CN115223044A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN115223044A CN115223044A CN202210801833.2A CN202210801833A CN115223044A CN 115223044 A CN115223044 A CN 115223044A CN 202210801833 A CN202210801833 A CN 202210801833A CN 115223044 A CN115223044 A CN 115223044A
- Authority
- CN
- China
- Prior art keywords
- scan
- domain model
- image
- image domain
- dimensional
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种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,包括:步骤S1,获取并对原始回波信息进行预处理,获取一维A‑scan信号和C‑scan水平切片图,形成样本集;步骤S2,对一维A‑scan信号集和C‑scan图像集分别进行分类标注;步骤S3,将样本集划分为训练集、验证集和测试集;步骤S4,分别训练基于A‑scan信号的非图像域模型,及基于C‑scan水平切片图的图像域模型;步骤S5,读取三维探地雷达采集的回波信息,进行预处理,并进行非图像域模型的分类;步骤S6,根据检出的目标范围,生成对应的C‑scan水平切片图簇,并进行图像域模型的目标检测。本发明计算量小,且模型分类精度高。
Description
技术领域
本发明涉及一种三维探地雷达目标识别方法,尤其涉及一种基于深度学习的端到端三维探地雷达目标识别方法,并进一步涉及采用了该基于深度学习的端到端三维探地雷达目标识别方法的系统。
背景技术
近几年,探地雷达作为一种高效、无损的地下病害探测手段,被越来越多的人所熟知。这种方案通过向地下发射高频脉冲信号,反映出地下空间中的介质分布差异,能够进一步识别出潜在的地下隐患。探地雷达以其高分辨率、低成本以及操作便捷等优势,在城市道路探测养护中的应用越来越广泛。其中,与传统的二维雷达相比,三维探地雷达通过发射单次电磁波,可以同步采集垂直、水平方向的数据,获取的地下信息更加丰富。
但是由于雷达图的复杂性,对解译人员的专业性要求高,人工解译存在时间较长和易造成误判等问题,研究雷达数据的自动识别方法变得日趋迫切。其中,三维探地雷达的数据包括:(a)向下发射单次电磁波接收的一维A-scan信号;(b)沿测线方向移动,雷达接收的一系列A-scan信号转换而成的二维B-scan垂直切片图;(c)沿水平方向,不同通道间的天线同步采集数据,得到的二维C-scan水平剖面图。目前,大部分的探地雷达数据自动识别研究依赖于成熟的计算机图像识别技术。原理是先将地下目标的回波信息转换为图像信息,再利用B-scan垂直切片图训练图像识别模型。然而,由于需要将回波信息根据幅度值大小转换成直观的灰度堆积图,处理二维图像数据所需的时间更长、运算量更大,因此,也促使了计算量更小、信息更丰富的原始A-scan信号数据再次得到关注。
利用原始A-scan信号进行信号识别的方法,分为传统机器学习和深度学习两类:一种是基于传统机器学习方法,先对单道A-scan信号提取时域、频域上的特征,再利用BP神经网络等分类器进行识别,实现对地下目标的识别。另一种则是利用深度网络模型,对相邻多道A-scan信号提取深度信息,并进行分类,从而达到目标识别的目的。然而,现有技术中的这两类方案仍然存在如下问题:
第一、利用传统机器学习方法训练的模型,对于噪声的鲁棒性有待提高,特别是城市道路中存在各种杂波等干扰因素,很容易就造成误判。
第二、利用一维A-scan信号仅可以检测出地下异常体,但无法对检测出的目标进行分类。由于空洞与管线的A-scan信号颇为相似,仅通过A-scan信号无法进一步区分两者。因此,这种方式所训练的模型分类精度不高,无法满足实际工程项目的需求。
第三、仅利用单一的A-scan信号或B-scan图片,无法充分发挥三维探地雷达的优势。
发明内容
本发明所要解决的技术问题是需要提供一种基于深度学习的端到端三维探地雷达目标识别方法,进而既能够通过较小计算量实现信息复杂且丰富的探地雷达目标识别,又能够很好地克服因为模型分类精度不高而无法满足实际工程项目需求的问题。在此基础上,还进一步采用了该基于深度学习的端到端三维探地雷达目标识别方法的系统。
