CN116256722B - 探地雷达B-scan图像的多次波干扰抑制方法及装置 - Google Patents
探地雷达B-scan图像的多次波干扰抑制方法及装置 Download PDFInfo
- Publication number
- CN116256722B CN116256722B CN202310546871.2A CN202310546871A CN116256722B CN 116256722 B CN116256722 B CN 116256722B CN 202310546871 A CN202310546871 A CN 202310546871A CN 116256722 B CN116256722 B CN 116256722B
- Authority
- CN
- China
- Prior art keywords
- scan image
- scan
- encoder
- target
- preprocessed
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000000149 penetrating effect Effects 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 78
- 230000001629 suppression Effects 0.000 claims abstract description 52
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000010606 normalization Methods 0.000 claims description 30
- 238000000605 extraction Methods 0.000 claims description 28
- 230000004927 fusion Effects 0.000 claims description 16
- 238000004088 simulation Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000002592 echocardiography Methods 0.000 claims description 4
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 20
- 230000004913 activation Effects 0.000 description 16
- 238000011176 pooling Methods 0.000 description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000002401 inhibitory effect Effects 0.000 description 7
- 239000002689 soil Substances 0.000 description 7
- 230000000737 periodic effect Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 3
- 238000011410 subtraction method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009933 burial Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241001631030 Explorator Species 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 229910052755 nonmetal Inorganic materials 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G01S7/414—Discriminating targets with respect to background clutter
-
- 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
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- 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
- G01S7/04—Display arrangements
- G01S7/06—Cathode-ray tube displays or other two dimensional or three-dimensional displays
- G01S7/10—Providing two-dimensional and co-ordinated display of distance and direction
- G01S7/16—Signals displayed as intensity modulation with rectangular co-ordinates representing distance and bearing, e.g. type B
-
- 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
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/292—Extracting wanted echo-signals
- G01S7/2923—Extracting wanted echo-signals based on data belonging to a number of consecutive radar periods
-
- 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
- G01S7/35—Details of non-pulse systems
- G01S7/352—Receivers
- G01S7/354—Extracting wanted echo-signals
-
- 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
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
-
- 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
- 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
- G06V10/30—Noise filtering
-
- 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
- G06V10/77—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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种探地雷达B‑scan图像的多次波干扰抑制方法及装置,方法包括:根据探地雷达针对感兴趣目标不同探测场景进行探测,获取多组B‑scan图像;对多组B‑scan图像进行预处理,生成训练数据集,构建编码器‑解码器架构网络并对编码器‑解码器架构网络进行训练;将实测且经预处理的包含有感兴趣目标回波和临近的非金属目标上下界面多次波的第一B‑scan图像输入编码器‑解码器架构网络,进行多次波干扰抑制,获得抑制多次波干扰后的B‑scan图像。通过以上方式,本发明能够有效地抑制临近的非金属目标上下界面多次波对感兴趣目标回波的干扰,并增强感兴趣目标的回波。
