CN116597365A - 一种基于神经网络的地下病害体目标识别方法 - Google Patents
一种基于神经网络的地下病害体目标识别方法 Download PDFInfo
- Publication number
- CN116597365A CN116597365A CN202310591934.6A CN202310591934A CN116597365A CN 116597365 A CN116597365 A CN 116597365A CN 202310591934 A CN202310591934 A CN 202310591934A CN 116597365 A CN116597365 A CN 116597365A
- Authority
- CN
- China
- Prior art keywords
- disease
- ground
- training
- underground
- images
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 112
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 69
- 239000011800 void material Substances 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 230000000149 penetrating effect Effects 0.000 claims description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 230000001788 irregular Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 239000004568 cement Substances 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 239000011148 porous material Substances 0.000 claims description 6
- 230000007423 decrease Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000009933 burial Methods 0.000 claims description 4
- 230000003902 lesion Effects 0.000 claims description 4
- 239000011435 rock Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000035699 permeability Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000006424 Flood reaction Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 2
- 208000035999 Recurrence Diseases 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—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
- G06V10/776—Validation; Performance evaluation
-
- 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
- G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
- G06V10/811—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data the classifiers operating on different input data, e.g. multi-modal recognition
-
- 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
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (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)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于神经网络的地下病害体目标识别方法，具体涉及神经网络技术领域，包括以下步骤：对地面病害进行图片采集，对地下病害通过雷达采集波形图像数据，将地面病害与地下病害的波形图像进行匹配，随机选取部分样本作为样本训练数据，根据公式计算出反射系数，根据反射系数判别脱空层的存在，根据公式，计算地下反射体的深度，根据公式计算出电磁波的波速，建立一个病害体的识别项目，将样本进行分批次的模型训练，训练出最优的训练模型，根据公式能够计算出病害的深度与衬砌厚度，通过特征提取，使训练模型自适应的学习地面病害反射信号的不同几何形态与分布位置，对于初始权值的选择，要趋近于0。
Description
技术领域
本发明涉及神经网络技术领域，更具体地说，本发明涉及一种基于神经网络的地下病害体目标识别方法。
背景技术
城市地面是保障城市安全高效运转的生命线，事故频发的原因复杂多样，水文地质及气候欠佳、地下管线破损渗漏、地下工程扰动、路面荷载过大、过度开采地下水以及道路施工质量不良是地面塌陷诱发原因的多样因素，造成坍塌事故具有突发性、隐蔽性以及复发性的特点，为避免道路塌陷事故的发生，需要对地面定期开展路面病害体的探测，确定地下病害体的范围、规模以及成因，为治理以及修复地下病害体提供合理方案以及依据。
现在主要采用的检测方法主要借用测绘专用仪器进行检测以及工程试验检测的方法，使用测绘专用仪器进行表观检测方法操作方便，简单易行，很难对公路的内部隐蔽结构做出正确的评价，具有很强的局限性，工程试验检测是对已经投入使用的路面进行随机取样，在实验室里进行分析处理，根据分析结果得到厚度、深度，压实度以及强度一系列的工程参数，由于取样点的选择是随机的，造成了检测结果的随机性，普遍性较差，检测点具有不可逆的破坏性，对之后地面的维护工作增大了难度。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供一种基于神经网络的地下病害体目标识别方法，模型训练，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于神经网络的地下病害体目标识别方法，具体包括以下步骤：
S1、对地面病害进行图片采集，对地下病害通过雷达采集波形图像数据，将地面病害与地下病害的波形图像进行匹配，将图像数据按照不同类型分为五类，随机选取部分样本作为样本训练数据；
S2、根据公式计算出反射系数，根据反射系数判别脱空层的存在；
S3、根据公式，计算地下反射体的深度；
S4、根据公式计算出电磁波的波速；
S5、建立一个病害体的识别项目，将样本进行分批次的模型训练，对图片权值进行计算更改，训练出最优的训练模型；
S6、根据公式能够计算出病害的深度与衬砌厚度；
S7、通过特征提取能力，使训练模型能够自适应的学习地面病害反射信号的不同几何形态与分布位置；
S8、对于初始权值的选择，取随机数时，要趋近于0。
在一个优选地实施方式中，所述对地下病害体的数据进行采集，利用拍照设备对地面病害进行拍照和保存图像，考虑光照的因素，分别在晴天、雨天以及阴天的天气状态下，分别采集地面病害的照片，采集到的病害图像包括裂缝、松散、沉陷、车辙以及泛油的图像信息，将采集到的地面病害图像进行水平翻转、垂直翻转以及随机缩放的图像增强处理，得到不同角度、方向的变换图片，利用图像增强的方法是一张病害图片扩充为若干张，将采集到的原始图片进行图像增强处理后，筛选去除变化较大以及市区部分病害特征的图片，采用探地雷达采集与地面采集图像相对应的探地雷达图像，探地雷达的主要组成部分有天线、发射机、接收机，信号处理器以及终端设备，探地雷达的电磁波从发射机发出，定向射入到路面结构中，反射的电磁波由接收天线接收，信号由接收机传给信号处理器，根据反射的波形特点信号处理器将形成的测试图像显示在终端设备上，得到地面图像的波形图像扩充样本，按照病害类型将地面图像以及对应的波形图像数据分为5类，对样本数据设置好标签，随机选取部分样本图片作为训练集，其余图片样本作为测试集。
在一个优选地实施方式中，所述探测雷达采用横向扫描的方式进行图像采集，采用横向扫描的方式，能够满足高分辨率的要求，能够在获得纵向地层刨面的同时，还能获得任意深度横向地层切片，每隔一段距离记录一道反射信号，以灰度图的形式进行显示。
在一个优选地实施方式中，所述混凝土中电磁波波速的关键因素是孔隙水的分布情况，水对探测混凝土电磁波波速的影响存在不同，雷达探测的混凝土中电磁波波速随含水率的降低而增加，混凝土介电常数随着空隙率的增大而减小，介电常数的不同会导致电磁波的反射系数存在差异，根据反射系数的强度变化，来判别脱空层的存在，根据反射系数的正负，能够判断脱空层的性质，根据公式：