对此,本发明提供一种基于深度学习的端到端三维探地雷达目标识别方法,包括以下步骤:
步骤S1,获取测线上含有地下隐患目标的原始回波信息,对原始回波信息进行预处理,并获取通道内多条一维A-scan信号和多组C-scan水平切片图,形成对应的样本集;
步骤S2,对一维A-scan信号集和C-scan图像集分别进行分类标注;
步骤S3,按照预设比例,将各个样本集划分为训练集、验证集和测试集;
步骤S4,分别训练基于A-scan信号的非图像域模型,以及基于C-scan水平切片图的图像域模型;
步骤S5,读取三维探地雷达采集的回波信息,对其进行预处理,输入到训练好的基于A-scan信号的深度学习网络模型,进行非图像域模型的分类;
步骤S6,根据检出的目标范围,生成对应的C-scan水平切片图簇,并输入到训练好的基于C-scan水平切片图的深度学习网络模型,进行图像域模型的目标检测,排除所述步骤S5非图像域模型中误识别的结果,并输出最后的分类结果。
本发明的进一步改进在于,所述步骤S1包括以下子步骤:
步骤S101,获取测线上由每个扫描位置采集的A-scan信号形成的原始回波信息Bk,Bk=Matrix(i,j),其中,i=1,2…,m;j=1,2…,n;n表示扫描位置数量,m表示采样点数;i表示每条A-scan数据在深度方向的采样点,j表示测线方向采集的A-scan信号的数量,k表示当前数据采集的通道;
步骤S102,对含有地下目标的原始回波矩阵Btarget进行预处理,所述预处理包括直达波切除处理、全局背景消除处理、反向能量衰减增益处理以及归一化处理,形成预处理后的回波信号矩阵;
步骤S103,提取测线上含有地下目标的水平剖面扫描图,截取深度方向上为预设间隔的预设张数的水平切片图,组成C-scan水平切片组合图,以此作为训练图像域模型的样本。
本发明的进一步改进在于,所述步骤S102包括以下子步骤:
步骤S1021,当单道数据中的首个振幅值低于预设阈值时,记录该位置为直达波的终止点,依次截取该终止点位置之后的256个点作为去除直达波后的数据;
步骤S1022,通过每个数据减去全局平均值以实现对新的矩阵进行全局背景消除;
步骤S1023,对矩阵内的数据进行反向能量衰减增益,用新的矩阵乘以归一化后的增益因子g(t),实现对数据的反向能量衰减增益,其中,A(t)表示拟合衰减模型,max(A(t))表示拟合衰减曲线的最大返回值;
步骤S1024,通过公式对所述矩阵内的数据进行数据归一化处理,其中,0≤a′ij≤1,aij表示第j道A-scan中第i个雷达采样点的信号数据,a′ij表示归一化后的采样点值,amax表示振幅最大的雷达信号数据,amin表示振幅最小的雷达信号数据。
本发明的进一步改进在于,所述步骤S2包括以下子步骤:
步骤S201,对单道A-scan信号进行标注,其中,完好的标签为0,地下隐患的标签为1,沙井的标签为2;
步骤S202,对C-scan水平切片组合图进行标注,标注类别包括管线和空洞。
本发明的进一步改进在于,所述步骤S4包括以下子步骤:
步骤S401,利用A-scan信号集训练非图像域模型,所述非图像域模型是由两层一维卷积神经网络和两层GRU神经网络组成的深度学习模型;
步骤S402,利用C-scan图像集训练图像域模型,所述图像域模型采用Yolov5模型,并在训练过程中利用测试集进一步优化所述图像域模型,实时更新好保存最优的图像域模型。
本发明的进一步改进在于,所述步骤S401中,所述两层一维卷积神经网络包括相同设置的第一个卷积层和第二个卷积层,第一个卷积层的网络输入大小为256×1,卷积滤波器的数量设置为128,激活函数采用ReLU函数,随后连接池大小为2的最大池层,并设置dropout层为0.2;在第一个卷积层和第二个卷积层之后,连接包含256个单元的第一个GRU层和32个单元的第二个GRU层,在每个GRU层之后,将dropout层设置为0.2,通过Flatten层将特征转换为一维特征向量之后,连接到包含128个单位的Dense层,并采用ReLU激活函数;最后一层是包含3个单元的Dense层,用于分别代表三个分类标签,并采用Softmax激活函数。
本发明的进一步改进在于,所述步骤S401中,训练所述非图像域模型过程中的参数设置如下:模型训练的样本数量batch_size设置为50,模型训练的迭代次数epoch设置为70;在训练过程中采用分类交叉熵的损失函数和Adam优化器,每次训练完一个迭代次数epoch后利用验证集进行验证,在验证之后利用测试集对非图像域模型的性能进行测试,实时更新并保存最优的非图像域模型。
本发明的进一步改进在于,所述步骤S5包括以下子步骤:
步骤S501,利用三维探地雷达设备,进行区域全覆盖探测,获取真实的雷达数据;
