CN116256720A - 基于三维探地雷达的地下目标探测方法、装置和电子设备 - Google Patents
基于三维探地雷达的地下目标探测方法、装置和电子设备 Download PDFInfo
- Publication number
- CN116256720A CN116256720A CN202310513655.8A CN202310513655A CN116256720A CN 116256720 A CN116256720 A CN 116256720A CN 202310513655 A CN202310513655 A CN 202310513655A CN 116256720 A CN116256720 A CN 116256720A
- Authority
- CN
- China
- Prior art keywords
- samples
- underground
- target detection
- underground target
- voxel
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 164
- 230000000149 penetrating effect Effects 0.000 title claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 25
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 13
- 241000282414 Homo sapiens Species 0.000 description 6
- 238000010276 construction Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005755 formation reaction Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 230000001066 destructive effect Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000005481 NMR spectroscopy Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- 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
- G01S13/885—Radar or analogous systems specially adapted for specific applications for ground probing
-
- 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
- G01S13/887—Radar or analogous systems specially adapted for specific applications for detection of concealed objects, e.g. contraband or weapons
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/12—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with electromagnetic waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Geophysics And Detection Of Objects (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请公开了一种基于三维探地雷达的地下目标探测方法、装置和电子设备，该方法包括：对雷达数据样本进行校准处理，得到体素样本；建立地下目标探测模型，并通过地下目标探测模型对体素进行数据处理，确定地下目标。一方面，通过将获取到的具有波形性质的雷达数据转换为具有三维特征的体素数据，由于具有三维特征的体素数据囊括的数据信息更加全面，从而能够有效提高体素数据的可靠性；另一方面，通过具有深度学习能力的地下目标探测模型对体素数据进行分析，从而确定地下目标，能够有效提高探测效率。
Description
技术领域
本发明涉及城市市政管理和地下管道检测技术领域，尤其涉及一种基于三维探地雷达的地下目标探测方法、装置和电子设备。
背景技术
浅层地层是人类生产生活的最主要地层。人类在浅层地层布设地下基础设施，如铺设供水、排水、供热、燃气等各类管线，建设地下建筑，修建地铁、隧道、基坑等地下工程。当浅层地层发生自然地质灾害或由于人类活动造成的工程灾害时，将会对人类的生活和建设产生直接伤害。例如，地下管网病害问题，地下管线、管井渗透后会长期侵蚀着地下结构，地下形成脱空和空洞，这就容易造成路面塌陷、房屋沉降，对人身安全和财产安全造成损失。
在进行地下浅层的生产建设以及地下病害体检测的初期阶段，主要通过无损探测手段来进行初步探测和筛查工作。目前常用的无损探测技术有超声波探测技术、热红外探测技术、计算层析探测成像技术、核磁共振探测技术、电阻层析探测技术等。然而，当前的探测技术耗时长，工作量极大，并且探测结果的分辨率不高。
因此，现有技术中在对地下目标进行探测的过程中，存在探测结果可靠度低且探测效率不高的问题。
发明内容
有鉴于此，有必要提供一种基于三维探地雷达的地下目标探测方法、装置和电子设备，用以解决现有技术中对地下目标进行探测的过程中，存在的探测结果可靠度低且探测效率不高的问题。
为了解决上述问题，本发明提供一种基于三维探地雷达的地下目标探测方法，包括：
获取三维探地雷达的多组雷达数据样本；
