CN114638829A - 隧道衬砌检测模型的抗干扰训练方法及隧道衬砌检测方法 - Google Patents

隧道衬砌检测模型的抗干扰训练方法及隧道衬砌检测方法 Download PDF

Info

Publication number
CN114638829A
CN114638829A CN202210536807.1A CN202210536807A CN114638829A CN 114638829 A CN114638829 A CN 114638829A CN 202210536807 A CN202210536807 A CN 202210536807A CN 114638829 A CN114638829 A CN 114638829A
Authority
CN
China
Prior art keywords
tunnel lining
detection model
feature map
characteristic diagram
noise
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.)
Pending
Application number
CN202210536807.1A
Other languages
English (en)
Inventor
宋恒
贾波
赵晶丽
耿天宝
王扩
王东杰
刘道学
张大伟
余振
田炳坤
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.)
Anhui Shuzhi Construction Research Institute Co ltd
Original Assignee
Anhui Shuzhi Construction Research Institute Co ltd
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 Anhui Shuzhi Construction Research Institute Co ltd filed Critical Anhui Shuzhi Construction Research Institute Co ltd
Priority to CN202210536807.1A priority Critical patent/CN114638829A/zh
Publication of CN114638829A publication Critical patent/CN114638829A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06V10/7747—Organisation of the process, e.g. bagging or boosting
    • 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]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30132—Masonry; Concrete

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种隧道衬砌检测模型的抗干扰训练方法及隧道衬砌检测方法，训练方法包括：使用训练影像集对隧道衬砌检测模型进行多次周期性的训练，其中，针对每次训练周期，执行以下操作：获取训练影像集；将训练影像集中的衬砌雷达影像输入至隧道衬砌检测模型，得到第一特征图和预测的第一位置信息，并向第一特征图加入扰动生成扰动特征图，以及利用隧道衬砌检测模型基于扰动特征图，得到预测的第二位置信息；基于第一位置信息得到第一损失函数，基于第二位置信息得到第二损失函数，并根据第一损失函数和第二损失函数得到第三损失函数；根据第三损失函数，调整隧道衬砌检测模型的参数。该抗干扰训练方法可提高隧道衬砌检测模型的检测准确度。