步骤S502,对采集的回波信息进行预处理,所述预处理包括直达波切除处理、全局背景消除处理、反向能量衰减增益处理以及归一化处理,并获取16个通道内所有的A-scan信号;
步骤S503,将处理好的一维A-scan信号输入到基于信号的深度学习网络,进行非图像域模型的分类;
步骤S504,将16个通道中连续的分类结果为1的A-scan信号,判断其为地下隐患的潜在区域。
本发明的进一步改进在于,所述步骤S6包括以下子步骤:
步骤S601,对判定为地下隐患的潜在区域,提取深度方向上间隔为预设间距的水平切片图,形成C-scan水平切片组合图;
步骤S602,将所述C-scan水平切片组合图输入到训练好的图像域模型,进行图像域模型的目标检测,排除非图像域模型中的误识别结果;
步骤S603,结合图像域模型和非图像域模型的结果,输出最后的目标识别结果,目标识别结果中的输出类别所包括的目标对象为完好、管线、沙井和隐患。
本发明还提供一种基于深度学习的端到端三维探地雷达目标识别系统,采用了如上所述的基于深度学习的端到端三维探地雷达目标识别方法,并包括:
样本集形成模块,用于获取测线上含有地下隐患目标的原始回波信息,对回波信息进行预处理,并获取通道内多条一维A-scan信号和多组C-scan水平切片图,形成对应的样本集;
分类标注模块,用于对一维A-scan信号集和C-scan图像集分别进行分类标注;
样本集划分模块,用于按照预设比例将各个样本集划分为训练集、验证集和测试集;
模型训练模块,用于分别训练基于A-scan信号的非图像域模型,以及基于C-scan水平切片图的图像域模型;
预处理和训练模块,用于读取三维探地雷达采集的回波信息,对其进行预处理,输入到训练好的基于A-scan信号的深度学习网络模型,进行非图像域模型的分类;
误识别排除模块,根据检出的目标范围,生成对应的C-scan水平切片图簇,并输入到训练好的基于C-scan水平切片图的深度学习网络模型,进行图像域模型的目标检测,排除所述预处理和训练模块的非图像域模型中的误识别结果,并输出最后的分类结果。
与现有技术相比,本发明的有益效果在于:能够省去将原始信号转换为灰度堆积图的步骤,能够直接对预处理后的信号进行分类,提高了数据处理和解译的速度,且计算成本小,操作简单;在此基础上,还结合了A-scan信号数据和C-scan图像数据,进而能够更好的区分管线与空洞之间的区别,提高模型分类的准确度,充分发挥了三维探地雷达的优势。本发明通过很小的计算量就能够实现信息复杂且丰富的探地雷达目标识别,而且还能够很好地克服因为模型分类精度不高而无法满足实际工程项目需求的问题。
附图说明
图1是本发明一种实施例的工作流程示意图;
图2为本发明一种实施例中三维探地雷达采集到的不同维度的数据;
图3为本发明一种实施例中从预处理后的原始回波数据获取一维A-scan样本的示意图;
图4为本发明一种实施例中从雷达水平剖面图中获取多组C-scan水平切片图的示意图;
图5为本发明一种实施例中基于一维A-scan信号所训练的非图像域模型的结构示意图;
图6为本发明一种实施例中训练基于CNN+GRU非图像域模型得到的准确率/损失曲线图;
图7为本发明一种实施例中基于C-scan水平切片图所训练的图像域模型的结构示意图;
图8为本发明一种实施例中训练基于Yolov5的图像域模型得到的目标检测结果;
图9为本发明一种实施例中根据A-scan信号的分类结果生成对应的C-scan图片的示意图。
具体实施方式
下面结合附图,对本发明的较优的实施例作进一步的详细说明。
为了解决现有技术的不足,本发明提供了一种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。其技术方案中,首先利用三维探地雷达进行数据采集,得到多条A-scan信号与多组C-scan水平切片图;然后,利用训练好的A-scan信号识别模型,该A-scan信号识别模型也称非图像域模型,对大面积的探测范围进行缩小。由于一维A-scan信号仅可以反映地下空间的介质差异,且空洞与管线的A-scan信号颇为相似,仅利用A-scan信号无法进一步识别管线和空洞,故在后续步骤中还进一步通过训练好的C-scan图像识别模型,该C-scan图像识别模型也称图像域模型,对相应的水平切片图进行进一步的判别,进而有效地提高目标识别的准确度。
对此,如图1所示,本实施例提供一种基于深度学习的端到端三维探地雷达目标识别方法,包括以下步骤:
步骤S1,获取测线上含有地下隐患目标的原始回波信息,对原始回波信息进行预处理,并获取通道内多条一维A-scan信号和多组C-scan水平切片图,形成对应的样本集;