对多组雷达数据样本进行校准处理，得到多组体素样本，并确定多组体素样本对应的多个地下目标样本；
建立初始地下目标探测模型，将多组体素样本作为初始地下目标探测模型的训练样本，并以多个地下目标样本作为样本标签，训练初始地下目标探测模型，得到训练完备的地下目标探测模型；
获取三维探地雷达的实时雷达数据，通过校准处理，得到实时体素；
将实时体素输入至训练完备的地下目标探测模型，确定地下目标。
进一步地，初始地下目标探测模型是3D-UNet模型，初始地下目标探测模型还包括卷积模块、残差网络模块、注意力模块、Adam优化器和Dice损失函数。
进一步地，建立初始地下目标探测模型，将多组体素样本作为初始地下目标探测模型的训练样本，并以多个地下目标样本作为样本标签，训练初始地下目标探测模型，得到训练完备的地下目标探测模型，包括：
将多组体素样本输入至初始地下目标探测模型，通过卷积模块和残差网络模块，输出对应的多个地下目标样本预测值；
根据多个地下目标样本预测值和多个地下目标样本作为样本标签，对卷积模块和残差网络模块的参数进行调整，得到过渡地下目标探测模型；
将多组体素样本重复输入至过渡地下目标探测模型进行迭代，并通过注意力模块筛选出多组体素样本的显著特征；
根据Dice损失函数计算显著特征的损失函数值；
基于损失函数值，通过Adam优化器调整残差网络模块的学习速率，得到训练完备的地下目标探测模型。
进一步地，Dice损失函数的计算公式为：
其中，
是地下目标样本作为样本标签，
是地下目标样本预测值，
为几何求交运算，
是损失函数值。
进一步地，对多组雷达数据样本进行校准处理，得到多组体素样本，包括：
通过均值法漂移处理压制多组雷达数据样本中的直流漂移量，得到多组去直流漂移样本；
通过时间零点校正对齐多组去直流漂移样本的时间零点位置，得到多组体素样本。
进一步地，得到多组体素样本，并确定多组体素样本对应的多个地下目标样本，包括：
对多组体素样本进行数据转换，得到多组NIFTI格式影像；
通过3D slicer分别对多组NIFTI格式影像进行目标体标注，得到多个初始地下目标样本；
对多个初始地下目标样本进行数据增强处理，确定多个地下目标样本。
进一步地，数据增强处理包括旋转、平移和裁剪操作，以及高斯模糊、高斯噪声和比例失真操作。
为了解决上述问题，本发明还提供一种基于三维探地雷达的地下目标探测装置，包括：
雷达数据样本获取模块，用于获取三维探地雷达的多组雷达数据样本；
地下目标样本获取模块，用于对多组雷达数据样本进行校准处理，得到多组体素样本，并确定多组体素样本对应的多个地下目标样本；
模型建立模块，用于建立初始地下目标探测模型，将多组体素样本作为初始地下目标探测模型的训练样本，并以多个地下目标样本作为样本标签，训练初始地下目标探测模型，得到训练完备的地下目标探测模型；
实时体素获取模块，用于获取三维探地雷达的实时雷达数据，通过校准处理，得到实时体素；
地下目标探测模块，用于将实时体素输入至训练完备的地下目标探测模型，确定地下目标。
为了解决上述问题，本发明还提供一种电子设备，包括处理器以及存储器，存储器上存储有计算机程序，计算机程序被处理器执行时，实现如前文所述的基于三维探地雷达的地下目标探测方法。
为了解决上述问题，本发明还提供一种存储介质，存储介质存储有计算机程序指令，当计算机程序指令被计算机执行时，使计算机执行如前文所述的基于三维探地雷达的地下目标探测方法。
采用上述技术方案的有益效果是：本发明提供一种基于三维探地雷达的地下目标探测方法、装置和电子设备，该方法包括：对雷达数据样本进行校准处理，得到体素样本；建立地下目标探测模型，并通过地下目标探测模型对体素进行数据处理，确定地下目标。一方面，通过将获取到的具有波形性质的雷达数据转换为具有三维特征的体素数据，由于具有三维特征的体素数据囊括的数据信息更加全面，从而能够有效提高体素数据的可靠性；另一方面，通过具有深度学习能力的地下目标探测模型对体素数据进行分析，从而确定地下目标，能够有效提高探测效率。
附图说明
图1为本发明提供的基于三维探地雷达的地下目标探测方法一实施例的流程示意图；
图2为本发明提供的获取多组体素样本一实施例的流程示意图；
图3为本发明提供的确定地下目标样本一实施例的流程示意图；
图4为本发明提供的训练初始地下目标探测模型一实施例的流程示意图；
图5为本发明提供的基于三维探地雷达的地下目标探测装置的结构示意图；
图6为本发明提供的电子设备一实施例的结构框图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
在陈述实施例之前，先对三维探地雷达、3D UNet、体素和MIoU进行阐述：
三维探地雷达（GeoScope 3D Radar）由3D-Radar公司推出，可以连接地面耦合和空气耦合天线进行不同环境的地质检测。提高了高速勘察，高密度地下三维成像等标准，进一步拓展了步进频率技术在探地雷达的应用。
UNet网络是医学图像分割任务中最经典的网络之一。3D UNet是在2D UNet的基础上进行改进得到的，在数据接口和网络层（为3D卷积)上存在不同，多用于处理三维医学图像数据。
MIoU(Mean Intersection over Union)是语义分割的一个评价指标，表示平均交并比，即数据集上每一个类别的IoU值的平均。
体素是体积元素（Volume Pixel）的简称，包含体素的立体可以通过立体渲染或者提取给定阈值轮廓的多边形等值面表现出来。一如其名，是数字数据于三维空间分割上的最小单位，体素用于三维成像、科学数据与医学影像等领域。概念上类似二维空间的最小单位——像素，像素用在二维计算机图像的影像数据上。
浅层地层是人类生产生活的最主要地层。人类在浅层地层布设地下基础设施，如铺设供水、排水、供热、燃气等各类管线，建设地下建筑，修建地铁、隧道、基坑等地下工程。当浅层地层发生自然地质灾害或由于人类活动造成的工程灾害时，将会对人类的生活和建设产生直接伤害。例如，地下管网病害问题，地下管线、管井渗透后会长期侵蚀着地下结构，地下形成脱空和空洞，这就容易造成路面塌陷、房屋沉降，对人身安全和财产安全造成损失。
