CN118225808A - 隧道壁后缺陷抗干扰检测方法、装置及相关设备 - Google Patents
隧道壁后缺陷抗干扰检测方法、装置及相关设备 Download PDFInfo
- Publication number
- CN118225808A CN118225808A CN202410034090.XA CN202410034090A CN118225808A CN 118225808 A CN118225808 A CN 118225808A CN 202410034090 A CN202410034090 A CN 202410034090A CN 118225808 A CN118225808 A CN 118225808A
- Authority
- CN
- China
- Prior art keywords
- network
- wavelet
- signal
- target signal
- coherence
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 69
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims description 90
- 230000005284 excitation Effects 0.000 claims abstract description 36
- 230000009466 transformation Effects 0.000 claims abstract description 34
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 30
- 230000004044 response Effects 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 12
- 230000002950 deficient Effects 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 5
- 230000004069 differentiation Effects 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 20
- 238000010276 construction Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000001427 coherent effect Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000011435 rock Substances 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 229910001294 Reinforcing steel Inorganic materials 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000004567 concrete Substances 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000011440 grout Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 239000012237 artificial material Substances 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000009430 construction management Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000011178 precast concrete Substances 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N22/00—Investigating or analysing materials by the use of microwaves or radio waves, i.e. electromagnetic waves with a wavelength of one millimetre or more
- G01N22/02—Investigating the presence of flaws
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Electromagnetism (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请提供的一种隧道壁后缺陷抗干扰检测方法、装置及相关设备,包括:响应于通过接收天线获取到一组回波信号后,确定其中一个回波信号为目标信号,并确定一个与目标信号相邻的相邻信号;其中,一组回波信号为接收天线的承载装置,每移动设定距离后通过激发天线激发的电磁信号在隧道壁后传播并反射形成的;分别对目标信号及相邻信号进行连续小波变换,根据变换结果进行目标信号及相邻信号的小波相干性的确定,得到相干性结果;将相干性结果输入完成训练的以残差网络作为主干网络的基于区域的卷积神经网络,以根据相干性结果进行是否有缺陷的判断和缺陷位置的确定,生成并输出检测图像。
Description
技术领域
本申请涉及地质监测技术领域,尤其涉及一种隧道壁后缺陷抗干扰检测方法、装置及相关设备。
背景技术
在当前隧道建设等地下建设项目中,盾构法已经成为主流的施工方法。在盾构过程中,将浆液注入盾构管片与地层之间的空隙中,可以有效减少地层损失,增强上部地基稳定性。然而在注浆过程中,浆液对空隙的填充情况是难以直接观测到,在具体实施时注浆不完全的情况时有发生。而注浆不均匀、注浆存在空洞等问题,可能导致如地下水渗漏、地面塌陷等严重的地质灾害,并对地下建设工程造成严重的影响,甚至威胁到施工人员的生命安全。