步骤S2,对一维A-scan信号集和C-scan图像集分别进行分类标注;
步骤S3,按照预设比例,将各个样本集划分为训练集、验证集和测试集;所述预设比例指的是根据实际需求进行设置的比例,默认设置为6:2:2;
步骤S4,分别训练基于A-scan信号的非图像域模型,以及基于C-scan水平切片图的图像域模型;
步骤S5,读取三维探地雷达采集的回波信息,对其进行预处理,输入到训练好的基于A-scan信号的深度学习网络模型,进行非图像域模型的分类;
步骤S6,根据检出的目标范围,生成对应的C-scan水平切片图簇,并输入到训练好的基于C-scan水平切片图的深度学习网络模型,进行图像域模型的目标检测,排除所述步骤S5非图像域模型中误识别的结果,并输出最后的分类结果。
本实施例所述步骤S1包括以下子步骤:
步骤S101,获取测线上由每个扫描位置采集的A-scan信号形成的原始回波信息Bk,其中,获取数据的方式是利用三维探地雷达设备沿测线对地下目标进行探测,并得到由发射电磁波接收的散射回波组成的三维雷达数据。
如图2所示,三维雷达数据包括:(a)向下发射得到的单道一维A-scan信号;(b)沿测线方向移动,雷达接收的一系列A-scan信号拼接而成的二维B-scan数据;(c)不同通道间的天线同步采集数据,得到的垂直和水平方向的C-scan数据。
本实施例所述原始回波信息Bk是由n个扫描位置和m个采样点组成的、尺寸为n*m的二维矩阵,Bk=Matrix(i,j),其中,i=1,2…,m;j=1,2…,n;n表示扫描位置数量,m表示采样点数;i表示每条A-scan数据在深度方向的采样点,j表示测线方向采集的A-scan信号的数量,k表示当前数据采集的通道,0<k≤16;
步骤S102,对含有地下目标的原始回波矩阵Btarget进行预处理,所述预处理包括直达波切除处理、全局背景消除处理、反向能量衰减增益处理以及归一化处理,形成预处理后的回波信号矩阵;
步骤S103,提取测线上含有地下目标的水平剖面扫描图,截取深度方向上为预设间隔的预设张数的水平切片图,组成C-scan水平切片组合图,以此作为训练图像域模型的样本。预设间隔为预先设置的深度方向的间隔,默认为10厘米;预设张数为预先设置的水平切片图的数量,默认为24张;在实际应用中,所述预设间隔和预设张数均可以根据实际需求进行自定义设置和调整。如图4所示,本实施例将不同深度的水平切片图,拼成一张C-scan水平切片组合图作为样本。
更为具体的,所述步骤S102包括步骤S1021至步骤S1024。所述步骤S1021,用于对当前通道中的每一道数据进行直达波的去除。当单道数据中的首个振幅值低于预设阈值时,该预设阈值指的是预先设置的振幅阈值,可以根据实际情况进行自定义设置和调整,记录该位置为直达波的终止点,依次截取该终止点位置之后的256个点作为去除直达波后的数据;通过公式表达为:B′target=Matrix(i′,j),其中i′=start:end;j=1,2…,n;threshold为预设阈值,aij表示第j道A-scan中第i个雷达采样点的信号数据;loc(aij)表示直达波的终止点。
本实施例所述步骤S1023,用于对矩阵内的数据进行反向能量衰减增益,用新的矩阵乘以归一化后的增益因子g(t),实现对数据的反向能量衰减增益,通过公式表达为:B′new=Bnew*g(t);其中,A(t)表示拟合衰减模型,max(A(t))表示拟合衰减曲线的最大返回值。
本实施例所述步骤S1024,通过公式对所述矩阵内的数据进行数据归一化处理,其中,0≤a′ij≤1,aij表示第j道A-scan中第i个雷达采样点的信号数据,a′ij表示归一化后的采样点值,amax表示振幅最大的雷达信号数据,amin表示振幅最小的雷达信号数据。
如图3所示,本实施例对预处理后的回波信号矩阵,沿道数据的方向,截取n个尺寸为1*m的一维信号矩阵,作为训练非图像域模型的A-scan信号样本。其中,第n道的一维A-scan数据表示为An=[an1,an2,…,anm]T。由于三维探地雷达有16个通道,将每个通道内的回波数据按上述方式,获取多个A-scan训练样本。
本实施例所述步骤S2包括以下子步骤:
步骤S201,对单道A-scan信号进行标注,其中,完好的标签为0,地下隐患的标签为1,沙井的标签为2;
步骤S202,对C-scan水平切片组合图进行标注,标注类别包括管线(pipe)和空洞(hole)。
本实施例所述步骤S3包括以下子步骤:
步骤S301,优选按照6:2:2的比例,将A-scan信号集划分训练集、验证集和测试集;
步骤S302,优选按照6:2:2的比例,将C-scan图像集划分训练集、验证集和测试集。
本实施例所述步骤S4包括以下子步骤:
