CN115496917B - 一种GPR B-Scan图像中的多目标检测方法及装置 - Google Patents

一种GPR B-Scan图像中的多目标检测方法及装置 Download PDF

Info

Publication number
CN115496917B
CN115496917B CN202211354900.7A CN202211354900A CN115496917B CN 115496917 B CN115496917 B CN 115496917B CN 202211354900 A CN202211354900 A CN 202211354900A CN 115496917 B CN115496917 B CN 115496917B
Authority
CN
China
Prior art keywords
image data
target
data
frame
network
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
CN202211354900.7A
Other languages
English (en)
Other versions
CN115496917A (zh
Inventor
雷文太
辛常乐
王睿卿
庞泽邦
隋浩
毛凌青
张硕
王义为
罗诗光
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.)
Central South University
Original Assignee
Central South University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN202211354900.7A priority Critical patent/CN115496917B/zh
Publication of CN115496917A publication Critical patent/CN115496917A/zh
Application granted granted Critical
Publication of CN115496917B publication Critical patent/CN115496917B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供了一种GPRB‑Scan图像中的多目标检测方法及装置，所述方法包括：获得GPRB‑Scan图像数据，对所述图像数据中的目标数据用矩形框进行框定作为真实边界框；对所述图像数据进行预处理，所述预处理包括对所述图像数据整体进行缩放、填充以形成目标尺寸的图像数据；对所述真实边界框进行聚类，并基于聚类结果计算得到多个对应所述图像数据的矩形的边界框；将所述边界框作为用于对所述图像数据进行目标检测的目标网络的锚框，使所述目标网络能够基于所述锚框及提取的图像特征生成候选框，所述候选框框选有所述图像数据中的目标数据。