pave＝(ε1-ε1)/(ε1+ε2)；
能够得到交界面的反射系数，水泥面板和基层不存在脱空现象时，水泥混凝土的ε1为6～9，透水基层的ε2为6～15，交界面的反射系数pave为-0.01～0.053，水泥面板和基层存在脱空现象时，水的介电常数ε2＝81，根据公式算得反射系数r＝-0.325～0.250，其中pave为反射系数，ε1以及ε1为两种交界面的介电常数。
在一个优选地实施方式中，所述电磁波行程所需要的t为：
其中，x为反射体的深度，y为天线之间的间距，n为介质的电磁波速度，通过上述公式，能够反映出地下反射体的深度。
在一个优选地实施方式中，所述孔隙水是一种不规则的地下介质，不规则地下介质随着病害的埋深增加以及介质区域范围的扩大，扰射曲线变宽，地下介质的电磁波波速能够根据公式求得：
式中，εpave为介质的相对介电常数，μ为介质的磁导率，S为介质的电导率，ω为介质的角频率。
在一个优选地实施方式中，所述模型训练的训练步骤如下：
S1、新建一个病害体的识别项目，输入训练集中的病害图片，确保图片的尺寸与建立项目时规定的尺寸相同；
S2、调用网络训练模型，对模型的各项参数进行初始化的操作；
S3、将建立的训练集的样本进行分批次的模型训练，通过模型中的卷基层、池化层以及全连接层获得病害图片的权值以及预测结果；
S4、利用预测值和真实值的标签计算出训练模型的误差大小，对模型进行误差的反向传播，更新训练好的权值；
S5、判断模型是否符合训练时设置的迭代轮次，不满足结束条件，利用新的权值重新初始化网络，继续进行模型训练；
S6、满足结束条件，对比训练轮次内模型的训练结果，保存病害图片识别最优的训练模型。
在一个优选地实施方式中，所述提取探地雷达中病害形态的顶点坐标，对于衬砌，提取衬砌与围岩界面的最低点和最高点坐标，利用公式根据电磁波在衬砌混凝土中的传播速度计算病害深度与衬砌厚度，计算公式如下：
其中，h为病害在探地雷达中的垂直位置，H为探地雷达深度方向的大小，t为探地雷达在深度方向上的双程走时，x为估算的深度。
在一个优选地实施方式中，所述通过特征提取能力，使训练模型能够自适应的学习地面病害反射信号的不同几何形态与分布位置，通过学习采样点的偏移量来实现各个方向的特点采样，通过利用标准卷积从前面的特征图中学习采样点的偏移量和调整变形建模范围的调整机制来自适应的改变卷积核的形状，使网络能够不受探地雷达的噪声、衍射信号以及反射波的影响，更好的适应病害反射信号的复杂几何形态，将卷积特征中浅层和深层的特征图进行特征融合，获得用于预测地面隐藏病害方向的位置以及类别属性信息的尺度特征图，能够为地面病害识别提供准确的位置、形态以及高水平的语义信息，采用滑动窗口的方式生成探地雷达中病害反射信号的候选框，用来保存候选区域，将不同尺寸的候选框都映射到具有相同尺寸的多尺度特征图，对多尺度特征进行级联，通过全连接层进行病害类别与位置的预测，输出结果使用中心点坐标、高度、宽度以及旋转角度来表示病害方向位置和类别属性信息，实现地面任一方向病害位置的精确提取和类型的准确识别。
在一个优选地实施方式中，所述初始权值的选择，初始权值在输入累加时使每个神经元的状态值接近于零，权值取随机数，要比较小，输入样本要进行归一化处理，使比较大的输入落在传递函数梯度较大的地方。
本发明的技术效果和优点：
本发明通过对道路表面的图像以及通过探地雷达采集的波形图像，获取路面的三维数据，构建系统训练模型，将采集的样本数据送入训练模型中，对地面的病害形态、深度以及衬砌厚度进行识别，本发明大大提高了在病害形态与类型识别方面的性能；
本发明通过全连接层进行病害类别与位置的预测，输出结果使用中心点坐标、高度、宽度以及旋转角度来表示病害方向位置和类别属性信息，实现地面任一方向病害位置的精确提取和类型的准确识别。
附图说明
图1为本发明的系统流程图。
图2为本发明的系统模型训练流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
本实施例提供了如图1所示一种基于神经网络的地下病害体目标识别方法，具体包括以下步骤：
S1、对地面病害进行图片采集，对地下病害通过雷达采集波形图像数据，将地面病害与地下病害的波形图像进行匹配，将图像数据按照不同类型分为五类，随机选取部分样本作为样本训练数据；
S2、根据公式计算出反射系数，根据反射系数判别脱空层的存在；
S3、根据公式，计算地下反射体的深度；
S4、根据公式计算出电磁波的波速；