Description

隧道衬砌检测模型的抗干扰训练方法及隧道衬砌检测方法
技术领域
本发明涉及图像识别技术领域，尤其涉及一种隧道衬砌检测模型的抗干扰训练方法及隧道衬砌检测方法。
背景技术
相关技术中，在检测隧道衬砌中的钢筋、拱架等目标时，常使用探地雷达技术，并结合数字图像分析及深度学习的手段检测B-Scan图像中的钢筋、拱架等目标。
但是在实际应用中，由于地下介质的不均匀性和背景环境的复杂性，以及硬件产生的噪声，探地雷达发射天线发射的电磁波多次反射的反射波及其它杂波产生的干扰，会降低对钢筋、拱架等目标检测的准确度。目前的去噪方法，如霍夫变换，傅立叶变换、小波变换、中值滤波、低通滤波算法等，消除噪声的效果并不理想，会严重干扰对钢筋，拱架，缺陷等目标的识别。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的在于提出一种隧道衬砌检测模型的抗干扰训练方法，提高了训练好的隧道衬砌检测模型的准确率。
本发明的第二个目的在于提出一种隧道衬砌检测方法。
本发明的第三个目的在于提出一种隧道衬砌检测装置。
本发明的第四个目的在于提出一种计算机可读存储介质。
本发明的第五个目的在于提出一种电子设备。
为达到上述目的，本发明第一方面实施例提出了一种隧道衬砌检测模型的抗干扰训练方法，所述训练方法包括：使用训练影像集对隧道衬砌检测模型进行多次周期性的训练，其中，针对每次训练周期，执行以下操作：获取训练影像集，其中，所述训练影像集包括衬砌雷达影像；将所述训练影像集中的衬砌雷达影像输入至隧道衬砌检测模型的神经网络模块，得到第一特征图和预测的第一位置信息，并向所述第一特征图加入扰动生成扰动特征图，以及利用所述隧道衬砌检测模型基于所述扰动特征图，得到预测的第二位置信息；基于所述第一位置信息得到第一损失函数，基于所述第二位置信息得到第二损失函数，并根据所述第一损失函数和所述第二损失函数得到第三损失函数；根据所述第三损失函数，调整所述隧道衬砌检测模型的参数。
根据本发明实施例的隧道衬砌检测模型的训练方法，向第一特征图中加入噪声特征图生成扰动特征图，基于扰动特征图和第一特征图对隧道衬砌检测模型进行训练，消除检测的过程中信号畸变、重影等噪声的干扰，提高隧道衬砌检测模型检测的准确率。
另外，根据本发明上述实施例提出的隧道衬砌检测模型的抗干扰训练方法还可以具有如下附加的技术特征：
根据本发明的一个实施例，将所述训练影像集中的衬砌雷达影像输入至隧道衬砌检测模型，得到第一特征图和预测的第一位置信息，包括：将所述衬砌雷达影像输入至神经网络模块中特征提取单元，得到第一特征图；利用所述神经网络模块中的第一位置提取单元对所述第一特征图进行位置检测，得到所述第一位置信息。
根据本发明的一个实施例，向所述第一特征图加入扰动生成扰动特征图，以及利用所述隧道衬砌检测模型基于所述扰动特征图，得到预测的第二位置信息，包括：利用预设的抗干扰模块基于所述第一特征图，得到噪声特征图；根据所述第一特征图和所述噪声特征图，得到所述扰动特征图；利用所述神经网络模块中的第二位置提取单元对所述扰动特征图进行位置检测，得到所述第二位置信息。
根据本发明的一个实施例，所述抗干扰模块采用的噪声为高斯噪声，椒盐噪声、乘性噪声中的任一者。
根据本发明的一个实施例，当所述抗干扰模块采用高斯噪声时，利用预设的抗干扰模块基于所述第一特征图，得到噪声特征图，包括：获取多个所述第一特征图的尺寸内，独立且服从均匀分布的随机数，生成服从高斯分布的高斯随机数，并计算多个所述高斯随机数的平均值
Figure 185912DEST_PATH_IMAGE001
和方差
Figure 421721DEST_PATH_IMAGE002
；随机获取所述第一特征图的尺寸内m个数
Figure 760299DEST_PATH_IMAGE003
，并计算m个数
Figure 993834DEST_PATH_IMAGE003
的平均值
Figure 621125DEST_PATH_IMAGE004
，其中，i为正整数，0＜i≤m；根据预设的噪声特征图表达式，得到所述噪声特征图。
根据本发明的一个实施例，所述预设的噪声特征图的表达式为：
Figure 395046DEST_PATH_IMAGE005
其中，
Figure 791392DEST_PATH_IMAGE006
表示所述噪声特征图，
Figure 258145DEST_PATH_IMAGE001
表示多个所述高斯随机数的平均值，
Figure 107153DEST_PATH_IMAGE007
表示多个所述高斯随机数的标准差，
Figure 684764DEST_PATH_IMAGE008
表示m个数
Figure 935617DEST_PATH_IMAGE003
的平均值。
根据本发明的一个实施例，所述第一特征图和所述噪声特征图的大小和通道数相同，其中，根据所述第一特征图和所述噪声特征图，得到所述扰动特征图，包括：将所述第一特征图和所述噪声特征图进行相加，得到所述扰动特征图。
根据本发明的一个实施例，所述第三损失函数的表达式为：
Figure 776534DEST_PATH_IMAGE009
其中，
Figure 175155DEST_PATH_IMAGE010
表示所述第三损失函数，
Figure 494140DEST_PATH_IMAGE011
表示所述第一损失函数，
Figure 865079DEST_PATH_IMAGE012
表示所述第二损失函数，
Figure 673635DEST_PATH_IMAGE013
表示权重平衡因子。
为达到上述目的，本发明第二方面实施例提出了一种隧道衬砌检测方法，所述检测方法包括：获取待识别衬砌雷达影像；将所述待识别衬砌雷达影像输入至训练好的隧道衬砌检测模型，得到所述待识别衬砌雷达影像中的检测目标的位置信息，其中，所述训练好的隧道衬砌检测模型利用如本发明第一方面实施例提出的隧道衬砌检测模型的抗干扰训练方法得到。
为达到上述目的，本发明第三方面实施例提出了一种隧道衬砌检测装置，其特征在于，所述检测装置包括：获取模块，用于获取待识别衬砌雷达影像；检测模块，用于将所述待识别衬砌雷达影像输入至训练好的隧道衬砌检测模型，得到所述待识别衬砌雷达影像中的检测目标的位置信息，其中，所述训练好的隧道衬砌检测模型利用如本发明第一方面实施例提出的隧道衬砌检测模型的抗干扰训练方法得到。
为达到上述目的，本发明第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如本发明第一方面实施例提出的隧道衬砌检测模型的训练方法，或者，如本发明第二方面实施例提出的隧道衬砌检测方法。