发明内容
有鉴于此,本申请提出一种隧道壁后缺陷抗干扰检测方法、装置及相关设备,以解决或部分解决上述问题。
基于上述目的,本申请提供了一种隧道壁后缺陷抗干扰检测方法,包括:
响应于通过接收天线获取到一组回波信号后,确定其中一个回波信号为目标信号,并确定一个与所述目标信号相邻的相邻信号;其中,所述一组回波信号为所述接收天线的承载装置,每移动设定距离后通过激发天线激发的电磁信号在隧道壁后传播并反射形成的;
分别对所述目标信号及所述相邻信号进行连续小波变换,根据变换结果进行所述目标信号及所述相邻信号的小波相干性的确定,得到相干性结果;
将所述相干性结果输入完成训练的以残差网络作为主干网络的基于区域的卷积神经网络,以根据所述相干性结果进行是否有缺陷的判断和缺陷位置的确定,生成并输出检测图像。
在一些示例性实施例中,所述分别对所述目标信号及所述相邻信号进行连续小波变换,包括:
将莫奈特子波作为连续小波变换的小波基,进行所述连续小波变换;
所述连续小波变换,具体为:
其中,和/>分别表示目标信号和相邻信号对应的连续小波变换结果,n为目标信号或相邻信号对应的采样点编号,n∈(1,…,N),N为总采样点数,s为莫奈特子波的基规模,t为莫奈特子波定义的标准时间,δt为时间t的微分,莫奈特子波ω0为无量纲频率,ω0=6,η为无量纲时间,/>xn′和yn′分别表示在n′采样点时目标信号和相邻信号的信号幅值。
在一些示例性实施例中,所述相干性结果,具体为:
其中, 表示对/>进行共轭转置,/>和分别表示目标信号和相邻信号对应的小波频率,S表示平滑预设算子。
在一些示例性实施例中,所述分别对所述目标信号及所述相邻信号进行连续小波变换之后,所述方法还包括:
分别确定所述目标信号及所述相邻信号进行连续小波变换之后的变换结果对应的小波频率;
响应于在任一变换结果中确定出所述小波频率小于或等于预设阈值的边缘位置,对所述边缘位置进行平滑处理。
在一些示例性实施例中,所述残差网络具体为ResNet-50网络,所述基于区域的卷积神经网络具体为Faster RCNN网络;
所述以残差网络作为主干网络的基于区域的卷积神经网络,具体为:
将作为所述Faster RCNN网络主干网络的CNN网络替换为所述ResNet-50网络,并将所述Faster RCNN网络池化层连接的多层全连接层替换为所述ResNet-50网络的多层残差块结构。
在一些示例性实施例中,所述以残差网络作为主干网络的基于区域的卷积神经网络的训练过程,包括:
在训练集中选取一对训练图像及对照图像组成的训练对;
将所述训练对输入所述以残差网络作为主干网络的基于区域的卷积神经网络,以对所述训练图像同步进行是否有缺陷的判断和缺陷位置的确定,生成中间图像;
根据所述中间图像与所述对照图像之间的相似性,对所述以残差网络作为主干网络的基于区域的卷积神经网络进行网络参数的调整,以此循环,直至达到预设终止条件,完成训练。
在一些示例性实施例中,所述响应于通过接收天线获取到一组回波信号后之后,所述方法还包括:
响应于确定任意两个回波信号为对应的所述激发天线与对应的所述接收天线均在相同位置生成的,将所述两个回波信号进行波形图像的叠加合并。
基于同一构思,本申请还提供了一种隧道壁后缺陷抗干扰检测装置,包括:
装置主体;
至少一组激发天线与接收天线,设置于所述装置主体朝向隧道壁的一侧;
主机模块,设置于所述装置主体,与所述激发天线与所述接收天线通信连接,被配置为能够执行如上任一项所述的隧道壁后缺陷抗干扰检测方法。
基于同一构思,本申请还提供了一种电子设备,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任一项所述的方法。
基于同一构思,本申请还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使计算机实现如上任一项所述的方法。
从上面所述可以看出,本申请提供的一种隧道壁后缺陷抗干扰检测方法、装置及相关设备,包括:响应于通过接收天线获取到一组回波信号后,确定其中一个回波信号为目标信号,并确定一个与目标信号相邻的相邻信号;其中,一组回波信号为接收天线的承载装置,每移动设定距离后通过激发天线激发的电磁信号在隧道壁后传播并反射形成的;分别对目标信号及相邻信号进行连续小波变换,根据变换结果进行目标信号及相邻信号的小波相干性的确定,得到相干性结果;将相干性结果输入完成训练的以残差网络作为主干网络的基于区域的卷积神经网络,以根据相干性结果进行是否有缺陷的判断和缺陷位置的确定,生成并输出检测图像。本申请通过接收天线接收到一组回波信号之后,进行一个信号与相邻信号的连续小波变换,进行两个信号之间的小波相干性判断,利用连续小波变换在小波相干性判断对相应干扰波的抗干扰能力,进行抗干扰检测,并且利用神经网络,进行是否有缺陷和缺陷位置的同步判断,以此在屏蔽掉干扰的情况下,有效快速的确定隧道壁后是否有缺陷,并且在检测图中进行缺陷位置的定位。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关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申请的实施例,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为本申请实施例提供的示例性方法的流程示意图。
图2为本申请实施例提供的示例性方法的小波相干性的抗干扰实验的信号波形示意图。
图3为本申请实施例提供的示例性方法的小波相干性的抗干扰实验的小波相干结果的示意图。
图4为本申请实施例提供的示例性方法的ResNet-50残差网络的结构示意图。
图5为本申请实施例提供的示例性方法的以残差网络作为主干网络的基于区域的卷积神经网络与Faster RCNN网络的结构比较示意图。
图6为本申请实施例提供的示例性装置的结构示意图。
图7为本申请实施例提供的电子设备结构示意图。
具体实施方式
为使本说明书的目的、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,对本说明书进一步详细说明。