在进行地下浅层的生产建设以及地下病害体检测的初期阶段，主要通过无损探测手段来进行初步探测和筛查工作。目前常用的无损探测技术有超声波探测技术、热红外探测技术、计算层析探测成像技术、核磁共振探测技术、电阻层析探测技术等。然而，当前的探测技术耗时长，工作量极大，并且探测结果的分辨率不高。
因此，现有技术中在对地下目标进行探测的过程中，存在探测结果可靠度低且探测效率不高的问题。
为了解决上述问题，本发明提供了一种基于三维探地雷达的地下目标探测方法、装置、电子设备及存储介质，以下分别进行详细说明。
如图1所示，图1为本发明提供的基于三维探地雷达的地下目标探测方法一实施例的流程示意图，包括：
步骤S101：获取三维探地雷达的多组雷达数据样本；
步骤S102：对多组雷达数据样本进行校准处理，得到多组体素样本，并确定多组体素样本对应的多个地下目标样本；
步骤S103：建立初始地下目标探测模型，将多组体素样本作为初始地下目标探测模型的训练样本，并以多个地下目标样本作为样本标签，训练初始地下目标探测模型，得到训练完备的地下目标探测模型；
步骤S104：获取三维探地雷达的实时雷达数据，通过校准处理，得到实时体素；
步骤S105：将实时体素输入至训练完备的地下目标探测模型，确定地下目标。
本实施例中，首先，获取三维探地雷达的多组雷达数据样本；接着，对多组雷达数据样本进行校准处理，得到多组体素样本，并确定多组体素样本对应的多个地下目标样本；然后，建立初始地下目标探测模型，将多组体素样本作为初始地下目标探测模型的训练样本，并以多个地下目标样本作为样本标签，训练初始地下目标探测模型，得到训练完备的地下目标探测模型；接下来，获取三维探地雷达的实时雷达数据，通过校准处理，得到实时体素；最后，将实时体素输入至训练完备的地下目标探测模型，确定地下目标。
本实施例中，通过将直接获取到的具有波形性质的雷达数据转换为具有三维特征的体素数据，并将体素数据输入至地下目标探测模型进行数据分析，由于具有三维特征的体素数据囊括的数据信息更加全面，从而能够有效提高体素数据的可靠性，地下目标探测模型在进行数据分析时能够捕捉到的数据特征更加全面和准确；进一步地，通过具有深度学习能力的地下目标探测模型对体素数据进行分析，从而确定地下目标，能够有效提高探测效率。因此，基于对初始波形的三维转化，提高了数据的可靠度，通过地下目标探测模型对体素数据进行数据处理，提高了探测效率，从而实现了在提高探测结果可靠度低的同时，还大大提高了探测效率。
探地雷达是一种非破坏性测量技术，它利用电磁波定位埋藏在视觉上不透明的物质或地下介质内的目标或界面。探地雷达向物质或地面发射一连串有规律的低功率电磁能量序列，并接收和探测埋藏目标的微弱反射信号。埋藏的目标可以是导体、电介质或两者的组合。探地雷达利用传播的电磁波，对浅层地下电磁特性的变化做出反应。
作为优选的实施例，在步骤S101中，三维探地雷达能够直接获取到的数据是以波形形式存在的。与现有的二维探地雷达不同，三维探地雷达能够根据实际需要调整波形之间的间隔距离。
作为优选的实施例，在步骤S102中，为了得到多组体素样本，如图2所示，图2为本发明提供的获取多组体素样本一实施例的流程示意图，包括：
步骤S121：通过均值法漂移处理压制多组雷达数据样本中的直流漂移量，得到多组去直流漂移样本；
步骤S122：通过时间零点校正对齐多组去直流漂移样本的时间零点位置，得到多组体素样本。
本实施例中，首先，通过均值法漂移处理压制多组雷达数据样本中的直流漂移量，得到多组去直流漂移样本，也就是说，将雷达数据样本中的干扰杂质项——直流漂移量进行剔除处理，从而提高数据的可靠性，减少冗余；进一步地，通过时间零点校正对齐多组去直流漂移样本的时间零点位置，得到多组体素样本。
在一具体实施例中，在步骤S121中，首先，对每道数据
求和，除以采样点数
，得到平均值，其中
是采样点序号，
是信号传播时间；然后将该道数据
减去其平均值，即得到漂移处理结果
，漂移处理结果的计算公式为：
在一具体实施例中，在步骤S122中，通过时间零点校正统一调整多道数据垂直时间坐标的时间零点位置，将接收到来自不同发射天线的信号统一为同一个时间零点，保证校正结果的一致性，并使其与地表位置相匹配。
作为优选的实施例，为了降低雷达数据样本中的噪声对解译结果的影响，还可以使用衰减系数校正回波振幅降低介质吸收或波前扩散的影响；还可以使用带通滤波降低环境波对目标信号造成的影响。
在一具体实施例中，通过振幅校准减小由于介质吸收或波前扩散对数据造成的影响，振幅校准的公式为：
其中，
是在距离地表位置
处的电磁波振幅，
是吸收系数，
是反射回波的双程时间，
是校准后的振幅。
进一步地，根据数据中有效信号和干扰信号频谱范围的不同，使用带通滤波器
消除干扰波，带通滤波的公式为：
其中，
为低截频率，
为高截频率。
作为优选的实施例，在步骤S102中，在得到多组体素样本后，还需要确定地下目标样本，如图3所示，图3为本发明提供的确定地下目标样本一实施例的流程示意图，包括：
步骤S221：对多组体素样本进行数据转换，得到多组NIFTI格式影像；
步骤S222：通过3D slicer分别对多组NIFTI格式影像进行目标体标注，得到多个初始地下目标样本；
步骤S223：对多个初始地下目标样本进行数据增强处理，确定多个地下目标样本。
本实施例中，首先，对多组体素样本进行数据转换，得到多组NIFTI格式影像；然后，通过3D slicer分别对多组NIFTI格式影像进行目标体标注，得到多个初始地下目标样本；最后，对多个初始地下目标样本进行数据增强处理，确定多个地下目标样本。
本实施例中，通过将体素样本转换为NIFTI格式影像，能够更加直观地显示目标；通过3D slicer自动化标注NIFTI格式影像中的初始地下目标样本，能够提高标注效率；进一步地，为了在有限的数据样本中获取到尽可能多的地下目标样本，以便于后续进行目标识别，还需要对初始地下目标样本进行数据增强处理，以大大提高地下目标样本的数据量。
