CN116661005B - 一种实现地下管线精确探测的电磁波ct分析识别方法 - Google Patents
一种实现地下管线精确探测的电磁波ct分析识别方法 Download PDFInfo
- Publication number
- CN116661005B CN116661005B CN202310962596.2A CN202310962596A CN116661005B CN 116661005 B CN116661005 B CN 116661005B CN 202310962596 A CN202310962596 A CN 202310962596A CN 116661005 B CN116661005 B CN 116661005B
- Authority
- CN
- China
- Prior art keywords
- target
- electromagnetic wave
- underground pipeline
- image
- model
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004458 analytical method Methods 0.000 title claims abstract description 14
- 238000010521 absorption reaction Methods 0.000 claims abstract description 56
- 239000000523 sample Substances 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 18
- 238000005553 drilling Methods 0.000 claims abstract description 13
- 230000005672 electromagnetic field Effects 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000013145 classification model Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 15
- 230000005684 electric field Effects 0.000 claims description 10
- 102000011990 Sirtuin Human genes 0.000 claims description 7
- 108050002485 Sirtuin Proteins 0.000 claims description 7
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000035699 permeability Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000002247 constant time method Methods 0.000 abstract description 6
- 238000013527 convolutional neural network Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 239000011435 rock Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000003915 cell function Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000036299 sexual function Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- 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
-
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Geophysics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Electromagnetism (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Geophysics And Detection Of Objects (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种实现地下管线精确探测的电磁波CT分析识别方法，包括：在一个钻孔内设置发射探管，在地下形成电磁场；在另一个钻孔内设置接收探管，收集剩余电磁波信息，进行数据处理；根据数据处理获得探测区域电磁波吸收系数的空间分布形态，采用包含CNN骨干网络模型、Transformers编解码器结构以及目标分类模型、目标定位边界框模型的目标检测器执行训练阶段，进而执行地下管线目标检测和目标边界框的定位，据此推断出地下管线的位置。本发明的地下管线精确探测的电磁波CT方法，可以快速、精确的定位到地下管线的位置，且能够排除其它高吸收系数异常目标的干扰。
