰来源之一，直达波会对神经网络提取目标特征造成干扰。所以去除该部分回波信号有助于提高对地下管线识别率。
在步骤1中，
将探地雷达的三维回波图像数据y(k)简化表示为y(k)＝x(k)+n(k)，
其中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，公式为yi，j＝xi，j+ni，j，其中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幅值大于噪声分析的小波系数ni，j；设置一个临界阈值，当小波系数小于该阈值时，认为它是噪声分量，并将其设置为0；当小波系数大于该阈值时，则可以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。
在步骤2中，
对步骤1中得到的三维回波图像进行标签标注，按照4：1的比例随机分派给训练集和验证集，数据集共有4个分类，分别为横向管线、纵向管线、地下空洞和无目标；
其中当管线和探地雷达测道方向的夹角小于45°时，标记为纵向管线，当管线和探地雷达测道方向的夹角大于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。
在步骤3中，
所述CNN+RNN的神经网络模型结构为：先将三维图像中的各个二维图像分别送入CNN中，利用CNN来对三维图像的各个二维图像进行特征提取，然后再将同一幅三维图像的各个二维图像的特征进行整合，一起送到RNN网络中对这些特征进行处理，最后分类识别出目标物体；
CNN模型结构为：经过第一层的8个(3，3)的卷积核进行二维卷积操作，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；第二层为16个(3，3)卷积核的二维卷积操作，采用批标准化和ReLU激活函数，并进行(2，2)的最大池化操作；第三层为32个(3，3)卷积核的二维卷积操作，其余与第一层的参数和步骤相同；第四层为64个(3，3)卷积核的二维卷积操作，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；
由于一层LSTM参数量是同样输入和输出数目的CNN参数量的四倍多，如果直接将CNN网络提取到的特征图直接输入LSTM网络中会产生大量参数，所以在CNN网络后添加一个全连接层，将提取好的特征进行分类为36类，再由Flatten层展平提取到的特征向量送入RNN中；
RNN采用单层的LSTM递归神经网络；RNN部分的LSTM网络隐藏单元的维度设置为36；最后送入全连接层，对应连接到四个节点，经过Softmax分类输出；
LSTM(长短期记忆)递归神经网络模型如图6所示，含有三个门限：输入门it、遗忘门ft、输出门ot，拥有表征短期记忆的记忆体ht，表征长时记忆的细胞态ct以及长时记忆的候选态
it＝σ(Wi·[ht-1,xt]+bi)
ft＝σ(Wf·[ht-1,xt]+bf)
ot＝σ(Wo·[ht-1,xt]+bo)
ht＝ot*tanh(ct)
其中Wi、Wf、Wo、Wc分别是对应门的权重矩阵，bi、bf、bo、bc是相应的偏置，σ表示sigmoid函数。一个LSTM单元会引入四组不同的权重和偏置，参数会比CNN中的神经元模型更多。
在步骤3中，
通过所述步骤2中生成的训练集对CNN+RNN的神经网络模型进行训练，训练参数为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7所示，可以看到，训练迭代到6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。
在步骤4中，
利用训练好的神经网络模型，对探地雷达的三维回波图像进行地下管线目标检测；将未输入过该系统的地下管线目标探地雷达三维回波图像输入到步骤3训练好的神经网络模型中，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CNN+RNN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，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 (6)
1.一种基于CNN+RNN算法的三维探地雷达图像地下管线识别方法，其特征在于：
所述方法具体包括以下步骤：
步骤1：通过探地雷达获得三维回波图像，对三维回波图像进行预处理，所述预处理包括直达波去除和小波变换；
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CNN+RNN的神经网络模型进行训练，得到训练好的权重模型；
所述CNN+RNN的神经网络模型结构为：先将三维图像中的各个二维图像分别送入CNN中，利用CNN来对三维图像的各个二维图像进行特征提取，然后再将同一幅三维图像的各个二维图像的特征进行整合，一起送到RNN网络中对这些特征进行处理，最后分类识别出目标物体；
CNN模型结构为：经过第一层的8个(3，3)的卷积核进行二维卷积操作，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；第二层为16个(3，3)卷积核的二维卷积操作，采用批标准化和ReLU激活函数，并进行(2，2)的最大池化操作；第三层为32个(3，3)卷积核的二维卷积操作，其余与第一层的参数和步骤相同；第四层为64个(3，3)卷积核的二维卷积操作，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；
在CNN网络后添加一个全连接层，将提取好的特征进行分类为36类，再由Flatten层展平提取到的特征向量送入RNN中；
RNN采用单层的LSTM递归神经网络；RNN部分的LSTM网络隐藏单元的维度设置为36；最后送入全连接层，对应连接到四个节点，经过Softmax分类输出；
LSTM递归神经网络模型含有三个门限：输入门it、遗忘门ft、输出门ot，拥有表征短期记忆的记忆体ht，表征长时记忆的细胞态ct以及长时记忆的候选态