需要说明的是,除非另外定义,本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“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、物件或者方法步骤涵盖出现在该词后面列举的元件、物件或者方法步骤及其等同,而不排除其他元件、物件或者方法步骤。“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。
如背景技术部分所述,盾构法是暗挖法施工中的一种全机械化施工方法。它是将盾构机械在地中推进,通过盾构外壳和管片支承四周围岩防止发生往隧道内的坍塌。同时在开挖面前方用切削装置进行土体开挖,通过出土机械运出洞外,靠千斤顶在后部加压顶进,并拼装预制混凝土管片,形成隧道结构的一种机械化施工方法。
过去针对盾构法中的注浆过程,通常以浆液是否溢出注浆孔或者注浆压力是否达到设计标准来判断注浆是否完整。但是这种方式过于依赖操作人员的经验判断,并且由于操作人员无法观察到管片之后的注浆具体情况,很难保证注浆的完整情况。进而出现了无损探测手段(Nondestructive testing,NDT)为壁后注浆检测提供了一个新的思路。目前,无损探测被广泛的应用于各类混凝土结构的检测中,都取得了较好的结果。其中地质雷达(Ground penetrating radar,GPR)是最常用的无损探测手段,由于其快速、易开展、结果可靠、分辨率高的特点,在大多数工程实践中得到了成功的应用。但是地质雷达方法在应用于盾构法的管片壁后注浆检测中面临着几个重要问题:(1)盾构管片中设置有钢筋,这种金属导电物体,会产生强烈的电磁波反射,会对地质雷达的探测结果造成剧烈干扰,甚至掩盖后续的注浆体缺陷有效反射;(2)在盾构注浆时,若过早进行地质雷达无损检测,管片与围岩的空隙中充满液体,地质雷达无法区分缺陷所在,若过晚进行地质雷达检测,注浆体已凝固,空气空腔与周围岩体无明显介电常数差异时,仅产生微弱的反射信号,该反射信号通常十分难以识别。
结合上述实际情况,本申请实施例提供了一种隧道壁后缺陷抗干扰检测方案。本申请通过接收天线接收到一组回波信号之后,进行一个信号与相邻信号的连续小波变换,进行两个信号之间的小波相干性判断,利用连续小波变换在小波相干性判断对相应干扰波的抗干扰能力,进行抗干扰检测,并且利用神经网络,进行是否有缺陷和缺陷位置的同步判断,以此在屏蔽掉干扰的情况下,有效快速的确定隧道壁后是否有缺陷,并且在检测图中进行缺陷位置的定位。
参考图1,其为本申请示例性实施例提供的隧道壁后缺陷抗干扰检测方法的流程示意图。
具体隧道壁后缺陷抗干扰检测方法,包括以下步骤:
步骤102,响应于通过接收天线获取到一组回波信号后,确定其中一个回波信号为目标信号,并确定一个与所述目标信号相邻的相邻信号;其中,所述一组回波信号为所述接收天线的承载装置,每移动设定距离后通过激发天线激发的电磁信号在隧道壁后传播并反射形成的。
在本步骤中,可以利用相应的地质雷达等装置,进行地质检测信号的激发和接收,通常利用激发天线进行用于地质检测的电磁信号的激发,这些电磁信号在隧道壁后进行传播,当遇到缺陷(孔隙等)或干扰项(钢筋等)时会发生一定的反射,反射的信号通过接收天线进行接收,完成一次回波信号的接收。在本实施例中,波形信号一般通过图像的方式进行呈现,则一个回波信号即对应一个波形图,该波形图中表明了回波信号在本次信号激发过程中的波形变化情况。之后,接收天线和激发天线的承载装置可以简单理解为一个震动发生及接收装置,该装置可以沿隧道壁进行移动。由于盾构管片本身是较为均匀的人工材质,其中杂质较少,从而产生的回波也较少,仅在预埋的钢筋位置会产生较强的干扰信号;而到达注浆层之后由于浆液是通过盾构管片上特定的注浆孔注入的,从而在其中可能存在气泡点或空隙点等等,进而电磁信号在遇到这些缺陷点时会产生回波,被特定的接收天线等接收后,最终生成回波信号。而用于承载接收天线和激发天线的承载装置会按照一定的速度进行移动,进而激发天线可以每间隔设定的距离就进行一层信号的激发,同一接收天线接收到的一定时间内的回波信号即为一组回波信号。例如可以设置激发天线与接收天线之间的间隔距离Δx的N倍为设定距离,承载装置每移动NΔx就进行一次电磁信号的激发,相应的接收天线就接收到一个回波信号。
之后,可以确定一组回波信号中的一个为要进行检测的目标信号,而其相邻(前向或后向)的另一个回波信号则为相邻信号。在具体实施例中,可以按照获取的顺序来排列回波信号,而进行检测的过程可以是从最开始的第一个回波信号开始进行检测,也可以根据具体场景,进行要检测的目标信号的设定或选择。而相邻信号则为目标信号按照获取顺序排列后的下一个信号或前一个信号等。
在一些实施例中,由于接收天线和激发天线一般成对出现,但是在一个承载装置上可以设置不止一组接收天线和激发天线,从而可能会出现当前某个接收天线接收的回波信号位置、信号偏移量等数据与下一次或几次之后的某个接收天线接收的回波信号位置、信号偏移量等数据相同的情况,进而可以对同一位置、同一信号偏移量的数据进行甄别,并将甄别出的信号认为是可以叠加的信号。其中,甄别的方式可以有多种,较为常见的,由于接收天线和激发天线的位置是预先设定好的,从而每个接收天线对于不同激发天线的偏移量是固定的已知量;之后,承载装置的起始位置、移动方式、移动速度等也均是预先设定好的,从而对于每次进行信号激发的位置可以较为容易的确定出来。而对于只有一组接收天线和激发天线的承载装置,由于其设定的移动方式,例如在一个平面内进行多次来回的移动等等,进而也可能出现可以叠加的信号。而对于可以叠加的信号,为了减少重复性计算,以及提升之后小波相干性的精准度,可以将可以叠加的信号直接进行波形信号图中波形幅值的直接叠加,最终使同一个位置在一个信号偏移量下仅有一个回波信号。以此对信号进行放大及精确度的提升。即,在一些实施例中,所述响应于通过接收天线获取到一组回波信号后之后,所述方法还包括:响应于确定任意两个回波信号为对应的所述激发天线与对应的所述接收天线均在相同位置生成的,将所述两个回波信号进行波形图像的叠加合并。
步骤104,分别对所述目标信号及所述相邻信号进行连续小波变换,根据变换结果进行所述目标信号及所述相邻信号的小波相干性的确定,得到相干性结果。