Description
技术领域
本发明涉及管线探测技术领域，尤其涉及一种实现地下管线精确探测的电磁波CT分析识别方法。
背景技术
地下管线网是城市运行与发展中不可或缺的重要基础设施，地下管线不仅为城市中居民提供重要的生活物资，更承担着为城市的发展提供基础资源和能量的责任。完善、发达的地下管线系统及其安全、稳定的运行是现代城市运转的保障和基础。
然而，部分地下管线的铺设年代久远，缺乏日常管理与维护，管线资料缺失的情况较为严重。在城市建设或者施工过程中，由于缺乏施工区域地下管线的实时管线图，且没有快速、精确的管线探测手段，所以无法获得实时的地下管线分布情况，导致施工过程中无法有效避开管线，进而导致管线被破坏，甚至造成一系列事故发生。
现有技术中对于管线的探测多为地质雷达地面探测，对地下管线的深度及位置探测不够精准，甚至对埋深较大的管线根本无法探测。而现有的钻孔探测的管线仪，多为单孔探测，只能探测管线深度，不能精确定位其位置。
针对以上问题，本发明人曾于2020年申请了在先的中国发明专利申请“一种地下管线精确探测的电磁波CT方法”，该在先专利申请的申请号为202010819791.6，其技术内容引入本专利申请作为参考。该在先专利申请提出在一个钻孔内设置发射探管，在地下形成电磁场，在另一个钻孔内设置接收探管，收集剩余电磁波信息，进行数据处理；根据数据处理获得探测区域电磁波吸收系数的空间分布形态，据此推断出地下管线的位置。然而，该在先专利申请是利用电磁波的吸收系数是否高于预设值（例如高于12.5）作为判断地下管线的依据，在实际应用中发现，地下的岩体、致密土质等也会造成吸收系数高于预设值，从而对地下管线的探测带来干扰和误识别。
发明内容
本发明的目的在于解决上述问题，提供一种快速、精确的实现地下管线精确探测的电磁波CT分析识别方法，基于电磁波吸收系数进行空间分布形态，利用神经网络识别，排除岩体、致密土质等其它类型高吸收系数异常目标的干扰。
为实现本发明的上述目的，本发明提供一种实现地下管线精确探测的电磁波CT分析识别方法，包括：
在一个钻孔内设置发射探管，在地下形成电磁场；
在另一个钻孔内设置接收探管，收集剩余电磁波信息，进行数据处理；
根据数据处理获得探测区域电磁波吸收系数的空间分布形态，采用包含CNN骨干网络模型、Transformers编解码器结构以及目标分类模型、目标定位边界框模型的目标检测器执行训练阶段，进而执行地下管线目标检测和目标边界框的定位，据此推断出地下管线的位置。
根据本发明的一个方面，发射探管端电磁波电场强度为，接收探管端电磁波电场强度为E，满足：/>；
其中，β表示介质对电磁波的吸收系数;r表示接收点与发射点距离;f(θ)表示天线方向因子;θ表示接收点处天线与电场方向夹角，e为自然常数。
根据本发明的一个方面，介质对电磁波的吸收系数β满足：；
其中，ω表示天线频率;μ表示介质的相对磁导率;σ表示介质的电导率;ε表示介质的相对介电常数。
根据本发明的一个方面，所述数据处理包括对于数据进行预处理：剔除采集数据的突变点，并对可疑数据比较前后数据变化趋势，结合相邻测点数据、地层岩性进行平滑处理。
根据本发明的一个方面，所述数据处理的具体做法为：
利用采集到的数据回执频率曲线，抽出最佳频率曲线，建立相应频率的数据文件；
从频率曲线中找出异常分布规律，并对最佳频率曲线进行优化处理，消除个别畸变点。
根据本发明的一个方面，所述数据处理包括:
数据处理通过反演计算钻孔剖面内各个网格的电磁波吸收系数β，根据采集数据重建吸收系数β的图像；
找出图像中高吸收系数异常处即为备选地下管线位置。
根据本发明的一个方面，采用SIRT方法进行吸收系数β图像的重建。
根据本发明的一个方面，所述目标检测器执行的训练阶段包括：在采集大量图像使用CNN骨干网络模型抽取特征图并拉直成特征向量；接着把该特征向量输出到Transformers的编码器-解码器，其中编码器用来进一步学习全局特征信息，所述解码器通过给定N个的目标查询与编码器的输出特征进行自注意力交互，并行地输出N个预测框；借助二分图匹配计算预测框和图片上真实的边界框之间的预测损失。
根据本发明的一个方面，所述目标检测器执行的训练阶段具体包括：对于初始的目标检测器，构造由图像-标签对构成的样本数据集；并针对组成目标检测器的各个模型，初始化该模型的各个参数；将图像样本输入基于CNN的骨干网络模型，生成低分辨率特征图；特征图通过Transformers的编码器和解码器，得到包含个预测的目标预测框输出集合；根据目标预测框输出集合，计算该集合和真实标签之间的集合预测损失；通过优化和真实标签之间的集合预测损失，获得对目标检测器的各个模型的参数估计。
根据本发明的一个方面，所述执行地下管线目标检测和目标边界框的定位包括：将含有备选地下管线区域的剖面图作为待检测目标图像，利用该训练完毕的目标检测器对输入的待检测目标图像进行检测，识别其中的地下管线区域并给出该地下管线区域边界框的定位坐标。
