CN114021422B - 一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法 - Google Patents

一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法 Download PDF

Info

Publication number
CN114021422B
CN114021422B CN202111115157.5A CN202111115157A CN114021422B CN 114021422 B CN114021422 B CN 114021422B CN 202111115157 A CN202111115157 A CN 202111115157A CN 114021422 B CN114021422 B CN 114021422B
Authority
CN
China
Prior art keywords
resolution
dielectric constant
layer
cross
cascade
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
CN202111115157.5A
Other languages
English (en)
Other versions
CN114021422A (zh
Inventor
覃晖
张东昊
唐玉
耿铁锁
王峥峥
潘盛山
石磊
谭岩斌
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 Research Institute Of Dalian University Of Technology
Dalian University of Technology
Original Assignee
Shenzhen Research Institute Of Dalian University Of Technology
Dalian University of Technology
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 Research Institute Of Dalian University Of Technology, Dalian University of Technology filed Critical Shenzhen Research Institute Of Dalian University Of Technology
Priority to CN202111115157.5A priority Critical patent/CN114021422B/zh
Publication of CN114021422A publication Critical patent/CN114021422A/zh
Application granted granted Critical
Publication of CN114021422B publication Critical patent/CN114021422B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Electromagnetism (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (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跨孔雷达和深度学习的地下结构内部缺陷识别方法，包括：建立数值模拟数据集，所述数值模拟数据集包括若干组二维跨孔雷达时域波形图与模型剖面介电常数分布图的数据对；以所述数值模拟数据集作为学习样本，训练基于深度学习的缺陷识别模型；使用所述基于深度学习的缺陷识别模型对实时采集的跨孔雷达数据进行反演，进而得到对应的缺陷介电常数分布预测图像。本发明提出的方法可以应用于使用跨孔雷达探测地下连续墙、桩基础、工程地质勘察等实际工程场景，实现对地下结构内部缺陷的准确、高分辨率和快速识别。