Description
技术领域
本发明属于探地雷达数据处理技术领域,具体是涉及到一种探地雷达B-scan图像的多次波干扰抑制方法及装置。
背景技术
探地雷达(Ground Penetrating Radar,GPR),是一种利用电磁波进行地下探测的无损探测技术。该技术的原理是通过在地表上放置一个发射器和接收器,发射器向地下发射高频电磁波,当电磁波向下传播遇到地下物质时,不同物质的介电常数差异会引起电磁波在地下的反射、透射和衍射等现象,接收器接收这些反射回来的电磁波并将其转化为数字信号,再对其进行处理可以实现对地下物质结构和属性的估计。在建筑工地中,GPR可以用来探测墙体结构,检测混凝土中的裂缝、空洞等缺陷,以及确认管线和电缆线的位置,进而避免和减少对地下设施的损害。在考古探测中,GPR可以用来探测埋藏在地下的文物和古迹。在地质勘探和矿山开采中,可以用GPR探测矿体、地层和岩石构造,帮助勘探者更好地了解地下情况,提高矿山探测精度。GPR还可以用于地下水探测、公路桥梁检测、冰川探测等领域,具有广泛的应用前景。
然而,在地下探测过程中,一方面,临近的非金属目标的回波信号会对感兴趣目标的回波信号产生干扰。而另一方面,临近的非金属目标为体散射型目标,其上下界面的多次波干扰更进一步地加剧了这种影响。上下界面的多次波的干扰抑制,是当前学术界关注的难题。
目前,用于抑制多次波的主流方法可分为三大类:滤波法、预测相减法、稀疏反演法。滤波法中常用的是预测反褶积方法,通过设计预测误差滤波器消除多次波中的周期成分,从而实现对多次波的抑制,这种方法较为直观且操作性强,但周期性不明显的远偏移距多次波不能被很好地消除,而且误差滤波器的泛化效果差。预测相减法包括波场延拓法、反馈迭代法、逆散射级数法,该类方法以速度模型或散射波数据为驱动,首先利用波动理论预测出多次波模型,然后通过自适应相减消除多次波。但是在实际应用中,预测相减法存在近偏移距数据缺失和自适应相减损害有效信号这两个问题。稀疏反演法则是通过迭代反演重构一次波和多次波的全波形,但存在计算量大且稳定性差的问题。
近年来,随着深度学习的不断发展,大量的深度学习网络模型不断涌现,如深度卷积神经网络(AlexNet)、使用块的网络(VGG)、网络中的网络(NiN)、并行连结的网络(GoogLeNet)、U形结构的网络(UNet)等。有学者提出一种基于编解码卷积网络地震层间多次波抑制方法,含地震多次波的图像作为该网络的输入,对应无地震多次波的图像作为该网络的输出来训练该编解码卷积网络。编解码卷积网络能够有效的压制地震波的多次波,且能取得较好的泛化效果,但GPR B-scan图像与地震波图像存在一些差异,GPR B-scan图像中往往还存在着其它目标的信息,简单采用编解码卷积网络来抑制GPR B-scan图像中的多次波,会造成目标的散射曲线信息缺失、双曲线不连续等问题。尤其是,当探测区域还存在其它的感兴趣目标时,其多次波抑制效果会急剧变差。设计针对GPR B-scan图像的多次波抑制方法以提高感兴趣目标的特征提取能力,是GPR对地下多目标探测时急需解决的问题。
发明内容
本发明提供一种探地雷达B-scan图像的多次波干扰抑制方法及装置,解决当地下区域还存在其它目标时,抑制多次波后的B-scan图像目标散射曲线信息缺失、双曲线不连续的问题。
基于上述目的,本发明提出一种探地雷达B-scan图像的多次波干扰抑制方法,包括:根据探地雷达针对感兴趣目标不同探测场景进行探测,获取多组B-scan图像,每组B-scan图像包括:包含有感兴趣目标回波和临近的非金属目标上下界面多次波的第一B-scan图像、仅包含临近的非金属目标上下界面多次波的第二B-scan图像、仅包含感兴趣目标回波的第三B-scan图像、以及仅包含背景杂波和直达波的第四B-scan图像;对所述多组B-scan图像进行预处理,生成训练数据集,构建编码器-解码器架构网络并根据所述训练数据集对所述编码器-解码器架构网络进行训练;将实测且经预处理的第一B-scan图像输入所述编码器-解码器架构网络,通过所述编码器-解码器架构网络对实测的第一B-scan图像进行多次波干扰抑制,获得抑制多次波干扰后的B-scan图像。
可选的,所述根据探地雷达针对感兴趣目标不同探测场景进行探测,获取多组B-scan图像,包括:建立探地雷达对埋设在地下的感兴趣目标和临近的非金属目标的探测场景,并进行仿真运算,获得包含有感兴趣目标回波和临近的非金属目标上下界面多次波的第一B-scan图像;保持探测场景和仿真参数不变,去掉感兴趣目标,仅保留临近的非金属目标,获得仅包含临近的非金属目标上下界面多次波的第二B-scan图像;保持探测场景和仿真参数不变,去掉临近的非金属目标,仅保留感兴趣目标,获得仅包含感兴趣目标回波的第三B-scan图像;保持探测场景和仿真参数不变,去掉感兴趣目标回波和临近的非金属目标,获得仅包含背景杂波和直达波的第四B-scan图像。
可选的,所述对所述一组B-scan图像进行预处理,生成训练数据集,包括:将所述第一B-scan图像、所述第二B-scan图像、所述第三B-scan图像分别减去所述第四B-scan图像,以消除直达波和背景杂波;对消除直达波和背景杂波的第一B-scan图像、第二B-scan图像、第三B-scan图像进行数据标准化操作;对进行数据标准化操作后的所述第二B-scan图像使用多次波去除算法操作,得到预处理后的第二B-scan图像,所述预处理后的第二B-scan图像为仅保留临近的非金属目标上下界面一次回波的B-scan图像;将预处理后的第一B-scan图像作为输入标签,预处理后的第二B-scan图像和预处理后的第三B-scan图像相加作为输出标签,构建训练数据集,其中所述预处理后的第一B-scan图像和所述预处理后的第三B-scan图像分别为数据标准化操作后的第一B-scan图像和第三B-scan图像。
可选的,所述对进行数据标准化操作后的所述第二B-scan图像使用多次波去除算法操作,得到预处理后的第二B-scan图像,包括:对进行数据标准化操作后的所述第二B-scan图像中每一道A-scan信号进行多次波信号抑制,得到多次波信号抑制后的单道A-scan信号;将处理完成后的所有单道A-scan信号再次组合,得到预处理后的第二B-scan图像。
可选的,所述对进行数据标准化操作后的所述第二B-scan图像中每一道A-scan信号进行多次波信号抑制,得到多次波信号抑制后的单道A-scan信号,包括:采用带通滤波器对单道A-scan信号进行滤波处理;确定滤波后的A-scan信号中信号值强度最大和次大的两个波谷位置及对应的信号值;在A-scan信号中从两个波谷位置中的位置较大者向着时间增大的方向递推,寻找信号值在根据信号值强度最大的波谷位置的信号值确定的预设范围内的一次回波的周期结束位置;将所述周期结束位置之后的信号值更新为0,得到多次波信号抑制后的单道A-scan信号。
可选的,所述根据所述训练数据集对所述编码器-解码器架构网络进行训练,包括:将所述训练数据集按预设比例划分为训练集和验证集;对编码器-解码器架构网络的训练参数进行随机初始化;将所述训练集中的预处理后的第一B-scan图像按批次输入所述编码器-解码器架构网络进行前向传播计算,获取抑制多次波干扰后的感兴趣目标的B-scan预测图像;根据所述B-scan预测图像和所述训练集中的预处理后的输出标签计算损失;通过所述损失通过反向传播算法计算各个参数的梯度;根据各个参数的梯度利用优化器来循环调整所述编码器-解码器架构网络中的参数,使得编码器-解码器架构网络的参数不断优化,直至所述编码器-解码器架构网络收敛;根据验证集对训练后的所述编码器-解码器架构网络进行验证。