本发明的地下管线精确探测的电磁波CT方法，以地层中不同岩性电磁波吸收系数的差异为基础，通过布置在一个钻孔内的发射探管发送电磁波,从而在地下形成电磁场。电磁波在地层中传播，遇到不同地质体会发生反射、折射、散射的现象,这会改变电磁场的分布。再通过布置在另一个钻孔的接收探管收集剩余电磁波信息,进行数据处理后基于吸收系数进行电磁波CT图像的重建,就得到探测区电磁波吸收系数的空间分布形态,进而采用包含CNN骨干网络模型、Transformers编解码器结构以及目标分类模型、目标定位边界框模型的目标检测器，基于Transformers的全局特征提取能力，采用集合预测模式通过给定N个的目标查询（object query）与编码器的输出特征进行自注意力交互，借助二分图匹配计算预测框和图片上真实的边界框（bounding box）之间的预测损失的方式，实现目标检测和目标边界框的定位，从而能够排除其它高吸收系数异常目标的干扰，定位地下管线的位置，提高地下管线目标识别的精确性。
附图说明
图1示意性表示根据本发明一种实施方式的地下管线精确探测装置的结构图；
图2示意性表示钻孔网格化示意图；
图3示意性表示吸收系数示图；
图4示意性表示目标检测器结构框图；
图5a和图5b示意性表示真实框和预测框。
具体实施方式
为了更清楚地说明本发明实施方式或现有技术中的技术方案，下面将对实施方式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的一些实施方式，对于本领域普通技术人员而言，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。
在针对本发明的实施方式进行描述时，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底” “内”、“外”所表达的方位或位置关系是基于相关附图所示的方位或位置关系，其仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此上述术语不能理解为对本发明的限制。
下面结合附图和具体实施方式对本发明作详细地描述，实施方式不能在此一一赘述，但本发明的实施方式并不因此限定于以下实施方式。结合图1-图3所示，本发明提供一种地下管线精确探测的电磁波CT方法，包括S1、在一个钻孔内设置发射探管，在地下形成电磁场；S2、在另一个钻孔内设置接收探管，收集剩余电磁波信息，进行数据处理；S3、根据数据处理获得探测区域电磁波吸收系数的空间分布形态，据此推断出地下管线的位置。
本发明的地下管线精确探测的电磁波CT依据于地下管线精确探测装置，装置包括绞车1、设置在绞车1上的数据采集器2，数据采集器2两端分别连接有第一电缆21和第二电缆22。第一电缆21的另一端连接有用于置于任一地下钻孔中的发射探管3，第二电缆22的另一端连接有用于置于其他地下钻孔中的接收探管4。发射探管3设有半波偶极天线，接收探管4设有鞭状天线。
本发明的地下管线精确探测的电磁波CT方法的原理为，以地层中不同岩性电磁波吸收系数的差异为基础，通过布置在一个钻孔内的发射探管3发送电磁波,从而在地下形成电磁场。电磁波在地层中传播,遇到不同地质体会发生反射、折射、散射的现象,这会改变电磁场的分布。再通过布置在另一个钻孔的接收探管4收集剩余电磁波信息,进行数据处理后,就得到探测区电磁波吸收系数的空间分布形态,进而推断异常体的物性、产状等参数。
具体来说，设发射探管3电磁波电场强度为，接收探管4电磁波电场强度为E，满足：/>；
上述公式中，β表示介质对电磁波的吸收系数;r表示接收点与发射点距离;f(θ)表示天线方向因子;θ表示接收点处天线与电场方向夹角，e为自然常数。
而介质对电磁波的吸收系数β又满足：，其中，ω表示天线频率;μ表示介质的相对磁导率;σ表示介质的电导率;ε表示介质的相对介电常数。
由上述公式可知，当ω,μ一定时,介质对电磁波的吸收系数β主要与σ,ε有关。而σ越大,就意味着介质的导电性能越好,场强衰减的越快。实际工作中，围岩和地质异常体（无论是高吸收、低吸收）存在电阻率差异，电磁波在围岩和异常体界面处产生反射、折射、散射效应，接收天线收到的电磁波场强减小、异常都判定为高吸收异常。
本发明的地下管线精确定位装置，具有扫频功能，可一次测量多个频率的数据。一般选用4MHz、8MHz、16MHz扫频测量。测量方法采用同步和定点结合，同步扫面后，定点精测，发射点距为1m，测量点距0.2m，接收点距越小，探测分辨率越高，都采用了对调测量的方式，确保无测量盲区，使数据资料可信可靠。发射天线和接收天线长度均为1m。
结合图1所示，本发明的地下管线精确定位转至，通过探管的上下移动采集整个剖面的电磁波电场强度数据，将测得的数据存储在地面数据采集器2中，随后导入计算机进行数据处理及反演。
具体做法如下：首先对数据进行预处理，预处理是剔除采集数据的突变点,并对可疑数据比较前后数据变化趋势,结合相邻测点数据、地层岩性等进行平滑处理。预处理的目的是筛选可信数据,具体做法:利用采集到的数据绘制频率曲线,抽出最佳频率曲线,建立相应频率的数据文件。然后从频率曲线中找出异常分布规律,并对最佳频率曲线进行优化处理,消除个别畸变点。