为达到上述目的，本发明第五方面实施例提出了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述计算机程序被所述处理器执行时，实现如本发明第一方面实施例提出的隧道衬砌检测模型的训练方法，或者，如本发明第二方面实施例提出的隧道衬砌检测方法。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1是本发明一个实施例的隧道衬砌检测模型抗干扰训练方法的示意图；
图2是本发明一个实施例的隧道衬砌检测模型的抗干扰训练方法的流程图；
图3a是本发明一个具体实施例的干扰较少关于钢筋的衬砌雷达影像；
图3b是本发明一个具体实施例的干扰较强关于钢筋的衬砌雷达影像；
图3c是本发明一个具体实施例的干扰较少关于拱架的衬砌雷达影像；
图3d是本发明一个具体实施例的干扰较强关于拱架的衬砌雷达影像；
图4是本发明一个实施例的获取第一位置信息的流程图；
图5是本发明一个具体实施例的衬砌雷达影像中的检测目标的关键特征示意图；
图6是本发明一个实施例的获取第一位置信息的流程图；
图7是本发明一个实施例的生成噪声特征图的流程图；
图8是本发明一个具体实施例的干扰较少衬砌雷达影像的第一特征图的灰度图；
图9是本发明一个具体实施例的抗干扰模块生成的图7中第一特征图的噪声特征图的灰度图；
图10是本发明一个具体实施例的干扰较强衬砌雷达影像的第一特征图的灰度图；
图11是现有技术中神经网络模型与利用本发明实施例的隧道衬砌检测模型对衬砌雷达影像进行检测的效果对比图；
图12是本发明一个实施例的隧道衬砌检测方法的流程图；
图13是本发明一个实施例的隧道衬砌检测装置的示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面将结合说明书附图1-13以及具体的实施方式对本发明实施例的隧道衬砌检测模型的抗干扰训练方法及隧道衬砌检测方法进行详细地说明。
图1是本发明一个实施例的隧道衬砌检测模型抗干扰训练方法的示意图。图2是本发明一个实施例的隧道衬砌检测模型的训练方法的流程图。隧道衬砌检测模型的抗干扰训练方法可包括：使用训练影像集对隧道衬砌检测模型进行多次周期性的训练，其中，针对每次训练周期，执行以下操作，参见图2：
S11，获取训练影像集，其中，训练影像集包括衬砌雷达影像；
具体地，衬砌雷达影像为利用探地雷达对衬砌采集的雷达B-Scan影像，探地雷达在采集衬砌的雷达B-Scan影像时，探地雷达发射机不断向衬砌发射电磁波信号（A-Scan），接收机接收多道 A-Scan 信号组成雷达 B-Scan（sagittal and transverse sectionimaging，矢状面和横切面成像）影像。
需要说明的是，衬砌中的目标在探地雷达图像中以双曲线形态呈现，如图3a-3d所示。其中，图3a是本发明一个具体实施例的干扰较少关于钢筋的衬砌雷达影像；图3b是本发明一个具体实施例的干扰较强关于钢筋的衬砌雷达影像；图3c是本发明一个具体实施例的干扰较少关于拱架的衬砌雷达影像；图3d是本发明一个具体实施例的干扰较强关于拱架的衬砌雷达影像。
进一步具体地，获取大量的衬砌雷达影像，并将大量的衬砌雷达影像作为训练影像集，以对隧道衬砌检测模型进行训练，得到训练好的隧道衬砌检测模型，以利用训练好的隧道衬砌检测模型对衬砌雷达影像进行检测，得到衬砌雷达影像中钢筋和/或拱架（检测目标）的位置信息。
在本发明的实施例中，当训练影像集中的衬砌雷达影像大于预设规格时，需对衬砌雷达影像进行预处理，以得到隧道衬砌检测模型可以检测的衬砌雷达影像。
示例性的，当预设规格为256*256mm时，当衬砌雷达影像的大于256*256mm时，可对该衬砌雷达影像进行剪裁，将剪裁后的衬砌雷达影像依次输入隧道衬砌检测模型。
S12，将训练影像集中的衬砌雷达影像输入至隧道衬砌检测模型，得到第一特征图和预测的第一位置信息，并向第一特征图加入扰动生成扰动特征图，以及利用隧道衬砌检测模型基于扰动特征图，得到预测的第二位置信息。
在本发明的实施例中，如图4所示，将训练影像集中的衬砌雷达影像输入至隧道衬砌检测模型，得到第一特征图和和预测的第一位置信息，可包括：
S1211，将衬砌雷达影像输入至神经网络模块中特征提取单元，得到第一特征图。
在本发明的实施例中，神经网络模块可为CenterNet网络原始神经网络。
在本发明的实施例中，特征提取单元可为二阶hourglass网络。二阶hourglass网络的下半路依次为两次降采样和两次升采样的过程。二阶hourglass网络的下半路分别在原始尺寸（OriSize）和1/2原始尺寸（OriSize）上进行辅助升采样。
具体地，衬砌雷达影像输入至特征提取单元（二阶hourglass网络）后，特征提取单元对衬砌雷达影像中的检测目标进行特征提取，提取检测目标的关键点，得到衬砌雷达影像中检测目标的关键点特征图，即第一特征图
Figure 231655DEST_PATH_IMAGE014
。
需要说明的是，本发明实施例利用衬砌雷达影像中3个特征点表达检测目标的关键特征，参见图5。
需要说明的是，特征提取单元还输出四张热图，分别为与中心点对应的中心点热图和与三个关键点对应的关键点热图。
S1212，利用神经网络模块中的第一位置提取单元对第一特征图进行位置检测，得到第一位置信息。
具体地，第一位置提取单元根据第一特征图
Figure 619911DEST_PATH_IMAGE015
中的关键点对衬砌雷达影像中的检测目标进行位置检测，得到检测目标的第一位置信息。
进一步具体地，第一位置信息可为检测框，其中检测框包括检测目标中心点坐标
Figure 642094DEST_PATH_IMAGE016
和检测目标尺寸
Figure 559234DEST_PATH_IMAGE017
。即根据检测目标中心点坐标
Figure 135709DEST_PATH_IMAGE018
和检测目标尺寸
Figure 858814DEST_PATH_IMAGE019
可得到检测框的位置和大小。
在本发明的实施例中，如图6所示，向第一特征图加入扰动生成扰动特征图，以及利用隧道衬砌检测模型基于扰动特征图，得到预测的第二位置信息，可包括：
S1221，利用预设的抗干扰模块基于第一特征图，得到噪声特征图。
具体地，为了提高隧道衬砌检测模型检测的准确率，预设的抗干扰模块可根据第一特征图
Figure 938766DEST_PATH_IMAGE020
的尺寸和通道数等信息，构造噪声特征图
Figure 557966DEST_PATH_IMAGE006
。需要说明的是，第一特征图
Figure 90579DEST_PATH_IMAGE021
和噪声特征图
Figure 351796DEST_PATH_IMAGE022
的大小和通道数相同。
在本发明的实施例中，抗干扰模块采用的噪声可为高斯噪声，椒盐噪声、乘性噪声中的任一者。抗干扰模块采用的噪声还可为其他噪声，在此不做限定。其中，在选择抗干扰模块采用的噪声时，可根据具体情况进行选择。
S1222，根据第一特征图和噪声特征图，得到扰动特征图。