Description

一种GPR B-Scan图像中的多目标检测方法及装置
技术领域
本发明实施例涉及计算机技术领域，特别涉及一种GPR B-Scan图像中的多目标检测方法及装置。
背景技术
探地雷达(Ground Penetrating Radar，简称GPR)技术是一种广泛应用于地下目标物体检测检测技术，该方法可以对地下目标进行无损检测。由于可以无损的提供丰富的地下目标信息，GPR技术在地球科学、土木工程、环境工程等领域均有应用。GPR通过向地下发射电磁波并接受其反射信号以此形成一道A-Scan数据，沿同一方向获取多个A-Scan数据可以合成该区域的B-Scan图像，B-Scan中的双曲线是GPR图像最为重要的特征，其包含了地下目标的介电常数，深度等重要信息。由于地下环境的复杂性和杂波的干扰，人工处理GPR数据是一件费时费力的事情，因此，迫切需要一种准确快速自动地下目标检测方法。
国内外学者对此进行了大量研究。由于双曲线包含了丰富的地下目标信息，因此地下目标的检测一般归结为双曲线的检测。目前有采用方向梯度直方图(HOG)和支持向量机(SVM)在GPR图像中标记潜在兴趣位置并采用权重判断的方法用于检测地雷。研究人员还通过方向梯度直方图和支持向量机的方法成功检测出了GPR图像特征。随着深度学习在图像领域获得的目标检测效果越来越好，其在GPR图像上的应用也越来越广泛。有研究人员采用三层的结构网络结构，其中包括用于特征提取的resnet50网络和用于提取多尺度特征的特征金字塔结构，最后一部分用于输出目标概率和位置信息。还有基于Mask-Rcnn的方法，采用了迁移学习的方法和通过对锚框高宽比的优化对树根检测取得了良好的效果。
但目前的GPR目标检测中缺乏对密集交叉双曲线的检测，在对两个较近目标进行探测时，由于不同目标的波形叠加，容易出现虚假目标，在双曲线交叉处形成新的双曲线且改变双曲线特征等影响双曲线识别的情况。
发明内容
本发明实施例提供了一种GPR B-Scan图像中的多目标检测方法，包括：
获得GPR B-Scan图像数据，对所述图像数据中的目标数据用矩形框进行框定作为真实边界框；
对所述图像数据进行预处理，所述预处理包括对所述图像数据整体进行缩放、填充以形成目标尺寸的图像数据；
对所述真实边界框进行聚类，并基于聚类结果计算得到多个对应所述图像数据的矩形的边界框；
将所述边界框作为用于对所述图像数据进行目标检测的目标网络的锚框，使所述目标网络能够基于所述锚框及提取的图像特征生成候选框，所述候选框框选有所述图像数据中的目标数据。
作为一可选实施例，所述获得GPR B-Scan图像数据，包括：
通过仿真法计算获得GPR基于天线沿预设测线上各点扫描时形成的回波，并基于所述回波形成第一二维数据；
基于GPR在地表对预埋有地下目标的区域沿一维测线探测形成的第二二维数据；
基于对应有目标与无目标的所述第一二维数据的差值得到无背景信息的第一二维数据；
计算所述第二二维数据中每行数据的均值；
对每行的所述第二二维数据中各数据与对应行的均值求差，得到抑制背景信息的第二二维数据；
基于伪色彩映射方式处理无背景信息的第一二维数据、抑制背景信息的第二二维数据，形成第一目标尺寸的彩色B-Scan图像数据；
对每个所述B-Scan图像数据包含的地下目标信息利用矩形框进行框定作为真实边界框；
对应记录每个所述真实边界框的坐标信息，所述坐标信息与B-Scan图像数据共同形成数据集。
作为一可选实施例，所述对所述图像数据进行预处理，包括：
将所述图像数据采用双线性插值法缩放到指定范围区间，并将所述真实边界框的坐标按照对应图片的缩放比例进行等比例缩放；
在缩放后的所述图像数据的边缘处进行填充，以形成第二目标尺寸的所述图像数据；
将预处理后的所述图像数据划分为训练集和验证集；
计算所述训练集中所述图像的真实边界框的高宽比和面积。
作为一可选实施例，所述对真实边界框进行聚类，并基于聚类结果计算得到多个对应所述图像数据的矩形的边界框，包括：
对所述预处理后的图像数据中各个真实边界框的高宽比和面积进行聚类；
取每类高宽比数据的中位数作为构建所述边界框所需的高宽比；
取每类面积数据的中位数作为构建所述边界框的面积；
基于由各所述中位数的高宽比、面积计算确定出多个所述边界框。
作为一可选实施例，还包括：
构建目标网络的网络模型，所述网络模型包括核心模块、候选框提取模块、特征检测模块组成；
将所述训练集输入所述网络模型中进行训练获得训练权重；
将所述验证集输入加载训练权重后的所述网络模型中进行验证，以验证所述网络模型效果。
作为一可选实施例，所述核心模块包括三个用于对所述图像数据提取特征的层；
所述将所述边界框作为用于对所述图像数据进行目标检测的目标网络的锚框，使所述目标网络能够基于所述锚框及提取的图像特征生成候选框，包括：
基于所述候选框提取模块将所述边界框作为用于对所述图像数据进行目标检测的目标网络的锚框，使所述目标网络能够基于所述锚框及由所述核心模块的三个层提取的图像特征生成候选框。
作为一可选实施例，还包括：
基于所述特征检测模块将所述候选框进行分类和回归，生成包含所述图像数据中的多个目标的特征图。
本发明另一实施例同时提供一种GPR B-Scan图像中的多目标检测装置，包括：
获得模块，用于获得GPR B-Scan图像数据，对所述图像数据中的目标数据用矩形框进行框定作为真实边界框；
预处理模块，用于对所述图像数据进行预处理，所述预处理包括对所述图像数据整体进行缩放、填充以形成目标尺寸的图像数据；
聚类模块，用于对所述真实边界框进行聚类，并基于聚类结果计算得到多个对应所述图像数据的矩形的边界框；
生成模块，用于将所述边界框作为用于对所述图像数据进行目标检测的目标网络的锚框，使所述目标网络能够基于所述锚框及提取的图像特征生成候选框，所述候选框框选有所述图像数据中的目标数据。
作为一可选实施例，所述获得GPR B-Scan图像数据，包括：
通过仿真法计算获得GPR基于天线沿预设测线上各点扫描时形成的回波，并基于所述回波形成第一二维数据；
基于GPR在地表对预埋有地下目标的区域沿一维测线探测形成的第二二维数据；
基于对应有目标与无目标的所述第一二维数据的差值得到无背景信息的第一二维数据；
计算所述第二二维数据中每行数据的均值；
对每行的所述第二二维数据中各数据与对应行的均值求差，得到抑制背景信息的第二二维数据；
基于伪色彩映射方式处理无背景信息的第一二维数据、抑制背景信息的第二二维数据，形成第一目标尺寸的彩色B-Scan图像数据；
对每个所述B-Scan图像数据包含的地下目标信息利用矩形框进行框定作为真实边界框；
对应记录每个所述真实边界框的坐标信息，所述坐标信息与B-Scan图像数据共同形成数据集。
作为一可选实施例，所述对所述图像数据进行预处理，包括：
将所述图像数据采用双线性插值法缩放到指定范围区间，并将所述真实边界框的坐标按照对应图片的缩放比例进行等比例缩放；
在缩放后的所述图像数据的边缘处进行填充，以形成第二目标尺寸的所述图像数据；
将预处理后的所述图像数据划分为训练集和验证集；
计算所述训练集中所述图像的真实边界框的高宽比和面积。
基于上述实施例的公开可以获知，本发明实施例具备的有益效果包括对于GPR图像中双曲线特征，采用k-means聚类设计了适用于B-Scan双曲线检测的锚框，采用少量锚框且使得网络模型更容易学习到图像中目标信息的位置和大小，提高了双曲线的检测精度。而且为了避免特征层将两个距离较近的双曲线误判为一个双曲线的情况，本实施例中舍弃了目标网络中的第四个特征提取层，将第三个特征提取层的输出作为预测特征层，从而达到减小感受野的目的，如此不仅减少了密集双曲线情况下将两个双曲线同时框定的情况，还加快了网络训练和推理速度。
附图说明