结合图2所示，本发明的数据处理通过反演计算剖面内各个网格的吸收系数β,根据采集数据重建吸收系数β的图像如图3所示。目前应用较多的计算吸收系数β的方法有代数重建技术(ART)、联合迭代重建技术(SIRT)、阻尼最小二乘法(LSQR)等。SIRT方法是基于ART方法的改进,二者都是求解线性代数方程组。ART方法在计算过程中,对投影数据的分配与网格单元函数的更新是同时进行的,而SIRT方法是先分配投影数据,所有的网格单元都分配到数据后再对单元内图像函数进行更新。与ART方法相比,SIRT方法可以更好地减弱甚至消除噪声,增强数据网格的平滑程度与数据的完整性,同时迭代收敛性较好,收敛速度也较快。
SIRT方法电磁波CT图像重建,是将探测区域进行网格化(如图2所示),并假设所有网格内介质均匀,吸收系数一致。由图2可知,第i条射线(发射到接收的路径)的长度为该射线通过的所有网格的总距离,可表示为：，
代入公式:
，
式中：k 为迭代次数；为第j网格第k次迭代的吸收系数；/>为通过第j 个网格的射线总数；/>为第i条射线进行第k次迭代后的场强。
最后迭代出每个网格的吸收系数β，利用软件网格化数据成剖面图，如图3所示，其中高吸收异常区域——例如吸收系数β高于12.5的区域——即为备选地下管线区域。
进而，将包含备选地下管线区域的剖面图输入一个以地下管线区域作为检测目标的目标检测器，参见图4，该目标检测器采用基于CNN的骨干网络（backbone）模型、基于Transformers的编码器-解码器模型以及目标分类模型、目标定位边界框模型的架构，来执行对剖面图中以地下管线区域为目标的目标检测，从而从剖面图中精确识别出地下管线区域目标，而排除其他类型的高吸收异常物体的干扰。
且该目标检测器利用了Transformers的全局建模能力，把目标检测看成集合预测问题，因为有了全局特征提取能力，不用输出许多冗余的预测框，也无需后续展开非极大值抑制（NMS）后处理，而是直接输出剖面图像中以地下管线区域为目标的唯一预测框，极大简化了模型的训练和部署，无需很多的人工干预和先验知识。
该目标检测器的执行过程包括以下阶段：在训练阶段，先采集大量图像，使用卷积神经网络（CNN）抽取特征图并拉直成向量；接着把该特征向量输出到Transformers的编码器-解码器，其中编码器用来进一步学习全局特征信息，为下面的解码器即出预测框铺垫；第三步是解码器的阶段，通过给定N个的目标查询（object query）与编码器的输出特征进行自注意力交互，可以并行地输出N个预测框；第四步，借助二分图匹配计算预测框和图片上真实的边界框（bounding box）之间的预测损失。
下面先具体介绍该目标检测器的训练过程：
步骤S1：对于初始的目标检测器，构造由图像-标签对构成的样本数据集；并针对组成目标检测器的各个模型，初始化该模型的各个参数。
具体来说，图像-标签对构成的样本数据集为：
其中，这里是样本容量,/>是样本的第/>张图像，/>是图像高度，/>是图像宽度；/>是样本的第/>张图像中最多/>个目标类别和边界框定位向量共同构成的标签，/>是预先设定为目标最大个数的一个整数，且该整数显著大于图像中可能存在的目标个数；其中/>，/>是样本的第/>张图像中第/>个真实目标的类别标签（当目标是图像背景时取值为/>），/>是第/>张图像中第/>个真实目标边界框的标准化的中心点坐标及相对图像大小的高和宽构成的4维向量。
这里的样本图像可以选取电磁波CT图像重建所形成的吸收系数β的网格化剖面图；且每幅样本图像的标签中，目标类别标签标识了该剖面图中的高吸收异常目标的目标类别，其中地下管线为一个目标类别类型，也包括其他造成高吸收异常的目标类别类型，且标签还包括剖面图中的每个高吸收异常目标所对应的目标边界框。
对于基于CNN的骨干网络模型，导入由Imagenet数据集预训练好的ResNet系列模型(如ResNet-50模型)中除去用于分类层之后的卷积层构成的模型，/>是ResNet-50模型前面5个卷积残差块(bottleneck residual block)部分，/>是预训练好的ResNet模型卷积层所有参数构成的参数张量(tensor)，/>为输入该基于CNN的骨干网络模型的上述图像样本；还初始化用于降低通道数的全卷积网络模型/>的参数张量/>，其中/>是生成的低分辨率特征图，其中/>，。
初始化用于提取全局特征的Transformer编码器和解码器模型的参数张量/>。
初始化用于每个目标分类模型中的参数张量/>，/>是第/>个目标预测解码特征；初始化用于每个目标定位边界框模型/>的中的参数张量；初始化用于目标查询(object queries)的参数张量/>；初始化用于位置编码(positional encoding)的参数张量/>。
步骤S2：将图像样本输入基于CNN的骨干网络模型，生成低分辨率特征图。
将图像样本输入基于CNN的骨干网络模型的/>，得到
，
如前文所述，这里，是ResNet-50模型前面5个卷积残差块(bottleneckresidual block)部分,/>是ResNet-50模型所有参数构成的参数张量(tensor)，是生成的低分辨率特征图，其中/>，/>。
步骤S3：特征图通过Transformers的编码器和解码器，得到包含/>个预测的集合。
首先，使用个/>的卷积核/>拼接(concate)成的/>，将特征图/>降维成通道数为/>的新的高水平特征图/>，即/>，符号/>表示图像/>与卷积核之间的卷积运算,/>。
