基于深度卷积神经网络的非金属地雷识别方法技术

本发明专利技术公开了一种基于深度卷积神经网络的非金属地雷识别方法，其包括获取若干二维雷达仿真图像；对二维雷达仿真图像进行预处理得到预处理图像，在预处理图像中标识非金属地雷目标中心回波存储在.xml文件中，之后将预处理图像与对应.xml文件整理为PASCAL VOC数据集；将PASCAL VOC数据集中信息划分为验证集和训练集，采用训练集对基于深度卷积神经网络的SSD目标检测算法进行训练得到深度卷积模型；将验证集中数据输入深度卷积模型得到平均精度值，在平均精度值大于设定阈值时，将预处理后的探地雷达实际扫描图像输入深度卷积模型进行识别。

A method of nonmetal mine identification based on deep convolution neural network

The invention discloses a non-metallic mine identification method based on the deep convolution neural network, which includes obtaining a number of two-dimensional radar simulation images; preprocessing the two-dimensional radar simulation images to obtain the pre-processing images, identifying the non-metallic mine target center echo in the pre-processing images and storing it in the. XML file, and then organizing the pre-processing image and the corresponding XML file into Pascal VOC file Data set; the information in Pascal VOC data set is divided into verification set and training set, and the training set is used to train the SSD target detection algorithm based on the deep convolution neural network to obtain the deep convolution model; the data in the verification set is input into the deep convolution model to obtain the average precision value, and when the average precision value is greater than the set threshold value, the actual scanned image of the ground penetrating radar after preprocessing is transmitted The convolution model is used for recognition.

