基于特征融合网络的地下圆柱体目标半径估算方法及系统技术方案

本发明专利技术提供了一种基于特征融合网络的地下圆柱体目标半径估算方法及系统，包括：获取探地雷达对地下圆柱体探测得到的训练回波数据并进行预处理，获取预处理后数据中的双曲线目标区域并且估算出地下圆柱体的埋深；建立特征融合网络，以双曲线目标区域作为特征融合网络的输入对特征融合网络进行训练得到以双曲线目标区域为输入、以地下圆柱体目标半径为输出的按照埋深范围分类的若干训练后的特征融合网络；对于实时回波数据重复上述步骤并根据待测地下圆柱体的埋深选择对应的按照埋深范围分类的特征融合网络从而得到地下圆柱体的半径。本方法能够快速检测探地雷达目标区域并精确估计地下圆柱体目标的半径。

【技术实现步骤摘要】
基于特征融合网络的地下圆柱体目标半径估算方法及系统
本专利技术属于探地雷达无损探测领域，具体公开了一种基于特征融合网络的地下圆柱体目标半径估算方法及系统。
技术介绍
随着我国基础设施建设的飞速发展，越来越多的钢筋、管道、电缆等圆柱形物体被掩埋在地下，精确估计被埋物体的深度、尺寸和材料特性变得越来越重要。特别是在土木工程领域，需要对桥面、公路、混凝土建筑物的结构构件和地基状态进行评估，包括测量混凝土的厚度，估计钢筋在混凝土中的深度及其半径，以及了解混凝土的腐蚀性环境和介电常数等等。探地雷达(GroundPenetratingRadar，GPR)已经成为地下目标无损检测的一种重要技术手段，它通过发射天线向地下发射宽带电磁波，然后在接收天线端接收地下区域的散射波。电磁波在地下介质中传播时遇到电磁差异的界面发生散射，从而可以根据接收到的电磁波波形及特征，推断地下介质和探测目标的介电特性、空间位置、和结构尺寸等参数。国内外学者在这方面进行了大量的研究。GPR目标区域的检测是半径估计的首要步骤，目前有基于神经网络的目标区域检测方法，通过神经网络分类器对波形信号进行分类来确定目标区域。还有基于模板匹配和卷积神经网络CNN的双曲线目标区域检测方法，通过设计匹配的模板遍历GPRB-scan数据，计算相似度较高的区域作为预检测区域。再利用CNN消除非双曲线区域，得到双曲线目标区域。研究人员提出了采用Faster-Rcnn框架来检测GPR数据中的双曲线目标区域，取得了较好的检测效果。这类方法计算量都比较大，而且样本的训练过程显得相当重要，同时也容易受杂波和噪声的影响。对于双曲线目标区域特征的提取和处理，普遍的方法是通过定位目标区域双曲线的坐标，建立数学模型来进行双曲线拟合，通过估计半径和双曲线参数的关系来获得半径大小的估计值。现有研究提出利用双曲线的顶点曲率大小提取半径信息。还有基于列相关的聚类(C3)算法，结合机器学习方法能够很好的定位双曲线的坐标位置，并且能够成功分离开交叉的双曲线。之后通过最小二乘法来建立双曲线的数学模型，通过双曲线参数估计半径。但这类方法只利用了GPRB-scan回波数据的目标双曲轮廓线，并没有完全利用到整个目标回波的信息，精度不高，且准确率很大程度上取决于双曲线坐标定位的准确性。
技术实现思路
本专利技术目的在提供一种基于特征融合网络的地下圆柱体目标半径估算方法及系统，以解决现有技术中存在的技术缺陷。为实现上述目的，本专利技术提供了一种基于特征融合网络的地下圆柱体目标半径估算方法及系统，参见图1，包括以下步骤：S1：获取探地雷达对不同埋深、不同半径的地下圆柱体探测得到的训练回波数据。探地雷达在地表对埋有地下圆柱体的区域进行探测，测线方向垂直于圆柱体的轴线，得到GPRB-scan数据，显示为一幅图像。S2：对训练回波数据进行预处理，获取预处理后训练回波数据中的双曲线目标区域并且估算出地下圆柱体的埋深。对于GPRB-scan数据的预处理包括去直达波处理和滤波降噪处理。通过AN-TDRC算法来检测预处理后的GPRB-scan数据中的双曲线目标区域，具体包括以下步骤：S201：适应归一化,根据训练回波数据的特征，设计自适应比例系数k，将训练回波数据归一化。自适应归一化是根据训练回波数据的幅值特征，通过tanh函数以及设计一个自适应比例系数k，能够将背景数据的幅值大小限定在0附近，突出目标的数据特征，再取绝对值，将数据的幅值范围变换至[0，1]，记每幅训练回波数据矩阵为A，自适应归一化方法如下：其中，A(i)表示A中的第i个最大值，I＝10，Amn表示原始GPR数据矩阵上第m行n列的值。S202：二值化，设计阀值为0.8，大于阀值置1，小于阀值置0，将归一化后的训练回波数据二值化，具体方法如下：其中，Bmn表示训练回波数据矩阵归一化后第m行第n列的值，Cmn表示训练回波数据矩阵二值化后第m行第n列的值。实验表明设计阀值为0.8时能够保留大部分有用的目标回波数据。S203：膨胀化，用结构元素D膨胀二值化后的GPR矩阵C，将结构元素D的原点平移到矩阵C的(m，n)位置：如果D在矩阵C的(m，n)处与C的交集不为空，则输出矩阵对应的(m，n)位置赋值为1，否则赋值为0。膨胀操作的表达式如下：矩阵C是原始GPRB-scan数据经过预处理、自适应归一化、二值化所得到的。GPR在地表对埋有地下圆柱体的区域进行探测，测线方向垂直于圆柱体的轴线，得到一幅GPRB-scan数据称原始GPR数据。S204：寻找目标轮廓，在膨胀后的训练回波数据中寻找目标信号轮廓，采用OpenCV(计算机开源视觉库，OpenSourceComputerVisionLibrary)中的findCounters(寻找轮廓)方法，每次进行行扫描，当遇到f(i，j-1)＝0，f(i，j)＝1或者f(i，j)＝1，f(i，j+1)＝0的情况确定(i，j)位置为轮廓位置，并记录；然后进行列扫描，当遇到f(i-1，j)＝0，f(i，j)＝1或者f(i，j)＝1，f(i+1，j)＝0的情况确定(i，j)位置为轮廓位置，并记录。S205：生成矩形框，采用OpenCV中boundingRect(矩形框定)方法，计算目标轮廓最小矩形区域，确定矩形坐标，框出检测出的双曲线目标区域。S3：建立特征融合网络，以双曲线目标区域作为特征融合网络的输入对特征融合网络进行训练得到以双曲线目标区域为输入、以地下圆柱体目标半径为输出的按照埋深范围分类的若干训练后的特征融合网络。基于GPRB-scan数据估计地下圆柱体目标的半径，主要分为两大步骤，一是检测出GPRB-scan数据中的双曲线目标区域，二是提取目标区域的特征进行识别或处理。LSTM是一种用于处理序列数据的神经网络，能够处理时间序列变化的数据。与标准RNN(循环神经网络)相比，它通过引入门机制(gatedmechanism)和记忆单元(memorycell)，克服了传统RNN存在梯度消失和梯度爆炸的缺陷，在提取序列数据的长期依赖关系方面也表现更好，因此LSTM适合应用于提取GPRB-Scan数据的时序特征。CNN是一种前馈型神经网络，除输入层、输出层之外主要包含卷积层和池化层，其特殊的网络结构可以有效地降低神经网络的复杂性，在图像识别方面取得了巨大的成功，因此，CNN适合应用于提取GPRB-scan数据中的双曲线特征。LSTM结合CNN构成的深度学习网络模型能够充分提取GPRB-scan数据的高层特征。参见图2，特征融合网络包括二层长短时记忆网络结构(LSTM，LongShort-TermMemory)、由五层卷积层和五层池化层构成的卷积神经网络结构(CNN，ConvolutionalNeuralNetworks)和两层全连接神经网络结构。CNN的五层卷积层的卷积核大小都为3×3，步长为1，每层的卷积核个数分别为4，4，8，16，32，卷积时采用全零填充操作；池化层核大小为2×2，步长为2。L本文档来自技高网...