接着，将特征图和位置编码参数/>相加, 然后将两者之和求出的张量中的的平面形状拉直，从而将形状更改(表示为reshape) 为/>，并转置成为的张量，作为Transformer的编码器的输入,记为/>，即
，
这里，是Transformer的编码器的输入; 将/>通过Transformer的带多头(Multi-head)自注意力(self-attention)机制的编码器，得到和/>同样形状的特征编码，即/>，这里/>，/>是Transformer编码器模块的参数张量；将/>和目标查询(object queries)的参数张量/>通过交叉注意力(cross-attention) 机制解码器，得到N个目标预测解码特征/>，即/>，是N个目标预测解码/>所组成的张量，/>是Transformer解码器模块的参数张量，编码器的参数/>和解码器的/>共同组成Transformer 的参数张量/>；
将分别通过目标分类模型/>和目标定位边界框模型，以上模型由一个前馈神经网络(Feed forward neural networks，FFN)构成，得到含N个目标预测框 (output) 集合的/>，即
，
步骤S4：根据目标预测框输出集合，计算/>和真实标签/>之间的集合预测损失。
首先，使用求解二分图匹配的匈牙利算法(Hungarian algorithm), 寻找一个如下损失最小的二分图匹配，即寻找一个序列[1,2,...,N] 的置换(permutation)，使得
，
这里，表示序列 [1,2,...,N] 的所有可能的置换为元素构成的集合，为二分图匹配损失，该/>为
，
其中，为示性函数，即当/>时，/>；当/>时，，/>表示集合/>中的第/>个预测为第/>类的概率；/>为交并比损失，表示为：
，
其中，表示/>对应的真实框和/>对应的预测框之间推广的交并比(Generalized Intersection over Union，GIoU) 损失;/>表示向量1-范数，这里一个向量/>的1-范数定义为：
，
是超参数。
其中，下面就上文提到的对应的真实框和/>对应的预测框之间推广的交并比损失/>说明如下。假设/>对应的真实框如图5a中的图框A，/>对应的预测框如图5a中的图框B，则二者的交并比（IoU）定义如下：
，
这里，和/>分别表示/>和/>区域面积。/>预测/>的交并比损失定义为：
；
进而，在图5b中，以框C表示框A、B的最小外接矩形，则预测/>的推广的交并比损失定义为：
，
其中为图5b中黑色区域面积，则推广的交并比损失/>相对于增加了一项惩罚，能够更好度量边界框的预测好坏。
继而，根据所得的最优置换，计算/>和真实标签/>之间的集合预测损失，即：
；
步骤S5：通过优化和真实标签/>之间的集合预测损失/>，获得对目标检测器的各个模型的参数估计。可以使用pytorch中Adam算法优化损失/>，获得优化后的目标检测器各个模型的参数估计，表示为：
。进而，基于步骤S5中获得的参数估计赋值目标检测器的各个模型，形成训练完毕的目标检测器。
将含有备选地下管线区域的剖面图作为待检测目标图像，利用该训练完毕的目标检测器对输入的待检测目标图像进行检测，识别其中的地下管线区域并给出该地下管线区域边界框的定位坐标。
具体来说，步骤S6: 将含有备选地下管线区域的剖面图作为待检测目标图像，输入该训练完毕的目标检测器的CNN骨干网络模型以及Transformer的encoder和decoder，输出N个预测解码特征。
步骤S7：将这N个预测解码特征分别通过训练好的目标分类模型和目标定位边界框模型/>，得到含N个目标预测框集合的/>, 即/>，这里，/>是第/>个预测框属于所有可能类别（包括背景类）的概率值构成的向量，/>则是第/>个预测框目标定位的向量。
步骤S8： 若在概率向量中，对应地下管线目标类别的向量元素的最大值大于给定的阈值(例如取为0.7)，则将图像/>识别为包含地下管线区域，并给出该地下管线目标相应的边界框的定位坐标/>。
本发明的地下管线精确探测的电磁波CT方法，以地层中不同岩性电磁波吸收系数的差异为基础，通过布置在一个钻孔内的发射探管发送电磁波,从而在地下形成电磁场。电磁波在地层中传播，遇到不同地质体会发生反射、折射、散射的现象,这会改变电磁场的分布。再通过布置在另一个钻孔的接收探管收集剩余电磁波信息,进行数据处理后基于吸收系数进行电磁波CT图像的重建,就得到探测区电磁波吸收系数的空间分布形态,进而采用包含CNN骨干网络模型、Transformers编解码器结构以及目标分类模型、目标定位边界框模型的目标检测器，基于Transformers的全局特征提取能力，采用集合预测模式通过给定N个的目标查询（object query）与编码器的输出特征进行自注意力交互，借助二分图匹配计算预测框和图片上真实的边界框（bounding box）之间的预测损失的方式，实现目标检测和目标边界框的定位，从而能够排除其它高吸收系数异常目标的干扰，定位地下管线的位置，提高地下管线目标识别的精确性。
以上所述仅为本发明的一个实施方式而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (8)