在步骤S221中，常见的探地雷达数据处理软件输出的体素数据为TIFF格式影像，为了便于处理，需将其转换为NIFTI格式影像。
作为优选的实施例，在步骤S222中，为了对多组NIFTI格式影像进行目标体标注，将NIFTI格式影像导入开源软件3D slicer进行标签制作，其中，标签制作标准为：背景（0），标靶（1），垂直竖井（2），减速带（3），水平管道（4），疏松富水（5），树根（6），从而导出制作完成的标签，其中标签保持为NIFTI格式的影像。
作为优选的实施例，在步骤S223中，数据增强处理的方式包括旋转、平移和裁剪操作，以及高斯模糊、高斯噪声和比例失真等操作。
也就是说，一方面，通过对初始地下目标样本进行旋转和平移，实现适应性调整观察角度，从而对初始地下目标样本进行多角度观察，提高地下目标样本的样本数量；进一步地，还对初始地下目标样本进行裁剪处理，从而避免出现由于只获取到地下目标的部分内容，而导致因探测范围有限导致的误判。
另一方面，通过对初始地下目标样本进行高斯模糊、高斯噪声和比例失真等操作，即，通过对初始地下目标样本对应的数据进行模糊处理，能够实现在后续的探测过程中，避免由于探测结果精度不高导致的误判。
在一具体实施例中，还可以通过人工标注体素样本中的地下目标样本，或者直接在历史数据库中获取已有的体素样本及其对应的地下目标样本。
在一具体实施例中，通过对原始影像与标签进行裁剪、放大、缩小等操作，变更影像长宽高为400×400×150像素。对探地雷达数据添加均值为零，标准差为0.1的随机高斯噪声；添加均值为1.5，标准差为0.5的正态分布概率的高斯模糊；对数据块的长宽高三个维度上进行比例失真操作，标准差为0.1。
作为优选的实施例，在步骤S103中，初始地下目标探测模型是3D-UNet模型，初始地下目标探测模型还包括卷积模块、残差网络模块、注意力模块、Adam优化器和Dice损失函数。
为了对初始地下目标探测模型进行训练，得到训练完备的地下目标探测模型，如图4所示，图4为本发明提供的训练初始地下目标探测模型一实施例的流程示意图，包括：
步骤S131：将多组体素样本输入至初始地下目标探测模型，通过卷积模块和残差网络模块，输出对应的多个地下目标样本预测值；
步骤S132：根据多个地下目标样本预测值和多个地下目标样本作为样本标签，对卷积模块和残差网络模块的参数进行调整，得到过渡地下目标探测模型；
步骤S133：将多组体素样本重复输入至过渡地下目标探测模型进行迭代，并通过注意力模块筛选出多组体素样本的显著特征；
步骤S134：根据Dice损失函数计算显著特征的损失函数值；
步骤S135：基于损失函数值，通过Adam优化器调整残差网络模块的学习速率，得到训练完备的地下目标探测模型。
本实施例中，首先，将多组体素样本输入至初始地下目标探测模型，通过卷积模块和残差网络模块，输出对应的多个地下目标样本预测值；其次，根据多个地下目标样本预测值和多个地下目标样本作为样本标签，对卷积模块和残差网络模块的参数进行调整，得到过渡地下目标探测模型；接下来，将多组体素样本重复输入至过渡地下目标探测模型进行迭代，并通过注意力模块筛选出多组体素样本的显著特征；然后，根据Dice损失函数计算显著特征的损失函数值；最后，基于损失函数值，通过Adam优化器调整残差网络模块的学习速率，得到训练完备的地下目标探测模型。
本实施例中，首先，将预先准备好的多组体素样本和对应的多个地下目标样本分为训练集和测试集，通过将训练集输入至初始地下目标探测模型，比较预测值与真实值之间的关系以确定卷积模块和残差网络模块中的部分参数，缓解梯度消失，从而提高准确率；然后通过注意力模块进行显著特征筛选，以缓解模型复杂度；接下来，根据地下目标探测模型对测试集进行探测，得到探测结果，并根据Dice损失函数计算显著特征的损失函数值，缓解样本中目标体与背景环境占比严重不平衡带来的消极影响；最后，通过Adam优化器调整残差网络模块的学习速率，得到训练完备的地下目标探测模型，实现了通过数据处理，得到最优的残差网络模块的学习速率，能够在保证地下目标探测模型的探测准确度的同时，有效提高探测效率。
作为优选的实施例，在步骤S133中，Dice损失函数的计算公式为：
其中，
是地下目标样本作为样本标签，
是地下目标样本预测值，
为几何求交运算，
是损失函数值。
即，
是测试集中的真实值，
是通过地下目标探测模型对测试集中的体素样本进行探测得到的预测值。
在一具体实施例中，初始地下目标探测模型为基于3D-UNet的五层对称网络模型，也就是说，初始地下目标探测模型是基于现有的3D-UNet进行改进的，通过将部分卷积块替换为残差网络块，以缓解梯度消失导致的准确率降低的问题；通过将在网络跳跃连接和上采样之间添加注意力模块，进行显著特征筛选，以降低模型复杂度；通过Dice损失函数计算训练过程的损失函数值，缓解样本中目标体与背景环境占比严重不平衡带来的消极影响。
进一步地，为了有效控制网络训练学习率，通过引入Adam优化器对初始地下目标探测模型在训练过程中的网络训练学习率进行监测和调整。为了判断初始地下目标探测模型的语义分割精度，还通过MIoU评价预测结果与真实值的差异。
在一具体实施例中，地下目标探测模型是一个五层的卷积神经网络，以3D-UNet网络为基础，将网络模型部分卷积块替换为残差网络块，在网络模型跳跃连接和上采样之间添加注意力模块。
编码器中的每次下采样包含：先进行两次3×3×3的残差卷积操作，然后进行2×2×2的最大池化操作。每经过一次下采样，三维数据的长宽高都变为原来的1/2，特征数量变为原来的两倍。解码器中使用三线性插值方法进行上采样，该上采样后的输出与对应宽度的编码层输出共同作为注意力模块的输入，注意力模块的输出与上采样输出拼接并经过两个残差卷积。每经过一次上采样，三维数据的长宽高都翻倍，特征数量变为原来的一半。最后利用用1×1×1的卷积，将输出的特征数减少至目标类别数。
网络训练时使用Adam作为优化器，Adam优化器综合考虑了梯度的一阶动量和二阶动量，动态计算并更新步长。使用Dice损失函数作为地下目标体三维语义分割的损失函数。