在本步骤中,对于目标信号及相邻信号,利用小波相干技术在信号剖面中拾取微弱的回波信号来检测目标信号,通过时频域中比较两个接近的信号,以判断该两道信号下是否存在微小的反射同相轴。这里假设目标信号为N,然后选取相邻的另一个回波信号为小波相干性分析的另一个信号,例如N+1或N-1,这里以N+1为例。假设该处位置存在缺陷,则这两个信号中会有一个非常相似的部分来自相同的异常,然后分别对两个信号进行连续小波变换(Continuous Wavelet Transform,CWT),将它们变换到时频空间。然后利用小波相干过程表明两个信号的哪一部分在时频空间中是相干的,从而表明存在反射同相轴,若该反射同相轴在一段区域内连续,则表示该区段存在连续反射界面的可能性较大。小波相干性的幅值(一致性)从0到1不等。接近1的相干性越强,意味着两个信号在一定的时间和频率上越相似。小波相干性更侧重于相位信息而不是振幅信息,因此强烈的面波与微弱的滑面反射信号理论上有相同的相干值。使小波相干方法能够相对抑制干扰信号信号,放大连续滑面的微弱信号。
首先,先对小波相干方法的抗干扰能力进行说明。如图2所示,目标信号和相邻信号通过组合不同的sin和cos函数乘以一定的时间窗口产生的。假设有四个基本时间序列(S1到S4),它们的频率和相位不同。当基本序列乘以时间窗口(W1至W4)并添加白噪声时,将生成合成时间序列(图2中c列的两副波形)。可以注意到,30和80Hz分量存在于两个时间序列中,但到达时间和长度不同,并且由于它们分别由sin和cos形成,因此存在半个周期的相位差。与真实案例相对应的,80Hz分量以及白噪声可以被视为噪声(钢筋等干扰产生的),30Hz可以被视为反射事件(缺陷产生的)。30Hz分量之间的时间间隔可以看作是不同道信号之间的时间延迟。本例旨在验证:1)小波相干性是否可以通过显示这两个信号的相干部分来分别指示30和80Hz分量的重叠部分(这意味着这两个序列可能包含来自同一目标的反射);2)小波相干性能否分辨出同一频率分量之间的相位差(每个信号中的30Hz分量具有90度的相位差)。之后,如图3所示,为两个信号的小波相干分析结果。显然有两个部分具有高幅度平方相干幅度,即在80Hz频率下从0.4s到2.7s,在频率为30Hz时从0.7s到2.1s。高相干幅值表明这些时间序列在特定时间和频率窗口内高度相干。换句话说,在指定的时间和频段内,时间序列在波形和频率上高度相似,但并非完全相位相同。小波相干结果与设计时间序列时的初衷一致。在30Hz分量中也检测到相位差。可以注意到,30Hz和80Hz分量在小波相干结果中共享相同的相干值,尽管它们在时间序列中具有不同的振幅。这可用于检滑体深层次滑移面,其中潜在软弱面的反射是缺陷具有极大的不同时间序列振幅,但理论上共享相同的小波相干幅度。从而,可以看出利用小波相干分析的方式,可以有效的规避掉钢筋等干扰项的影响。
之后,对于连续小波变换,其中,小波变换是一个以0为均值的时频变化方法,小波变换与傅立叶变换相似,是用不同的小波基(相当于傅立叶变换中的三角函数)堆叠来还原本来的信号,堆叠过程中的取用的系数就是小波变换的参数。与傅立叶变换不同的是,小波变换是在局部进行的,即某个特定的组分对应其特定的时间窗,这使得小波变换对非稳态信号具有更好的适用性。小波可以用其在时间(Δt)和频率(Δω)上的定位来表示。在不同的应用场景中,可以选择不同的小波基。这里,以选择莫奈特(Morlet)子波作为连续小波变换的小波基为例。一般的,Morlet子波被定义为:
其中,ω0为无量纲频率,η为无量纲时间,通常在利用小波进行信号特征提取时,取ω0=6。
连续小波变换(CWT)的基本思想是将小波基作为时间上的带通滤波器。小波基由其基规模(s)控制,每个小波基的持续时间为η=s·t。进而,对于目标信号和相邻信号(由于目标信号和相邻信号一般为波形图,而波形图一般是指一个设定时间区间内的波形图像,从而这里可以理解为分别对应两个时间序列)的连续小波变换具体为:
其中,和/>分别表示目标信号和相邻信号对应的连续小波变换结果,n为目标信号或相邻信号对应的采样点编号,n∈(1,…,N),N为总采样点数,s为莫奈特子波的基规模,t为莫奈特子波定义的标准时间,δt为时间t的微分,莫奈特子波ω0为无量纲频率,ω0=6,η为无量纲时间,/>xn′和yn′分别表示在n′采样点时目标信号和相邻信号的信号幅值。
小波变换后,小波变换的功率定义为或/>在实际运用的变换过程中,由于小波变换的对象是有限时间序列而非无限长信号,不同长度的小波基都存在无法将该段信号整分的可能性,因此连续小波变化存在边界伪像效应。小波基的频率越低,波长越长,伪像存在的范围就越大;小波基频率越高,波长越短,伪像存在的范围就越小。因此,连续小波变换中的边界伪像是不可忽略的,为此提出了小波变化影响锥(Cone ofInfluence,COI)用以评估边界伪像的影响范围。在本实施例中,以小波功率/>或下降到e-2及以下的区域定义为小波变化影响锥,如图3所示,其中白色虚线标识出的即为/>下降到e-2的分界线,白色虚线及其外侧区域即为小波变化影响锥区域。对于小波变化影响锥范围,其中可能会出现或存在伪影现象,而对于影响判断的伪影,在小波变化影响锥范围内可以进行平滑处理。具体的,为了抑制小波变化影响锥范围内的伪像,可以将影响锥范围内的幅值置换为0,其余信号保持不变。但为了不产生其他不可预见的干扰,这个0区域和原值区域之间可以再加以一个平滑区域,以保证两个区域之间的噪声抑制过程是平滑和渐变的。即,在一些实施例中,所述分别对所述目标信号及所述相邻信号进行连续小波变换之后,所述方法还包括:分别确定所述目标信号及所述相邻信号进行连续小波变换之后的变换结果对应的小波频率;响应于在任一变换结果中确定出所述小波频率小于或等于预设阈值的边缘位置,对所述边缘位置进行平滑处理。
再后,对于小波相干性,在进行连续小波变换时,对于两个时间序列(即目标信号及相邻信号),可以进行交叉小波变换,即, 其中*为共轭转置,进一步的,交叉小波变换的功率可以定义为|WXY|。复数arg(WXY)的物理意义为这两个时间序列在时频域的相对相位差。交叉小波功率可以被用来表示两个信号在时频域中具有高度一致的部分,另一个有用的度量是交叉小波变换在时频空间中的相干性。其中,相干性结果,具体为:
其中, 表示对/>进行共轭转置,/>和分别表示目标信号和相邻信号对应的小波频率,S表示平滑预设算子。
从而,最终得到的相干性结果可以为一个相干性的幅值图像,在一些实施例中,其具体的幅值图像可以与附图3所示的相类似。
步骤106,将所述相干性结果输入完成训练的以残差网络作为主干网络的基于区域的卷积神经网络,以根据所述相干性结果进行是否有缺陷的判断和缺陷位置的确定,生成并输出检测图像。
在本步骤中,对于以残差网络作为主干网络的基于区域的卷积神经网络。其中,为了节省计算资源并且加快神经网络的收敛速度,选用了残差网络作为主干网络,而在众多的残差网络中,由于优越的适用性和准确度,可以选择ResNet-50作为特征提取器。如图4所示,ResNet-50是一种特殊的卷积神经网络-残差神经网络,对比普通的卷积神经网络(CNN)其主要特征为bottleneck残差块(BTNK)。当输入和输出层的尺寸相同时,BTNK1由四部分组成:1x1卷积层,3x3卷积层,衔接1x1卷积层,此外还有一个1x1卷积层连接在输入层和RELU层之间,如图4中的BTNK1部分。当残差块的输入和输出尺寸不同时,与BTNK1不同,输入层和叠加层之间没有1x1的卷积层来调整特征尺寸,而是直接叠加,如图4中的BTNK2部分。这种残差块先将信息尺寸压缩,再进行解压。
对于不同的实践目标,ResNet-50作为特征提取器是可以实现不同的任务目标的。通过衔接不同的任务头(Task Head)来实现不同形式、维度的预测。而基于区域的卷积神经网络(RCNN,Regions with CNN features)是将CNN方法应用到目标检测问题上的一个里程碑。借助CNN良好的特征提取和分类性能,通过Region Proposal方法实现目标检测问题的转化。而其中的Faster RCNN是从R-CNN到Fast R-CNN一步步优化调整而来。而借鉴FasterRCNN的思路,当特征提取层后衔接全连接层和分类层,该网络就可以实现图像分类的功能,当网络被衔接以目标框坐标回归和区域目标分类两个任务头时,就可以同时实现分类和目标识别两项任务。即,进行是否有缺陷的判断和缺陷位置的确定。
最终,如图5所示,为Faster RCNN结构示意图与本申请调整后的神经网络结构示意图,其中(a)为Faster RCNN结构示意图,(b)为本申请调整后的神经网络结构示意图。两者比较,在本实施例中,将Faster RCNN的主干网络从CNN调整为ResNet-50,并将原本Faster RCNN网络池化层连接的多层全连接层替换为ResNet-50网络的多层残差块结构。在一些实施例中,具体设置几层残差块结构、具体每层是BTNK1还是BTNK2,可以根据具体场景进行设置。而在一些实施例中,如图5所示,在网络池化层后连接两层BTNK1,再连接一层BTNK2的调整方式能够实现更为精准的判断。进而,在本实施例中,对于神经网络的改进的另外一种描述可以为,改进后的神经网络的主干网络为ResNet-50,并引入了RegionProposal模块进行多任的并行预测。之后,由于改进的神经网络是由ResNet-50与FasterRCNN组合而成,进而可以命名为Res RCNN网络。即,在一些实施例中,所述残差网络具体为ResNet-50网络,所述基于区域的卷积神经网络具体为Faster RCNN网络;所述以残差网络作为主干网络的基于区域的卷积神经网络,具体为:将作为所述Faster RCNN网络主干网络的CNN网络替换为所述ResNet-50网络,并将所述Faster RCNN网络池化层连接的多层全连接层替换为所述ResNet-50网络的多层残差块结构。
之后,对于网络的训练过程,其具体过程类似于常见的有监督的神经网络的训练过程。即,准备好大量训练图像及其对照图像组成的训练集,将训练图像输入至本实施例的以残差网络作为主干网络的基于区域的卷积神经网络,根据前述实施例中设置的网络结构,即可输出该训练图像是否有缺陷的判断,并对认为有缺陷的图像,会进行缺陷位置的标注。之后,根据输出的中间图像与其对照图像进行相似度的比对,以此来对网络的网络参数进行调整,以此循环,直至达到预设终止条件。这里预设的终止条件可以是满足预设损失函数的要求,由于在本实施例中是进行的相似度比对,在此可以采用均方差为损失函数,具体可以为
其中,MSE表示损失函数,yi为对照图像的实际值,为中间图像的预测值,n为样本数量。当损失函数达到预设范围之后,认为完成了网络的训练,终止循环。当然在一些实施例中,为了防止无限制的循环,浪费计算资源,可以设定一个循环的最大轮次,作为另一个终止条件,例如设置循环1000次终止等。即,在一些实施例中,所述以残差网络作为主干网络的基于区域的卷积神经网络的训练过程,包括:在训练集中选取一对训练图像及对照图像组成的训练对;将所述训练对输入所述以残差网络作为主干网络的基于区域的卷积神经网络,以对所述训练图像同步进行是否有缺陷的判断和缺陷位置的确定,生成中间图像;根据所述中间图像与所述对照图像之间的相似性,对所述以残差网络作为主干网络的基于区域的卷积神经网络进行网络参数的调整,以此循环,直至达到预设终止条件,完成训练。
之后,通过网络输出的数据可以是对否有缺陷的参考判断结果,以及对于有缺陷的给出相应的位置数据(例如位置坐标或框选缺陷的框体的坐标等等)。最终,根据这个结果在对相应的图像进行标注,形成最终的检测图像。在不同实施例中,在检测图像中给出缺陷位置的方式可以不尽相同,例如给出缺陷处中心点位置,或给出缺陷的外接框体相应的坐标数据等。
而对于检测图像的输出,其可以是对检测图像进行输出显示,使操作人员可以直观的看到图像。而在另一些实施例中,对于检测图像的输出方式可以不仅限于输出显示,其还可以用以存储、展示、使用或再加工该检测图像。根据不同的应用场景和实施需要,具体的对于检测图像的输出方式可以灵活选择。
例如,对于本实施例的方法在单一设备上执行的应用场景,可以将检测图像直接在当前设备的显示部件(显示器、投影仪等)上以显示的方式输出,使得当前设备的操作者能够从显示部件上直接看到检测图像的内容。