可选的,所述编码器-解码器架构网络包括:通过跳跃连接并联在一起的编码器网络和解码器网络,所述编码器网络包括5个特征提取子网络;所述解码器网络包括5个特征融合子网络,所述特征提取子网络用于基于预处理后的第一B-scan图像提取特征图,所述特征融合子网络用于对所述特征图进行融合并最后输出抑制多次波干扰后的B-scan图像。
基于同一发明构思,本发明还提出了一种探地雷达B-scan图像的多次波干扰抑制装置,包括:数据获取单元,用于根据探地雷达针对感兴趣目标不同探测场景进行探测,获取多组B-scan图像,每组B-scan图像包括:包含有感兴趣目标回波和临近的非金属目标上下界面多次波的第一B-scan图像、仅包含临近的非金属目标上下界面多次波的第二B-scan图像、仅包含感兴趣目标回波的第三B-scan图像、以及仅包含背景杂波和直达波的第四B-scan图像;网络训练单元,用于对所述多组B-scan图像进行预处理,生成训练数据集,构建编码器-解码器架构网络并根据所述训练数据集对所述编码器-解码器架构网络进行训练;干扰抑制单元,用于将实测且经预处理的第一B-scan图像输入所述编码器-解码器架构网络,通过所述编码器-解码器架构网络对实测的第一B-scan图像进行多次波干扰抑制,获得抑制多次波干扰后的B-scan图像。
基于同一发明构思,本发明还提出了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上所述的探地雷达B-scan图像的多次波干扰抑制方法。
基于同一发明构思,本发明还提出了一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如上所述的探地雷达B-scan图像的多次波干扰抑制方法。
从上面所述可以看出,本发明提供的技术方案的有益效果是:本发明提供的一种探地雷达B-scan图像的多次波干扰抑制方法及装置,方法包括:根据探地雷达针对感兴趣目标不同探测场景进行探测,获取多组B-scan图像,每组B-scan图像包括:包含有感兴趣目标回波和临近的非金属目标上下界面多次波的第一B-scan图像、仅包含临近的非金属目标上下界面多次波的第二B-scan图像、仅包含感兴趣目标回波的第三B-scan图像、以及仅包含背景杂波和直达波的第四B-scan图像;对所述多组B-scan图像进行预处理,生成训练数据集,构建编码器-解码器架构网络并根据所述训练数据集对所述编码器-解码器架构网络进行训练;将实测且经预处理的第一B-scan图像输入所述编码器-解码器架构网络,通过所述编码器-解码器架构网络对实测的第一B-scan图像进行多次波干扰抑制,获得抑制多次波干扰后的B-scan图像,能够有效地抑制临近的非金属目标上下界面多次波对感兴趣目标回波的干扰,增强感兴趣目标双曲线回波,实现了对GPR B-scan图像目标上下界面多次波的抑制,并增强感兴趣目标的回波。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的探地雷达B-scan图像的多次波干扰抑制方法的流程示意图;
图2为本发明实施例的训练数据集的生成过程示意图;
图3为本发明实施例的编码器-解码器架构网络的结构示意图;
图4为本发明实施例的编码器-解码器架构网络中的多尺度卷积块的结构示意图;
图5为本发明实施例的编码器-解码器架构网络中的多层卷积块的结构示意图;
图6为本发明实施例的编码器-解码器架构网络中的ASPP块的结构示意图;
图7为本发明实施例的编码器-解码器架构网络中的上采样模块的结构示意图;
图8为本发明实施例的编码器-解码器架构网络中的注意力模块的结构示意图;
图9为本发明实施例的探地雷达B-scan图像的多次波干扰抑制装置的结构示意图;
图10为本发明实施例的电子设备的硬件结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
需要说明的是,除非另外定义,本发明实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本发明实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
本发明实施例实施了一种探地雷达B-scan图像的多次波干扰抑制方法,如图1所示,探地雷达B-scan图像的多次波干扰抑制方法包括:
步骤S11:根据探地雷达针对感兴趣目标不同探测场景进行探测,获取多组B-scan图像,每组B-scan图像包括:包含有感兴趣目标回波和临近的非金属目标上下界面多次波的第一B-scan图像、仅包含临近的非金属目标上下界面多次波的第二B-scan图像、仅包含感兴趣目标回波的第三B-scan图像、以及仅包含背景杂波和直达波的第四B-scan图像。
在本发明实施例中,使用gprMax仿真软件来生成GPR B-scan图像。在步骤S11中,可选的,建立探地雷达对埋设在地下的感兴趣目标和临近的非金属目标的探测场景,并进行仿真运算,获得包含有感兴趣目标回波和临近的非金属目标上下界面多次波的第一B-scan图像;保持探测场景和仿真参数不变,去掉感兴趣目标,仅保留临近的非金属目标,获得仅包含临近的非金属目标上下界面多次波的第二B-scan图像/>;保持探测场景和仿真参数不变,去掉临近的非金属目标,仅保留感兴趣目标,获得仅包含感兴趣目标回波的第三B-scan图像/>;保持探测场景和仿真参数不变,去掉感兴趣目标回波和临近的非金属目标,获得仅包含背景杂波和直达波的第四B-scan图像/>。在第一B-scan图像/>中,临近的非金属目标上下界面产生的多次回波会对感兴趣目标造成强干扰,会导致感兴趣目标的回波特征变弱。
以感兴趣的地下目标为空心PVC管为例,在目标附近,放置一个充满水的PVC管。电磁波在充满水的PVC管上下界面会产生多次散射,散射波的强度远大于空心PVC管的散射波,对空心PVC管的探测和特征提取造成强干扰。仿真场景大小为1.5m×0.9m×0.002m,空间离散网格尺寸为(0.002m,0.002m,0.002m),PVC管壁的相对介电常数为3.5,PVC管壁厚度为0.01m,水的相对介电常数为81。背景介质为沙土混合模型,土壤沙子重量百分比为50%,土壤粘土重量百分比为50%,土壤容重为2.0g/cm3,土壤沙粒密度为2.66g/cm3,土壤体积含水量范围[0.001~0.15],土壤材料种类为随机媒质。GPR天线的发射信号波形为中心频率为800MHz的瑞克(Ricker)子波,散射回波的采集时窗为20ns。发射天线起点(0.040m,0.800m,0m),接收天线起点(0.045m,0.800m,0m),相邻A-scan的天线移动距离为0.002m,共扫描72次。充满水的PVC和空闲PVC为圆柱形,圆柱半径取值范围为[0.02~0.05]m,充满水的PVC的埋深范围为[0.4~0.7]m,空心PVC管的埋深范围为[0.2~0.35]m,两根PVC管的水平位置范围都为[0.3~1.3]m。
本发明实施例共采集600组GPR B-scan图像数据集,其中每组数据集中包括四幅GPR B-scan图像,分别是:一幅含有空心PVC管和充满水的PVC管的第一B-scan图像,一幅仅含有充满水的PVC管的第二B-scan图像,一幅仅含有空心PVC管的第三B-scan图像,一幅仅有背景媒质且无目标的第四B-scan图像。这四幅图像在生成过程中,保持背景媒质参数、发射和接收天的配置参数不变。所生成的四幅图像的尺寸相同。每生成完一组数据集后,仿真场景参数在预设的范围内随机变动,获得另一组数据集。
在本发明实施例中,仿真GPR发射天线发射信号,信号经过地下介质反射回接收天线位置处,接收天线在每个采样点时刻记录接收到的信号值,共有M个采样点,所有采样点记录到的信号值组成一道A-scan信号数据。在地下目标的水平面上方以相同的距离移动发射天线和接收天线N次,并在每次移动后重复前述的采样操作,可得到N道A-scan信号数据,将N道A-scan数据在水平维度上拼接得到一张M×N的B-scan图像数据。重复前面的过程,直到采集完所需的GPR B-scan图像数据集。