在本发明的实施例中，根据第一特征图和噪声特征图，得到扰动特征图，可包括：将第一特征图和噪声特征图进行相加，得到扰动特征图。
具体地，第一特征图和噪声特征图的大小和通道数相同，即将第一特征图与对应通道的噪声特征图相加，可得到对应通道的扰动特征图
Figure 286254DEST_PATH_IMAGE023
，即
Figure 873093DEST_PATH_IMAGE024
。
其中，
Figure 627422DEST_PATH_IMAGE025
表示扰动特征图，
Figure 161172DEST_PATH_IMAGE026
表示第一特征图，
Figure 12453DEST_PATH_IMAGE027
表示噪声特征图。
S125，利用神经网络模块中的第二位置提取单元对扰动特征图进行位置检测，得到第二位置信息。
具体地，第二位置提取单元对扰动特征图进行位置检测，得到第二位置信息。其中，第二位置提取单元可为二阶hourglass网络。
在本发明的实施例中，如图7所示，当抗干扰模块采用高斯噪声时，利用预设的抗干扰模块基于第一特征图，得到噪声特征图，可包括：
S231，获取多个第一特征图的尺寸内，独立且服从均匀分布的随机数，生成服从高斯分布的高斯随机数，并计算多个高斯随机数的平均值
Figure 442297DEST_PATH_IMAGE001
和方差
Figure 215081DEST_PATH_IMAGE028
。
具体地，从第一特征图的尺寸内，即区间[0，255]内，选取多个独立且服从均匀分布的随机数，利用选取的随机数生成高斯随机数，计算多个高斯随机数的平均值
Figure 83680DEST_PATH_IMAGE001
和方差
Figure 727151DEST_PATH_IMAGE002
。
在该实施例中，
Figure 655793DEST_PATH_IMAGE029
Figure 384714DEST_PATH_IMAGE030
其中，a、b由选取的随机数确定，a表示区间最小值，b表示区间最大值。
S232，随机获取第一特征图的尺寸内m个数
Figure 57004DEST_PATH_IMAGE003
，并计算m个数
Figure 617299DEST_PATH_IMAGE003
的平均值
Figure 388945DEST_PATH_IMAGE004
，其中，i为正整数，0＜i≤m。
具体地，从第一特征图的尺寸内随机选取m个数
Figure 933059DEST_PATH_IMAGE003
，计算m个数
Figure 81144DEST_PATH_IMAGE003
的平均值
Figure 988224DEST_PATH_IMAGE004
。
S233，根据预设的噪声特征图表达式，得到噪声特征图。
在该实施方式中，预设的噪声特征图的表达式为：
Figure 993089DEST_PATH_IMAGE005
其中，
Figure 696603DEST_PATH_IMAGE031
表示噪声特征图，
Figure 710695DEST_PATH_IMAGE001
表示多个高斯随机数的平均值，
Figure 448844DEST_PATH_IMAGE007
表示多个高斯随机数的标准差，
Figure 827873DEST_PATH_IMAGE008
表示m个数
Figure 80999DEST_PATH_IMAGE003
的平均值。
具体地，利用上述预设的噪声特征图的表达式，向对应通道到的第一特征图中加入高斯噪声，得到高斯噪声特征图。
图8是本发明一个具体实施例的干扰较少衬砌雷达影像的第一特征图的灰度图。图9是本发明一个具体实施例的抗干扰模块生成的图7中第一特征图的噪声特征图的灰度图。图10是本发明一个具体实施例的干扰较强衬砌雷达影像的第一特征图的灰度图。对比图9和图10，可见，图9和图10具有相似的噪声，说明抗干扰模块可以生成存在的噪声。
S13，基于第一位置信息得到第一损失函数，基于第二位置信息得到第二损失函数，并根据第一损失函数和第二损失函数得到第三损失函数。
具体地，预测的检测目标包括检测目标中心点坐标
Figure 836466DEST_PATH_IMAGE032
和检测目标尺寸
Figure 429121DEST_PATH_IMAGE033
。考虑到预测的检测目标中心点坐标偏差和预测的检测目标尺寸偏差。本发明实施例中的，第一损失函数
Figure 244630DEST_PATH_IMAGE034
的表达式为：
Figure 719474DEST_PATH_IMAGE035
其中，
Figure 278631DEST_PATH_IMAGE036
表示中心点估计损失函数，
Figure 725793DEST_PATH_IMAGE037
表示尺寸估计损失函数，
Figure 508942DEST_PATH_IMAGE038
表示偏差估计损失函数，
Figure 674344DEST_PATH_IMAGE039
和
Figure 771613DEST_PATH_IMAGE040
表示平衡目标位置检测与特征点估计任务权重的因子。
在该实施例中，中心点估计损失函数
Figure 135598DEST_PATH_IMAGE041
的表达式为：
Figure 292910DEST_PATH_IMAGE042
其中，
Figure 680029DEST_PATH_IMAGE043
表示映射到中心点热图上的目标中心点的高斯分布扩展值，
Figure 377726DEST_PATH_IMAGE044
表示映射到中心点热图上的目标中心点的高斯分布预测值，N表示衬砌雷达影像中的检测目标数目，
Figure 799480DEST_PATH_IMAGE045
和
Figure 924431DEST_PATH_IMAGE046
分别表示可调节的超参数。
在该实施例中，尺寸估计损失函数
Figure 798846DEST_PATH_IMAGE047
的表达式为：
Figure 237918DEST_PATH_IMAGE048
其中，
Figure 310916DEST_PATH_IMAGE049
和
Figure 810031DEST_PATH_IMAGE050
分别表示第k个目标中心点
Figure 234059DEST_PATH_IMAGE051
在中心点热图上的真实坐标和预测坐标。
在该实施例中，偏差估计损失函数
Figure 211242DEST_PATH_IMAGE052
的表达式为：
Figure 669905DEST_PATH_IMAGE053
其中，
Figure 74342DEST_PATH_IMAGE054
和
Figure 923349DEST_PATH_IMAGE055
分别表示第k个目标中心点
Figure 766540DEST_PATH_IMAGE056
映射到中心点热图上的真实偏差和预测偏差。
需要说明的是，中心点估计损失函数