Description

一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法
技术领域
本发明涉及地下结构检测技术领域，具体涉及一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法。
背景技术
随着地下空间开发力度逐渐加大，投入施工及运营阶段的地下结构日益增加，但是由于自然环境、人类活动、建筑材料等多方面的影响，地下结构内不可避免地会出现裂缝、脱空、夹泥、钢筋锈蚀等缺陷，不同程度地改变了结构的力学性能，进而可能引发安全事故，损害人民生命财产安全。因此，在施工期或运营期高效及时地检测地下结构内部缺陷成为了需要重点开展的工作。跨孔雷达作为一种探测深度大、范围广、快速高效的检测方法，近年来逐步应用于在连续墙、地下水、桩基础等检测工作中。但是，从测得的跨孔雷达二维时域波形图中无法直接观察出缺陷的位置、形状及填充，因此需要建立一种识别算法，通过反演地下结构介电分布(介电常数、电导率、阻抗等)，实现由跨孔雷达数据来重构地下结构内部的缺陷。
目前常用的跨孔雷达数据反演方法有层析成像法(CT)和全波形反演法(FWI)，但这两种方法均有其局限性：层析成像法分辨率低；全波形反演法计算耗费成本大，并且对参数的选取有较高的要求。近年来，深度学习方法凭借着其高效地求解数据间非线性映射的能力，使用深度学习方法解释探地雷达数据成为了一个新的发展趋势，但由于跨孔雷达和传统探地雷达的天线布置方式与探测体系不同，得到的数据分布形式也存在巨大的差异，因此直接应用已有的基于深度学习的探地雷达识别方法去解释跨孔雷达数据时，并不能得到理想的反演效果。
发明内容
本发明的目的在于克服现有技术存在的上述不足，提供一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法，其能够对地下结构内部缺陷进行准确、高分辨率和快速识别。
为实现上述目的，本申请提出一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法，包括：
建立数值模拟数据集，所述数值模拟数据集包括若干组二维跨孔雷达时域波形图与模型剖面介电常数分布图的数据对；
以所述数值模拟数据集作为学习样本，训练基于深度学习的缺陷识别模型；
使用所述基于深度学习的缺陷识别模型对实时采集的跨孔雷达数据进行反演，进而得到对应的缺陷介电常数分布预测图像。
进一步地，所述数值模拟数据集的构建方法为：
建立地下结构三维数值模拟介电常数模型，该介电常数模型包括背景介质及缺陷，且在任一单独的模型内缺陷种类、形状、位置、大小、填充均为随机分布，对所述介电常数模型进行正演模拟，得到跨孔雷达时域波形图，然后与其对应的二维介电常数模型剖面图进行组合，得到多组跨孔雷达时域波形图与介电常数模型剖面图的数据对。
进一步地，所述跨孔雷达时域波形图获取方式为：使用N个模拟雷达波源对所述介电常数模型进行正演模拟得到模型N道对应的雷达时域波形图，然后以每张时域波形图的宽W作为第一维，高H作为第二维，测量道数N作为第三维，将N道雷达波形图在第三维上叠加起来，形成一个W×H×N的三维数据块。
进一步地，所述二维介电常数模型剖面图由三维介电常数模型进行纵向剖面，并对缺陷位置像素值乘上一个权重系数w后得到。
进一步地，所述基于深度学习的缺陷识别模型包括：用于提取跨孔雷达时域波形数据图全局特征的网络结构，用于对介电常数分布图(即介电常数模型的一个剖面)进行低分辨率反演的网络结构，用于评估低分辨率介电常数分布图真实程度的鉴别器网络结构，用于提取低分辨率重建的介电常数分布图高分辨率特征的网络结构，用于对低分辨率重建的介电常数分布图进行分辨率增强重建的网络结构，用于评估经增强后高分辨率介电常数分布图真实程度的鉴别器网络结构。