步骤S12:对所述多组B-scan图像进行预处理,生成训练数据集,构建编码器-解码器架构网络并根据所述训练数据集对所述编码器-解码器架构网络进行训练。
在本发明实施例中,训练数据集的生成过程如图2所示,包括:
步骤201:将所述第一B-scan图像、所述第二B-scan图像/>、所述第三B-scan图像/>分别减去所述第四B-scan图像/>,以消除直达波和背景杂波。
例如,将获取到的含充满水的PVC管和空心PVC的B-scan图像、仅含充满水的PVC管的B-scan图像、仅含空心PVC管的B-scan图像分别减去对应的仅存在背景媒质且无目标的B-scan图像,以消去B-scan图像中的直达波和背景杂波。
步骤202:对消除直达波和背景杂波的第一B-scan图像、第二B-scan图像、第三B-scan图像进行数据标准化操作。本发明实施例对消去背景后的GPR B-scan图像数据进行Z-Score标准化操作,以方便后续处理。Z-Score标准化公式如下:
其中,表示B-scan图像中第j道A-scan信号序列,/>表示第j道A-scan信号的均值,/>表示B-scan图像中第j道A-scan信号的标准差。对所述消除直达波和背景杂波后的B-scan图像数据,进行Z-Score标准化操作得到完成预处理操作后的B-scan图像,使得B-scan图像/>标准化为均值为0、方差为1的数据。即第一B-scan图像/>经消除直达波和背景杂波处理并进行标准化后得到预处理后的第一B-scan图像/>,第二B-scan图像/>经消除直达波和背景杂波处理并进行标准化后得到标准化后的第二B-scan图像/>,第三B-scan图像/>经消除直达波和背景杂波处理并进行标准化后得到预处理后的第三B-scan图像/>。
步骤203:对进行数据标准化操作后的所述第二B-scan图像使用多次波去除算法(MWRA)操作,得到预处理后的第二B-scan图像/>,所述预处理后的第二B-scan图像/>为仅保留临近的非金属目标上下界面一次回波的B-scan图像。
可选的,对标准化后的所述第二B-scan图像中每一道A-scan信号进行多次波信号抑制,得到多次波信号抑制后的单道A-scan信号。然后将处理完成后的所有单道A-scan信号再次组合,得到预处理后的第二B-scan图像/>。
在本发明实施例中,可以采用带通滤波器对单道A-scan信号进行滤波处理,以去除噪声毛刺对信号的影响。通频带设置为发射信号中心频率处的幅频下降到-10dB对应的频带带宽。
然后确定滤波后的A-scan信号中信号值强度最大和次大的两个波谷位置及对应的信号值。具体地,定位滤波后的A-scan信号中所有的波谷位置及波谷处的信号值,将其保存在一个序列中,其中/>表示在此道A-scan信号中/>时刻的采样点为信号中的一个波谷位置且信号值强度为/>;通过对所述序列排序可得到信号值强度最大和次大的两个波谷位置/>、/>及其信号值/>、/>。
在本发明实施例中,定位波谷位置时,首先确定一个邻域大小d,其中d取A-scan信号中总采样点数的1%,当d为小数时则向上取整。优选的,。若且/>,则/>采样点的信号值为此道A-scan信号中的一个波谷,从时间采样点/>到时间采样点/>对A-scan 信号进行遍历并执行上述操作,可以获得此道A-scan信号中的所有波谷采样点位置和波谷的信号值强度。
再在A-scan信号中从两个波谷位置中的位置较大者向着时间增大的方向递推,寻找信号值在根据信号值强度最大的波谷位置的信号值确定的预设范围内的一次回波的周期结束位置。其中预设范围可以根据需要进行设置,在此不作限制。例如,在上述单道A-scan信号中从位置处向着时间增大的方向递推,第一次遇到信号值落入区间/>时,表明到达临近的非金属目标下界面一次回波的周期结束位置。
最后将所述周期结束位置之后的信号值更新为0,得到多次波信号抑制后的单道A-scan信号。周期结束位置之后的回波信号都为临近的非金属目标上下界面的多次波信号,将此后时间的信号值均设置为0。
步骤204:将预处理后的第一B-scan图像作为输入标签X,预处理后的第二B-scan图像/>和预处理后的第三B-scan图像/>相加作为输出标签Y,构建训练数据集,其中所述预处理后的第一B-scan图像和所述预处理后的第三B-scan图像分别为数据标准化操作后的第一B-scan图像和第三B-scan图像。
输出标签。通过上述各步骤进行处理,可以得到无临近的非金属目标上下界面多次波干扰的感兴趣目标的B-scan图像标签,即输出标签Y,用于网络训练和网络性能测试。重复上述过程K次,每次仿真计算时的参数配置在预设的范围内随机变化,一共可以获得K组标签数据集,构成训练数据集。
在本发明实施例中, 编码器-解码器架构网络优选为Z-UNet网络,整体结构如图3所示,包括:通过跳跃连接并联在一起的编码器网络和解码器网络,所述编码器网络包括5个特征提取子网络E1-E5;所述解码器网络包括5个特征融合子网络D1-D5,所述特征提取子网络用于基于预处理后的第一B-scan图像提取特征图,所述特征融合子网络用于对所述特征图进行融合并最后输出抑制多次波干扰后的B-scan图像。编码器网络中每个特征提取子网络E1-E5的输出特征图都会作为解码器网络中特征融合子网络D1-D5的输入,最后解码器网络输出抑制临近的非金属目标上下界面干扰的感兴趣目标的B-scan重建图像。以感兴趣目标为空心PVC管为例,特征提取子网络E1-E5用于提取充满水的PVC管的上下界面一次回波的B-scan图特征和空心PVC管的回波B-scan图特征。特征融合子网络D1-D5用于融合编码器中提取到的特征图,重构出抑制充满水PVC管的上下界面多次波的特征并加强空心PVC管的回波特征的B-scan图像。
编码器网络包括3个多层卷积块、3个多尺度卷积块、2个空洞空间卷积池化金字塔块(ASPP)、4个最大池化层,分布在5个特征提取子网络E1-E5中。多尺度卷积块的结构如图4所示,包括4个尺度,图中一列为一个尺度。第一尺度依次包括:大小为1×1的卷积层、批量标准化层和激活函数Relu。第二尺度依次包括:大小为1×1的卷积层、批量标准化层、激活函数Relu、大小为3×3的卷积层、批量标准化层以及激活函数Relu。第三尺度依次包括:大小为1×1的卷积层、批量标准化层、激活函数Relu、大小为5×5的卷积层、批量标准化层以及激活函数Relu。第四尺度依次包括:大小为3×3的最大池化层、批量标准化层以及激活函数Relu。多层卷积块的结构如图5所示,包括:大小为3×3的卷积层、批量标准化层、激活函数Relu、大小为3×3的卷积层、批量标准化层以及激活函数Relu。ASPP块的结构如图6所示,包括五个并行的卷积块,图中一列表示一个卷积块。第一个卷积块包括大小为1×1的卷积层、批量标准化层以及激活函数Relu;第二个卷积块包括大小为3×3、扩张率为6的空洞卷积层(Dilated CONV)、批量标准化层(BatchNorm,BN)以及激活函数Relu;第三个卷积块包括大小为3×3、扩张率为12的空洞卷积层、批量标准化层以及激活函数Relu;第四个卷积块包括大小为3×3、扩张率为18的空洞卷积层、批量标准化层以及激活函数Relu;第五个卷积块包括大小为1×1的全局平均池化层、大小为1×1的卷积层、批量标准化层以及激活函数Relu。以下继续参见图3进行详细说明:
第一特征提取子网络E1包括第一多尺度卷积块和第一多层卷积块/>。第一多尺度卷积块/>中,第一个尺度包括一个卷积核数量为8、大小为1×1的卷积层;第二个尺度包括一个卷积核数量为4、大小为1×1的卷积层和一个卷积核数量为8、大小为3×3的卷积层;第三个尺度包括一个卷积和数量为4、大小为1×1的卷积层和一个卷积核数量为8、大小为5×5的卷积层;第四个尺度包括一个卷积核大小为3×3的最大池化层和一个卷积核数量为8、大小为1×1的卷积层。第一多层卷积块/>包括两个卷积核数量为64、大小为3×3的卷积核。