将训练集数据输入至网络模型进行训练，使用训练好的网络对测试集数据进行语义分割，并进行探测结果评价。将含有标签的测试集影像使用训练好的网络进行语义分割，输出分类结果影像。将分类结果影像与标签进行比较，计算其MIoU作为分类精度，MIoU的计算方式为：
其中，
表示将i类别预测为j类别，
为样本总数。
当MIoU小于80%时，表示网络模型不合格，需要更换训练集数据进行重新训练。
通过上述方式，通过将直接获取到的具有波形性质的雷达数据转换为具有三维特征的体素数据，并将体素数据输入至地下目标探测模型进行数据分析，由于具有三维特征的体素数据囊括的数据信息更加全面，从而能够有效提高体素数据的可靠性，地下目标探测模型在进行数据分析时能够捕捉到的数据特征更加全面和准确；进一步地，通过具有深度学习能力的地下目标探测模型对体素数据进行分析，从而确定地下目标，能够有效提高探测效率。因此，基于对初始波形的三维转化，提高了数据的可靠度，通过地下目标探测模型对体素数据进行数据处理，提高了探测效率，从而实现了在提高探测结果可靠度低的同时，还大大提高了探测效率。
为了解决上述问题，本发明还提供了一种基于三维探地雷达的地下目标探测装置，如图5所示，图5为本发明提供的基于三维探地雷达的地下目标探测装置的结构示意图，基于三维探地雷达的地下目标探测装置500包括：
雷达数据样本获取模块501，用于获取三维探地雷达的多组雷达数据样本；
地下目标样本获取模块502，用于对多组雷达数据样本进行校准处理，得到多组体素样本，并确定多组体素样本对应的多个地下目标样本；
模型建立模块503，用于建立初始地下目标探测模型，将多组体素样本作为初始地下目标探测模型的训练样本，并以多个地下目标样本作为样本标签，训练初始地下目标探测模型，得到训练完备的地下目标探测模型；
实时体素获取模块504，用于获取三维探地雷达的实时雷达数据，通过校准处理，得到实时体素；
地下目标探测模块505，用于将实时体素输入至训练完备的地下目标探测模型，确定地下目标。
本发明还相应提供了一种电子设备，如图6所示，图6为本发明提供的电子设备一实施例的结构框图。电子设备600可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。电子设备600包括处理器601、存储器602以及显示器603，其中，存储器602上存储有基于三维探地雷达的地下目标探测程序。
存储器602在一些实施例中可以是计算机设备的内部存储单元，例如计算机设备的硬盘或内存。存储器602在另一些实施例中也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（SecureDigital，SD）卡，闪存卡（Flash Card）等。进一步地，存储器602还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器602用于存储安装于计算机设备的应用软件及各类数据，例如安装计算机设备的程序代码等。存储器602还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，基于三维探地雷达的地下目标探测程序可被处理器601所执行，从而实现本发明各实施例的基于三维探地雷达的地下目标探测方法。
处理器601在一些实施例中可以是一中央处理器（Central Processing Unit，CPU），微处理器或其他数据处理芯片，用于运行存储器602中存储的程序代码或处理数据，例如执行基于三维探地雷达的地下目标探测程序等。
显示器603在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。显示器603用于显示在电子设备600的信息以及用于显示可视化的用户界面。电子设备600的部件601-603通过系统总线相互通信。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于三维探地雷达的地下目标探测方法，其特征在于，包括：
获取三维探地雷达的多组雷达数据样本；
对所述多组雷达数据样本进行校准处理，得到多组体素样本，并确定所述多组体素样本对应的多个地下目标样本；
建立初始地下目标探测模型，将所述多组体素样本作为所述初始地下目标探测模型的训练样本，并以所述多个地下目标样本作为样本标签，训练所述初始地下目标探测模型，得到训练完备的地下目标探测模型；
获取三维探地雷达的实时雷达数据，通过校准处理，得到实时体素；
将所述实时体素输入至所述训练完备的地下目标探测模型，确定地下目标。
2.根据权利要求1所述的基于三维探地雷达的地下目标探测方法，其特征在于，所述初始地下目标探测模型是3D-UNet模型，所述初始地下目标探测模型还包括卷积模块、残差网络模块、注意力模块、Adam优化器和Dice损失函数。
3.根据权利要求2所述的基于三维探地雷达的地下目标探测方法，其特征在于，所述建立初始地下目标探测模型，将所述多组体素样本作为所述初始地下目标探测模型的训练样本，并以所述多个地下目标样本作为样本标签，训练所述初始地下目标探测模型，得到训练完备的地下目标探测模型，包括：
将所述多组体素样本输入至所述初始地下目标探测模型，通过所述卷积模块和所述残差网络模块，输出对应的多个地下目标样本预测值；
根据所述多个地下目标样本预测值和所述多个地下目标样本作为样本标签，对所述卷积模块和所述残差网络模块的参数进行调整，得到过渡地下目标探测模型；
将所述多组体素样本重复输入至所述过渡地下目标探测模型进行迭代，并通过所述注意力模块筛选出所述多组体素样本的显著特征；
根据所述Dice损失函数计算所述显著特征的损失函数值；
基于所述损失函数值，通过所述Adam优化器调整所述残差网络模块的学习速率，得到训练完备的地下目标探测模型。
4.根据权利要求3所述的基于三维探地雷达的地下目标探测方法，其特征在于，所述Dice损失函数的计算公式为：
其中，
是地下目标样本作为样本标签，
是地下目标样本预测值，
为几何求交运算，