所述提取跨孔雷达时域波形数据图全局特征的网络结构包括X层大型全连接层、ResNet101 V2网络模型和多层级联反卷积层，其中，每一个所述大型全连接层分别负责提取N/X道雷达数据内的全局低阶特征信息，所述ResNet101 V2网络模型接收所述全局低阶特征并进一步提取其高阶特征，所述多层级联反卷积层利用所述高阶特征扩大特征映射图的尺寸；
所述评估低分辨率介电常数分布图真实程度的鉴别器网络结构包括多层级联卷积层，用于在判断重建出的低分辨率介电常数分布图的真实程度后为其赋予真或假的标签。
所述提取低分辨率重建的介电常数分布图高分辨率特征的网络结构包括ResNet50 V2网络模型和多层级联反卷积层。
所述对低分辨率重建的介电常数分布图进行分辨率增强重建的网络结构包括多层级联卷积层和多层级联反卷积层。
所述评估经增强后高分辨率介电常数分布图真实程度的鉴别器网络结构包括多层级联卷积层，用于在判断重建出的高分辨率介电常数分布图的真实程度后为其赋予真或假的标签。
更进一步地，所述基于深度学习的缺陷识别模型的优化目标函数为：
其中，该函数表示为低分辨率生成器GL与低分辨率鉴别器DL进行对抗训练，高分辨率生成器GH与高分辨率鉴别器DH进行对抗训练，直至低分辨率和高分辨率生成器生成的预测图像数据分布越来越接近于真实图像的数据分布；即优化目标函数V的取值达到最大值。
更进一步地，在所述得到对应的缺陷介电常数分布预测图像后，通过均方根误差(MSE)、结构相似度(SSIM)评估形状、填充等指标与实际情况之间的识别准确程度，使用Canny边缘检测评估缺陷识别模型输出的缺陷与实际情况之间的位置确定准确程度。
作为更进一步地，所述预测图像和真实图像之间的均方根误差为：
其中，Ppre为预测图像，Preal为真实图像，ppre,i为预测图像内第i个像素值，preal,i为真实图像内第i个像素值，m为图像内总的像素个数。
作为更进一步地，所述预测图像和真实图像之间的结构相似度为：
其中，μpre为预测图像内像素的均值，μreal为真实图像内像素的均值，σpre为预测图像内像素的方差，σreal为真实图像内像素的方差，σpre,real为预测图像和真实图像之间的协方差。C1、C2、C3均为避免分母出现零值的正常数(取值接近于零)。α、β、γ为所取系数。
作为更进一步地，所述预测图像和真实图像之间的缺陷形心位置回归误差为：
其中，n为Canny算子识别出的总的轮廓像素点个数，Cxi(Ppre)为预测图像内缺陷轮廓第i个像素点在x轴上的坐标值，Cyi(Ppre)为预测图像内缺陷轮廓第i个像素点在y轴上的坐标值，Cxi(Preal)为真实图像内缺陷轮廓第i个像素点在x轴上的坐标值，Cyi(Preal)为真实图像内缺陷轮廓第i个像素点在y轴上的坐标值。
本发明由于采用以上技术方案，能够取得如下的技术效果：深度学习模型可以学习到跨孔雷达数据的全局信息，对跨孔雷达时域波形图进行自动化反演，在保证较高的反演精度同时，也具有较快的识别速度；使用数值模拟方法获取了大量的跨孔雷达时域波形图与介电常数模型剖面图的数据对，其中包括多种随机的缺陷组合形式，进而获得充足的训练数据，并且同实测数据也有一定的相似度，保证了深度学习模型的泛化能力；对介电常数模型剖面图内的缺陷像素进行加权，解决了介电常数模型内的小尺寸缺陷识别问题；克服了跨孔雷达时域波形与介电常数模型在数据维度、空间位置无法对应的问题；可以对反演出的介电常数模型进行分辨率增强，对地下结构内部缺陷的位置、形状、介电特性实现更加精细的识别效果。
本发明提出的方法可以应用于使用跨孔雷达探测地下连续墙、桩基础、工程地质勘察等实际工程场景，实现对地下结构内部缺陷的准确、高分辨率和快速识别。
附图说明
图1是本发明实施例提供的基于跨孔雷达和深度学习的地下结构内部缺陷检测方法的流程示意图；
图2是本发明实施例所示的仿真介电常数三维模型；
图3是本发明实施例所示的仿真跨孔雷达检测数据图；
图4是本发明实施例所示的仿真介电常数电模型剖面图；
图5是本发明实施例所示的基于深度学习的缺陷识别模型示意图；
图6是本发明实施例所示的基于深度学习的缺陷识别模型预测图。