Figure 17393DEST_PATH_IMAGE057
采用像素逻辑回归Focal loss。尺寸估计损失函数
Figure 655048DEST_PATH_IMAGE058
和偏差估计损失函数
Figure 991351DEST_PATH_IMAGE059
均采用L1损失。
在本发明的实施例中，考虑到衬砌雷达影像映射到关键点热图产生的偏差，第二损失函数
Figure 310337DEST_PATH_IMAGE060
的表达式为：
Figure 478013DEST_PATH_IMAGE061
其中，
Figure 224252DEST_PATH_IMAGE062
表示关键点估计损失函数，
Figure 313431DEST_PATH_IMAGE063
表示关键点偏差估计损失函数，
Figure 232845DEST_PATH_IMAGE064
表示平衡偏差估计权重的因子。
由于预测的检测目标关键点信息包括3个检测目标关键点，在该实施例中，关键点估计损失函数
Figure 458290DEST_PATH_IMAGE065
的表达式为：
Figure 437748DEST_PATH_IMAGE066
其中，
Figure 483064DEST_PATH_IMAGE067
表示映射到关键点热图上的第i个检测目标关键点的高斯分布扩展值，
Figure 940590DEST_PATH_IMAGE068
表示映射到关键点热图上的第i个检测目标关键点的高斯分布预测值，N表示衬砌雷达影像中检测目标数目，
Figure 82859DEST_PATH_IMAGE069
和
Figure 170900DEST_PATH_IMAGE070
表示可调节的超参数；
在该实施例中，关键点偏差估计损失函数
Figure 765830DEST_PATH_IMAGE071
的表达式为：
Figure 230309DEST_PATH_IMAGE072
其中，
Figure 227084DEST_PATH_IMAGE073
表示第k个检测目标的第i个关键点
Figure 751606DEST_PATH_IMAGE074
映射到关键点热图上的真实偏差值，
Figure 771515DEST_PATH_IMAGE075
表示第k个检测目标的第i个关键点
Figure 102002DEST_PATH_IMAGE076
映射关键点到热图上的预测偏差值。
在本发明的实施例中，第三损失函数的表达式为：
Figure 890966DEST_PATH_IMAGE077
其中，
Figure 383128DEST_PATH_IMAGE078
表示第三损失函数，
Figure 890332DEST_PATH_IMAGE079
表示第一损失函数，
Figure 758931DEST_PATH_IMAGE080
表示第二损失函数，
Figure 402402DEST_PATH_IMAGE081
表示权重平衡因子。
需要说明的是，抗干扰模块生成的噪声特征图用于调节训练阶段中第三损失函数的权重平衡因子
Figure 331044DEST_PATH_IMAGE081
，对第三损失函数进行优化。
S14，根据第三损失函数，调整隧道衬砌检测模型的参数。
具体地，根据第三损失函数调整隧道衬砌检测模型的参数，以得到训练好的隧道衬砌检测模型。
本发明实施例的隧道衬砌检测模型有可解释性，可定制化改造，训练时可根据实际复杂度程度动态调节，若识别目标是偏向简单样本，且干扰小，可是适量调小抗干扰模块的权重，反之亦然。
本发明实施例的抗干扰模块通用性强，可以很方便嵌入到原始神经网络，只在训练模型中起到提高训练优化的作用，推理时抗干扰模块不起作用，没有破坏原始网络模型的结构。
发明人进行相关测验，标注了5000张衬砌雷达影像，抽取的500张衬砌雷达影像做验证集，并剩余的4500张衬砌雷达影像作为训练影像集，对隧道衬砌检测模型进行训练，训练140次后隧道衬砌检测模型趋于稳定。利用验证集中的500张衬砌雷达影像，对趋于稳定的隧道衬砌检测模型进行验证，检出率为99.3%，误检率为1.2%。可见，采用本发明实施例的隧道衬砌检测模型的训练方法，可将隧道衬砌检测模型的检出率提高到99%以上。其中，图11是现有技术中神经网络模型与利用本发明实施例的隧道衬砌检测模型对衬砌雷达影像进行检测的效果对比图。参见图11，第一列的三幅图为利用现有技术中神经网络模型对衬砌雷达影像进行检测的效果图。第二列的三幅图为利用本发明实施例的隧道衬砌检测模型对衬砌雷达影像进行检测的效果图，可见，本发明实施例的隧道衬砌检测模型的检测准确率较高。
在本发明的实施例中，神经网络模块还可包括感兴趣区域ROI特征选择单元。其中，感兴趣区域ROI特征选择单元用于生成检测目标的感兴趣特征图，即第二特征图，再对第二特征图进行空间自适应加权，得到第三特征图。具体地，当神经网络模块包括ROI特征选择单元时，利用神经网络模块中第一位置提取单元预测的第一位置信息，确定检测目标的感兴趣区域。ROI特征选择单元的第一输入端与特征提取单元的输出端连接，用于接收特征提取单元输出的第一特征图。ROI特征选择单元的第二输入端与第一位置提取单元的输出端连接，用于接收检测目标的感兴趣区域。ROI特征选择单元基于第一特征图和感兴趣区域，得到感兴趣区域特征图，对第二特征图（感兴趣区域特征图）进行空间自适应加权，得到第三特征图。
具体地，当神经网络模块输出感兴趣区域特征图时，可利用预设的抗干扰模块基于感兴趣区域特征图，得到感兴趣区域噪声特征图。利用神经网络模块中的第二位置提取单元基于感兴趣区域特征图和感兴趣区域噪声特征图得到感兴趣区域扰动特征图，并对感兴趣区域扰动特征图进行位置检测，得到第二位置信息。需要说明的是，第三特征图和感兴趣区域噪声特征图的大小和通道数相同。在得到预测的第二位置信息后，再基于所述第一位置信息得到第一损失函数，基于所述第二位置信息得到第二损失函数，并根据所述第一损失函数和所述第二损失函数得到第三损失函数；根据所述第三损失函数，调整所述隧道衬砌检测模型的参数。
需要说明的是，本发明不对预设的抗干扰模块进行加入噪声的特征图进行限定。
其中，ROI特征选择单元基于第一特征图和感兴趣区域，得到感兴趣区域特征图，包括：通过ROI特征选择单元中的特征抽取子单元根据感兴趣区域，抽取第一特征图中检测目标的感兴趣特征，得到第二特征图；通过ROI特征选择单元中的特征选择子单元对第二特征图进行空间自适应加权，得到第三特征图。通过第二位置提取单元根据第三特征图进行位置检测，得到预测的第二位置信息。其中，ROI特征选择模块中的特征选择子模块接收特征抽取子模块输出的第二特征图，并对第二特征图进行空间自适应加权，以选择最合适的检测目标特征点估计的特征，并将选择的最合适的检测目标特征点估计的特征图作为第三特征图。
在该实施例中，根据感兴趣区域，抽取第一特征图中检测目标的感兴趣特征，得到第二特征图，可包括：
将感兴趣区域映射到第一特征图中，得到映射特征图；