是所述损失函数值。
5.根据权利要求1所述的基于三维探地雷达的地下目标探测方法，其特征在于，所述对所述多组雷达数据样本进行校准处理，得到多组体素样本，包括：
通过均值法漂移处理压制所述多组雷达数据样本中的直流漂移量，得到多组去直流漂移样本；
通过时间零点校正对齐所述多组去直流漂移样本的时间零点位置，得到多组体素样本。
6.根据权利要求1所述的基于三维探地雷达的地下目标探测方法，其特征在于，所述得到多组体素样本，并确定所述多组体素样本对应的多个地下目标样本，包括：
对所述多组体素样本进行数据转换，得到多组NIFTI格式影像；
通过3D slicer分别对所述多组NIFTI格式影像进行目标体标注，得到多个初始地下目标样本；
对所述多个初始地下目标样本进行数据增强处理，确定所述多个地下目标样本。
7.根据权利要求6所述的基于三维探地雷达的地下目标探测方法，其特征在于，所述数据增强处理包括旋转、平移和裁剪操作，以及高斯模糊、高斯噪声和比例失真操作。
8.一种基于三维探地雷达的地下目标探测装置，其特征在于，包括：
雷达数据样本获取模块，用于获取三维探地雷达的多组雷达数据样本；
地下目标样本获取模块，用于对所述多组雷达数据样本进行校准处理，得到多组体素样本，并确定所述多组体素样本对应的多个地下目标样本；
模型建立模块，用于建立初始地下目标探测模型，将所述多组体素样本作为所述初始地下目标探测模型的训练样本，并以所述多个地下目标样本作为样本标签，训练所述初始地下目标探测模型，得到训练完备的地下目标探测模型；
实时体素获取模块，用于获取三维探地雷达的实时雷达数据，通过校准处理，得到实时体素；
地下目标探测模块，用于将所述实时体素输入至所述训练完备的地下目标探测模型，确定地下目标。
9.一种电子设备，其特征在于，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-7任一项所述的基于三维探地雷达的地下目标探测方法。
10.一种存储介质，其特征在于，所述存储介质存储有计算机程序指令，当所述计算机程序指令被计算机执行时，使计算机执行根据权利要求1至7中任一所述的基于三维探地雷达的地下目标探测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310513655.8A CN116256720B (zh) | 2023-05-09 | 2023-05-09 | 基于三维探地雷达的地下目标探测方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310513655.8A CN116256720B (zh) | 2023-05-09 | 2023-05-09 | 基于三维探地雷达的地下目标探测方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116256720A true CN116256720A (zh) | 2023-06-13 |
| CN116256720B CN116256720B (zh) | 2023-10-13 |
Family
ID=86684574
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310513655.8A Active CN116256720B (zh) | 2023-05-09 | 2023-05-09 | 基于三维探地雷达的地下目标探测方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116256720B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117092710A (zh) * | 2023-10-16 | 2023-11-21 | 福建省冶金工业设计院有限公司 | 一种建设工程勘察用地下线路检测系统 |
| CN117784123A (zh) * | 2023-11-15 | 2024-03-29 | 北京市燃气集团有限责任公司 | 一种获取更深层地下介质数据的方法及系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5912639A (en) * | 1997-05-23 | 1999-06-15 | Power Spectra, Inc. | Ground penetrating radar with synthesized end-fire array |
| CN103913777A (zh) * | 2014-04-28 | 2014-07-09 | 中国科学院亚热带农业生态研究所 | 喀斯特非连续性土壤与岩石分布的地质雷达探测方法 |
| JP2019100882A (ja) * | 2017-12-04 | 2019-06-24 | 三菱電機株式会社 | 地中空洞検出装置および地中空洞検出方法 |
| CN110211140A (zh) * | 2019-06-14 | 2019-09-06 | 重庆大学 | 基于3D残差U-Net和加权损失函数的腹部血管分割方法 |
| CN112130132A (zh) * | 2020-09-11 | 2020-12-25 | 广州大学 | 基于探地雷达和深度学习的地下管线探测方法和系统 |
| CN112700429A (zh) * | 2021-01-08 | 2021-04-23 | 中国民航大学 | 基于深度学习的机场道面地下结构病害自动检测方法 |
| CN113205454A (zh) * | 2021-04-07 | 2021-08-03 | 陕西大智慧医疗科技股份有限公司 | 基于多尺度特征提取的分割模型建立、分割方法及装置 |
| CN114757938A (zh) * | 2022-05-16 | 2022-07-15 | 国网四川省电力公司电力科学研究院 | 一种变压器漏油识别方法和系统 |