S5、建立一个病害体的识别项目，将样本进行分批次的模型训练，对图片权值进行计算更改，训练出最优的训练模型；
S6、根据公式能够计算出病害的深度与衬砌厚度；
S7、通过特征提取能力，使训练模型能够自适应的学习地面病害反射信号的不同几何形态与分布位置；
S8、对于初始权值的选择，取随机数时，要趋近于0。
如图2本实施例提供一种基于神经网络的地下病害体目标识别方法，具体包括以下步骤：
101、对地面病害进行图片采集，对地下病害通过雷达采集波形图像数据，将地面病害与地下病害的波形图像进行匹配，将图像数据按照不同类型分为五类，随机选取部分样本作为样本训练数据；
进一步的，所述对地下病害体的数据进行采集，利用拍照设备对地面病害进行拍照和保存图像，考虑光照的因素，分别在晴天、雨天以及阴天的天气状态下，分别采集地面病害的照片，采集到的病害图像包括裂缝、松散、沉陷、车辙以及泛油的图像信息，将采集到的地面病害图像进行水平翻转、垂直翻转以及随机缩放的图像增强处理，得到不同角度、方向的变换图片，利用图像增强的方法是一张病害图片扩充为若干张，将采集到的原始图片进行图像增强处理后，筛选去除变化较大以及市区部分病害特征的图片，采用探地雷达采集与地面采集图像相对应的探地雷达图像，探地雷达的主要组成部分有天线、发射机、接收机，信号处理器以及终端设备，探地雷达的电磁波从发射机发出，定向射入到路面结构中，反射的电磁波由接收天线接收，信号由接收机传给信号处理器，根据反射的波形特点信号处理器将形成的测试图像显示在终端设备上，得到地面图像的波形图像扩充样本，按照病害类型将地面图像以及对应的波形图像数据分为5类，对样本数据设置好标签，随机选取部分样本图片作为训练集，其余图片样本作为测试集。
102、采用横向扫描的方式进行图像采集；
进一步的，所述探测雷达采用横向扫描的方式进行图像采集，采用横向扫描的方式，能够满足高分辨率的要求，能够在获得纵向地层刨面的同时，还能获得任意深度横向地层切片，每隔一段距离记录一道反射信号，以灰度图的形式进行显示。
103、根据公式计算出反射系数，根据反射系数判别脱空层的存在；
进一步的，所述混凝土中电磁波波速的关键因素是孔隙水的分布情况，水对探测混凝土电磁波波速的影响存在不同，雷达探测的混凝土中电磁波波速随含水率的降低而增加，混凝土介电常数随着空隙率的增大而减小，介电常数的不同会导致电磁波的反射系数存在差异，根据反射系数的强度变化，来判别脱空层的存在，根据反射系数的正负，能够判断脱空层的性质，根据公式：
pave＝(ε1-ε1)/(ε1+ε2)；
能够得到交界面的反射系数，水泥面板和基层不存在脱空现象时，水泥混凝土的ε1为6～9，透水基层的ε2为6～15，交界面的反射系数pave为-0.01～0.053，水泥面板和基层存在脱空现象时，水的介电常数ε2＝81，根据公式算得反射系数r＝-0.325～0.250，其中pave为反射系数，ε1以及ε1为两种交界面的介电常数。
104、根据公式，计算地下反射体的深度；
进一步的，所述电磁波行程所需要的t为：
其中，x为反射体的深度，y为天线之间的间距，n为介质的电磁波速度，通过上述公式，能够反映出地下反射体的深度；
105、根据公式计算出电磁波的波速；
进一步的，所述孔隙水是一种不规则的地下介质，不规则地下介质随着病害的埋深增加以及介质区域范围的扩大，扰射曲线变宽，地下介质的电磁波波速能够根据公式求得：
式中，εpave为介质的相对介电常数，μ为介质的磁导率，S为介质的电导率，ω为介质的角频率。
106、建立一个病害体的识别项目，将样本进行分批次的模型训练，对图片权值进行计算更改，训练出最优的训练模型；
进一步的，所述模型训练的训练步骤如下：
S1、新建一个病害体的识别项目，输入训练集中的病害图片，确保图片的尺寸与建立项目时规定的尺寸相同；
S2、调用网络训练模型，对模型的各项参数进行初始化的操作；
S3、将建立的训练集的样本进行分批次的模型训练，通过模型中的卷基层、池化层以及全连接层获得病害图片的权值以及预测结果；
S4、利用预测值和真实值的标签计算出训练模型的误差大小，对模型进行误差的反向传播，更新训练好的权值；
S5、判断模型是否符合训练时设置的迭代轮次，不满足结束条件，利用新的权值重新初始化网络，继续进行模型训练；
S6、满足结束条件，对比训练轮次内模型的训练结果，保存病害图片识别最优的训练模型。
107、根据公式能够计算出病害的深度与衬砌厚度；
进一步的，所述提取探地雷达中病害形态的顶点坐标，对于衬砌，提取衬砌与围岩界面的最低点和最高点坐标，利用公式根据电磁波在衬砌混凝土中的传播速度计算病害深度与衬砌厚度，计算公式如下：
其中，h为病害在探地雷达中的垂直位置，H为探地雷达深度方向的大小，t为探地雷达在深度方向上的双程走时，x为估算的深度。