具体实施方式
本发明的实施例是在以本发明技术方案为前提下进行实施的，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述实施例。
实施例1
如图1所示，图1是本发明实施例提供的一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法的流程示意图。其示意的缺陷识别方法，包括以下步骤：
步骤S1：建立数值模拟数据集，所述数值模拟数据集包括若干组跨孔雷达时域波形图与模型介电常数分布图的数据对；
示例性的，以地下连续墙内部缺陷检测为例，所述步骤S1可以包括：
步骤S101：建立地下连续墙三维数值模拟介电常数模型，如图2所示。模型内包含背景介质及缺陷，且在任一单独的模型内缺陷的种类、位置、大小、填充介质均为随机选取。
其中，所述背景介质类型包括素混凝土、钢筋混凝土、填土、岩石等，所述缺陷种类包括空洞、裂缝、夹泥、槽底淤泥、接头缺陷等，其缺陷位置在连续墙内随机确定，缺陷大小依据模拟雷达波源的波长随机选取，选取范围可以为1/3波长至全波长之间，所述缺陷填充介质包括泥浆、水、空气、岩石等。
步骤S102：对介电常数模型进行正演模拟，得到跨孔雷达时域波形图，其中，所述正演模拟方法使用时域有限差分法。所述跨孔雷达时域波形图为使用N个模拟雷达波源对介电常数模型进行正演模拟得到模型N道对应的雷达时域波形图，向波形图内添加高斯噪声后，以每张时域波形图的宽W作为第一维，高H作为第二维，测量道数N作为第三维，将N道雷达波形图在第三维上叠加起来，形成一个W×H×N的三维数据块，如图3所示。
具体而言，经处理后跨孔雷达数据可表示为：
其中Pouta为上述三维数据块，Pi为第i道跨孔雷达时域波形图，F(μ,σ)为添加的高斯噪声值，μ，σ分别为手动输入的均值和方差。
步骤S103：将跨孔雷达时域波形图与其对应的二维介电常数模型剖面图进行组合，得到多组跨孔雷达时域波形图与介电常数模型剖面图的数据对。
其中，所述二维介电常数模型剖面图由三维介电常数模型进行纵向二维剖面，并对缺陷位置像素值乘上一个权重系数w后得到，如图4所示。
具体而言，经处理后图像可表示为：
其中，Poutb为上述二维介电常数剖面图，PFi为第i种填充缺陷位置的像素值，Wi为第i种填充缺陷位置的像素值的权重系数，PB为背景介质位置的像素值。对介电常数模型剖面图内的缺陷像素进行加权，解决了介电常数模型内的小体积缺陷识别问题。
使用数值模拟方法获取了大量的跨孔雷达时域波形图与模型介电常数模型剖面图的数据对，其中包括多种随机的缺陷组合形式，进而获得充足的训练数据，并且同实测数据也有一定的相似度，保证了深度学习模型的泛化能力。
步骤S2：搭建基于深度学习的缺陷识别模型，并使用上述跨孔雷达时域波形图-模型介电常数分布图数据的对训练，优化缺陷识别模型的权重参数，获得经过训练的模型。
所述基于深度学习的缺陷识别模型包括一个生成器模型和两个鉴别器模型，如图5所示，所述生成器模型采用“多层平行全连接层→ResNet101 V2卷积层→多层级联反卷积层→多层级联低分辨率卷积层→多层级联低分辨率反卷积层→ResNet50 V2高分辨率卷积层→多层高分辨率级联反卷积层→多层高分辨率级联卷积层→多层高分辨率级联反卷积层”的实现方式。所述鉴别器模型分别采用多层级联卷积层和多层级联高分辨率卷积层的实现方式。具体包括六个结构：
(1)全局提取跨孔雷达时域波形数据特征的网络结构，使用多层平行全连接层→ResNet101 V2卷积层→多层级联反卷积层实现。其中每一个全连接层分别负责提取若干道跨孔雷达数据内的全局低阶特征信息，ResNet101 V2卷积层接收全局低阶特征并进一步提取其高阶特征，多层级联反卷积层利用高阶特征扩大特征映射图的尺寸。
作为一种实现方式，全局提取跨孔雷达时域波形数据特征的网络结构的详细信息参数如表1所示。
表1