| CN114821316A (zh) * | 2022-04-25 | 2022-07-29 | 广州肖宁道路工程技术研究事务所有限公司 | 一种三维探地雷达裂缝病害识别方法及系统 |
| CN114998265A (zh) * | 2022-06-06 | 2022-09-02 | 长春工业大学 | 一种基于改进U-Net的肝脏肿瘤分割方法 |
| CN115511893A (zh) * | 2022-10-24 | 2022-12-23 | 复旦大学附属中山医院 | 基于人工智能的下肢动脉血流管壁复合体自动分割方法 |
| WO2023035822A1 (zh) * | 2021-09-13 | 2023-03-16 | 上海芯物科技有限公司 | 一种目标检测方法、装置、设备及存储介质 |
| CN116029980A (zh) * | 2022-11-18 | 2023-04-28 | 武汉科技大学 | 一种基于改进SegNet的沥青路面损坏检测及评估方法 |
-
2023
- 2023-05-09 CN CN202310513655.8A patent/CN116256720B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5912639A (en) * | 1997-05-23 | 1999-06-15 | Power Spectra, Inc. | Ground penetrating radar with synthesized end-fire array |
| CN103913777A (zh) * | 2014-04-28 | 2014-07-09 | 中国科学院亚热带农业生态研究所 | 喀斯特非连续性土壤与岩石分布的地质雷达探测方法 |
| JP2019100882A (ja) * | 2017-12-04 | 2019-06-24 | 三菱電機株式会社 | 地中空洞検出装置および地中空洞検出方法 |
| CN110211140A (zh) * | 2019-06-14 | 2019-09-06 | 重庆大学 | 基于3D残差U-Net和加权损失函数的腹部血管分割方法 |
| CN112130132A (zh) * | 2020-09-11 | 2020-12-25 | 广州大学 | 基于探地雷达和深度学习的地下管线探测方法和系统 |
| CN112700429A (zh) * | 2021-01-08 | 2021-04-23 | 中国民航大学 | 基于深度学习的机场道面地下结构病害自动检测方法 |
| CN113205454A (zh) * | 2021-04-07 | 2021-08-03 | 陕西大智慧医疗科技股份有限公司 | 基于多尺度特征提取的分割模型建立、分割方法及装置 |
| WO2023035822A1 (zh) * | 2021-09-13 | 2023-03-16 | 上海芯物科技有限公司 | 一种目标检测方法、装置、设备及存储介质 |
| CN114821316A (zh) * | 2022-04-25 | 2022-07-29 | 广州肖宁道路工程技术研究事务所有限公司 | 一种三维探地雷达裂缝病害识别方法及系统 |
| CN114757938A (zh) * | 2022-05-16 | 2022-07-15 | 国网四川省电力公司电力科学研究院 | 一种变压器漏油识别方法和系统 |
| CN114998265A (zh) * | 2022-06-06 | 2022-09-02 | 长春工业大学 | 一种基于改进U-Net的肝脏肿瘤分割方法 |
| CN115511893A (zh) * | 2022-10-24 | 2022-12-23 | 复旦大学附属中山医院 | 基于人工智能的下肢动脉血流管壁复合体自动分割方法 |
| CN116029980A (zh) * | 2022-11-18 | 2023-04-28 | 武汉科技大学 | 一种基于改进SegNet的沥青路面损坏检测及评估方法 |
Non-Patent Citations (4)
| Title |
|---|
| DENIZ KUMLU: "A Comparative Study on Clutter Reduction Techniques in GPR Images", 2017 4TH INTERNATIONAL CONFERENCE ON ELECTRICAL AND ELECTRONICS ENGINEERING, pages 323 - 328 * |
| 余绍淮 等: "探地雷达图像隧道衬砌病害智能识别与形态分割方法", 地球物理学进展, vol. 38, no. 3, pages 1408 - 1415 * |
| 侯向丹;赵一浩;刘洪普;郭鸿?;于习欣;丁梦园;: "融合残差注意力机制的UNet视盘分割", 中国图象图形学报, no. 09, pages 1915 - 1929 * |
| 王秀荣;冷广;牛鹏程;: "三维探地雷达数据的拟地震处理技术研究", 中国煤炭地质, no. 10, pages 70 - 75 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117092710A (zh) * | 2023-10-16 | 2023-11-21 | 福建省冶金工业设计院有限公司 | 一种建设工程勘察用地下线路检测系统 |
| CN117092710B (zh) * | 2023-10-16 | 2023-12-26 | 福建省冶金工业设计院有限公司 | 一种建设工程勘察用地下线路检测系统 |
| CN117784123A (zh) * | 2023-11-15 | 2024-03-29 | 北京市燃气集团有限责任公司 | 一种获取更深层地下介质数据的方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116256720B (zh) | 2023-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116256720B (zh) | 基于三维探地雷达的地下目标探测方法、装置和电子设备 | |