又如,对于本实施例的方法在多个设备组成的系统上执行的应用场景,可以将检测图像通过任意的数据通信方式(有线连接、NFC、蓝牙、wifi、蜂窝移动网络等)发送至系统内的其他作为接收方的预设设备上,即同步终端上,以使得同步终端可以对其进行后续处理。可选的,该同步终端可以是预设的服务器,服务器一般设置在云端,作为数据的处理和存储中心,其能够对检测图像进行存储和分发;其中,分发的接收方是终端设备,该些终端设备的持有者或操作者可以是隧道建设的施工管理人员、上级监管人员、审批人员等等。
再如,对于本实施例的方法在多个设备组成的系统上执行的应用场景时,可以将检测图像通过任意的数据通信方式直接发送至预设的终端设备,终端设备可以是前述段落列举中的一种或多种。
从上述实施例可以看出,本申请实施例提供的一种隧道壁后缺陷抗干扰检测方法,包括:响应于通过接收天线获取到一组回波信号后,确定其中一个回波信号为目标信号,并确定一个与目标信号相邻的相邻信号;其中,一组回波信号为接收天线的承载装置,每移动设定距离后通过激发天线激发的电磁信号在隧道壁后传播并反射形成的;分别对目标信号及相邻信号进行连续小波变换,根据变换结果进行目标信号及相邻信号的小波相干性的确定,得到相干性结果;将相干性结果输入完成训练的以残差网络作为主干网络的基于区域的卷积神经网络,以根据相干性结果进行是否有缺陷的判断和缺陷位置的确定,生成并输出检测图像。本申请通过接收天线接收到一组回波信号之后,进行一个信号与相邻信号的连续小波变换,进行两个信号之间的小波相干性判断,利用连续小波变换在小波相干性判断对相应干扰波的抗干扰能力,进行抗干扰检测,并且利用神经网络,进行是否有缺陷和缺陷位置的同步判断,以此在屏蔽掉干扰的情况下,有效快速的确定隧道壁后是否有缺陷,并且在检测图中进行缺陷位置的定位。
在具体应该过程中,可以看出,利用申请实施例提供的一种隧道壁后缺陷抗干扰检测方法,能够实现识别钢筋反射信号及多次波掩盖下的微弱缺陷发射信号,极大的增大了缺陷检测的成功率,实现了比常规手段更高的电磁波信号信噪比。能够实现扫描后的全自动缺陷存在可能性判定,避免了人工识图和解译,极大的提高了检测效率和缓解了多解性。结合了时频域信号分析手段和多任务神经网络,实现了缺陷位置、规模、相对风险系数的自动判定。
需要说明的是,本申请实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本申请实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是,上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于上述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。
基于同一构思,与上述任意实施例方法相对应的,本申请还提供了一种隧道壁后缺陷抗干扰检测装置。
参考图6,所述隧道壁后缺陷抗干扰检测装置,包括:
装置主体210;
至少一组激发天线220与接收天线230,设置于所述装置主体210朝向隧道壁200的一侧;
主机模块240,设置于所述装置主体210,与所述激发天线220与所述接收天线230通信连接,被配置为能够执行如上任一实施例所述的隧道壁后缺陷抗干扰检测方法。
在本实施例中,激发天线220与接收天线230可以设置多组,如图6所示,为设置三组的示意图,而对于激发天线220与接收天线230以及每一组之间的间距,可以根据具体场景进行具体的调整。而在一些实施例中为了方便统计和比对,可以将激发天线220与接收天线230以及组与组之间的间距设置为同一距离。以如图6所示的三组激发天线220与接收天线230为例,为了方便区分,将激发天线220以Tx#1、Tx#2、Tx#3表示,将接收天线230以Rx#1、Rx#2、Rx#3表示。当任一个激发天线220进行信号激发后,每个接收天线230都进行信号的接收,这样三个激发天线220完成激发后,即会形成9个信号池或信号矩阵,其中同一个激发天线220对应的三个信号矩阵其差别仅为信号偏移距的不同,以此可以在最终完成判断之后,通过比对相应的数据,进行相互印证,来提升整体的判断准确度及稳定性。当然为了节约成本等,也可以仅设置一组激发天线220与接收天线230,同时考虑到装置主体210的尺寸不易过大,从而激发天线220与接收天线230之间的间距不易过大,例如小于10cm等,组数不易过多,例如小于5组等。从而装置中可以设置多对天线进行联合测量的方法,保证了小波相干中两道信号的相对距离,从而提高了时频域分析及其后续多任务神经网络预测的稳定性。
上述实施例的装置用于实现前述实施例中相应的隧道壁后缺陷抗干扰检测方法,并且具有相应的隧道壁后缺陷抗干扰检测方法实施例的有益效果,在此不再赘述。
为了描述的方便,描述以上装置时可以将主机模块以功能分为各种模块分别描述。当然,在实施本申请实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
基于同一构思,与上述任意实施例方法相对应的,本申请还提供了一种电子设备,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任意一实施例所述的隧道壁后缺陷抗干扰检测方法。
图7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1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010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,以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,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1020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说明书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1020中,并由处理器1010来调用执行。