108、通过特征提取能力，使训练模型能够自适应的学习地面病害反射信号的不同几何形态与分布位置；
进一步的，所述通过特征提取能力，使训练模型能够自适应的学习地面病害反射信号的不同几何形态与分布位置，通过学习采样点的偏移量来实现各个方向的特点采样，通过利用标准卷积从前面的特征图中学习采样点的偏移量和调整变形建模范围的调整机制来自适应的改变卷积核的形状，使网络能够不受探地雷达的噪声、衍射信号以及反射波的影响，更好的适应病害反射信号的复杂几何形态，将卷积特征中浅层和深层的特征图进行特征融合，获得用于预测地面隐藏病害方向的位置以及类别属性信息的尺度特征图，能够为地面病害识别提供准确的位置、形态以及高水平的语义信息，采用滑动窗口的方式生成探地雷达中病害反射信号的候选框，用来保存候选区域，将不同尺寸的候选框都映射到具有相同尺寸的多尺度特征图，对多尺度特征进行级联，通过全连接层进行病害类别与位置的预测，输出结果使用中心点坐标、高度、宽度以及旋转角度来表示病害方向位置和类别属性信息，实现地面任一方向病害位置的精确提取和类型的准确识别。
109、对于初始权值的选择，取随机数时，要趋近于0；
进一步的，所述初始权值的选择，初始权值在输入累加时使每个神经元的状态值接近于零，权值取随机数，要比较小，输入样本要进行归一化处理，使比较大的输入落在传递函数梯度较大的地方。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于神经网络的地下病害体目标识别方法，其特征在于具体包括以下步骤：
S1、对地面病害进行图片采集，对地下病害通过雷达采集波形图像数据，将地面病害与地下病害的波形图像进行匹配，将图像数据按照不同类型分为五类，随机选取部分样本作为样本训练数据；
S2、混凝土介电常数随着空隙率的增大而减小，介电常数的不同会导致电磁波的反射系数存在差异，根据公式计算出反射系数，根据反射系数判别脱空层的存在；
S3、根据公式计算地下反射体的深度；
S4、不规则地下介质随着病害的埋深增加以及介质区域范围的扩大，扰射曲线变宽，根据公式能够计算出地下介质的电磁波的波速；
S5、建立一个病害体的识别项目，将样本进行分批次的模型训练，对图片权值进行计算更改，训练出最优的训练模型；
S6、所述使用探地雷达提取病害体的顶点坐标，对于衬砌，提取衬砌与围岩界面的最低点和最高点坐标，根据公式能够计算出病害的深度与衬砌厚度；
S7、通过特征提取能力，使训练模型能够自适应的学习地面病害反射信号的不同几何形态与分布位置；
S8、对于初始图片权值的选择，取随机数时，要趋近于0。
2.根据权利要求1所述的一种基于神经网络的地下病害体目标识别方法，其特征在于：所述步骤S1，利用拍照设备对地下病害体的数据进行采集，对地面病害进行拍照和保存图像，考虑光照的因素，分别在晴天、雨天以及阴天的天气状态下，分别采集地面病害的照片，采集到的病害图像包括裂缝、松散、沉陷、车辙以及泛油的图像信息，将采集到的地面病害图像进行水平翻转、垂直翻转以及随机缩放的图像增强处理，得到不同角度、方向的变换图片，利用图像增强的方法是一张病害图片扩充为若干张，将采集到的原始图片进行图像增强处理后，筛选去除变化较大以及市区部分病害特征的图片，采用探地雷达采集与地面采集图像相对应的探地雷达图像，探地雷达的主要组成部分有天线、发射机、接收机，信号处理器以及终端设备，探地雷达的电磁波从发射机发出，定向射入到路面结构中，反射的电磁波由接收天线接收，信号由接收机传给信号处理器，根据反射的波形特点信号处理器将形成的测试图像显示在终端设备上，得到地面图像的波形图像扩充样本，按照病害类型将地面图像以及对应的波形图像数据分为5类，对样本数据设置好标签，随机选取部分样本图片作为训练集，其余图片样本作为测试集。
3.根据权利要求2所述的一种基于神经网络的地下病害体目标识别方法，其特征在于：所述探测雷达采用横向扫描的方式进行图像采集，每隔一段距离记录一道反射信号，以灰度图的形式进行显示。
4.根据权利要求1所述的一种基于神经网络的地下病害体目标识别方法，其特征在于：所述步骤S2，混凝土中电磁波波速的关键因素是孔隙水的分布情况，水对探测混凝土电磁波波速的影响存在不同，雷达探测的混凝土中电磁波波速随含水率的降低而增加，混凝土介电常数随着空隙率的增大而减小，介电常数的不同会导致电磁波的反射系数存在差异，根据反射系数的强度变化，来判别脱空层的存在，根据反射系数的正负，能够判断脱空层的性质，根据公式：
pave＝(ε1-ε1)/(ε1+ε2)；