第二特征提取子网络E2包括一个卷积核数量为64、大小为2×2、步幅为2的第一最大池化层、第二多尺度卷积块和第二多层卷积块/>组成。第二多尺度卷积块/>中,第一个尺度包括一个卷积核数量为24、大小为1×1的卷积层;第二个尺度包括一个卷积核数量为12、大小为1×1的卷积层和一个卷积核数量为24、大小为3×3的卷积层;第三个尺度包括一个卷积和数量为12、大小为1×1的卷积层和一个卷积核数量为24、大小为5×5的卷积层;第四个尺度包括一个卷积核大小为3×3的最大池化层和一个卷积核数量为24、大小为1×1的卷积层组。第二多层卷积块/>包括两个卷积核数量为128、大小为3×3的卷积核。
第三特征提取子网络E3包括:一个卷积核数量为128、大小为2×2、步幅为2的第二最大池化层、第三多尺度卷积块和第三多层卷积块/>。多尺度卷积块/>中,第一个尺度由一个卷积核数量为48、大小为1×1的卷积层组成;第二个尺度由一个卷积核数量为24、大小为1×1的卷积层和一个卷积核数量为48、大小为3×3的卷积层组成;第三个尺度由一个卷积和数量为24、大小为1×1的卷积层和一个卷积核数量为48、大小为5×5的卷积层组成;第四个尺度由一个卷积核大小为3×3的最大池化层和一个卷积核数量为48、大小为1×1的卷积层组成。第三多层卷积块/>由两个卷积核数量为256、大小为3×3的卷积核组成。
第四特征提取子网络E4包括:一个卷积核数量为256、大小为2×2、步幅为2的第三最大池化层和第一ASPP卷积块。第一ASPP卷积块/>由五个并行的卷积块组成,第一个卷积块包括一个卷积核数量为512、大小为1×1的卷积层;第二个卷积块包括一个卷积核数量为512、大小为3×3,扩张率为6的空洞卷积层;第三个卷积块包括一个卷积核数量为512,大小为3×3,扩张率为12的空洞卷积层;第四个卷积块包括一个卷积核数量为512,大小为3×3,扩张率为18的空洞卷积层;第五个卷积块包括卷积核数量为512、大小为1×1的全局平均池化层和一个卷积核数量为512、大小为1×1的卷积层。
第五特征提取子网络E5包括:一个卷积核数量为512、大小为2×2、步幅为2的第四最大池化层和第二ASPP(空洞空间卷积池化金字塔)模块。第二ASPP模块/>由五个并行的卷积块组成,第一个卷积块包括一个卷积核数量为1024,大小为1×1的卷积层;第二个卷积块包括一个卷积核数量为1024,大小为3×3,扩张率为6的空洞卷积层;第三个卷积块包括一个卷积核数量为1024,大小为3×3,扩张率为12的空洞卷积层;第四个卷积块包括一个卷积核数量为1024,大小为3×3,扩张率为18的空洞卷积层;第五个卷积块包括卷积核数量为1024、大小为1×1的全局平均池化层和一个卷积核数量为512、大小为1×1的卷积层。
解码器网络包括5个卷积块、4个上采样模块以及4个注意力模块,分布在5个特征融合子网络D1-D5中。卷积块的结构与编码器网络中的多层卷积块结构相同,在此不再赘述。上采样模块的结构如图7所示,包括:上采样层、大小为3×3的卷积层、批量标准化层以及激活函数Relu。注意力模块的结构如图8所示,包括:注意力门、特征提取门和注意力系数门,注意力门和特征提取门分别包括大小为1×1的卷积层和批量标准化层。注意力系数门包括:输入、加法运算模块、激活函数Relu、大小为1×1的卷积层、批量标准化层、激活函数Sigmoid、乘法运算模块以及输出。以下继续参见图3进行详细说明:
第五特征融合子网络D5包括第四上采样模块、第四注意力模块/>和第七多层卷积模块/>组成。第四上采样模块/>包括一个上采样核为2的上采样层和一个卷积核数量为512、大小为3×3的卷积层;第四注意力模块/>包括一个注意力门、一个特征提取门和一个注意力系数门;其中注意力门和特征提取门都包括一个卷积核数量为256、大小为1×1的卷积层,注意力系数门包括一个卷积核数量为1、大小为1×1的卷积层;第七多层卷积模块/>包括两个卷积核数量为512、大小为3×3的卷积层。
第四特征融合子网络D4包括第三上采样模块、第三注意力模块/>和第六多层卷积模块/>。其中第三上采样模块/>包括一个上采样核为2的上采样层和一个卷积核数量为256、大小为3×3的卷积层;第三注意力模块/>包括一个注意力门、一个特征提取门和一个注意力系数门组成;其中注意力门和特征提取门都包括一个卷积核数量为128、大小为1×1的卷积层,注意力系数门包括一个卷积核数量为1、大小为1×1的卷积层;第六多层卷积模块/>包括两个卷积核数量为256、大小为3×3的卷积层。
第三特征融合子网络D3包括第二上采样模块、第二注意力模块/>和第五多层卷积模块/>。其中第二上采样模块/>包括一个上采样核为2的上采样层和一个卷积核数量为128、大小为3×3的卷积层;第二注意力模块/>包括一个注意力门、一个特征提取门和一个注意力系数门;其中注意力门和特征提取门都包括一个卷积核数量为64、大小为1×1的卷积层,注意力系数门包括一个卷积核数量为1、大小为1×1的卷积层;第五多层卷积模块/>包括两个卷积核数量为128、大小为3×3的卷积层。
第二特征融合子网络D2包括第五上采样模块、第五注意力模块/>和第四多层卷积模块/>。其中第五上采样模块/>包括一个上采样核为2的上采样层和一个卷积核数量为64、大小为3×3的卷积层;第五注意力模块/>包括一个注意力门、一个特征提取门和一个注意力系数门;其中注意力门和特征提取门都包括一个卷积核数量为32、大小为1×1的卷积层,注意力系数门包括一个卷积核数量为1、大小为1×1的卷积层;第四多层卷积模块/>包括两个卷积核数量为64、大小为3×3的卷积层。
第一特征融合子网络D1为输出卷积层,包括一个卷积核数量为1、大小为1×1的卷积层。
在本发明实施例中,对编码器-解码器架构网络进行训练的过程如下:
将所述训练数据集按预设比例划分为训练集和验证集。具体将输入B-scan标签图像和输出标签B-scan图像尺寸调整为(256×256)大小,对K组B-scan标签图像按照0.8和0.2的比例划分为训练集和验证集。
对编码器-解码器架构网络的训练参数进行随机初始化。训练参数即为编码器-解码器架构网络的网络参数,初始化为随机值。
将所述训练集中的预处理后的第一B-scan图像按批次输入所述编码器-解码器架构网络进行前向传播计算,获取抑制多次波干扰后的感兴趣目标的B-scan预测图像/>。
根据所述B-scan预测图像和所述训练集中的预处理后的输出标签计算损失。具体应用均方误差损失函数对B-scan预测图像和B-scan标签图Y计算训练损失值,其中均方误差损失函数表达式如下:
其中,表示抑制临近的非金属目标上下界面多次波干扰的感兴趣目标的B-scan标签图像中第m行第n列的像素值;/>表示无临近的非金属目标上下界面多次波干扰的感兴趣目标的B-scan预测图像中第m行第n列的像素值;w表示Z-UNet网络中所有的权重参数,b表示Z-UNet网络中所有的偏置项。
通过所述损失通过反向传播算法计算各个参数的梯度。反向传播算法通过链式求导法则,将网络中每个神经元的梯度计算出来,然后将损失函数梯度沿着网络的反方向进行传播。
根据各个参数的梯度利用优化器来循环调整所述编码器-解码器架构网络中的参数,使得编码器-解码器架构网络的参数不断优化,直至所述编码器-解码器架构网络收敛。通过计算得到各个神经元网络参数的梯度之后,利用Adam优化器来调整网络中的参数,使得Z-UNet网络参数不断优化。重复进行上述训练过程,直至将所有训练数据集完成一次训练,此时完成了一个周期的训练。重复对所述Z-UNet网络进行周期训练,直到训练收敛。保存训练好的Z-UNet网络模型参数。在本发明实施例中,Z-UNet网络的超参数的设置为,学习率为1e-7,批量大小为4,训练周期轮数为300,验证集比例0.1,测试集比例0.1。连续进行10轮训练当训练损失值之间的最大差值小于0.0001则收敛。