1.一种实现地下管线精确探测的电磁波CT分析识别方法，包括：
在一个钻孔内设置发射探管，在地下形成电磁场；
在另一个钻孔内设置接收探管，收集剩余电磁波信息，进行数据处理；
根据数据处理获得探测区域电磁波吸收系数的空间分布形态，采用包含CNN骨干网络模型、Transformers编解码器结构以及目标分类模型、目标定位边界框模型的目标检测器执行训练阶段，进而执行地下管线目标检测和目标边界框的定位，据此推断出地下管线的位置；
所述目标检测器执行的训练阶段包括：对于初始的目标检测器，构造由图像-标签对构成的样本数据集为：
其中，这里是样本容量,/>是样本的第/>张图像，/>是图像高度，/>是图像宽度；/>是样本的第/>张图像中最多/>个目标类别和边界框定位向量共同构成的标签，/>是预先设定为目标最大个数的一个整数；其中/> ，/>是样本的第/>张图像中第/>个真实目标的类别标签，/>是第/>张图像中第/>个真实目标边界框的标准化的中心点坐标及相对图像大小的高和宽构成的4维向量; 样本的图像选取电磁波CT图像重建所形成的吸收系数β的网格化剖面图；所述类别标签标识了该剖面图中的高吸收异常目标的目标类别，其中地下管线为一个目标类别类型，也包括其他造成高吸收异常的目标类别类型；所述目标边界框是剖面图中的每个高吸收异常目标所对应的目标边界框；
并针对组成目标检测器的各个模型，初始化该模型的各个参数；
采集大量图像样本输入基于CNN的骨干网络模型，生成低分辨率特征图，将图像样本输入基于CNN的骨干网络模型的/>，得到:
这里，是ResNet-50模型前面5个卷积残差块部分, />是ResNet-50模型所有参数构成的参数张量，/> 是生成的低分辨率特征图，其中/>,;
使用个 /> 的卷积核/>拼接成的/>，将特征图/>降维成通道数为的新的高水平特征图/>，即
符号表示图像/>与卷积核之间的卷积运算,/>;将特征图/>和位置编码参数/>相加, 然后将两者之和求出的张量中的/>的平面形状拉直，从而将形状更改为/>，并转置成为/>的张量，作为向Transformer的编码器输入的特征向量，记为/>，即
；
接着把该特征向量输出到Transformers的编码器-解码器，其中编码器用来进一步学习全局特征信息，得到和/>同样形状的特征编码/>, 即
，
这里, /> 是Transformer编码器模块的参数张量；
将给定N个的目标查询的参数张量 与编码器的输出特征编码/>通过交叉注意力机制的所述解码器，得到N个目标预测解码特征/>, 即
,
是N个目标预测解码 />所组成的张量， />是Transformer解码器模块的参数张量；
将分别通过目标分类模型/>和目标定位边界框模型/>，并行地输出N个预测框组成的目标预测框输出集合：
；
根据目标预测框输出集合，计算该集合和真实标签/>之间的集合预测损失：
其中 表示集合/>中的第/>个预测为第/>类的概率；/>为交并比损失；
通过优化和真实标签之间的集合预测损失，获得对目标检测器的各个模型的参数估计。
2.根据权利要求1所述的实现地下管线精确探测的电磁波CT分析识别方法，其特征在于，发射探管端电磁波电场强度为，接收探管端电磁波电场强度为E，满足：；
其中，β表示介质对电磁波的吸收系数；r表示接收点与发射点距离；f(θ)表示天线方向因子；θ表示接收点处天线与电场方向夹角，e为自然常数。
3.根据权利要求2所述的实现地下管线精确探测的电磁波CT分析识别方法，其特征在于，介质对电磁波的吸收系数β满足：；
其中，ω表示天线频率;μ表示介质的相对磁导率;σ表示介质的电导率;ε表示介质的相对介电常数。
4.根据权利要求1所述的实现地下管线精确探测的电磁波CT分析识别方法，其特征在于，所述数据处理包括对于数据进行预处理：剔除采集数据的突变点，并对可疑数据比较前后数据变化趋势，结合相邻测点数据、地层岩性进行平滑处理。
5.根据权利要求4所述的实现地下管线精确探测的电磁波CT分析识别方法，其特征在于，所述数据处理的具体做法为：
利用采集到的数据回执频率曲线，抽出最佳频率曲线，建立相应频率的数据文件；
从频率曲线中找出异常分布规律，并对最佳频率曲线进行优化处理，消除个别畸变点。
6.根据权利要求5所述的实现地下管线精确探测的电磁波CT分析识别方法，其特征在于，所述数据处理还包括:
数据处理通过反演计算钻孔剖面内各个网格的电磁波吸收系数β，根据采集数据重建吸收系数β的图像；
找出图像中高吸收系数异常处即为备选地下管线位置。
7.根据权利要求6所述的实现地下管线精确探测的电磁波CT分析识别方法，其特征在于，采用SIRT方法进行吸收系数β图像的重建。
8.根据权利要求1所述的实现地下管线精确探测的电磁波CT分析识别方法，其特征在于，所述执行地下管线目标检测和目标边界框的定位包括：将含有备选地下管线区域的剖面图作为待检测目标图像，利用该训练完毕的目标检测器对输入的待检测目标图像进行检测，识别其中的地下管线区域并给出该地下管线区域边界框的定位坐标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310962596.2A CN116661005B (zh) | 2023-08-02 | 2023-08-02 | 一种实现地下管线精确探测的电磁波ct分析识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310962596.2A CN116661005B (zh) | 2023-08-02 | 2023-08-02 | 一种实现地下管线精确探测的电磁波ct分析识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116661005A CN116661005A (zh) | 2023-08-29 |