对映射特征图进行仿射变换，得到第二特征图。
具体地，通过两次仿射变换串联组合来完成感兴趣区域到第二特征图的变换。需要说明的是，感兴趣区域映射到第一特征图得到映射特征图，此为第一次仿射变换，第一次仿射变换保持平面内旋转角不变。对映射特征图进行仿射变换得到第二特征图，此为第二次仿射变换。
在本发明的实施例中，仿射变换可用下列公式表示：
Figure 59965DEST_PATH_IMAGE082
其中，
Figure 732255DEST_PATH_IMAGE083
表示原始二维平面上像素的坐标，
Figure 495812DEST_PATH_IMAGE084
表示仿射变换后的坐标，矩阵R表示关于原点变换的旋转：
Figure 533038DEST_PATH_IMAGE085
L表示关于原点矩阵的缩放：
Figure 811573DEST_PATH_IMAGE086
T表示转换矩阵：
Figure 959657DEST_PATH_IMAGE087
其中，
Figure 640037DEST_PATH_IMAGE088
表示平移量。
在该实施例中，可通过下式得到第三特征图：
Figure 848165DEST_PATH_IMAGE089
，
其中，
Figure 613995DEST_PATH_IMAGE090
表示第三特征图，
Figure 565771DEST_PATH_IMAGE091
表示第二特征图，
Figure 100657DEST_PATH_IMAGE092
，表示权重，ReLu表示Rectified Linear Units激活函数，Conv1表示核尺度为1的二维卷积。
Figure 338741DEST_PATH_IMAGE093
表示矩阵点乘。其中，
Figure 529551DEST_PATH_IMAGE094
，W、H和C分别表示第二特征图
Figure 81755DEST_PATH_IMAGE095
的宽、高和通道数。
Figure 471148DEST_PATH_IMAGE096
，表示经过特征选择子模块进行空间自适应加权后第三特征图的宽、高和通道与第二特征图
Figure 755499DEST_PATH_IMAGE097
一致。
Figure 495921DEST_PATH_IMAGE098
表示，权重生成模块生成的特征空间选择权重，其中各个通道
Figure 789500DEST_PATH_IMAGE099
的权重
Figure 502241DEST_PATH_IMAGE100
相同。
在该实施例中，第二特征图
Figure 285389DEST_PATH_IMAGE102
经过一个卷积Conv1和ReLu的方式构造权重生成模块生成
Figure 185212DEST_PATH_IMAGE103
：
Figure 813639DEST_PATH_IMAGE104
。第二特征图
Figure 443204DEST_PATH_IMAGE105
经过特征选择子模块进行空间自适应加权后输出的第三特征图
Figure 334936DEST_PATH_IMAGE106
为：
Figure 784372DEST_PATH_IMAGE107
。第二特征图
Figure 216491DEST_PATH_IMAGE108
与
Figure 638245DEST_PATH_IMAGE109
权重矩阵图做点乘，相当于进行空间自适应性加权，降低或者过滤不重要的特征，保留和提升关键特征值。
需要说明的是，采用1x1 卷积核加激活函数的方式运算，此计算过程简洁易懂，计算量小，1x1卷积运算实际是对第二特征图的每个通道做点乘加权，合并输出，可解释性强。本发明实施例中的权重矩阵还可以采用选择3x3卷积核或者其他变换方式计算。本发明实施例中的权重矩阵还可以采用sigmoid或者其他激活函数。
本发明实施例的隧道衬砌检测模型的抗干扰训练方法，在训练隧道衬砌检测模型的过程中采用对抗扰动的训练方法，即向第一特征图中加入噪声特征图生成扰动特征图，基于扰动特征图和第一特征图对隧道衬砌检测模型进行训练，消除检测的过程中信号畸变、重影等噪声的干扰，提高隧道衬砌检测模型检测的准确率。
本发明提出了一种隧道衬砌检测方法。
图12是本发明一个实施例的隧道衬砌检测方法的流程图。如图12所示，隧道衬砌检测方法可包括：
S21，获取待识别衬砌雷达影像；
S22，将待识别衬砌雷达影像输入至训练好的隧道衬砌检测模型，得到待识别衬砌雷达影像中的检测目标的位置信息，其中，训练好的隧道衬砌检测模型利用如上述的隧道衬砌检测模型的抗干扰训练方法得到。
需要说明的是，本发明实施例的隧道衬砌检测方法的其他具体实施方式可参见本发明上述实施例的隧道衬砌检测模型的训练方法的具体实施方式。
在本发明的实施例中，当待识别衬砌雷达影像大于预设规格时，需对待识别衬砌雷达影像进行预处理，以得到隧道衬砌检测模型可以检测的衬砌雷达影像。
示例性的，预设规格为256*256mm时，当待识别衬砌雷达影像的大于256*256mm时，可对该待识别衬砌雷达影像进行剪裁，将剪裁后的衬砌雷达影像依次输入隧道衬砌检测模型，以得到该待识别衬砌雷达影像中的检测目标的位置信息。
本发明提出了一种隧道衬砌检测装置。
图13是本发明一个实施例的隧道衬砌检测装置的结构示意图。如图13所示，隧道衬砌检测装置200包括获取模块20和检测模块21，其中，获取模块20用于获取待识别衬砌雷达影像；检测模块21用于将待识别衬砌雷达影像输入至训练好的隧道衬砌检测模型，得到待识别衬砌雷达影像中的衬砌位置信息，其中，训练好的隧道衬砌检测模型利用如上述的隧道衬砌检测模型的训练方法得到。
在本发明的实施例中，当待识别衬砌雷达影像大于预设规格时，需对待识别衬砌雷达影像进行预处理，以得到隧道衬砌检测模型可以检测的抗干扰衬砌雷达影像。
示例性的，预设规格为256*256mm时，当待识别衬砌雷达影像的大于256*256mm时，可对该待识别衬砌雷达影像进行剪裁，将剪裁后的衬砌雷达影像依次输入隧道衬砌检测模型，以得到该待识别衬砌雷达影像中的检测目标的位置信息。
需要说明的是，本发明实施例的隧道衬砌检测装置的其他具体实施方式可参见本发明上述实施例的隧道衬砌检测模型的抗干扰训练方法的具体实施方式。
本发明还提出了一种计算机可读存储介质。
在该实施例中，计算机可读存储介质上存储有计算机程序，计算机程序对应上述的隧道衬砌检测模型的训练方法，或者，隧道衬砌检测方法，其被处理器执行时，实现上述的隧道衬砌检测模型的训练方法，或者，隧道衬砌检测方法。
本发明还提出了一种电子设备。
在该实施例中，电子设备包括处理器、存储器以及存储在存储器上的计算机程序，处理器执行计算机程序时，实现上述的隧道衬砌检测模型的训练方法，或者，隧道衬砌检测方法。
需要说明的是，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (12)