根据验证集对训练后的所述编码器-解码器架构网络进行验证。具体的,将验证集标签数据输入此次训练收敛后的Z-UNet网络,计算验证损失值。若验证损失值和训练损失值的差值在[-0.001,0.001]之间则训练结束。若验证损失值与训练损失值的差值大于0.001则将学习率调小0.001然后重复上述训练过程。若验证损失值与训练损失值的差值小于-0.001则将学习率调大0.001然后重复上述训练过程。
步骤S13:将实测且经预处理的第一B-scan图像输入所述编码器-解码器架构网络,通过所述编码器-解码器架构网络对实测的第一B-scan图像进行多次波干扰抑制,获得抑制多次波干扰后的B-scan图像。
在本发明实施例中,将含临近的非金属目标上下界面多次波干扰的B-scan图像输入至训练好的Z-UNet网络,通过特征提取网络和特征融合网络的处理得到抑制临近的非金属目标上下界面多次波干扰的B-scan图像。
本发明实施例设计的Z-UNet网络由特征提取编码器网络与特征融合解码器网络组成;编码器-解码器架构网络能够很好的对B-scan图像进行双曲线的特征提取和融合,在对临近的非金属目标上下界面多次波的消除过程中,Z-UNet网络能够很好的提取感兴趣目标的双曲线的回波特征,进而可以有效地抑制临近的非金属目标上下界面多次波,并增强感兴趣目标的回波。
综上所述,本发明实施例的探地雷达B-scan图像的多次波干扰抑制方法通过根据探地雷达针对感兴趣目标不同探测场景进行探测,获取多组B-scan图像,每组B-scan图像包括:包含有感兴趣目标回波和临近的非金属目标上下界面多次波的第一B-scan图像、仅包含临近的非金属目标上下界面多次波的第二B-scan图像、仅包含感兴趣目标回波的第三B-scan图像、以及仅包含背景杂波和直达波的第四B-scan图像;对所述多组B-scan图像进行预处理,生成训练数据集,构建编码器-解码器架构网络并根据所述训练数据集对编码器-解码器架构网络进行训练;将实测且经预处理的第一B-scan图像输入所述编码器-解码器架构网络,通过所述编码器-解码器架构网络对实测的第一B-scan图像进行多次波干扰抑制,获得抑制多次波干扰后的B-scan图像,能够有效地抑制临近的非金属目标上下界面多次波对感兴趣目标回波的干扰,并增强感兴趣目标的回波。
上述对本发明特定实施例进行了描述。在一些情况下,在本发明实施例中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本发明实施例还提供了一种探地雷达B-scan图像的多次波干扰抑制装置,如图9所示,探地雷达B-scan图像的多次波干扰抑制装置包括:数据获取单元、网络训练单元和干扰抑制单元。其中,
数据获取单元,用于根据探地雷达针对感兴趣目标不同探测场景进行探测,获取多组B-scan图像,每组B-scan图像包括:包含有感兴趣目标回波和临近的非金属目标上下界面多次波的第一B-scan图像、仅包含临近的非金属目标上下界面多次波的第二B-scan图像、仅包含感兴趣目标回波的第三B-scan图像、以及仅包含背景杂波和直达波的第四B-scan图像;
网络训练单元,用于对所述多组B-scan图像进行预处理,生成训练数据集,构建编码器-解码器架构网络并根据所述训练数据集对编码器-解码器架构网络进行训练;
干扰抑制单元,用于将实测且经预处理的第一B-scan图像输入所述编码器-解码器架构网络,通过所述编码器-解码器架构网络对实测的第一B-scan图像进行多次波干扰抑制,获得抑制多次波干扰后的B-scan图像。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本发明实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置应用于前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,本发明实施例还提供了一种电子设备,该电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上任意一实施例所述的方法。
本发明实施例提供了一种非易失性计算机存储介质,所述计算机存储介质存储有至少一可执行指令,该计算机可执行指令可执行如上任意一实施例中所述的方法。
图10示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器1001、存储器1002、输入/输出接口1003、通信接口1004和总线1005。其中处理器1001、存储器1002、输入/输出接口1003和通信接口1004通过总线1005实现彼此之间在设备内部的通信连接。
处理器1001可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本发明方法实施例所提供的技术方案。
存储器1002可以采用ROM(Read Only Memory,只读存储器)、RAM(RandomAccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1002可以存储操作系统和其他应用程序,在通过软件或者固件来实现本发明方法实施例所提供的技术方案时,相关的程序代码保存在存储器1002中,并由处理器1001来调用执行。
输入/输出接口1003用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1004用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1005包括一通路,在设备的各个组件(例如处理器1001、存储器1002、输入/输出接口1003和通信接口1004)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1001、存储器1002、输入/输出接口1003、通信接口1004以及总线1005,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本发明实施例方案所必需的组件,而不必包含图中所示的全部组件。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本公开的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
本发明实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (9)
1.一种探地雷达B-scan图像的多次波干扰抑制方法,其特征是,所述多次波干扰抑制方法包括:
根据探地雷达针对感兴趣目标不同探测场景进行探测,获取多组B-scan图像,每组B-scan图像包括:包含有感兴趣目标回波和临近的非金属目标上下界面多次波的第一B-scan图像、仅包含临近的非金属目标上下界面多次波的第二B-scan图像、仅包含感兴趣目标回波的第三B-scan图像、以及仅包含背景杂波和直达波的第四B-scan图像;
对所述多组B-scan图像进行预处理,生成训练数据集,构建编码器-解码器架构网络并根据所述训练数据集对所述编码器-解码器架构网络进行训练;
将实测且经预处理的第一B-scan图像输入所述编码器-解码器架构网络,通过所述编码器-解码器架构网络对实测的第一B-scan图像进行多次波干扰抑制,获得抑制多次波干扰后的B-scan图像;
其中,所述对所述多组B-scan图像进行预处理,生成训练数据集,包括:将所述第一B-scan图像、所述第二B-scan图像、所述第三B-scan图像分别减去所述第四B-scan图像,以消除直达波和背景杂波;对消除直达波和背景杂波的第一B-scan图像、第二B-scan图像、第三B-scan图像进行数据标准化操作;对进行数据标准化操作后的第二B-scan图像使用多次波去除算法操作,得到预处理后的第二B-scan图像,所述预处理后的第二B-scan图像为仅保留临近的非金属目标上下界面一次回波的B-scan图像;将预处理后的第一B-scan图像作为输入标签,预处理后的第二B-scan图像和预处理后的第三B-scan图像相加作为输出标签,构建训练数据集,其中所述预处理后的第一B-scan图像和所述预处理后的第三B-scan图像分别为数据标准化操作后的第一B-scan图像和第三B-scan图像。