【技术实现步骤摘要】
基于深度卷积神经网络的非金属地雷识别方法
本专利技术涉及物体识别技术，具体涉及一种基于深度卷积神经网络的非金属地雷识别方法。
技术介绍
依据“国际禁止地雷运动”的报道，目前已经存在4200人，其中42％是儿童，成为地雷的受害者。据估计，在全世界70个国家中，仍存在超过1亿种不同类型的地雷。而采用目前已知的方法进行地雷探测，需要400多年才能发现并清除他们。在中国和越南的交界地带，还存在大量地雷遗留，国家已耗费了大量人力、物力去检测并消除地雷，但是由于埋藏地雷的时间相对久远，地形变化比较大，导致云南地区依旧存在着大约60km2的永久性封围雷区。可见，地雷问题不仅杀伤了大量无辜人民，还减少了耕种面积，影响了相关地区的社会和经济发展。因此，如何实现对地雷的高效检测成为一个迫切需要解决的重要问题。地雷有各种不同类型，但最常用的是反坦克地雷和反步兵地雷。反坦克地雷一般金属材质制成，相对容易被检测识别，虚警率较低，不太容易误伤到平民；而反步兵地雷的主要成分是塑料等非金属，金属含量很低，并且体积很小，一般尺寸都在10cm×10cm×10cm以内，用金属探测器等传统的检测方法很难成功检测，同时又造价低廉，所以在世界各地仍遗留有大量这种地雷，引发了许多制约经济发展和人道主义问题。探地雷达是一种用高频宽带电磁波来探测地下介质分布的高效地球物理方法。探地雷达经发射天线向地下发射高频电磁波，由接收天线接收反射回地面的电磁波，再通过信号处理方法可生成直观的雷达剖面。电磁波在地下介质中传播时遇到存在电性差异的界面便会产生反射，根据接收到电磁波的波形、振幅强度和时间延迟特征等推断地下异常目标体的空间位置、结构、形态和埋藏深度。因此，根据非金属地雷与环境介质介电常数和电导率的差异，采用探地雷达可实现对非金属地雷的探测能力。然而，地下石块等物体的回波和地表杂波导致探测器的虚警率很高。因此，研究一种能够降低虚警率和漏报率、且能高效检测非金属地雷的数据处理方法是保证探地雷达方法顺利实施扫雷工作的关键。
技术实现思路
针对现有技术中的上述不足，本专利技术提供的基于深度卷积神经网络的非金属地雷识别方法能够对非金属地雷进行准确识别。为了达到上述专利技术目的，本专利技术采用的技术方案为：提供一种基于深度卷积神经网络的非金属地雷识别方法，其包括：S1、基于FDTD方法的GprMax软件进行浅层埋藏非金属地雷正演模拟得到若干二维雷达仿真图像；S2、采用主元分析去除法去除二维雷达仿真图像B-scan中的直达波得到预处理图像，在预处理图像中标识非金属地雷目标中心回波存储在.xml文件中，之后将预处理图像与对应.xml文件整理为PASCALVOC数据集；S3、将PASCALVOC数据集中信息按预设比例划分为验证集和训练集，并采用训练集对基于深度卷积神经网络的SSD目标检测算法进行训练得到深度卷积模型；S4、将验证集中数据输入深度卷积模型，得到模型的平均精度值，并判断模型的平均精度值是否小于设定阈值；若是进入步骤S5，否则进入步骤S6；S5、采用浅层埋藏非金属地雷正演模拟获取设定数量的二维雷达仿真图像，之后对新获得的二维雷达仿真图像进行去直达波处理后，将其与之对应的.xml文件整理至PASCALVOC数据集，进入步骤S3；S6、将采用主元分析去除法去除直达波的探地雷达实际扫描图像输入深度卷积模型，输出检测框及对应置信度，并根据置信度确定检测框中的目标对象。进一步地，所述步骤S1进一步包括：A1、采用基于FDTD方法的GprMax软件分别构建Peplinski半经验土壤模型、非金属地雷模型和岩体模型；A2、调整发射天线和接收天线的相对距离和距离地面的高度，调整非金属地雷与岩体的中心距及分别埋藏在Peplinski半经验土壤模型中的深度；A3、以预设采样间隔及预设离散步长将发射天线和接收天线从空间域一侧移动至另一侧，扫描获取若干道数据形成二维雷达仿真图像；以及A4、判断二维雷达仿真图像数量是否达到设定阈值，若是进入步骤S2，否则返回A2。进一步地，所述预处理图像的获取方法包括：对二维雷达仿真图像的每个A-scan信号去均值，之后对二维雷达仿真图像进行奇异值分解：其中，WR为二维雷达仿真图像；U＝{UN,i}＝{u1,u2,…,ui,…,uM}∈RN×M，UN,i为矩阵U第N行第i列的元素，ui为矩阵U第i列列向量；V＝{Vm,i}＝{v1,v2,…,vi,…,vM}∈RM×M，Vm,i为矩阵V第m行第i列的元素，vi为矩阵V第i列列向量；D∈RM×M为对角阵，对角元素为其奇异值，按由大到小排列；令σi＝Di,i，由奇异值分解的性质可知为矩阵WR的“最近”秩l矩阵，即对所有秩为l的矩阵满足：其中，Di,i为对角阵第i列第i行的元素，WR(i,j)和分别为矩阵WR和“最近”秩l矩阵中第i行第j列的元素。进一步地，获取二维雷达仿真图像时，根据地雷的埋藏深度计算电磁波从发射天线经土壤传播到非金属地雷并被反射回接收天线的走时：其中，t为双程走时；d为非金属地雷的埋深；c为光速；εr为土壤的相对介电常数。进一步地，获取二维雷达仿真图像时，预设离散步长的计算公式为：其中，Δl为预设离散步；λ为波长；c为光速；f为频率。进一步地，SSD目标检测算法的总体损失函数为位置回归损失和类别置信度损失的加权和：其中，N为匹配的默认框数量，当N＝0时，将损失设置为0；Lconf(x,b)为位置回归损失函数，x为第i个默认边界框匹配到类别p的第j个实际边界框的指示器，b为置信度；Lloc(x,l,g)为类别置信度损失函数，l为预测框，g为真实框；α为权重值。进一步地，训练集和验证集中预处理图像数量的比例为7:3，深度卷积神经网络的初始学习率为10-4，前4000次迭代使用10-4的学习率，再使用10-5的学习率继续训练到5000次迭代，最后使用10-6的学习率训练到最大迭代次数6000次，完成深度卷积神经网络的训练。本专利技术的有益效果为：本方案通过GprMax进行浅层埋藏非金属地雷正演模拟，得到二维雷达仿真图像，不需要实地获取沙土、雷达和岩体进行模型搭建采集数据，简化了数据获取方法；在进行神经网络训练过程中通过标识地雷目标回波作为训练数据的组成部分，可以降低探雷数据处理的工作量，从而降低了人工成本。采用主元分析去除法去除二维雷达仿真图像中的直达波，可以避免由于非金属地雷与土壤电性参数接近，相对较弱的反射回波能量淹没在直达波中而影响最终识别的准确性。附图说明图1为基于深度卷积神经网络的非金属地雷识别方法的流程图。图2为基于深度卷积神经网络的SSD算法结构示意图。图3为部分训练用B-scan数据彩色堆积图。图4为B-scan数据标注图。图5为迭代次数-损失值的曲线图。图6为非金属地雷的检测结果图。...