| CN116661005B true CN116661005B (zh) | 2023-12-12 |
Family
ID=87714015
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310962596.2A Active CN116661005B (zh) | 2023-08-02 | 2023-08-02 | 一种实现地下管线精确探测的电磁波ct分析识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116661005B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5485148A (en) * | 1993-03-31 | 1996-01-16 | Tseng; Ling-Yuan | Pipeline fluid travel monitoring system |
| CN101566687A (zh) * | 2008-04-23 | 2009-10-28 | 中国矿业大学(北京) | 地质雷达数控采集系统 |
| CN111830578A (zh) * | 2020-08-14 | 2020-10-27 | 中国地质科学院地球物理地球化学勘查研究所 | 一种地下管线精确探测的电磁波ct方法 |
| CN114638784A (zh) * | 2022-02-17 | 2022-06-17 | 中南大学 | 一种基于fe-yolo的铜管表面缺陷检测方法及装置 |
| CN114943888A (zh) * | 2022-03-24 | 2022-08-26 | 中国人民解放军海军大连舰艇学院 | 基于多尺度信息融合的海面小目标检测方法、电子设备及计算机可读介质 |
-
2023
- 2023-08-02 CN CN202310962596.2A patent/CN116661005B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5485148A (en) * | 1993-03-31 | 1996-01-16 | Tseng; Ling-Yuan | Pipeline fluid travel monitoring system |
| CN101566687A (zh) * | 2008-04-23 | 2009-10-28 | 中国矿业大学(北京) | 地质雷达数控采集系统 |
| CN111830578A (zh) * | 2020-08-14 | 2020-10-27 | 中国地质科学院地球物理地球化学勘查研究所 | 一种地下管线精确探测的电磁波ct方法 |
| CN114638784A (zh) * | 2022-02-17 | 2022-06-17 | 中南大学 | 一种基于fe-yolo的铜管表面缺陷检测方法及装置 |
| CN114943888A (zh) * | 2022-03-24 | 2022-08-26 | 中国人民解放军海军大连舰艇学院 | 基于多尺度信息融合的海面小目标检测方法、电子设备及计算机可读介质 |
Non-Patent Citations (1)
| Title |
|---|
| 地下管线物探原理及探测方法分析;李骄阳;江西建材;43-44、48 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116661005A (zh) | 2023-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Detection and localization of rebar in concrete by deep learning using ground penetrating radar | |
| Liu et al. | GPRInvNet: Deep learning-based ground-penetrating radar data inversion for tunnel linings | |
| Dias et al. | Automatic detection of fractures and breakouts patterns in acoustic borehole image logs using fast-region convolutional neural networks | |