步骤S401,利用A-scan信号集训练非图像域模型,所述非图像域模型是由两层一维卷积神经网络和两层GRU神经网络组成的深度学习模型;
步骤S402,利用C-scan图像集训练图像域模型,所述图像域模型采用Yolov5模型,并在训练过程中利用测试集进一步优化所述图像域模型,实时更新好保存最优的图像域模型。
如图7所示,Yolov5模型由Backbone、Neck和Head三个部分组成。首先,模型采用53个卷积层的跨阶段局部网络CSP网络,减少了反向传播时梯度信息的重复,降低计算量,提高网路模型的学习能力。其次,模型还添加了路径聚合网路(PANet)和空间金字塔池化(SPP),进一步提高模型的性能,降低网络出现过拟合的风险。如图8所示的,为训练基于Yolov5的图像域模型得到的目标检测结果,图8中所示的方形标示框表示输出标签为管线(pipe),推理结果为区间范围[0,1]的预测概率,其中置信度阈值设置为0.7。
本实施例所述步骤S401中,所述两层一维卷积神经网络包括相同设置的第一个卷积层和第二个卷积层,如图5所示,第一个卷积层的网络输入大小为256×1,对应于一维A-scan信号中的256个采样点;卷积滤波器的数量设置为128,激活函数采用ReLU函数,随后连接池大小为2的最大池层,并设置dropout层为0.2,进而避免网络出现过拟合的现象。
在第一个卷积层和第二个卷积层之后,连接包含256个单元的第一个GRU层和32个单元的第二个GRU层,在每个GRU层之后,将dropout层设置为0.2。随后,通过Flatten层将特征转换为一维特征向量。之后,连接到包含128个单位的Dense层,并采用ReLU激活函数;最后一层是包含3个单元的Dense层,用于分别代表三个分类标签,即完好的标签、地下隐患的标签以及沙井的标签,并采用Softmax激活函数。
进一步的,本实施例所述步骤S401中,训练所述非图像域模型过程中的参数设置如下:模型训练的样本数量batch_size设置为50,表示每次训练时输入的一维A-scan信号样本的数量;模型训练的迭代次数epoch设置为70;在训练过程中采用分类交叉熵的损失函数和Adam优化器,每次训练完一个迭代次数epoch后利用验证集进行验证,在验证之后利用测试集对非图像域模型的性能进行测试,实时更新并保存最优的非图像域模型。如图6所示的,为非图像域模型得到的准确率/损失曲线图。
本实施例所述步骤S5包括以下子步骤:
步骤S501,利用三维探地雷达设备,进行区域全覆盖探测,获取真实的雷达数据;
步骤S502,对采集的回波信息进行预处理,所述预处理包括直达波切除处理、全局背景消除处理、反向能量衰减增益处理以及归一化处理,并获取16个通道内所有的A-scan信号;
步骤S503,将处理好的一维A-scan信号输入到基于信号的深度学习网络,进行非图像域模型的分类;其中,完好的输出为0,地下隐患的输出为1,沙井的输出为2;
步骤S504,将16个通道中连续的分类结果为1的A-scan信号,判断其为地下隐患的潜在区域。然而,由于空洞与管线的一维A-scan信号比较相似,基于一维A-scan信号的非图像域模型无法很好的区分这两种类型,因此,本实施例在此基础上进一步利用C-scan水平切片做进一步的确认,即通过步骤S6的结合来提高识别的准确程度。
本实施例所述步骤S6包括以下子步骤:
步骤S601,对判定为地下隐患的潜在区域,提取深度方向上间隔为预设间距的水平切片图,形成C-scan水平切片组合图;如图9所示,对判断为潜在隐患的一维A-scan信号,生成对应的C-scan水平切片图;
步骤S602,将所述C-scan水平切片组合图输入到训练好的图像域模型,进行图像域模型的目标检测,排除非图像域模型中的误识别结果;
步骤S603,结合图像域模型和非图像域模型的结果,输出最后的目标识别结果,目标识别结果中的输出类别所包括的目标对象为完好、管线、沙井和隐患共四类。
本实施例还提供一种基于深度学习的端到端三维探地雷达目标识别系统,采用了如上所述的基于深度学习的端到端三维探地雷达目标识别方法,并包括:
样本集形成模块,用于获取测线上含有地下隐患目标的原始回波信息,对回波信息进行预处理,并获取通道内多条一维A-scan信号和多组C-scan水平切片图,形成对应的样本集;
分类标注模块,用于对一维A-scan信号集和C-scan图像集分别进行分类标注;
样本集划分模块,用于按照预设比例将各个样本集划分为训练集、验证集和测试集;
模型训练模块,用于分别训练基于A-scan信号的非图像域模型,以及基于C-scan水平切片图的图像域模型;