其中，由于全连接层需要占用大量的计算资源，本实施例使用并行式训练策略，将3个全连接层分别布置到3块显卡(GPU)上，再由中央处理器(CPU)组合3部分特征图，充分利用计算机资源，避免出现显存爆炸的情况。
(2)低分辨率介电常数分布图反演网络结构，使用多层级联卷积层→多层级联反卷积层实现。其中，多层级联卷积层进一步提取上述全局特征，多层级联反卷积层通过正向连接和横向连接综合利用低阶和高阶特征重建介电常数分布图，并放大重建出的介电常数分布图尺寸。
作为一种实现方式，低分辨率介电常数分布图反演网络结构的详细信息参数如表2所示。
表2
序号 类型 卷积核 步长 激活函数 输出通道
1 卷积层 4×4 2 LeakyRelu 16
2 卷积层 4×4 2 LeakyRelu 32
3 卷积层 4×4 2 LeakyRelu 64
4 卷积层 4×4 2 LeakyRelu 128
5 卷积层 1×1 1 LeakyRelu 256
6 反卷积层 1×1 1 Relu 256
7 反卷积层 4×4 2 Relu 128
8 反卷积层 4×4 2 Relu 64
9 反卷积层 4×4 2 Relu 32
10 反卷积层 4×4 2 Relu 32
11 反卷积层 4×4 2 Relu 32
12 反卷积层 4×4 2 Relu 16
13 反卷积层 1×1 1 Sigmoid 1
(3)提取低分辨率解码的介电常数分布图高分辨率特征的网络结构，使用ResNet50 V2高分辨率卷积层→多层高分辨率级联反卷积层实现，ResNet50 V2高分辨率卷积层接收大尺寸初阶特征并在高分辨率下进一步提取其高阶特征，多层级联反卷积层通过正向连接和横向连接综合利用低阶和高阶特征扩大特征映射图的尺寸。
作为一种实现方式，提取低分辨率解码的介电常数分布图高分辨率特征的网络结构的详细信息参数如表3所示。
表3
(4)高分辨率介电常数分布图反演的网络结构。使用多层高分辨率级联卷积层→多层高分辨率级联反卷积层实现，其中，多层级联高分辨率卷积层进一步提取上述高分辨率高阶特征，多层级联高分辨率反卷积层通过正向连接和横向连接综合利用低阶和高阶特征来重建高分辨率介电常数分布图。
作为一种实现方式，高分辨率介电常数分布图反演的网络结构的详细信息参数如表4所示。
表4
序号 类型 卷积核 步长 激活函数 输出通道
1 卷积层 4×4 2 LeakyRelu 16
2 卷积层 4×4 2 LeakyRelu 32
3 卷积层 4×4 2 LeakyRelu 64
4 卷积层 4×4 2 LeakyRelu 128
5 卷积层 1×1 1 LeakyRelu 256
6 反卷积层 1×1 1 Relu 256
7 反卷积层 4×4 2 Relu 128
8 反卷积层 4×4 2 Relu 64
9 反卷积层 4×4 2 Relu 32
10 反卷积层 4×4 2 Relu 16
11 反卷积层 4×4 2 Relu 8
12 反卷积层 1×1 1 Sigmoid 1
(5)评估低分辨率介电常数分布图真实度的鉴别器网络结构，使用多层级联卷积层实现。多层级联卷积层在判断重建出的低分辨率介电常数分布图的真实程度后为其赋予真或假的标签。
作为一种实现方式，评估低分辨率介电常数分布图真实度的鉴别器网络结构的详细信息参数如表5所示。
表5
序号 类型 卷积核 步长 激活函数 输出通道
1 卷积层 4×4 2 LeakyRelu 64
2 卷积层 4×4 2 LeakyRelu 128
3 卷积层 4×4 2 LeakyRelu 128
4 卷积层 4×4 2 LeakyRelu 256
5 卷积层 4×4 2 LeakyRelu 512
6 卷积层 1×1 1 LeakyRelu 1
(6)评估高分辨率介电常数分布图真实度的鉴别器网络结构。使用多层级联高分辨率卷积层实现。多层级联高分辨率卷积层在判断重建出的高分辨率介电常数分布图的真实程度后为其赋予真或假的标签。