能够得到交界面的反射系数，水泥面板和基层不存在脱空现象时，水泥混凝土的ε1为6～9，透水基层的ε2为6～15，交界面的反射系数pave为-0.01～0.053，水泥面板和基层存在脱空现象时，水的介电常数ε2＝81，根据公式算得反射系数r＝-0.325～0.250，其中pave为反射系数，ε1以及ε1为两种交界面的介电常数。
5.根据权利要求1所述的一种基于神经网络的地下病害体目标识别方法，其特征在于：所述步骤S3，电磁波的行程所需要的t为：
其中，x为反射体的深度，y为天线之间的间距，n为介质的电磁波速度。
6.根据权利要求1所述的一种基于神经网络的地下病害体目标识别方法，其特征在于：所述步骤S4，孔隙水是一种不规则的地下介质，不规则地下介质随着病害的埋深增加以及介质区域范围的扩大，扰射曲线变宽，地下介质的电磁波波速能够根据公式求得：
式中，εpave为介质的相对介电常数，μ为介质的磁导率，S为介质的电导率，ω为介质的角频率。
7.根据权利要求1所述的一种基于神经网络的地下病害体目标识别方法，其特征在于：所述步骤S5模型训练的训练步骤如下：
S1、新建一个病害体的识别项目，输入训练集中的病害图片，确保图片的尺寸与建立项目时规定的尺寸相同；
S2、调用网络训练模型，对模型的各项参数进行初始化的操作；
S3、将建立的训练集的样本进行分批次的模型训练，通过模型中的卷基层、池化层以及全连接层获得病害图片的权值以及预测结果；
S4、利用预测值和真实值的标签计算出训练模型的误差大小，对模型进行误差的反向传播，更新训练好的权值；
S5、判断模型是否符合训练时设置的迭代轮次，不满足结束条件，利用新的权值重新初始化网络，继续进行模型训练；
S6、满足结束条件，对比训练轮次内模型的训练结果，保存病害图片识别最优的训练模型。
8.根据权利要求1所述的一种基于神经网络的地下病害体目标识别方法，其特征在于：所述步骤S6，使用探地雷达提取病害体的顶点坐标，对于衬砌，提取衬砌与围岩界面的最低点和最高点坐标，利用公式根据电磁波在衬砌混凝土中的传播速度计算病害深度与衬砌厚度，计算公式如下：
其中，h为病害在探地雷达中的垂直位置，H为探地雷达深度方向的大小，t为探地雷达在深度方向上的双程走时，x为估算的深度。
9.根据权利要求1所述的一种基于神经网络的地下病害体目标识别方法，其特征在于：所述步骤S7，通过特征提取能力，使训练模型能够自适应的学习地面病害反射信号的不同几何形态与分布位置，通过学习采样点的偏移量来实现各个方向的特点采样，通过利用标准卷积从前面的特征图中学习采样点的偏移量和调整变形建模范围的调整机制来自适应的改变卷积核的形状，使网络能够不受探地雷达的噪声、衍射信号以及反射波的影响，将卷积特征中浅层和深层的特征图进行特征融合，获得用于预测地面隐藏病害方向的位置以及类别属性信息的尺度特征图，采用滑动窗口的方式生成探地雷达中病害反射信号的候选框，用来保存候选区域，将不同尺寸的候选框都映射到具有相同尺寸的多尺度特征图，对多尺度特征进行级联，通过全连接层进行病害类别与位置的预测，输出结果使用中心点坐标、高度、宽度以及旋转角度来表示病害方向位置和类别属性信息，实现地面任一方向病害位置的精确提取和类型的准确识别。
10.根据权利要求1所述的一种基于神经网络的地下病害体目标识别方法，其特征在于：所述步骤S8，初始权值的选择，初始权值在输入累加时使每个神经元的状态值接近于零，权值取随机数，要比较小，输入样本要进行归一化处理，使比较大的输入落在传递函数梯度较大的地方。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310591934.6A CN116597365A (zh) | 2023-05-24 | 2023-05-24 | 一种基于神经网络的地下病害体目标识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310591934.6A CN116597365A (zh) | 2023-05-24 | 2023-05-24 | 一种基于神经网络的地下病害体目标识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116597365A true CN116597365A (zh) | 2023-08-15 |
Family
ID=87598876