| Yamaguchi et al. | Mapping subsurface utility pipes by 3-D convolutional neural network and Kirchhoff migration using GPR images | |
| Su et al. | End-to-end deep learning model for underground utilities localization using GPR | |
| Wang et al. | GPRI2Net: A deep-neural-network-based ground penetrating radar data inversion and object identification framework for consecutive and long survey lines | |
| CN109685011A (zh) | 一种基于深度学习的地下管线检测识别方法 | |
| CN114355447B (zh) | 一种隧道工程围岩等级快速划分方法及装置 | |
| Mohebbi et al. | Rock mass structural data analysis using image processing techniques (Case study: Choghart iron ore mine northern slopes) | |
| CN111830578A (zh) | 一种地下管线精确探测的电磁波ct方法 | |
| Hu et al. | Reconstructing unseen spaces in collapsed structures for search and rescue via deep learning based radargram inversion | |
| Chen et al. | A novel image-based approach for interactive characterization of rock fracture spacing in a tunnel face | |
| CN114913434B (zh) | 一种基于全局关系推理的高分辨率遥感影像变化检测方法 | |
| Dafflon et al. | Simulated-annealing-based conditional simulation for the local-scale characterization of heterogeneous aquifers | |
| Feng et al. | Robotic inspection of underground utilities for construction survey using a ground penetrating radar | |
| CN117876381A (zh) | 用于混凝土结构裂缝识别和分析的ai视觉检测方法和系统 | |
| Xue et al. | Rock mass fracture maps prediction based on spatiotemporal image sequence modeling | |
| Imai et al. | Reflectivity-consistent sparse blind deconvolution for denoising and calibration of multichannel GPR volume images | |
| 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 | |
| El-Shenawee et al. | Multiple-incidence and multifrequency for profile reconstruction of random rough surfaces using the 3-D electromagnetic fast multipole model | |
| CN116661005B (zh) | 一种实现地下管线精确探测的电磁波ct分析识别方法 | |
| Feng et al. | Subsurface Object 3D Modeling Based on Ground Penetration Radar Using Deep Neural Network | |
| Wang et al. | Underground infrastructure detection and localization using deep learning enabled radargram inversion and vision based mapping | |
| CN117351321A (zh) | 一种单阶段轻量化的地铁衬砌空洞识别方法及相关设备 | |
| Zhang et al. | A deep learning method for rough surface clutter reduction in GPR image |
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 |