1.一种隧道衬砌检测模型的抗干扰训练方法，其特征在于，所述训练方法包括：
使用训练影像集对隧道衬砌检测模型进行多次周期性的训练，其中，针对每次训练周期，执行以下操作：
获取训练影像集，其中，所述训练影像集包括衬砌雷达影像；
将所述训练影像集中的衬砌雷达影像输入至隧道衬砌检测模型，得到第一特征图和预测的第一位置信息，并向所述第一特征图加入扰动生成扰动特征图，以及利用所述隧道衬砌检测模型基于所述扰动特征图，得到预测的第二位置信息；
基于所述第一位置信息得到第一损失函数，基于所述第二位置信息得到第二损失函数，并根据所述第一损失函数和所述第二损失函数得到第三损失函数；
根据所述第三损失函数，调整所述隧道衬砌检测模型的参数。
2.根据权利要求1所述的隧道衬砌检测模型的抗干扰训练方法，其特征在于，将所述训练影像集中的衬砌雷达影像输入至隧道衬砌检测模型，得到第一特征图和预测的第一位置信息，包括：
将所述衬砌雷达影像输入至神经网络模块中特征提取单元，得到第一特征图；
利用所述神经网络模块中的第一位置提取单元对所述第一特征图进行位置检测，得到所述第一位置信息。
3.根据权利要求2所述的隧道衬砌检测模型的抗干扰训练方法，其特征在于，向所述第一特征图加入扰动生成扰动特征图，以及利用所述隧道衬砌检测模型基于所述扰动特征图，得到预测的第二位置信息，包括：
利用预设的抗干扰模块基于所述第一特征图，得到噪声特征图；
根据所述第一特征图和所述噪声特征图，得到所述扰动特征图；
利用所述神经网络模块中的第二位置提取单元对所述扰动特征图进行位置检测，得到所述第二位置信息。
4.根据权利要求3所述的隧道衬砌检测模型的抗干扰训练方法，其特征在于，所述抗干扰模块采用的噪声为高斯噪声，椒盐噪声、乘性噪声中的任一者。
5.根据权利要求4所述的隧道衬砌检测模型的抗干扰训练方法，其特征在于，当所述抗干扰模块采用高斯噪声时，利用预设的抗干扰模块基于所述第一特征图，得到噪声特征图，包括：
获取多个所述第一特征图的尺寸内，独立且服从均匀分布的随机数，生成服从高斯分布的高斯随机数，并计算多个所述高斯随机数的平均值
Figure 793184DEST_PATH_IMAGE001
和方差
Figure 345388DEST_PATH_IMAGE002
；
随机获取所述第一特征图的尺寸内m个数
Figure 758219DEST_PATH_IMAGE003
，并计算m个数
Figure 308149DEST_PATH_IMAGE003
的平均值
Figure 48572DEST_PATH_IMAGE004
，其中，i为正整数，0＜i≤m；
根据预设的噪声特征图表达式，得到所述噪声特征图。
6.根据权利要求5所述的隧道衬砌检测模型的抗干扰训练方法，其特征在于，所述预设的噪声特征图的表达式为：
Figure 76571DEST_PATH_IMAGE005
其中，
Figure 586049DEST_PATH_IMAGE006
表示所述噪声特征图，
Figure 306881DEST_PATH_IMAGE001
表示多个所述高斯随机数的平均值，
Figure 534600DEST_PATH_IMAGE007
表示多个所述高斯随机数的标准差，
Figure 366290DEST_PATH_IMAGE008
表示m个数
Figure 730275DEST_PATH_IMAGE003
的平均值。
7.根据权利要求3所述的隧道衬砌检测模型的抗干扰训练方法，其特征在于，所述第一特征图和所述噪声特征图的大小和通道数相同，其中，根据所述第一特征图和所述噪声特征图，得到所述扰动特征图，包括：
将所述第一特征图和所述噪声特征图进行相加，得到所述扰动特征图。
8.根据权利要求1所述的隧道衬砌检测模型的抗干扰训练方法，其特征在于，所述第三损失函数的表达式为：
Figure 622007DEST_PATH_IMAGE009
其中，
Figure 337023DEST_PATH_IMAGE010
表示所述第三损失函数，
Figure 706824DEST_PATH_IMAGE011
表示所述第一损失函数，
Figure 190895DEST_PATH_IMAGE012
表示所述第二损失函数，
Figure 519108DEST_PATH_IMAGE013
表示权重平衡因子。
9.一种隧道衬砌检测方法，其特征在于，所述检测方法包括：
获取待识别衬砌雷达影像；
将所述待识别衬砌雷达影像输入至训练好的隧道衬砌检测模型，得到所述待识别衬砌雷达影像中的检测目标的位置信息，其中，所述训练好的隧道衬砌检测模型利用如权利要求1-8中任一项所述的隧道衬砌检测模型的抗干扰训练方法得到。
10.一种隧道衬砌检测装置，其特征在于，所述检测装置包括：
获取模块，用于获取待识别衬砌雷达影像；
检测模块，用于将所述待识别衬砌雷达影像输入至训练好的隧道衬砌检测模型，得到所述待识别衬砌雷达影像中的检测目标的位置信息，其中，所述训练好的隧道衬砌检测模型利用如权利要求1-8中任一项所述的隧道衬砌检测模型的抗干扰训练方法得到。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-8中任一项所述的隧道衬砌检测模型的训练方法，或者，如权利要求9所述的隧道衬砌检测方法。
12.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述计算机程序被所述处理器执行时，实现如权利要求1-8中任一项所述的隧道衬砌检测模型的抗干扰训练方法，或者，如权利要求9所述的隧道衬砌检测方法。
CN202210536807.1A 2022-05-18 2022-05-18 隧道衬砌检测模型的抗干扰训练方法及隧道衬砌检测方法 Pending CN114638829A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210536807.1A CN114638829A (zh) 2022-05-18 2022-05-18 隧道衬砌检测模型的抗干扰训练方法及隧道衬砌检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210536807.1A CN114638829A (zh) 2022-05-18 2022-05-18 隧道衬砌检测模型的抗干扰训练方法及隧道衬砌检测方法