图1为本发明实施例中的GPR B-Scan图像中的多目标检测方法的流程图；
图2为本发明实施例中GPR B-Scan图像中的多目标检测方法的应用流程图；
图3为本发明实施例中GPR B-Scan图像中的多目标检测方法的另一部分应用流程图；
图4为本发明实施例中的目标网络对单一背景介质区域GPR图像的检测结果；
图5为本发明实施例中的目标网络对随机媒质区域GPR图像的检测结果；
图6为本发明实施例中的目标网络对对实测GPR图像的检测结果；
图7为本发明实施例中的GPR B-Scan图像中的多目标检测装置的结构框图。
具体实施方式
下面，结合附图对本发明的具体实施例进行详细的描述，但不作为本发明的限定。
应理解的是，可以对此处公开的实施例做出各种修改。因此，下述说明书不应该视为限制，而仅是作为实施例的范例。本领域的技术人员将想到在本公开的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本公开的实施例，并且与上面给出的对本公开的大致描述以及下面给出的对实施例的详细描述一起用于解释本公开的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本发明的这些和其它特性将会变得显而易见。
还应当理解，尽管已经参照一些具体实例对本发明进行了描述，但本领域技术人员能够确定地实现本发明的很多其它等效形式，它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。
当结合附图时，鉴于以下详细说明，本公开的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本公开的具体实施例；然而，应当理解，所公开的实施例仅仅是本公开的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本公开模糊不清。因此，本文所公开的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本公开。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本公开的相同或不同实施例中的一个或多个。
下面，结合附图详细的说明本发明实施例。
如图1所示，本发明实施例提供一种GPR B-Scan图像中的多目标检测方法，包括：
获得GPR B-Scan图像数据，对所述图像数据中的目标数据用矩形框进行框定作为真实边界框；
对图像数据进行预处理，预处理包括对图像数据整体进行缩放、填充以形成目标尺寸的图像数据；
对真实边界框进行聚类，并基于聚类结果计算得到多个对应图像数据的矩形的边界框；
将边界框作为用于对图像数据进行目标检测的目标网络的锚框，使目标网络能够基于锚框及提取的图像特征生成候选框，候选框框选有图像数据中的目标数据。
基于上述实施例的公开可以获知，本实施例具备的有益效果包括对于GPR图像中双曲线特征，采用k-means聚类设计了适用于B-Scan双曲线检测的锚框，采用少量锚框且使得网络模型更容易学习到图像中目标信息的位置和大小，提高了双曲线的检测精度，更提高了图像中多目标检测的精度。
进一步地，获得GPR B-Scan图像数据，包括：
通过仿真法计算获得GPR基于天线沿预设测线上各点扫描时形成的回波，并基于回波形成第一二维数据；
基于GPR在地表对预埋有地下目标的区域沿一维测线探测形成的第二二维数据；
基于对应有目标与无目标的第一二维数据的差值得到无背景信息的第一二维数据；
计算第二二维数据中每行数据的均值；
对每行的第二二维数据中各数据与对应行的均值求差，得到抑制背景信息的第二二维数据；
基于伪色彩映射方式处理无背景信息的第一二维数据、抑制背景信息的第二二维数据，形成第一目标尺寸的彩色B-Scan图像数据；
对每个B-Scan图像数据包含的地下目标信息利用矩形框进行框定作为真实边界框；
对应记录每个真实边界框的坐标信息，坐标信息与B-Scan图像数据共同形成数据集。
例如，如图2所示，GPR(探地雷达)对预先埋有多个目标/目标物的区域进行探测，可以采用单个发射天线和单个接收天线的合成孔径探测方式。单个发射天线和单个接收天线保持固定的距离。在某个测点位置，发射天线向下发射电磁波，接收天线接收散射回波，生成一道A-scan波。在地表设置一条测线，测线上有Z个测点，GPR沿该条测线进行探测，每次探测后移动到下一个测点再进行探测，一共获得Z道A-scan，称为一幅B-scan。采用仿真数据进行数据集制作时，分别对预设有多个金属圆柱体的单一背景介质区域或随机媒质区域进行探测，金属圆柱体位置在一定区域内随机放置，且金属圆柱体半径在一定范围内随机，将地表测线的方向设置为与地下圆柱目标的轴线方向垂直，通过进行仿真探测后获得地下有目标时的B-scan数据，以及地下无目标时的B-scan数据，二者相减获得无背景数据的B-scan数据(即无背景数据的第一二维数据)。实测时，将二维数据各行的每个数值减去该行所有数据的均值，抑制背景信息，得到抑制背景信息的B-scan数据(即抑制背景数据的第二二维数据)。接着采用标准的伪彩色映射方法，将获得的所有B-scan数据保存为彩色B-scan图像，设其尺寸为M×N×3，其中，“3”表示彩色图像的三通道，M和N分别表示单个通道的二维数组的行数和列数。之后可以但不限于通过人工拉框的方式对实测和仿真获得的B-scan图像中的各个双曲线目标分别用矩形框加以框定，人工框定的矩形框称为真实边界框，记录真实边界框的左上角和右下角的坐标信息并与每张图像一一对应，将其与所有B-scan图像一起作为实验所用数据集。
另外，可以改变探测场景，基于不同探测场景，通过上述仿真和实测过程获得多幅B-scan图像。每幅B-scan图像中包含一个或多个地下目标的信息，通过人工拉框的方式对所有B-scan图像中的各目标加以框定，人工框定的矩形框称为该目标对应的真实边界框，记录下这些真实边界框的左上角和右下角的坐标信息并与每张B-scan图像一一对应，将其与所有B-scan图像一起作为数据集；
进一步地，对图像数据进行预处理，包括：
将图像数据采用双线性插值法缩放到指定范围区间，并将真实边界框的坐标按照对应图片的缩放比例进行等比例缩放；
在缩放后的图像数据的边缘处进行填充，以形成第二目标尺寸的图像数据；
将预处理后的图像数据划分为训练集和验证集；
计算训练集中图像的真是边界框的高宽比和面积。
例如，继续结合图2所示，将图像数据，即采集的图片采用双线性插值法缩放到指定范围区间，并将真实边界框的坐标按照对应图片的缩放比例进行等比例缩放。设定最终图片大小为A×B×3，A为32的倍数中大于等于图片缩放后最大高度的最小数值，B为32的倍数中大于等于图片缩放后最大宽度的最小数值。通过在缩放后的图片右侧和下方填充0以将所有图片均填充为A×B×3大小。接着，将预处理后的数据集划分为训练集和验证集，通过训练集中所有真实边界框的左上角和右下角的坐标信息，计算得到每个真实边界框的高宽比和面积。
其中，坐标轴以图片左上角为原点，以一个像素点的长度为一个单位长度，高宽比和面积具体为:
s＝(yr-yl)×(xr-xl)
其中，yr和xr分别表示真实边界框右下角的纵坐标和横坐标，yl和xl分别表示真实边界框左上角的纵坐标和横坐标，hw表示真实边界框的高宽比值，s表示真实边界框的面积。
进一步地，对预处理后的图像数据进行聚类，并基于聚类结果计算得到多个对应图像数据的矩形的边界框，包括：
对预处理后的图像数据中各个真实边界框的高宽比和面积进行聚类；
取每类高宽比数据的中位数作为构建边界框所需的高宽比；
取每类面积数据的中位数作为构建边界框的面积；