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310591934.6A Pending CN116597365A (zh) | 2023-05-24 | 2023-05-24 | 一种基于神经网络的地下病害体目标识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116597365A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117077500A (zh) * | 2023-10-17 | 2023-11-17 | 深圳市城市交通规划设计研究中心股份有限公司 | 道路内部脱空的数值模拟建模方法、电子设备及存储介质 |
| CN117173618A (zh) * | 2023-09-06 | 2023-12-05 | 哈尔滨工业大学 | 基于多特征感知的Faster R-CNN的探地雷达空洞目标识别方法 |
| CN117233754A (zh) * | 2023-11-08 | 2023-12-15 | 江苏筑升土木工程科技有限公司 | 基于雷达图像和人工智能的道路地下病害体检测系统 |
| CN117233755A (zh) * | 2023-11-08 | 2023-12-15 | 江苏筑升土木工程科技有限公司 | 道路路基病害和地下病害体的快速自动化探测系统 |
| CN117784264A (zh) * | 2024-02-28 | 2024-03-29 | 山东大学 | 基于探地雷达数据的输电塔间地下病害定位方法及系统 |
-
2023
- 2023-05-24 CN CN202310591934.6A patent/CN116597365A/zh active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117173618A (zh) * | 2023-09-06 | 2023-12-05 | 哈尔滨工业大学 | 基于多特征感知的Faster R-CNN的探地雷达空洞目标识别方法 |
| CN117173618B (zh) * | 2023-09-06 | 2024-04-30 | 哈尔滨工业大学 | 基于多特征感知的Faster R-CNN的探地雷达空洞目标识别方法 |
| CN117077500A (zh) * | 2023-10-17 | 2023-11-17 | 深圳市城市交通规划设计研究中心股份有限公司 | 道路内部脱空的数值模拟建模方法、电子设备及存储介质 |
| CN117077500B (zh) * | 2023-10-17 | 2024-03-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 道路内部脱空的数值模拟建模方法、电子设备及存储介质 |
| CN117233754A (zh) * | 2023-11-08 | 2023-12-15 | 江苏筑升土木工程科技有限公司 | 基于雷达图像和人工智能的道路地下病害体检测系统 |
| CN117233755A (zh) * | 2023-11-08 | 2023-12-15 | 江苏筑升土木工程科技有限公司 | 道路路基病害和地下病害体的快速自动化探测系统 |
| CN117233755B (zh) * | 2023-11-08 | 2024-01-26 | 江苏筑升土木工程科技有限公司 | 道路路基病害和地下病害体的快速自动化探测系统 |
| CN117784264A (zh) * | 2024-02-28 | 2024-03-29 | 山东大学 | 基于探地雷达数据的输电塔间地下病害定位方法及系统 |
| CN117784264B (zh) * | 2024-02-28 | 2024-05-24 | 山东大学 | 基于探地雷达数据的输电塔间地下病害定位方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116597365A (zh) | 一种基于神经网络的地下病害体目标识别方法 | |
| Liu et al. | Detection and localization of rebar in concrete by deep learning using ground penetrating radar | |
| Kim et al. | Deep learning-based underground object detection for urban road pavement | |
| Yang et al. | 3D local feature BKD to extract road information from mobile laser scanning point clouds | |
| CN113256562B (zh) | 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 | |