it＝σ(Wi·[ht-1，xt]+bi)
ft＝σ(Wf·[ht-1，xt]+bf)
ot＝σ(Wo·[ht-1，xt]+bo)
ht＝ot*tanh(ct)
其中Wi、Wf、Wo、Wc分别是对应门的权重矩阵，bi、bf、bo、bc是相应的偏置，σ表示sigmoid函数；
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，最终标注出带有地下管线信息的三维回波图像。
2.根据权利要求1所述方法，其特征在于：在步骤1中，
利用时间门限截取的方式进行直达波去除来提高信噪比，将回波数据B-Scan图像中包含直达波横线状的部分删除，不减弱横线管道的特征，保留地下管线的双曲线特征。
3.根据权利要求2所述方法，其特征在于：在步骤1中，
将探地雷达的三维回波图像数据y(k)简化表示为y(k)＝x(k)+n(k)，
其中x(k)为地下目标的有用数据，n(k)表示噪声分量；
对y(k)进行小波变换来提取有用的信号分量，公式为yi，j＝xi，j+ni，j，其中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幅值大于噪声分析的小波系数ni，j；设置一个临界阈值，当小波系数小于该阈值时，认为它是噪声分量，并将其设置为0；当小波系数大于该阈值时，则可以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三维回波图像。
4.根据权利要求3所述方法，其特征在于：在步骤2中，
对步骤1中得到的三维回波图像进行标签标注，按照4∶1的比例随机分派给训练集和验证集，数据集共有4个分类，分别为横向管线、纵向管线、地下空洞和无目标；
其中当管线和探地雷达测道方向的夹角小于45°时，标记为纵向管线，当管线和探地雷达测道方向的夹角大于45°时，标记为横向管线。
5.根据权利要求4所述方法，其特征在于：在步骤3中，
通过所述步骤2中生成的训练集对CNN+RNN的神经网络模型进行训练，训练参数为10batch和10epochs，学习率为0.0001,最终得到经过训练的权重模型。
6.根据权利要求5所述方法，其特征在于：在步骤4中，
利用训练好的神经网络模型，对探地雷达的三维回波图像进行地下管线目标检测；将未输入过该系统的地下管线目标探地雷达三维回波图像输入到步骤3训练好的神经网络模型中，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 |
|---|---|---|---|
| CN202111068615.4A CN113901878B (zh) | 2021-09-13 | 2021-09-13 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111068615.4A CN113901878B (zh) | 2021-09-13 | 2021-09-13 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113901878A CN113901878A (zh) | 2022-01-07 |
| CN113901878B true CN113901878B (zh) | 2024-04-05 |
Family
ID=79027933
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111068615.4A Active CN113901878B (zh) | 2021-09-13 | 2021-09-13 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113901878B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Citations (6)
| 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 |
| CN110866545A (zh) * | 2019-10-30 | 2020-03-06 | 中国地质大学（武汉） | 一种探地雷达资料中管线目标的自动识别方法及系统 |
| CN112180452A (zh) * | 2020-09-23 | 2021-01-05 | 中国建筑第八工程局有限公司 | 基于探地雷达和三维速度谱的地下管线埋深估计方法 |
| CN112232392A (zh) * | 2020-09-29 | 2021-01-15 | 深圳安德空间技术有限公司 | 一种用于三维探地雷达的数据解译和识别方法 |
| 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 |
| CN112819813A (zh) * | 2021-02-25 | 2021-05-18 | 同济大学 | 一种地下管线智能识别方法、装置及存储介质 |
-
2021
- 2021-09-13 CN CN202111068615.4A patent/CN113901878B/zh active Active
Patent Citations (6)
| 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 |
| CN110866545A (zh) * | 2019-10-30 | 2020-03-06 | 中国地质大学（武汉） | 一种探地雷达资料中管线目标的自动识别方法及系统 |
| CN112180452A (zh) * | 2020-09-23 | 2021-01-05 | 中国建筑第八工程局有限公司 | 基于探地雷达和三维速度谱的地下管线埋深估计方法 |
| CN112232392A (zh) * | 2020-09-29 | 2021-01-15 | 深圳安德空间技术有限公司 | 一种用于三维探地雷达的数据解译和识别方法 |
| 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 |