【技术保护点】
1.基于深度卷积神经网络的非金属地雷识别方法，其特征在于，包括：/nS1、基于FDTD方法的GprMax软件进行浅层埋藏非金属地雷正演模拟得到若干二维雷达仿真图像；/nS2、采用主元分析去除法去除二维雷达仿真图像B-scan中的直达波得到预处理图像，在预处理图像中标识非金属地雷目标中心回波存储在.xml文件中，之后将预处理图像与对应.xml文件整理为PASCAL VOC数据集；/nS3、将PASCAL VOC数据集中信息按预设比例划分为验证集和训练集，并采用训练集对基于深度卷积神经网络的SSD目标检测算法进行训练得到深度卷积模型；/nS4、将验证集中数据输入深度卷积模型，得到模型的平均精度值，并判断模型的平均精度值是否小于设定阈值；若是进入步骤S5，否则进入步骤S6；/nS5、采用浅层埋藏非金属地雷正演模拟获取设定数量的二维雷达仿真图像，之后对新获得的二维雷达仿真图像进行去直达波处理后，将其与之对应的.xml文件整理至PASCALVOC数据集，进入步骤S3；/nS6、将采用主元分析去除法去除直达波的探地雷达实际扫描图像输入深度卷积模型，输出检测框及对应置信度，并根据置信度确定检测框中的目标对象。/n...

【技术特征摘要】
1.基于深度卷积神经网络的非金属地雷识别方法，其特征在于，包括：
S1、基于FDTD方法的GprMax软件进行浅层埋藏非金属地雷正演模拟得到若干二维雷达仿真图像；
S2、采用主元分析去除法去除二维雷达仿真图像B-scan中的直达波得到预处理图像，在预处理图像中标识非金属地雷目标中心回波存储在.xml文件中，之后将预处理图像与对应.xml文件整理为PASCALVOC数据集；
S3、将PASCALVOC数据集中信息按预设比例划分为验证集和训练集，并采用训练集对基于深度卷积神经网络的SSD目标检测算法进行训练得到深度卷积模型；
S4、将验证集中数据输入深度卷积模型，得到模型的平均精度值，并判断模型的平均精度值是否小于设定阈值；若是进入步骤S5，否则进入步骤S6；
S5、采用浅层埋藏非金属地雷正演模拟获取设定数量的二维雷达仿真图像，之后对新获得的二维雷达仿真图像进行去直达波处理后，将其与之对应的.xml文件整理至PASCALVOC数据集，进入步骤S3；
S6、将采用主元分析去除法去除直达波的探地雷达实际扫描图像输入深度卷积模型，输出检测框及对应置信度，并根据置信度确定检测框中的目标对象。


2.根据权利要求1所述的基于深度卷积神经网络的非金属地雷识别方法，其特征在于，所述步骤S1进一步包括：
A1、采用基于FDTD方法的GprMax软件分别构建Peplinski半经验土壤模型、非金属地雷模型和岩体模型；
A2、调整发射天线和接收天线的相对距离和距离地面的高度，调整非金属地雷与岩体的中心距及分别埋藏在Peplinski半经验土壤模型中的深度；
A3、以预设采样间隔及预设离散步长将发射天线和接收天线从空间域一侧移动至另一侧，扫描获取若干道数据形成二维雷达仿真图像；以及
A4、判断二维雷达仿真图像数量是否达到设定阈值，若是进入步骤S2，否则返回A2。


3.根据权利要求1所述的基于深度卷积神经网络的非金属地雷识别方法，其特征在于，所述预处理图像的获取方法包括：
对二维雷达仿真图像的每个A-scan信号去均值，之后对二维雷达仿真图像进行奇异值分解：



其中，WR为二维雷达仿真图像；U...

【专利技术属性】
技术研发人员：马春光，薛曹逸，罗勇，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51