基于由各中位数的高宽比、面积计算确定出多个边界框。
具体地，对训练集中所有B-scan图像中所有目标对应的真实边界框的高宽比数据和面积数据，采用k-means算法进行聚类分析。将高宽比数据聚为两类，取每类的中位数作为所需的高宽比值，共得到两个高宽比值。
具体为：
m表示当前类中数据的数量，Xi表示当前类中第i大的数，C表示当前类的中位数，共获得两个高宽比。接着将面积数据聚为两类分别，取其中位数得到两个面积值。基于获得的两个高宽比和面积构成四个不同的矩形框，具体为：
An＝{(hwp,sq)|1＜＝p＜＝2,1＜＝q＜＝2}
其中hwp表示通过k-means聚类算法对高宽比数据进行聚类获得的第p个类的中位数，sq表示过k-means聚类算法对面积数据进行聚类获得的第q个类的中位数，(hwp,sq)表示一个高宽比为hwp，面积值为sq的矩形框，An表示通过k-means聚类算法得到的矩形框的集合。
进一步地，本实施例中的方法还包括：
构建目标网络的网络模型，网络模型包括核心模块(backbone)、候选框提取模块(RPN)、特征检测模块(Faster rcnn Head)组成；
将训练集输入网络模型中进行训练获得训练权重；
将验证集输入加载训练权重后的网络模型中进行验证，验证网络结果。
其中，核心模块包括三个用于对图像数据提取特征的层；
将边界框作为用于对图像数据进行目标检测的目标网络的锚框，使目标网络能够基于锚框及提取的图像特征生成候选框，包括：
基于候选框提取模块将边界框作为用于对图像数据进行目标检测的目标网络的锚框，使目标网络能够基于锚框及由核心模块的三个层提取的图像特征生成候选框。
而且，本实施例中的方法还包括：
基于特征检测模块将候选框进行分类和回归，生成包含图像数据中的多个目标的特征图。
例如，如图2和图3所示，本实施例中是采用Faster rcnn网络对B-scan图像进行目标检测，其处理步骤主要包括特征提取，候选框提取，目标分类和边界框回归。在候选框提取部分，采用预定义的锚框在通过特征提取获得的预测特征层上的每个点上生成多个候选框，Faster rcnn算法以每个像素为中心点，生成多个高宽比和面积不同的边界框，然后判断每个边界框中是否有感兴趣的目标，并调整边界框的形状和位置从而更准确的预测目标的真实边界框，这些生成的边界框被称为锚框。本实施例中是将上述获得的矩形框An作为Faster rcnn网络中的锚框，原锚框具体为：
Ar＝{(whr,sr)|whr∈{0.5,1.0,2.0},sr∈{322,642,1282,2562,5122}}
其中Ar为所有原锚框的集合，whr表示原锚框的高宽比，sr表示原锚框的面积。
基于Faster rcnn网络，设计一个三阶段网络模型，第一阶段的网络采用resnet50中的前三个layer用于提取图像特征获得预测特征层，如此为了避免特征层将两个距离较近的双曲线误判为一个双曲线的情况，本实施例中舍弃了目标网络中的第四个特征提取层，将第三个特征提取层的输出作为预测特征层，从而达到减小感受野的目的，如此不仅减少了密集双曲线情况下将两个双曲线同时框定的情况，还加快了网络训练和推理速度。进一步地，第二阶段，网络模型根据提取的特征层和预设的锚框生成候选框并对其进行分类和修正，第三阶段将候选框进行分类和回归。
具体地，对预处理后的训练集输入网络进行训练。
网络模型主要由backbone，RPN和Faster rcnn Head组成，具体为：
Backbone部分：
将预处理好的大小为A×B×3图像输入backbone，经过一个卷积核大小为7×7，步距为2的卷积操作，将图像堆叠为一个A/2×B/2×64大小的张量，如400×400×64的张量，再进行一次归一化操作，之后经过ReLu激活函数，最后在进行一次卷积核大小为3×3，步距为2的最大池化操作，得到输出大小为A/2×B/2×64，如得到输出为200×200×64。
之后再输入三个用于提取特征的层，记为layer1，layer2，layer3。layer主要由三种块组成，第一种是不带下采样操作的块记为block1，第二种是带下采样的块block2，第三种是layer1中带下采样的块block3。
block1具体为：假设输入block1张量尺寸为H×W×D，首先经过一个卷积核大小为1×1，步距为1的卷积操作，输出为尺寸为H×W×D/4，再进行归一化，经过ReLu激活函数，再经过一个卷积核大小为3×3，步距为1的卷积操作，输出为H×W×D/4，再进行归一化，ReLu激活，进行一个卷积核大小为1×1，步距为1的卷积操作，输出为H×W×D，将其归一化后再将此时的输出与最初的输入进行相加，再经过ReLu激活函数得到最后输出为H×W×D。
block2具体为：假设输入block2张量尺寸为H×W×D，block2分为两个部分操作，第一部分首先经过一个下采样操作，核大小为1，步距为2，通道数翻倍，得到输出大小为H/2×W/2×2*D，再经过归一化得到输出尺寸不变，记为ouput1。第二部分将原始输入大小为H×W×D的进行一个卷积核大小为1×1，步距为1的卷积操作，将通道数减半，输出为尺寸为H×W×D/2，再经过归一化和ReLu激活函数，而后进行一个卷积核大小为3×3，步距为2的卷积操作，通道数不变，得到输出大小为H/2×W/2×D/2，再经过归一化和ReLu激活函数，而后经过一个卷积核大小为1，步距为1的卷积操作，并将通道数提升为原来的4倍，得到输出大小为H/2×W/2×2*D，再经过归一化，记该输出为ouput2。将output1与output2相加后经过ReLu激活函数得到最终输出。
Block3具体为：假设输入block3张量尺寸为H×W×D，block3分为两个部分操作，第一部分首先经过一个下采样操作，核大小为1，步距为1，通道数为原来的四倍，输出大小为H×W×4*D，再经过归一化得到输出尺寸不变，记为ouput3。第二部分将原始输入大小为H×W×D的进行一个卷积核大小为1×1，步距为1的卷积操作，通道数不变，得到输出为H×W×D，再经过归一化和ReLu激活函数，而后进行一个卷积核大小为3×3，步距为1的卷积操作，通道数不变，得到输出大小为H×W×D，再经过归一化和ReLu激活函数，而后经过一个卷积核大小为1，步距为1的卷积操作，并将通道数提升为原来的4倍，得到输出大小为H×W×4*D，再经过归一化，记该输出为ouput4。将output3与output4相加后经过ReLu激活函数得到最终输出。
输入layer1层的张量尺寸大小为A/4×B/4×64，如200×200×64，经过一个bolck3后输出为A/4×B/4×256，如200×200×256，再经过两个block1输出为A/4×B/4×256，如200×200×256，接着将结果输入layer2，经过一个block2后输出为A/8×B/8×512，如100×100×512，再经过三个block1得到输出为A/8×B/8×512，如100×100×512，之后再输入layer3，经过一个block2后输出为A/16×B/16×1024，如50×50×1024，经过5个block1后得到输出为A/16×B/16×1024，如50×50×1024，即为预测特征层。
Rpn部分：