作为一种实现方式，评估高分辨率介电常数分布图真实度的鉴别器网络结构的详细信息参数如表6所示。
表6
序号 类型 卷积核 步长 激活函数 输出通道
1 卷积层 4×4 2 LeakyRelu 64
2 卷积层 4×4 2 LeakyRelu 64
3 卷积层 4×4 2 LeakyRelu 64
4 卷积层 4×4 2 LeakyRelu 128
5 卷积层 4×4 2 LeakyRelu 128
6 卷积层 4×4 2 LeakyRelu 256
7 卷积层 1×1 1 LeakyRelu 512
8 卷积层 1×1 1 LeakyRelu 1
本发明克服了跨孔雷达时域波形与介电常数模型在数据维度、空间位置无法对应的问题；可以对反演出的介电常数模型进行分辨率增强，对地下结构内部缺陷的位置、形状、介电特性实现更加精细的识别效果。
缺陷识别模型可以学习到跨孔雷达数据的全局信息，同时过滤掉冗余数据，对跨孔雷达时域波形图进行自动化反演，在保证较高的反演精度的同时，也具有较快的识别速度。
以均方根误差(MSE)作为损失函数，将Adam作为优化器，同时把学习率设为0.001对生成器模型和两个鉴别器模型进行训练，综合使用均方根误差(MSE)、结构相似度(SSIM)来评估网络反演性能的训练效果。
具体而言，整个缺陷识别模型的优化目标函数为：
其中，该函数表示缺陷识别模型的优化方法为低分辨率生成器GL与低分辨率鉴别器DL进行对抗训练，高分辨率生成器GH与高分辨率鉴别器DH进行对抗训练，直至低分辨率和高分辨率生成器生成的预测图像数据分布越来越接近于真实图像的数据分布Pdata(x)。即优化目标函数V的取值达到最大值。
步骤S3：使用所述基于深度学习的缺陷识别模型对实时采集的跨孔雷达数据进行反演，进而得到对应的缺陷介电常数分布预测图像。
将实时采集的跨孔雷达数据采用与步骤S102同样的处理方式得到一个相同格式的W×H×N的三维数据块后，如图6(a)所示，输入到经过步骤S2训练后的缺陷识别模型中，进而输出对应的介电常数分布预测值，最后将该预测值转化成RGB数据格式，形成一张RGB图像，不同的颜色代表不同的介电常数值，如图6(b)所示，根据介电常数分布图可直观看出地下结构内的背景介质和缺陷介质的分布情况，达到识别地下结构内部缺陷的目标。另外可以与实际的介电常数分布图如图6(c)作对比，综合使用均方根误差(MSE)、结构相似度(SSIM)、Canny边缘检测评估缺陷识别模型输出的缺陷与实际情况之间的位置、形状、填充等指标的准确程度。
具体而言，评估指标的可分别由以下公式表示：
(1)缺陷识别模型输出的预测图像和真实图像之间的均方误差：
其中，Ppre为预测图像，Preal为真实图像，ppre,i为预测图像内第i个像素值，preal,i为真实图像内第i个像素值，m为图像内总的像素个数。
(2)缺陷识别模型输出的预测图像和真实图像之间的结构相似度为：
其中，μpre为预测图像内像素的均值，μreal为真实图像内像素的均值，σpre为预测图像内像素的方差，σreal为真实图像内像素的方差，σpre,real为预测图像和真实图像之间的协方差。C1、C2、C3均为避免分母出现零值的正常数(取值接近于零)。α、β、γ为所取系数，αβγ＝1。
(3)缺陷识别模型输出的预测图像和真实图像之间的缺陷形心位置回归误差为：
其中，n为Canny算子识别出的总的轮廓像素点个数，Cxi(Ppre)为预测图像内缺陷轮廓第i个像素点在x轴上的坐标值，Cyi(Ppre)为预测图像内缺陷轮廓第i个像素点在y轴上的坐标值，Cxi(Preal)为真实图像内缺陷轮廓第i个像素点在x轴上的坐标值，Cyi(Preal)为真实图像内缺陷轮廓第i个像素点在y轴上的坐标值。
本发明提出的方法可以应用于使用跨孔雷达探测地下连续墙、桩基础、工程地质勘验等实际工程场景，实现对地下结构内部缺陷的准确、高分辨率和快速识别。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。