预处理和训练模块,用于读取三维探地雷达采集的回波信息,对其进行预处理,输入到训练好的基于A-scan信号的深度学习网络模型,进行非图像域模型的分类;
误识别排除模块,根据检出的目标范围,生成对应的C-scan水平切片图簇,并输入到训练好的基于C-scan水平切片图的深度学习网络模型,进行图像域模型的目标检测,排除所述预处理和训练模块的非图像域模型中的误识别结果,并输出最后的分类结果。
综上所述,本实施例能够省去将原始信号转换为灰度堆积图的步骤,能够直接对预处理后的信号进行分类,提高了数据处理和解译的速度,且计算成本小,操作简单;在此基础上,还结合了A-scan信号数据和C-scan图像数据,进而能够更好的区分管线与空洞之间的区别,提高模型分类的准确度,充分发挥了三维探地雷达的优势。本发明通过很小的计算量就能够实现信息复杂且丰富的探地雷达目标识别,而且还能够很好地克服因为模型分类精度不高而无法满足实际工程项目需求的问题。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种基于深度学习的端到端三维探地雷达目标识别方法,其特征在于,包括以下步骤:
步骤S1,获取测线上含有地下隐患目标的原始回波信息,对原始回波信息进行预处理,并获取通道内多条一维A-scan信号和多组C-scan水平切片图,形成对应的样本集;
步骤S2,对一维A-scan信号集和C-scan图像集分别进行分类标注;
步骤S3,按照预设比例,将各个样本集划分为训练集、验证集和测试集;
步骤S4,分别训练基于A-scan信号的非图像域模型,以及基于C-scan水平切片图的图像域模型;
步骤S5,读取三维探地雷达采集的回波信息,对其进行预处理,输入到训练好的基于A-scan信号的深度学习网络模型,进行非图像域模型的分类;
步骤S6,根据检出的目标范围,生成对应的C-scan水平切片图簇,并输入到训练好的基于C-scan水平切片图的深度学习网络模型,进行图像域模型的目标检测,排除所述步骤S5非图像域模型中误识别的结果,并输出最后的分类结果。
2.根据权利要求1所述的基于深度学习的端到端三维探地雷达目标识别方法,其特征在于,所述步骤S1包括以下子步骤:
步骤S101,获取测线上由每个扫描位置采集的A-scan信号形成的原始回波信息Bk,Bk=Matrix(i,j),其中,i=1,2…,m;j=1,2…,n;n表示扫描位置数量,m表示采样点数;i表示每条A-scan数据在深度方向的采样点,j表示测线方向采集的A-scan信号的数量,k表示当前数据采集的通道;
步骤S102,对含有地下目标的原始回波矩阵Btarget进行预处理,所述预处理包括直达波切除处理、全局背景消除处理、反向能量衰减增益处理以及归一化处理,形成预处理后的回波信号矩阵;
步骤S103,提取测线上含有地下目标的水平剖面扫描图,截取深度方向上为预设间隔的预设张数的水平切片图,组成C-scan水平切片组合图,以此作为训练图像域模型的样本。
3.根据权利要求2所述的基于深度学习的端到端三维探地雷达目标识别方法,其特征在于,所述步骤S102包括以下子步骤:
步骤S1021,当单道数据中的首个振幅值低于预设阈值时,记录该位置为直达波的终止点,依次截取该终止点位置之后的256个点作为去除直达波后的数据;
步骤S1022,通过每个数据减去全局平均值以实现对新的矩阵进行全局背景消除;
步骤S1023,对矩阵内的数据进行反向能量衰减增益,用新的矩阵乘以归一化后的增益因子g(t),实现对数据的反向能量衰减增益,其中,A(t)表示拟合衰减模型,max(A(t))表示拟合衰减曲线的最大返回值;
4.根据权利要求1至3任意一项所述的基于深度学习的端到端三维探地雷达目标识别方法,其特征在于,所述步骤S2包括以下子步骤:
步骤S201,对单道A-scan信号进行标注,其中,完好的标签为0,地下隐患的标签为1,沙井的标签为2;
步骤S202,对C-scan水平切片组合图进行标注,标注类别包括管线和空洞。
5.根据权利要求1至3任意一项所述的基于深度学习的端到端三维探地雷达目标识别方法,其特征在于,所述步骤S4包括以下子步骤:
步骤S401,利用A-scan信号集训练非图像域模型,所述非图像域模型是由两层一维卷积神经网络和两层GRU神经网络组成的深度学习模型;
步骤S402,利用C-scan图像集训练图像域模型,所述图像域模型采用Yolov5模型,并在训练过程中利用测试集进一步优化所述图像域模型,实时更新好保存最优的图像域模型。