该部分主要用于候选框的提取，将得到的预测特征层经过一个3×3的卷积，步距为1，通道数不变，得到输出为A/16×B/16×1024，将其分别经过两个1×1的卷积，得到A/16×B/16×4的特征图，这里的“4”表示4个概率分数，以及A/16×B/16×16的特征图，也就是共A/16×B/16×4个结果，这里的4由所设定的锚框数确定(具体数值不定)，这里所用锚框为采用由上述k-means算法聚类所得的2个锚框面积和高宽比共构成的4个不同的锚框，每个结果包含四个表示前景概率的分数和四个边界框回归参数，这四个回归参数分别表示中心坐标偏移量和高宽的偏移量。或者，例如将得到的预测特征层经过一个3×3的卷积，步距为1，通道数不变，得到输出为50×50×1024，将其分别经过两个1×1的卷积，分别得到50×50×9的特征图和50×50×36的特征图，也就是共50×50×9个结果，这里的9由所设定的锚框数确定，这里所用锚框为采用由上述k-means算法聚类所得的三个锚框面积和高宽比共构成的9个不同的锚框，每个结果包含四个表示前景概率的分数和四个边界框回归参数，这四个回归参数分别表示中心坐标偏移量和高宽的偏移量。
之后，再通过预测特征层和设定的锚框生成所有的目标边界框。而后将回归参数应用于所有生成的目标边界框中得到最终的预测框坐标。再对所有生成的预测边界框进行处理，包括删除小的边界框，进行非极大值抑制，再根据预测概率获取前K个最大概率的边界框，这里的K设置为2000。同时目标边界框还将用于与所标注样本进行匹配选取正负样本并计算Rpn的损失。
Faster rcnn Head部分：
对于获得的的K个候选框，截取前512候选框与预测特征层一起进行RoIAlign操作，根据预选框的位置坐标在特征图中将相应区域池化为固定尺寸的特征图，生成512×256×7×7大小的预测框特征图，512表示候选框个数，再将结果进行展平操作后输入两个全连接层，第一个全连接层输出大小为512×1024，第二个全连接层输出大小不变，再将结果分别输入两个全连接层，本文中将目标共分为两类，第一个全连接层输出大小为512×2，第二个全连接层输出大小为512×8，每个类别预测四个回归参数。最后将结果进行后处理得到最终输出。
实际应用时，可以参考以下具体实施例：
采用基于时域有限差分方法的gprMax仿真软件和实地测量获取B-Scan图像。仿真数据共分为两种背景不同的场景，对于均匀背景介质场景，其背景介电常数为3，地下金属圆柱的半径大小为0.005m-0.05m，深度设定为0.15-0.6m，对于两金属圆柱和三金属圆柱场景，靠近的两圆柱中心点距离为0.3-0.9m；对于随机煤质场景，沙子和黏土占比各位50％，土壤含水率为0.1％-25％，固定随机种子为83，地下金属圆柱的半径大小为0.005m-0.05m，深度为0.15-0.4m，对于两金属圆柱和三金属圆柱情况，相邻两圆柱中心点距离为0.3-0.5m。GPR在地面沿垂直于圆柱中轴线方向扫描，共获取100道A-Scan数据组成B-Scan数据，并减去无目标的B-Scan数据以去除直达波，将所得数据生成B-Scan图像。对于两种背景介质下的单目标，双目标，和三目标的情况，分别获取100张数据，共600张。对于实测，对地下埋设有多个目标的场景进行探测，共获取100张数据，整个数据集共700张。
将获取的所有B-Scan图像中的双曲线进行标注获得真实边界框，构成数据集，对于所有数据，将其分为训练集和验证集，其比例为7:3，通过训练集的真实边界框的坐标信息获得所有训练集的高宽比和面积值。将所获得的高宽比值作为数据样本进行聚类，将其聚为两个集合，取集合的中心点作为锚框的高宽比，所获得的锚框高宽比分别为0.39和0.53。同理，将获得的面积值进行聚类获得两个集合，将其聚为两个集合，取集合的中心点并作为锚框的面积值，将获得的面积值进行开根号操作后得到的值为132和186。用得到的两个面积值和高宽比值替代原Rpn中锚框的设定。
将训练集和验证集经过图像转换后缩放为800×800×3大小，同时调整标签坐标，将图像和标签输入由多个残差块组成的三层残差网络，得到大小为50×50×1024大小的预测特征层，将预测特征层输入Rpn网络获得2000个最大概率的候选框，再从中选取512个候选框与预测特征层一起进行RoIAlign操作，生成512×256×7×7大小的预测框特征图，在经过两个全连接层获得512×1024大小的特征，通过这些特征分别经过两个全连接层分别获得每个锚框的分类和四个回归参数。
如图4至图6所示，采用验证集对训练出的模型进行预测，模型的平均精度均值大于90％。实验验证了本发明方法能够快速准确检测多目标GPR图像。
如图7所示，本发明另一实施例同时提供一种GPR B-Scan图像中的多目标检测装置，包括：
获得模块，用于获得GPR B-Scan图像数据，对所述图像数据中的目标数据用矩形框进行框定作为真实边界框；
预处理模块，用于对所述图像数据进行预处理，所述预处理包括对所述图像数据整体进行缩放、填充以形成目标尺寸的图像数据；
聚类模块，用于对所述真实边界框进行聚类，并基于聚类结果计算得到多个对应所述图像数据的矩形的边界框；
生成模块，用于将所述边界框作为用于对所述图像数据进行目标检测的目标网络的锚框，使所述目标网络能够基于所述锚框及提取的图像特征生成候选框，所述候选框框选有所述图像数据中的目标数据。
作为一可选实施例，所述获得GPR B-Scan图像数据，包括：
通过仿真法计算获得GPR基于天线沿预设测线上各点扫描时形成的回波，并基于所述回波形成第一二维数据；
基于GPR在地表对预埋有地下目标的区域沿一维测线探测形成的第二二维数据；
基于对应有目标与无目标的所述第一二维数据的差值得到无背景信息的第一二维数据；
计算所述第二二维数据中每行数据的均值；
对每行的所述第二二维数据中各数据与对应行的均值求差，得到抑制背景信息的第二二维数据；
基于伪色彩映射方式处理无背景信息的第一二维数据、抑制背景信息的第二二维数据，形成第一目标尺寸的彩色B-Scan图像数据；
对每个所述B-Scan图像数据包含的地下目标信息利用矩形框进行框定作为真实边界框；
对应记录每个所述真实边界框的坐标信息，所述坐标信息与B-Scan图像数据共同形成数据集。
作为一可选实施例，所述对所述图像数据进行预处理，包括：
将所述图像数据采用双线性插值法缩放到指定范围区间，并将所述真实边界框的坐标按照对应图片的缩放比例进行等比例缩放；
在缩放后的所述图像数据的边缘处进行填充，以形成第二目标尺寸的所述图像数据；
将预处理后的所述图像数据划分为训练集和验证集；
计算所述训练集中所述图像的真实边界框的高宽比和面积。
作为一可选实施例，所述对所述真实边界框进行聚类，并基于聚类结果计算得到多个对应所述图像数据的矩形的边界框，包括：
对所述预处理后的图像数据中各个真是边界框的高宽比和面积进行聚类；
取每类高宽比数据的中位数作为构建所述边界框所需的高宽比；
取每类面积数据的中位数作为构建所述边界框的面积；
基于由各所述中位数的高宽比、面积计算确定出多个所述边界框。
作为一可选实施例，还包括：
构建模块，用于构建目标网络的网络模型，所述网络模型包括核心模块、候选框提取模块、特征检测模块组成；
训练模块，用于将所述训练集输入所述网络模型中进行训练获得训练权重；
验证模块，用于将所述验证集输入加载训练权重后所述网络模型中进行验证，以验证所述网络模型效果。
作为一可选实施例，所述核心模块包括三个用于对所述图像数据提取特征的层；
所述将所述边界框作为用于对所述图像数据进行目标检测的目标网络的锚框，使所述目标网络能够基于所述锚框及提取的图像特征生成候选框，包括：
基于所述候选框提取模块将所述边界框作为用于对所述图像数据进行目标检测的目标网络的锚框，使所述目标网络能够基于所述锚框及由所述核心模块的三个层提取的图像特征生成候选框。
作为一可选实施例，还包括：
生成模块，用于基于所述特征检测模块将所述候选框进行分类和回归，生成包含所述图像数据中的多个目标的特征图。
以上实施例仅为本发明的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。