Claims (9)

1.一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法，其特征在于，包括：
建立数值模拟数据集，所述数值模拟数据集包括若干组二维跨孔雷达时域波形图与模型剖面介电常数分布图的数据对；
以所述数值模拟数据集作为学习样本，训练基于深度学习的缺陷识别模型；所述基于深度学习的缺陷识别模型包括一个生成器模型和两个鉴别器模型，所述生成器模型采用“多层平行全连接层→ResNet101 V2卷积层→多层级联反卷积层→多层级联低分辨率卷积层→多层级联低分辨率反卷积层→ResNet50 V2高分辨率卷积层→多层高分辨率级联反卷积层→多层高分辨率级联卷积层→多层高分辨率级联反卷积层”的实现方式；所述鉴别器模型分别采用多层级联卷积层和多层级联高分辨率卷积层的实现方式；具体包括六个结构：
(1)全局提取跨孔雷达时域波形数据特征的网络结构，使用多层平行全连接层→ResNet101 V2卷积层→多层级联反卷积层实现；其中每一个全连接层分别负责提取若干道跨孔雷达数据内的全局低阶特征信息，ResNet101 V2卷积层接收全局低阶特征并进一步提取其高阶特征，多层级联反卷积层利用高阶特征扩大特征映射图的尺寸；
(2)低分辨率介电常数分布图反演网络结构，使用多层级联卷积层→多层级联反卷积层实现；其中，多层级联卷积层进一步提取上述全局低阶特征，多层级联反卷积层通过正向连接和横向连接综合利用低阶和高阶特征重建介电常数分布图，并放大重建出的介电常数分布图尺寸；
(3)提取低分辨率解码的介电常数分布图高分辨率特征的网络结构，使用ResNet50 V2高分辨率卷积层→多层高分辨率级联反卷积层实现，ResNet50 V2高分辨率卷积层接收初阶特征并在高分辨率下进一步提取其高阶特征，多层级联反卷积层通过正向连接和横向连接综合利用低阶和高阶特征扩大特征映射图的尺寸；
(4)高分辨率介电常数分布图反演的网络结构，使用多层高分辨率级联卷积层→多层高分辨率级联反卷积层实现，其中，多层级联高分辨率卷积层进一步提取上述高分辨率高阶特征，多层级联高分辨率反卷积层通过正向连接和横向连接综合利用低阶和高阶特征来重建高分辨率介电常数分布图；
(5)评估低分辨率介电常数分布图真实度的鉴别器网络结构，使用多层级联卷积层实现，多层级联卷积层在判断重建出的低分辨率介电常数分布图的真实程度后为其赋予真或假的标签；
(6)评估高分辨率介电常数分布图真实度的鉴别器网络结构,使用多层级联高分辨率卷积层实现,多层级联高分辨率卷积层在判断重建出的高分辨率介电常数分布图的真实程度后为其赋予真或假的标签；
使用所述基于深度学习的缺陷识别模型对实时采集的跨孔雷达数据进行反演，进而得到对应的缺陷介电常数分布预测图像。
2.根据权利要求1所述一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法，其特征在于，所述数值模拟数据集的构建方法为：
建立地下结构三维数值模拟介电常数模型，该介电常数模型包括背景介质及缺陷，且在任一单独的模型内缺陷种类、形状、位置、大小、填充均为随机分布，对所述介电常数模型进行正演模拟，得到跨孔雷达时域波形图，然后与其对应的二维介电常数模型剖面图进行组合，得到多组跨孔雷达时域波形图与介电常数模型剖面图的数据对。
3.根据权利要求2所述一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法，其特征在于，所述跨孔雷达时域波形图获取方式为：使用N个模拟雷达波源对所述介电常数模型进行正演模拟得到模型N道对应的雷达时域波形图，然后以每张时域波形图的宽W作为第一维，高H作为第二维，测量道数N作为第三维，将N道雷达波形图在第三维上叠加起来，形成一个W×H×N的三维数据块。
4.根据权利要求2所述一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法，其特征在于，所述二维介电常数模型剖面图由三维介电常数模型进行纵向剖面，并对缺陷位置像素值乘上一个权重系数w后得到。
5.根据权利要求1所述一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法，其特征在于，所述基于深度学习的缺陷识别模型的优化目标函数为：
其中，该函数表示为低分辨率生成器GL与低分辨率鉴别器DL进行对抗训练，高分辨率生成器GH与高分辨率鉴别器DH进行对抗训练，直至低分辨率生成器和高分辨率生成器生成的预测图像数据分布越来越接近于真实图像的数据分布；即优化目标函数V的取值达到最大值。
6.根据权利要求1所述一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法，其特征在于，在所述得到对应的缺陷介电常数分布预测图像后，通过均方根误差、结构相似度评估形状、填充指标与实际情况之间的识别准确程度，使用Canny边缘检测评估缺陷识别模型输出的缺陷与实际情况之间的位置确定准确程度。
7.根据权利要求6所述一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法，其特征在于，所述预测图像和真实图像之间的均方根误差为：
其中，Ppre为预测图像，Preal为真实图像，ppre,i为预测图像内第i个像素值，preal,i为真实图像内第i个像素值，m为图像内总的像素个数。
8.根据权利要求6所述一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法，其特征在于，所述预测图像和真实图像之间的结构相似度为：
其中，μpre为预测图像内像素的均值，μreal为真实图像内像素的均值，σpre为预测图像内像素的方差，σreal为真实图像内像素的方差，σpre,real为预测图像和真实图像之间的协方差；C1、C2、C3均为避免分母出现零值的正常数；α、β、γ为所取系数。
9.根据权利要求6所述一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法，其特征在于，所述预测图像和真实图像之间的缺陷形心位置回归误差为：
其中，n为Canny算子识别出的总的轮廓像素点个数，Cxi(Ppre)为预测图像内缺陷轮廓第i个像素点在x轴上的坐标值，Cyi(Ppre)为预测图像内缺陷轮廓第i个像素点在y轴上的坐标值，Cxi(Preal)为真实图像内缺陷轮廓第i个像素点在x轴上的坐标值，Cyi(Preal)为真实图像内缺陷轮廓第i个像素点在y轴上的坐标值。
CN202111115157.5A 2021-09-23 2021-09-23 一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法 Active CN114021422B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111115157.5A CN114021422B (zh) 2021-09-23 2021-09-23 一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111115157.5A CN114021422B (zh) 2021-09-23 2021-09-23 一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法