| CN111476088B (zh) | 沥青路面水损害识别模型构建方法、识别方法及系统 | |
| CN103236063B (zh) | 基于多尺度谱聚类及决策级融合的sar图像溢油检测方法 | |
| Yu et al. | Automated detection of urban road manhole covers using mobile laser scanning data | |
| Luo et al. | GPR pattern recognition of shallow subsurface air voids | |
| CN108680137A (zh) | 基于无人机和探地雷达的地陷检测方法及探测装置 | |
| Satish Kumar et al. | Application of ERT and GPR for demarcating the saline water intrusion in coastal aquifers of Southern India | |
| CN104361590A (zh) | 一种控制点自适应分布的高分辨率遥感影像配准方法 | |
| Jiang et al. | Application of multitemporal InSAR covariance and information fusion to robust road extraction | |
| Ma et al. | Automatic detection of steel rebar in bridge decks from ground penetrating radar data | |
| Filin et al. | Detection of sinkhole hazards using airborne laser scanning data | |
| Winkelmaier et al. | Topographically guided UAV for identifying tension cracks using image-based analytics in open-pit mines | |
| Ahmadi et al. | Estimating geometrical parameters of cylindrical targets detected by ground-penetrating radar using template matching algorithm | |
| Mahrooghy et al. | A machine learning framework for detecting landslides on earthen levees using spaceborne SAR imagery | |
| CN116203559A (zh) | 一种地下岩土病害体智能化识别预警系统及方法 | |
| Xiong et al. | GPR-GAN: A ground-penetrating radar data generative adversarial network | |
| Huang et al. | Research on void signal recognition algorithm of 3D ground-penetrating radar based on the digital image | |
| Pisani et al. | Candidate cave entrances in a planetary analogue evaporite karst (Cordillera de la Sal, Chile): A remote sensing approach and ground-truth reconnaissance | |
| Ye et al. | Building detection by local region features in SAR images | |
| CN108303745A (zh) | 一种基于电磁波透地技术的地下电缆探测的反演方法 | |
| Jing et al. | Monitoring capabilities of a mobile mapping system based on navigation qualities |
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 |