Claims (8)

1.一种GPR B-Scan图像中的多目标检测方法，其特征在于，包括：
获得GPR B-Scan图像数据，对所述图像数据中的目标数据用矩形框进行框定作为真实边界框；
对所述图像数据进行预处理，所述预处理包括对所述图像数据整体进行缩放、填充以形成目标尺寸的图像数据；
对所述真实边界框进行聚类，并基于聚类结果计算得到多个对应所述图像数据的矩形的边界框；
将所述边界框作为用于对预处理后的所述图像数据进行目标检测的目标网络的锚框，使所述目标网络能够基于所述锚框及提取的图像特征生成候选框，所述候选框框选有所述图像数据中的目标数据；
其中，对预处理后的所述图像数据进行目标检测，包括：
采用目标网络的网络模型对 B-Scan 图像进行目标检测，所述网络模型包括核心模块、候选框提取模块、目标检测模块组成，所述核心模块采用 resnet50网络中的前三个layer 提取图像特征；
所述获得GPR B-Scan图像数据，包括：
通过仿真法计算获得GPR基于天线沿预设测线上各点扫描时形成的回波，并基于所述回波形成第一二维数据；
基于GPR在地表对预埋有地下目标的区域沿一维测线探测形成的第二二维数据；
基于对应有目标与无目标的所述第一二维数据的差值得到无背景信息的第一二维数据；
计算所述第二二维数据中每行数据的均值；
对每行的所述第二二维数据中各数据与对应行的均值求差，得到抑制背景信息的第二二维数据；
基于伪色彩映射方式处理无背景信息的第一二维数据、抑制背景信息的第二二维数据，形成第一目标尺寸的彩色B-Scan图像数据；
对每个所述B-Scan图像数据包含的地下目标信息利用矩形框进行框定作为真实边界框；
对应记录每个所述真实边界框的坐标信息，所述坐标信息与B-Scan图像数据共同形成数据集。
2.根据权利要求1所述的方法，其特征在于，所述对所述图像数据进行预处理，包括：
将所述图像数据采用双线性插值法缩放到指定范围区间，并将所述真实边界框的坐标按照对应图片的缩放比例进行等比例缩放；
在缩放后的所述图像数据的边缘处进行填充，以形成第二目标尺寸的所述图像数据；
将预处理后的所述图像数据划分为训练集和验证集；
计算所述训练集中所述图像的真实边界框的高宽比和面积。
3.根据权利要求2所述的方法，其特征在于，所述对所述预处理后的图像数据进行聚类，并基于聚类结果计算得到多个对应所述图像数据的矩形的边界框，包括：
对所述预处理后的图像数据中各个真实边界框的高宽比和面积进行聚类；
取每类高宽比数据的中位数作为构建所述边界框所需的高宽比；
取每类面积数据的中位数作为构建所述边界框的面积；
基于由各所述中位数的高宽比、面积计算确定出多个所述边界框。
4.根据权利要求2所述的方法，其特征在于，所述核心模块由包含三个layer的resnet50网络形成，所述三个layer为所述resnet50网络的前三个layer，第三个layer的输出作为所述resnet50网络中的预测特征层；
所述方法还包括：
将所述训练集输入所述网络模型中进行训练获得训练权重；
将所述验证集输入加载训练权重后的所述网络模型中进行验证，以验证所述网络模型效果。
5.根据权利要求4所述的方法，其特征在于，所述核心模块包括三个用于对所述图像数据提取特征的层；
所述将所述边界框作为用于对所述图像数据进行目标检测的目标网络的锚框，使所述目标网络能够基于所述锚框及提取的图像特征生成候选框，包括：
基于所述候选框提取模块将所述边界框作为用于对所述图像数据进行目标检测的目标网络的锚框，使所述目标网络能够基于所述锚框及由所述核心模块的三个层提取的图像特征生成候选框。
6.根据权利要求4所述的方法，其特征在于，还包括：
基于所述目标检测模块将所述候选框进行分类和回归。
7.一种GPR B-Scan图像中的多目标检测装置，其特征在于，包括：
获得模块，用于获得GPR B-Scan图像数据，对所述图像数据中的目标数据用矩形框进行框定作为真实边界框；
预处理模块，用于对所述图像数据进行预处理，所述预处理包括对所述图像数据整体进行缩放、填充以形成目标尺寸的图像数据；
聚类模块，用于对所述真实边界框进行聚类，并基于聚类结果计算得到多个对应所述图像数据的矩形的边界框；
生成模块，用于将所述边界框作为用于对预处理后的所述图像数据进行目标检测的目标网络的锚框，使所述目标网络能够基于所述锚框及提取的图像特征生成候选框，所述候选框框选有所述图像数据中的目标数据；
其中，对预处理后的所述图像数据进行目标检测，包括：
采用目标网络的网络模型对 B-Scan 图像进行目标检测，所述网络模型包括核心模块、候选框提取模块、目标检测模块组成，所述核心模块采用 resnet50网络中的前三个layer 提取图像特征；
所述获得GPR B-Scan图像数据，包括：
通过仿真法计算获得GPR基于天线沿预设测线上各点扫描时形成的回波，并基于所述回波形成第一二维数据；
基于GPR在地表对预埋有地下目标的区域沿一维测线探测形成的第二二维数据；
基于对应有目标与无目标的所述第一二维数据的差值得到无背景信息的第一二维数据；
计算所述第二二维数据中每行数据的均值；
对每行的所述第二二维数据中各数据与对应行的均值求差，得到抑制背景信息的第二二维数据；
基于伪色彩映射方式处理无背景信息的第一二维数据、抑制背景信息的第二二维数据，形成第一目标尺寸的彩色B-Scan图像数据；
对每个所述B-Scan图像数据包含的地下目标信息利用矩形框进行框定作为真实边界框；
对应记录每个所述真实边界框的坐标信息，所述坐标信息与B-Scan图像数据共同形成数据集。
8.根据权利要求7所述的装置，其特征在于，所述对所述图像数据进行预处理，包括：
将所述图像数据采用双线性插值法缩放到指定范围区间，并将所述真实边界框的坐标按照对应图片的缩放比例进行等比例缩放；
在缩放后的所述图像数据的边缘处进行填充，以形成第二目标尺寸的所述图像数据；
将预处理后的所述图像数据划分为训练集和验证集；
计算所述训练集中所述图像的真实边界框的高宽比和面积。
CN202211354900.7A 2022-11-01 2022-11-01 一种GPR B-Scan图像中的多目标检测方法及装置 Active CN115496917B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211354900.7A CN115496917B (zh) 2022-11-01 2022-11-01 一种GPR B-Scan图像中的多目标检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211354900.7A CN115496917B (zh) 2022-11-01 2022-11-01 一种GPR B-Scan图像中的多目标检测方法及装置