6.根据权利要求5所述的基于深度学习的端到端三维探地雷达目标识别方法,其特征在于,所述步骤S401中,所述两层一维卷积神经网络包括相同设置的第一个卷积层和第二个卷积层,第一个卷积层的网络输入大小为256×1,卷积滤波器的数量设置为128,激活函数采用ReLU函数,随后连接池大小为2的最大池层,并设置dropout层为0.2;在第一个卷积层和第二个卷积层之后,连接包含256个单元的第一个GRU层和32个单元的第二个GRU层,在每个GRU层之后,将dropout层设置为0.2,通过Flatten层将特征转换为一维特征向量之后,连接到包含128个单位的Dense层,并采用ReLU激活函数;最后一层是包含3个单元的Dense层,用于分别代表三个分类标签,并采用Softmax激活函数。
7.根据权利要求6所述的基于深度学习的端到端三维探地雷达目标识别方法,其特征在于,所述步骤S401中,训练所述非图像域模型过程中的参数设置如下:模型训练的样本数量batch_size设置为50,模型训练的迭代次数epoch设置为70;在训练过程中采用分类交叉熵的损失函数和Adam优化器,每次训练完一个迭代次数epoch后利用验证集进行验证,在验证之后利用测试集对非图像域模型的性能进行测试,实时更新并保存最优的非图像域模型。
8.根据权利要求1至3任意一项所述的基于深度学习的端到端三维探地雷达目标识别方法,其特征在于,所述步骤S5包括以下子步骤:
步骤S501,利用三维探地雷达设备,进行区域全覆盖探测,获取真实的雷达数据;
步骤S502,对采集的回波信息进行预处理,所述预处理包括直达波切除处理、全局背景消除处理、反向能量衰减增益处理以及归一化处理,并获取16个通道内所有的A-scan信号;
步骤S503,将处理好的一维A-scan信号输入到基于信号的深度学习网络,进行非图像域模型的分类;
步骤S504,将16个通道中连续的分类结果为1的A-scan信号,判断其为地下隐患的潜在区域。
9.根据权利要求8所述的基于深度学习的端到端三维探地雷达目标识别方法,其特征在于,所述步骤S6包括以下子步骤:
步骤S601,对判定为地下隐患的潜在区域,提取深度方向上间隔为预设间距的水平切片图,形成C-scan水平切片组合图;
步骤S602,将所述C-scan水平切片组合图输入到训练好的图像域模型,进行图像域模型的目标检测,排除非图像域模型中的误识别结果;
步骤S603,结合图像域模型和非图像域模型的结果,输出最后的目标识别结果,目标识别结果中的输出类别所包括的目标对象为完好、管线、沙井和隐患。
10.一种基于深度学习的端到端三维探地雷达目标识别系统,其特征在于,采用了如权利要求1至9任意一项所述的基于深度学习的端到端三维探地雷达目标识别方法,并包括:
样本集形成模块,用于获取测线上含有地下隐患目标的原始回波信息,对回波信息进行预处理,并获取通道内多条一维A-scan信号和多组C-scan水平切片图,形成对应的样本集;
分类标注模块,用于对一维A-scan信号集和C-scan图像集分别进行分类标注;
样本集划分模块,用于按照预设比例将各个样本集划分为训练集、验证集和测试集;
模型训练模块,用于分别训练基于A-scan信号的非图像域模型,以及基于C-scan水平切片图的图像域模型;
预处理和训练模块,用于读取三维探地雷达采集的回波信息,对其进行预处理,输入到训练好的基于A-scan信号的深度学习网络模型,进行非图像域模型的分类;
误识别排除模块,根据检出的目标范围,生成对应的C-scan水平切片图簇,并输入到训练好的基于C-scan水平切片图的深度学习网络模型,进行图像域模型的目标检测,排除所述预处理和训练模块的非图像域模型中的误识别结果,并输出最后的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210801833.2A CN115223044A (zh) | 2022-07-08 | 2022-07-08 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210801833.2A CN115223044A (zh) | 2022-07-08 | 2022-07-08 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115223044A true CN115223044A (zh) | 2022-10-21 |
Family
ID=83610568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210801833.2A Pending CN115223044A (zh) | 2022-07-08 | 2022-07-08 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115223044A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117409329A (zh) * | 2023-12-15 | 2024-01-16 | 深圳安德空间技术有限公司 | 用于三维探地雷达降低地下空洞检测虚警率的方法及系统 |