输入/输出接口1030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1040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1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)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1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,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说明书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。
上述实施例的电子设备用于实现前述任一实施例中相应的隧道壁后缺陷抗干扰检测方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一构思,与上述任意实施例方法相对应的,本申请还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上任意一实施例所述的隧道壁后缺陷抗干扰检测方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的隧道壁后缺陷抗干扰检测方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一构思,与上述任意实施例方法相对应的,本申请还提供了一种计算机程序产品,其包括计算机程序指令。在一些实施例中,所述计算机程序指令可以由计算机的一个或多个处理器执行以使得所述计算机和/或所述处理器执行所述的隧道壁后缺陷抗干扰检测方法。对应于所述的隧道壁后缺陷抗干扰检测方法各实施例中各步骤对应的执行主体,执行相应步骤的处理器可以是属于相应执行主体的。
上述实施例的计算机程序产品用于使所述计算机和/或所述处理器执行如上任一实施例所述的隧道壁后缺陷抗干扰检测方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
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,并非旨在暗示本申请的范围(包括权利要求)被限于这些例子;在本申请的思路下,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申请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。
另外,为简化说明和讨论,并且为了不会使本申请实施例难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本申请实施例难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本申请的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本申请的具体实施例对本申请进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本申请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,凡在本申请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,均应包含在本申请的保护范围之内。
Claims (10)
1.一种隧道壁后缺陷抗干扰检测方法,其特征在于,包括:
响应于通过接收天线获取到一组回波信号后,确定其中一个回波信号为目标信号,并确定一个与所述目标信号相邻的相邻信号;其中,所述一组回波信号为所述接收天线的承载装置,每移动设定距离后通过激发天线激发的电磁信号在隧道壁后传播并反射形成的;
分别对所述目标信号及所述相邻信号进行连续小波变换,根据变换结果进行所述目标信号及所述相邻信号的小波相干性的确定,得到相干性结果;
将所述相干性结果输入完成训练的以残差网络作为主干网络的基于区域的卷积神经网络,以根据所述相干性结果进行是否有缺陷的判断和缺陷位置的确定,生成并输出检测图像。
2.根据权利要求1所述的方法,其特征在于,所述分别对所述目标信号及所述相邻信号进行连续小波变换,包括:
将莫奈特子波作为连续小波变换的小波基,进行所述连续小波变换;
所述连续小波变换,具体为:
其中,和/>分别表示目标信号和相邻信号对应的连续小波变换结果,n为目标信号或相邻信号对应的采样点编号,n∈(1,…,N),N为总采样点数,s为莫奈特子波的基规模,t为莫奈特子波定义的标准时间,δt为时间t的微分,莫奈特子波ω0为无量纲频率,ω0=6,η为无量纲时间,/>n′∈(1,…,N),xn′和yn′分别表示在n′采样点时目标信号和相邻信号的信号幅值。
3.根据权利要求2所述的方法,其特征在于,所述相干性结果,具体为:
其中,表示对/>进行共轭转置,/>和分别表示目标信号和相邻信号对应的小波频率,S表示平滑预设算子。
4.根据权利要求3所述的方法,其特征在于,所述分别对所述目标信号及所述相邻信号进行连续小波变换之后,所述方法还包括:
分别确定所述目标信号及所述相邻信号进行连续小波变换之后的变换结果对应的小波频率;
响应于在任一变换结果中确定出所述小波频率小于或等于预设阈值的边缘位置,对所述边缘位置进行平滑处理。
5.根据权利要求1所述的方法,其特征在于,所述残差网络具体为ResNet-50网络,所述基于区域的卷积神经网络具体为Faster RCNN网络;
所述以残差网络作为主干网络的基于区域的卷积神经网络,具体为:
将作为所述Faster RCNN网络主干网络的CNN网络替换为所述ResNet-50网络,并将所述Faster RCNN网络池化层连接的多层全连接层替换为所述ResNet-50网络的多层残差块结构。
6.根据权利要求5所述的方法,其特征在于,所述以残差网络作为主干网络的基于区域的卷积神经网络的训练过程,包括:
在训练集中选取一对训练图像及对照图像组成的训练对;
将所述训练对输入所述以残差网络作为主干网络的基于区域的卷积神经网络,以对所述训练图像同步进行是否有缺陷的判断和缺陷位置的确定,生成中间图像;
根据所述中间图像与所述对照图像之间的相似性,对所述以残差网络作为主干网络的基于区域的卷积神经网络进行网络参数的调整,以此循环,直至达到预设终止条件,完成训练。
7.根据权利要求1所述的方法,其特征在于,所述响应于通过接收天线获取到一组回波信号后之后,所述方法还包括:
响应于确定任意两个回波信号为对应的所述激发天线与对应的所述接收天线均在相同位置生成的,将所述两个回波信号进行波形图像的叠加合并。
8.一种隧道壁后缺陷抗干扰检测装置,其特征在于,包括:
装置主体;
至少一组激发天线与接收天线,设置于所述装置主体朝向隧道壁的一侧;
主机模块,设置于所述装置主体,与所述激发天线与所述接收天线通信连接,被配置为能够执行如权利要求1至7任一项所述的隧道壁后缺陷抗干扰检测方法。
9.一种电子设备,其特征在于,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权利要求1至7任一项所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使计算机实现权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410034090.XA CN118225808A (zh) | 2024-01-09 | 2024-01-09 | 隧道壁后缺陷抗干扰检测方法、装置及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410034090.XA CN118225808A (zh) | 2024-01-09 | 2024-01-09 | 隧道壁后缺陷抗干扰检测方法、装置及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118225808A true CN118225808A (zh) | 2024-06-21 |
Family
ID=91496897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410034090.XA Pending CN118225808A (zh) | 2024-01-09 | 2024-01-09 | 隧道壁后缺陷抗干扰检测方法、装置及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118225808A (zh) |
-
2024
- 2024-01-09 CN CN202410034090.XA patent/CN118225808A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8184044B1 (en) | Super resolution radar image extraction procedure | |
KR102309343B1 (ko) | 딥러닝 기반의 초고해상도 지표투과 레이더 이미지 생성을 통한 주파수-파수 분석 방법 및 장치 | |
CN112415591A (zh) | 绕射波的成像方法、装置、电子设备及存储介质 | |
Xiang et al. | Integrated approach to simultaneously determine 3D location and size of rebar in GPR data | |
Wang et al. | Detectability of concealed cracks in the asphalt pavement layer using air-coupled ground-penetrating radar | |
CN116931101A (zh) | 地下浅层病害体探测方法、装置、电子设备及存储介质 | |
CN104793237A (zh) | 一种获得宽频可控震源扫描信号的方法和装置 | |
CN118225808A (zh) | 隧道壁后缺陷抗干扰检测方法、装置及相关设备 | |
CN117825502A (zh) | 一种基于导波检测钢轨螺栓孔缺陷的方法及装置 | |
CN112764102B (zh) | 地震资料采集方法及装置 | |
CN111158050A (zh) | 数据采集系统、方法及隧道地震波超前预报方法 | |
CN112255679B (zh) | 地震资料绕射深度偏移处理方法及装置 | |
CN114966818B (zh) | 隧道壁后注浆检测方法、装置、电子设备及存储介质 | |
JPH116879A (ja) | 3次元探査方法及び装置 | |
CN114114417B (zh) | 地震成像方法及装置 | |
JP3236532B2 (ja) | 領域抽出方法及び探査装置 | |
JP2000221266A (ja) | 3次元ボクセルデ―タ表示方法及び装置 | |
CN111399038A (zh) | 斜率参数提取方法、装置及计算机可读存储介质 | |
CN112526607B (zh) | 一种基于最小二乘反演的高频静校正量提取方法 | |
JP4073987B2 (ja) | 地中レーダ装置の出力表示方法 | |
CN111142151B (zh) | 时间推移地震观测方法及装置 | |
CN114755720B (zh) | 一种页岩储层地震预测方法、装置、设备及介质 | |
CN118330714A (zh) | Sh-sv联合无损注浆检测方法、装置及其存储介质 | |
CN115792949B (zh) | 一种适用于矿井巷道的形变监测方法及系统 | |
JP7470614B2 (ja) | 切羽前方探査システムにおける切羽前方三次元速度構造推定方法 |
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 |