2.如权利要求1所述的多次波干扰抑制方法,其特征是,所述根据探地雷达针对感兴趣目标不同探测场景进行探测,获取多组B-scan图像,包括:
建立探地雷达对埋设在地下的感兴趣目标和临近的非金属目标的探测场景,并进行仿真运算,获得包含有感兴趣目标回波和临近的非金属目标上下界面多次波的第一B-scan图像;
保持探测场景和仿真参数不变,去掉感兴趣目标,仅保留临近的非金属目标,获得仅包含临近的非金属目标上下界面多次波的第二B-scan图像;
保持探测场景和仿真参数不变,去掉临近的非金属目标,仅保留感兴趣目标,获得仅包含感兴趣目标回波的第三B-scan图像;
保持探测场景和仿真参数不变,去掉感兴趣目标回波和临近的非金属目标,获得仅包含背景杂波和直达波的第四B-scan图像。
3.如权利要求1所述的多次波干扰抑制方法,其特征是,所述对进行数据标准化操作后的所述第二B-scan图像使用多次波去除算法操作,得到预处理后的第二B-scan图像,包括:
对进行数据标准化操作后的所述第二B-scan图像中每一道A-scan信号进行多次波信号抑制,得到多次波信号抑制后的单道A-scan信号;
将处理完成后的所有单道A-scan信号再次组合,得到预处理后的第二B-scan图像。
4.如权利要求3所述的多次波干扰抑制方法,其特征是,所述对进行数据标准化操作后的所述第二B-scan图像中每一道A-scan信号进行多次波信号抑制,得到多次波信号抑制后的单道A-scan信号,包括:
采用带通滤波器对单道A-scan信号进行滤波处理;
确定滤波后的A-scan信号中信号值强度最大和次大的两个波谷位置及对应的信号值;
在A-scan信号中从两个波谷位置中的位置较大者向着时间增大的方向递推,寻找信号值在根据信号值强度最大的波谷位置的信号值确定的预设范围内的一次回波的周期结束位置;
将所述周期结束位置之后的信号值更新为0,得到多次波信号抑制后的单道A-scan信号。
5.如权利要求1所述的多次波干扰抑制方法,其特征是,所述根据所述训练数据集对所述编码器-解码器架构网络进行训练,包括:
将所述训练数据集按预设比例划分为训练集和验证集;
对编码器-解码器架构网络的训练参数进行随机初始化;
将所述训练集中的预处理后的第一B-scan图像按批次输入所述编码器-解码器架构网络进行前向传播计算,获取抑制多次波干扰后的感兴趣目标的B-scan预测图像;
根据所述B-scan预测图像和所述训练集中的预处理后的输出标签计算损失;
通过所述损失通过反向传播算法计算各个参数的梯度;
根据各个参数的梯度利用优化器来循环调整所述编码器-解码器架构网络中的参数,使得编码器-解码器架构网络的参数不断优化,直至所述编码器-解码器架构网络收敛;
根据验证集对训练后的所述编码器-解码器架构网络进行验证。
6.如权利要求1所述的多次波干扰抑制方法,其特征是,所述编码器-解码器架构网络包括:通过跳跃连接并联在一起的编码器网络和解码器网络,所述编码器网络包括5个特征提取子网络;所述解码器网络包括5个特征融合子网络,所述特征提取子网络用于基于预处理后的第一B-scan图像提取特征图,所述特征融合子网络用于对所述特征图进行融合并最后输出抑制多次波干扰后的B-scan图像。
7.一种探地雷达B-scan图像的多次波干扰抑制装置,其特征是,所述多次波干扰抑制装置包括:
数据获取单元,用于根据探地雷达针对感兴趣目标不同探测场景进行探测,获取多组B-scan图像,每组B-scan图像包括:包含有感兴趣目标回波和临近的非金属目标上下界面多次波的第一B-scan图像、仅包含临近的非金属目标上下界面多次波的第二B-scan图像、仅包含感兴趣目标回波的第三B-scan图像、以及仅包含背景杂波和直达波的第四B-scan图像;
网络训练单元,用于对所述多组B-scan图像进行预处理,生成训练数据集,构建编码器-解码器架构网络并根据所述训练数据集对所述编码器-解码器架构网络进行训练;其中,将所述第一B-scan图像、所述第二B-scan图像、所述第三B-scan图像分别减去所述第四B-scan图像,以消除直达波和背景杂波;对消除直达波和背景杂波的第一B-scan图像、第二B-scan图像、第三B-scan图像进行数据标准化操作;对进行数据标准化操作后的第二B-scan图像使用多次波去除算法操作,得到预处理后的第二B-scan图像,所述预处理后的第二B-scan图像为仅保留临近的非金属目标上下界面一次回波的B-scan图像;将预处理后的第一B-scan图像作为输入标签,预处理后的第二B-scan图像和预处理后的第三B-scan图像相加作为输出标签,构建训练数据集,其中所述预处理后的第一B-scan图像和所述预处理后的第三B-scan图像分别为数据标准化操作后的第一B-scan图像和第三B-scan图像;
干扰抑制单元,用于将实测且经预处理的第一B-scan图像输入所述编码器-解码器架构网络,通过所述编码器-解码器架构网络对实测的第一B-scan图像进行多次波干扰抑制,获得抑制多次波干扰后的B-scan图像。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的探地雷达B-scan图像的多次波干扰抑制方法。
9.一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权利要求1至6中任一项所述的探地雷达B-scan图像的多次波干扰抑制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310546871.2A CN116256722B (zh) | 2023-05-16 | 2023-05-16 | 探地雷达B-scan图像的多次波干扰抑制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310546871.2A CN116256722B (zh) | 2023-05-16 | 2023-05-16 | 探地雷达B-scan图像的多次波干扰抑制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116256722A CN116256722A (zh) | 2023-06-13 |
CN116256722B true CN116256722B (zh) | 2023-08-01 |
Family
ID=86682900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310546871.2A Active CN116256722B (zh) | 2023-05-16 | 2023-05-16 | 探地雷达B-scan图像的多次波干扰抑制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116256722B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116990772B (zh) * | 2023-09-26 | 2024-01-02 | 北京大学 | 基于多尺度卷积网络的探地雷达双参数实时反演方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005042B (zh) * | 2015-07-27 | 2017-10-10 | 河南工业大学 | 一种探地雷达地下目标定位方法 |
US10018718B1 (en) * | 2015-10-29 | 2018-07-10 | National Technology & Engineering Solutions Of Sandia, Llc | Artifact reduction within a SAR image |