-
2022
- 2022-07-08 CN CN202210801833.2A patent/CN115223044A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117409329A (zh) * | 2023-12-15 | 2024-01-16 | 深圳安德空间技术有限公司 | 用于三维探地雷达降低地下空洞检测虚警率的方法及系统 |
CN117409329B (zh) * | 2023-12-15 | 2024-04-05 | 深圳安德空间技术有限公司 | 用于三维探地雷达降低地下空洞检测虚警率的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ji et al. | Seabed sediment classification using multibeam backscatter data based on the selecting optimal random forest model | |
JP3573783B2 (ja) | ソナー・システム | |
CN112232392B (zh) | 一种用于三维探地雷达的数据解译和识别方法 | |
CN109165585A (zh) | 一种改进的基于yolo v2的船舶目标检测方法 | |
CN112462346A (zh) | 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 | |
CN111368633A (zh) | 一种基于auv的侧扫声呐图像识别方法 | |
CN111880157B (zh) | 一种雷达图像中目标的检测方法及系统 | |
CN111476088B (zh) | 沥青路面水损害识别模型构建方法、识别方法及系统 | |
CN111709386B (zh) | 一种水下浅地层剖面图像底质分类方法及系统 | |
CN114266892A (zh) | 一种多源数据深度学习的路面病害识别方法及系统 | |
CN113504306B (zh) | 一种基于超声相控阵低秩矩阵恢复的钢轨缺陷检测方法 | |
CN115223044A (zh) | 基于深度学习的端到端三维探地雷达目标识别方法及系统 | |
CN113720910B (zh) | 一种基于超声波信号的钢轨缺陷智能检测方法及系统 | |
White et al. | More than a whistle: Automated detection of marine sound sources with a convolutional neural network | |
CN113126099A (zh) | 一种基于音频特征提取的单波束底质分类方法 | |
CN115114949A (zh) | 一种基于水声信号的舰船目标智能识别方法及系统 | |
CN113608193A (zh) | 一种基于UNet的雷达多目标距离和速度估计方法 | |
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 | |
CN109061628B (zh) | 一种基于多功能雷达慢扫增强的浒苔提取方法 | |
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 | |
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 | |
Wang et al. | Seafloor classification based on deep-sea multibeam data—Application to the southwest Indian Ridge at 50.47° E | |
CN103308918B (zh) | 一种基于分段时域质心特征的鱼类识别方法及系统 | |
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 | |
CN114594463A (zh) | 一种基于组合凸包的海面小目标特征检测方法 |
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 |