Publications (2)

Publication Number Publication Date
CN114021422A CN114021422A (zh) 2022-02-08
CN114021422B true CN114021422B (zh) 2024-04-26

Family

ID=80054624

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111115157.5A Active CN114021422B (zh) 2021-09-23 2021-09-23 一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法

Country Status (1)

Country Link
CN (1) CN114021422B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115856882B (zh) * 2023-02-15 2023-05-16 山东大学 一种多极化地质雷达数据智能反演与成像方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005233783A (ja) * 2004-02-19 2005-09-02 Shogo Tanaka 電磁波レーダを用いた位置の遠隔計測方法
CN106405061A (zh) * 2016-09-22 2017-02-15 北京林业大学 一种基于雷达波的木质体内部异常无损探测系统
CN110147812A (zh) * 2019-04-04 2019-08-20 中国人民解放军战略支援部队信息工程大学 基于扩张残差网络的雷达辐射源识别方法及装置
CN111781576A (zh) * 2019-10-09 2020-10-16 山东大学 一种基于深度学习的探地雷达智能反演方法
CN113160055A (zh) * 2021-04-07 2021-07-23 哈尔滨理工大学 一种基于深度学习的图像超分辨率重建方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11836852B2 (en) * 2019-12-20 2023-12-05 Board Of Trustees Of The University Of Illinois Neural network-based millimeter-wave imaging system

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005233783A (ja) * 2004-02-19 2005-09-02 Shogo Tanaka 電磁波レーダを用いた位置の遠隔計測方法
CN106405061A (zh) * 2016-09-22 2017-02-15 北京林业大学 一种基于雷达波的木质体内部异常无损探测系统
CN110147812A (zh) * 2019-04-04 2019-08-20 中国人民解放军战略支援部队信息工程大学 基于扩张残差网络的雷达辐射源识别方法及装置
CN111781576A (zh) * 2019-10-09 2020-10-16 山东大学 一种基于深度学习的探地雷达智能反演方法
CN113160055A (zh) * 2021-04-07 2021-07-23 哈尔滨理工大学 一种基于深度学习的图像超分辨率重建方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
基于探地雷达的混凝土无损检测反演成像方法;丁亮;韩波;刘润泽;张建清;;地球物理学报;20120115(第01期);全文 *
基于支持向量机的隧道衬砌空洞机器识别方法;覃晖;唐玉;谢雄耀;王峥峥;;现代隧道技术;20200415(第02期);全文 *
基于雷达波的树木躯干内部缺陷探测识别;肖夏阳;文剑;肖中亮;李伟林;张厚江;;林业科学;20180515(第05期);全文 *
跨孔雷达全波形反演成像方法的研究;吴俊军;刘四新;李彦鹏;张宇生;张丽丽;傅磊;王飞;孟旭;雷林林;地球物理学报;20140515;第57卷(第5期);全文 *

Also Published As

Publication number Publication date
CN114021422A (zh) 2022-02-08

Similar Documents

Publication Publication Date Title
Sony et al. A systematic review of convolutional neural network-based structural condition assessment techniques
CN110136170B (zh) 一种基于卷积神经网络的遥感影像建筑物变化检测方法
CN110705457B (zh) 一种遥感影像建筑物变化检测方法
CN109446992B (zh) 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备
CN111723732B (zh) 一种光学遥感图像变化检测方法、存储介质及计算设备
CN111781576A (zh) 一种基于深度学习的探地雷达智能反演方法
CN112232391B (zh) 一种基于U-net网络和SC-SAM注意力机制的大坝裂缝检测方法
Feng et al. Pavement crack detection and segmentation method based on improved deep learning fusion model
CN112183432B (zh) 一种基于中分辨率sar图像的建筑区提取方法以及系统
CN111611861B (zh) 一种基于多尺度特征关联的图像变化检测方法
CN113009447B (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
CN105550691A (zh) 基于尺度空间的自适应山谷山脊线提取方法及系统
Dong et al. Innovative method for pavement multiple damages segmentation and measurement by the Road-Seg-CapsNet of feature fusion
CN116168295B (zh) 一种岩性遥感智能解译模型建立方法及解译方法
CN111161224A (zh) 基于深度学习的铸件内部缺陷分级评估系统及方法
CN113205051A (zh) 基于高空间分辨率遥感影像的储油罐提取方法
CN114092697A (zh) 注意力融合全局和局部深度特征的建筑立面语义分割方法
CN114021422B (zh) 一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法
CN114119361A (zh) 基于tesrgan网络的超分辨率重构井下图像方法、系统、设备、介质
CN116309536A (zh) 一种路面裂缝检测方法及存储介质
CN112529837A (zh) 基于耦合判别特征自学习网络的遥感图像变化检测算法
Xu et al. Detection method of tunnel lining voids based on guided anchoring mechanism
CN113591740B (zh) 基于深度学习的复杂河流环境下泥沙颗粒识别方法及装置
CN111444614B (zh) 一种基于图卷积的流场重构方法
Streltsov et al. Automated building energy consumption estimation from aerial imagery

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