Publications (1)

Publication Number Publication Date
CN114638829A true CN114638829A (zh) 2022-06-17

Family

ID=81953186

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210536807.1A Pending CN114638829A (zh) 2022-05-18 2022-05-18 隧道衬砌检测模型的抗干扰训练方法及隧道衬砌检测方法

Country Status (1)

Country Link
CN (1) CN114638829A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115344923A (zh) * 2022-08-10 2022-11-15 中铁西北科学研究院有限公司 基于动力刚度匹配基的隧道衬砌减隔震结构精准设计方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108122234A (zh) * 2016-11-29 2018-06-05 北京市商汤科技开发有限公司 卷积神经网络训练及视频处理方法、装置和电子设备
CN108229279A (zh) * 2017-04-14 2018-06-29 深圳市商汤科技有限公司 人脸图像处理方法、装置和电子设备
CN108229276A (zh) * 2017-03-31 2018-06-29 北京市商汤科技开发有限公司 神经网络训练及图像处理方法、装置和电子设备
CN108846418A (zh) * 2018-05-24 2018-11-20 广东电网有限责任公司 一种电缆设备温度异常定位与识别方法
CN111401415A (zh) * 2020-03-02 2020-07-10 北京三快在线科技有限公司 计算机视觉任务模型的训练方法、装置、设备和存储介质
CN112036425A (zh) * 2020-05-09 2020-12-04 中铁四局集团有限公司 一种隧道空洞状态雷达波谱图像识别模型构建方法及隧道空洞状态雷达波谱图像识别方法
CN112233175A (zh) * 2020-09-24 2021-01-15 西安交通大学 基于YOLOv3-tiny算法的芯片定位方法及一体化定位平台
CN112750128A (zh) * 2019-12-13 2021-05-04 腾讯科技（深圳）有限公司 图像语义分割方法、装置、终端及可读存储介质
CN112784494A (zh) * 2021-01-27 2021-05-11 中国科学院苏州生物医学工程技术研究所 假阳性识别模型的训练方法、目标识别方法及装置
CN112991199A (zh) * 2021-02-08 2021-06-18 西安理工大学 一种基于残差密集网络的图像高低频分解噪声去除方法
CN114155365A (zh) * 2022-02-07 2022-03-08 北京航空航天大学杭州创新研究院 模型训练方法、图像处理方法及相关装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108122234A (zh) * 2016-11-29 2018-06-05 北京市商汤科技开发有限公司 卷积神经网络训练及视频处理方法、装置和电子设备
CN108229276A (zh) * 2017-03-31 2018-06-29 北京市商汤科技开发有限公司 神经网络训练及图像处理方法、装置和电子设备
CN108229279A (zh) * 2017-04-14 2018-06-29 深圳市商汤科技有限公司 人脸图像处理方法、装置和电子设备
CN108846418A (zh) * 2018-05-24 2018-11-20 广东电网有限责任公司 一种电缆设备温度异常定位与识别方法
CN112750128A (zh) * 2019-12-13 2021-05-04 腾讯科技（深圳）有限公司 图像语义分割方法、装置、终端及可读存储介质
CN111401415A (zh) * 2020-03-02 2020-07-10 北京三快在线科技有限公司 计算机视觉任务模型的训练方法、装置、设备和存储介质
CN112036425A (zh) * 2020-05-09 2020-12-04 中铁四局集团有限公司 一种隧道空洞状态雷达波谱图像识别模型构建方法及隧道空洞状态雷达波谱图像识别方法
CN112233175A (zh) * 2020-09-24 2021-01-15 西安交通大学 基于YOLOv3-tiny算法的芯片定位方法及一体化定位平台
CN112784494A (zh) * 2021-01-27 2021-05-11 中国科学院苏州生物医学工程技术研究所 假阳性识别模型的训练方法、目标识别方法及装置
CN112991199A (zh) * 2021-02-08 2021-06-18 西安理工大学 一种基于残差密集网络的图像高低频分解噪声去除方法
CN114155365A (zh) * 2022-02-07 2022-03-08 北京航空航天大学杭州创新研究院 模型训练方法、图像处理方法及相关装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张俊豪等: "基于卷积神经网络的探地雷达隧道衬砌检测", 《2021年工业建筑学术交流会论文集》 *
方圆圆: "《人脸识别与美颜算法实战 基于Python、机器学习与深度学习》", 30 April 2020 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115344923A (zh) * 2022-08-10 2022-11-15 中铁西北科学研究院有限公司 基于动力刚度匹配基的隧道衬砌减隔震结构精准设计方法

Similar Documents

Publication Publication Date Title
CN107301661B (zh) 基于边缘点特征的高分辨率遥感图像配准方法
Murino et al. Three-dimensional image generation and processing in underwater acoustic vision
CN109035152B (zh) 一种合成孔径雷达图像非局部均值滤波方法
RU2663649C2 (ru) Сегментация крупных объектов из нескольких трехмерных видов
CN102968798B (zh) 一种基于小波变换和otsu阈值的sar图像海陆分割方法
Priyadharsini et al. A wavelet transform based contrast enhancement method for underwater acoustic images
US6373970B1 (en) Image registration using fourier phase matching
CN114638830B (zh) 隧道钢筋识别模型的训练方法及隧道钢筋识别方法
US7983456B2 (en) Speckle adaptive medical image processing
US9081097B2 (en) Component frame enhancement for spatial compounding in ultrasound imaging
CN110082754A (zh) 基于跟踪反馈的微弱目标自适应检测系统及检测方法
WO2013128301A2 (en) Clutter suppression in ultrasonic imaging systems
CN109308713B (zh) 一种基于前视声纳的改进核相关滤波水下目标跟踪方法
Grau et al. Adaptive multiscale ultrasound compounding using phase information
Chen et al. Real time map generation using sidescan sonar scanlines for unmanned underwater vehicles
CN114638829A (zh) 隧道衬砌检测模型的抗干扰训练方法及隧道衬砌检测方法
CN111681272B (zh) 一种基于奇异性功率谱的sar图像处理方法
CN115698761A (zh) 受扰合成孔径雷达的基于图形的阵列信号去噪
Thon et al. Detection of point scatterers in medical ultrasound
CN102867292B (zh) 一种针对多波束前视声纳成像数据的阶梯形均值滤波方法
CN112215832A (zh) Sar尾迹图像质量评估及自适应探测参数调整方法
CN112164079A (zh) 一种声呐图像分割方法
CN113096171B (zh) 多波束与侧扫声纳图像的多尺度迭代自适应配准方法
CN116243289A (zh) 一种基于成像声呐的无人艇水下目标智能识别方法
US20230061869A1 (en) System and methods for beamforming sound speed selection

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