| Ji et al. | Deep neural network-based permittivity inversions for ground penetrating radar data | |
| CN114119977B (zh) | 一种基于图卷积的Transformer胃癌癌变区域图像分割方法 | |
| CN112130132A (zh) | 基于探地雷达和深度学习的地下管线探测方法和系统 | |
| CN112731522B (zh) | 地震地层智能识别方法、装置、设备及存储介质 | |
| Wang et al. | RCE-GAN: A rebar clutter elimination network to improve tunnel lining void detection from GPR images | |
| Jin et al. | Wavelet scattering network-based machine learning for ground penetrating radar imaging: Application in pipeline identification | |
| Huang et al. | A deep learning framework based on improved self‐supervised learning for ground‐penetrating radar tunnel lining inspection | |
| Hou et al. | Review of GPR activities in Civil Infrastructures: Data analysis and applications | |
| CN117275209B (zh) | 一种基于分布式光纤声波传感的监测预警方法以及相关装置 | |
| Dai et al. | Lane-level road extraction from high-resolution optical satellite images | |
| CN116452982A (zh) | 一种基于改进YOLOv5的探地雷达地下排水管网图像检测方法 | |
| Šarlah et al. | Kinematic GPR-TPS model for infrastructure asset identification with high 3D georeference accuracy developed in a real urban test field | |
| Tello-Cifuentes et al. | Detection and classification of pavement damages using wavelet scattering transform, fractal dimension by box-counting method and machine learning algorithms | |
| Han et al. | Automatic borehole fracture detection and characterization with tailored Faster R-CNN and simplified Hough transform | |
| CN114155378A (zh) | 采煤沉陷地裂缝自动提取方法、装置及存储介质 | |
| Hajipour et al. | A novel method for GPR imaging based on neural networks and dictionary learning | |
| Feng et al. | Subsurface Object 3D Modeling Based on Ground Penetration Radar Using Deep Neural Network | |
| CN116403114A (zh) | 一种基于深度学习的遥感影像目标识别方法及系统 | |
| Liu et al. | Evaluation of deep learning computer vision for water level measurements in rivers | |
| 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 | |
| US20170336523A1 (en) | Seismic signal processing method, apparatus and system | |
| Cai et al. | Multiscale dilated denoising convolution with channel attention mechanism for micro-seismic signal denoising | |
| An et al. | Investigation on road underground defect classification and localization based on ground penetrating radar and Swin transformer | |
| Zhou et al. | Deep learning based method for 3D reconstruction of underground pipes in 3D GPR C-scan data |
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 |