Publications (2)

Publication Number Publication Date
CN115496917A CN115496917A (zh) 2022-12-20
CN115496917B true CN115496917B (zh) 2023-09-26

Family

ID=85115562

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211354900.7A Active CN115496917B (zh) 2022-11-01 2022-11-01 一种GPR B-Scan图像中的多目标检测方法及装置

Country Status (1)

Country Link
CN (1) CN115496917B (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101872018A (zh) * 2010-06-04 2010-10-27 武汉天毅达电子科技有限公司 无线探地雷达系统
CN102495404A (zh) * 2011-12-20 2012-06-13 中国民航大学 一种机场场道钢筋回波抑制及灾害目标检测方法
CN106446919A (zh) * 2016-11-04 2017-02-22 深圳市航天华拓科技有限公司 一种探地雷达双曲线目标快速检测方法
CN108375334A (zh) * 2018-02-13 2018-08-07 南京工程学院 一种基于sar的gpr多层钢筋网参数检测方法
CN111025286A (zh) * 2019-11-01 2020-04-17 长安大学 一种用于水损害检测的探地雷达图谱自适应选取方法
CN111027547A (zh) * 2019-12-06 2020-04-17 南京大学 一种针对二维图像中的多尺度多形态目标的自动检测方法
CN111710012A (zh) * 2020-06-12 2020-09-25 浙江大学 一种基于两维复合配准的octa成像方法与装置
CN111967305A (zh) * 2020-07-01 2020-11-20 华南理工大学 一种基于轻量级卷积神经网络的实时多尺度目标检测方法
CN112101430A (zh) * 2020-08-28 2020-12-18 电子科技大学 用于图像目标检测处理的锚框生成方法及轻量级目标检测方法
WO2020258793A1 (zh) * 2019-06-26 2020-12-30 北京市商汤科技开发有限公司 目标检测及目标检测网络的训练
WO2021083394A1 (zh) * 2019-11-01 2021-05-06 长安大学 一种基于图谱灰度自适应选取的沥青路面水损害检测方法
CN113256562A (zh) * 2021-04-22 2021-08-13 深圳安德空间技术有限公司 基于雷达图像和人工智能的道路地下隐患检测方法和系统
CN114170150A (zh) * 2021-11-17 2022-03-11 西安交通大学 基于曲率损失函数的视网膜渗出液全自动分割方法
CN114331890A (zh) * 2021-12-27 2022-04-12 中南大学 基于深度学习的探地雷达B-scan图像特征增强方法及系统
CN114909987A (zh) * 2022-05-09 2022-08-16 东南大学 一种b扫描分割法抑制样品整体抖动的方法
CN114966560A (zh) * 2022-07-29 2022-08-30 中南大学 一种探地雷达后向投影成像方法及系统