| CN112819813A (zh) * | 2021-02-25 | 2021-05-18 | 同济大学 | 一种地下管线智能识别方法、装置及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于Faster R-CNN算法的探地雷达管线目标智能识别;胡浩帮;方宏远;王复明;董家修;;城市勘测;20200630(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113901878A (zh) | 2022-01-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110472627B (zh) | 一种端到端的sar图像识别方法、装置及存储介质 | |
| Pasolli et al. | Automatic analysis of GPR images: A pattern-recognition approach | |
| Ishitsuka et al. | Object detection in ground-penetrating radar images using a deep convolutional neural network and image set preparation by migration | |
| Noreen et al. | Using pattern recognition with HOG to automatically detect reflection hyperbolas in ground penetrating radar data | |
| CN110133643B (zh) | 植物根系探测方法及装置 | |
| CN115291210B (zh) | 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 | |
| CN114595732B (zh) | 基于深度聚类的雷达辐射源分选方法 | |
| Ristić et al. | Point coordinates extraction from localized hyperbolic reflections in GPR data | |
| CN113780361A (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 | |
| Yuan et al. | SegNet-based first-break picking via seismic waveform classification directly from shot gathers with sparsely distributed traces | |
| 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 | |
| CN115343703A (zh) | 一种基于自训练的3d-cnn探地雷达三维图像的管线识别方法 | |
| He et al. | GPR image denoising with NSST-UNET and an improved BM3D | |
| Sun et al. | Probabilistic neural network based seabed sediment recognition method for side-scan sonar imagery | |
| Gonzalez-Huici | A strategy for landmine detection and recognition using simulated GPR responses | |
| CN114169411A (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 | |
| Yari et al. | Airborne snow radar data simulation with deep learning and physics-driven methods | |
| Chen et al. | Advanced geological prediction technology of tunnel based on image recognition | |
| Wang et al. | Sparse naïve Bayes base on entropy correlation for GPR image denoising | |
| 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 | |
| Gamba et al. | Two fast buried pipe detection schemes in ground penetrating radar images | |
| CN112666528A (zh) | 一种基于卷积神经网络的多站雷达系统干扰鉴别方法 | |
| Dewantara et al. | Automatic hyperbola detection and apex extraction using Convolutional Neural Network on GPR data | |
| Drissi et al. | Salient features in seismic images | |
| Zeng et al. | A method for intelligent identification of faults in seismic using an attention-based ES-UNet network with model re-training learning |
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 |