CN112130132B (zh) * | 2020-09-11 | 2023-08-29 | 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 |
US20230376751A1 (en) * | 2020-10-14 | 2023-11-23 | King Abdullah University Of Science And Technology | Pretraining system and method for seismic data processing using machine learning |
CN112700429B (zh) * | 2021-01-08 | 2022-08-26 | 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 |
CN114331890B (zh) * | 2021-12-27 | 2022-09-23 | 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 |
CN114966600B (zh) * | 2022-07-29 | 2022-10-28 | 中南大学 | 一种探地雷达B-scan图像杂波抑制方法及系统 |
CN115856786A (zh) * | 2022-12-22 | 2023-03-28 | 西北工业大学 | 一种基于信号分割的智能干扰抑制方法 |
CN116047504A (zh) * | 2022-12-23 | 2023-05-02 | 桂林电子科技大学 | 一种改进反褶积抑制探地雷达多次波的方法 |
-
2023
- 2023-05-16 CN CN202310546871.2A patent/CN116256722B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116256722A (zh) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Giannakis et al. | A machine learning-based fast-forward solver for ground penetrating radar with application to full-waveform inversion | |
Liu et al. | Random noise de-noising and direct wave eliminating based on SVD method for ground penetrating radar signals | |
CN116256722B (zh) | 探地雷达B-scan图像的多次波干扰抑制方法及装置 | |
CN112731522B (zh) | 地震地层智能识别方法、装置、设备及存储介质 | |
CN113447536A (zh) | 一种混凝土介电常数反演与病害识别方法及系统 | |
Lei et al. | GPR detection localization of underground structures based on deep learning and reverse time migration | |
Van Anh Le et al. | High–Resolution Seismic Reflection Survey of Holocene Sediment Distribution at Thi Vai River, Ho Chi Minh City, Vietnam | |
CN108761449B (zh) | 一种钢筋回波干扰下的灾害目标成像方法 | |
Patsia et al. | Background removal, velocity estimation, and reverse-time migration: a complete GPR processing pipeline based on machine learning | |
Li et al. | Artifact suppression of back-projection algorithm under multiple buried objects | |
CN113468804A (zh) | 一种基于矩阵束和深度神经网络的地下管道识别方法 | |
Zhang et al. | The subsurface structure on the CE-3 landing site: LPR CH-1 data processing by shearlet transform | |
Coimbra et al. | Upscaling digital outcrop models to infer well connectivity in carbonates with karstic features | |
CN115576014B (zh) | 一种基于声波远探测成像的裂缝型储层智能识别方法 | |
Feng et al. | Efficient Denoising of Multidimensional GPR Data Based on Fast Dictionary Learning | |
Jazayeri et al. | Full-waveform inversion of ground-penetrating radar (GPR) data using pest (FWI-pest method) applied to utility detection | |
CN114694051A (zh) | 一种基于改进CapsNet网络的电磁法管道病害识别与定位方法 | |
Iqbal et al. | Analysis of 2D and 3D GPR data interpretation using continuous wavelet transforms: Case study from an archaeological test site | |
CN112800664A (zh) | 一种基于探地雷达A-scan数据估算树根直径的方法 | |
CN106405504A (zh) | 联合剪切波变换和奇异值分解的探地雷达数据去噪方法 | |
Ouadfeul et al. | Noise attenuation from GPR data using wavelet transform and artificial neural network | |
Harkat et al. | Ground penetrating radar imaging for buried cavities in a dispersive medium: Profile reconstruction using a modified hough transform approach and a time-frequency analysis | |
CN116088049B (zh) | 基于子波变换的最小二乘逆时偏移地震成像方法及装置 | |
Junkai et al. | GPR-TransUNet: An improved TransUNet based on self-attention mechanism for ground penetrating radar inversion | |
Liu et al. | Two-dimensional fast imaging of airborne EM data based on U-net |
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 |