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101872018A (zh) * 2010-06-04 2010-10-27 武汉天毅达电子科技有限公司 无线探地雷达系统
CN102495404A (zh) * 2011-12-20 2012-06-13 中国民航大学 一种机场场道钢筋回波抑制及灾害目标检测方法
CN106446919A (zh) * 2016-11-04 2017-02-22 深圳市航天华拓科技有限公司 一种探地雷达双曲线目标快速检测方法
CN108375334A (zh) * 2018-02-13 2018-08-07 南京工程学院 一种基于sar的gpr多层钢筋网参数检测方法
WO2020258793A1 (zh) * 2019-06-26 2020-12-30 北京市商汤科技开发有限公司 目标检测及目标检测网络的训练
WO2021083394A1 (zh) * 2019-11-01 2021-05-06 长安大学 一种基于图谱灰度自适应选取的沥青路面水损害检测方法
CN111025286A (zh) * 2019-11-01 2020-04-17 长安大学 一种用于水损害检测的探地雷达图谱自适应选取方法
CN111027547A (zh) * 2019-12-06 2020-04-17 南京大学 一种针对二维图像中的多尺度多形态目标的自动检测方法
CN111710012A (zh) * 2020-06-12 2020-09-25 浙江大学 一种基于两维复合配准的octa成像方法与装置
CN111967305A (zh) * 2020-07-01 2020-11-20 华南理工大学 一种基于轻量级卷积神经网络的实时多尺度目标检测方法
CN112101430A (zh) * 2020-08-28 2020-12-18 电子科技大学 用于图像目标检测处理的锚框生成方法及轻量级目标检测方法
CN113256562A (zh) * 2021-04-22 2021-08-13 深圳安德空间技术有限公司 基于雷达图像和人工智能的道路地下隐患检测方法和系统
CN114170150A (zh) * 2021-11-17 2022-03-11 西安交通大学 基于曲率损失函数的视网膜渗出液全自动分割方法
CN114331890A (zh) * 2021-12-27 2022-04-12 中南大学 基于深度学习的探地雷达B-scan图像特征增强方法及系统
CN114909987A (zh) * 2022-05-09 2022-08-16 东南大学 一种b扫描分割法抑制样品整体抖动的方法
CN114966560A (zh) * 2022-07-29 2022-08-30 中南大学 一种探地雷达后向投影成像方法及系统

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
Prediction of milling yield in wheat with the use of spectral, colour, shape, and morphological features;Sahand Assadzadeh 等;《Biosystems Engineering》;第214卷;第28-41页 *
Wentai Lei 等.Automatic hyperbola detection and fitting in GPR B-scan image.《Automation in Construction》.2019,第106卷第2、2.1、2.2节，图3. *
于泰东.基于时空信息融合的三维手部姿态估计方法及应用研究.《万方》.2022,第31页. *
基于GPR信号的水泥路面脱空特征表征方法;余秋琴 等;《地下空间与工程学报》;第17卷(第S2期);第902-911页 *
基于毫米波辐射成像的浅埋金属探测;于畅畅 等;《电光与控制》;第27卷(第1期);第94-97页 *
探地雷达目标回波信号双曲线提取算法研究;张旭 等;《计算机测量与控制》;第24卷(第10期);第247-250页 *
曹春键.基于深度学习的车辆目标检测研究.《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》.2022,第2022年卷(第1期),第3.2.2节. *
王辉 等.基于深度学习的GPＲ B-SCAN 图像双曲线检测方法.《电子学报》.2021,第49卷(第5期),第953-963页. *

Also Published As

Publication number Publication date
CN115496917A (zh) 2022-12-20

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
CN112700429B (zh) 基于深度学习的机场道面地下结构病害自动检测方法
CN109871902B (zh) 一种基于超分辨率对抗生成级联网络的sar小样本识别方法
Kafedziski et al. Detection and classification of land mines from ground penetrating radar data using faster R-CNN
CN112395987B (zh) 基于无监督域适应cnn的sar图像目标检测方法
CN106156744A (zh) 基于cfar检测与深度学习的sar目标检测方法
CN108052940A (zh) 基于深度学习的sar遥感图像水面目标检测方法
CN108510467A (zh) 基于深度可变形卷积神经网络的sar图像目标识别方法
CN110060248B (zh) 基于深度学习的声呐图像水下管道检测方法
CN110647802A (zh) 基于深度学习的遥感影像舰船目标检测方法
Huang et al. Comprehensive sample augmentation by fully considering SSS imaging mechanism and environment for shipwreck detection under zero real samples
CN113361367B (zh) 基于深度学习的地下目标电磁反演方法及系统
CN111445515B (zh) 基于特征融合网络的地下圆柱体目标半径估算方法及系统
CN114299318A (zh) 一种快速点云数据处理和目标图像匹配的方法及系统
Donini et al. A deep learning architecture for semantic segmentation of radar sounder data
Coiras et al. Supervised target detection and classification by training on augmented reality data
CN115496917B (zh) 一种GPR B-Scan图像中的多目标检测方法及装置
CN111275680B (zh) 基于Gabor卷积网络的SAR图像变化检测方法
Huang et al. A deep learning approach to detecting ships from high-resolution aerial remote sensing images
CN117351371A (zh) 一种基于深度学习的遥感图像目标检测方法
RoyChowdhury et al. Distinguishing weather phenomena from bird migration patterns in radar imagery
Jaufer et al. Deep learning based automatic hyperbola detection on GPR data for buried utility pipes mapping
CN113392705A (zh) 一种基于卷积神经网络的沙漠地区管道泄漏目标识别方法
CN113534146A (zh) 一种雷达视频图像目标自动检测方法与系统
CN117409329B (zh) 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

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