【技术保护点】
1.一种基于特征融合网络的地下圆柱体目标半径估算方法，其特征在于，包括以下步骤：/n获取探地雷达对不同埋深、不同半径的地下圆柱体探测得到的训练回波数据；/n对所述训练回波数据进行预处理，获取预处理后所述训练回波数据中的双曲线目标区域并且估算出所述地下圆柱体的埋深；/n建立特征融合网络，以所述双曲线目标区域作为所述特征融合网络的输入对所述特征融合网络进行训练得到以所述双曲线目标区域为输入、以所述地下圆柱体目标半径为输出的按照埋深范围分类的若干训练后的特征融合网络；/n获取探地雷达对待测地下圆柱体探测得到的实时回波数据，对所述实时回波数据进行预处理，获取预处理后所述实时回波数据中的双曲线目标区域并且估算出所述待测地下圆柱体的埋深；/n根据所述待测地下圆柱体的埋深选择对应的所述按照埋深范围分类的特征融合网络从而得到所述地下圆柱体的半径。/n

【技术特征摘要】
1.一种基于特征融合网络的地下圆柱体目标半径估算方法，其特征在于，包括以下步骤：
获取探地雷达对不同埋深、不同半径的地下圆柱体探测得到的训练回波数据；
对所述训练回波数据进行预处理，获取预处理后所述训练回波数据中的双曲线目标区域并且估算出所述地下圆柱体的埋深；
建立特征融合网络，以所述双曲线目标区域作为所述特征融合网络的输入对所述特征融合网络进行训练得到以所述双曲线目标区域为输入、以所述地下圆柱体目标半径为输出的按照埋深范围分类的若干训练后的特征融合网络；
获取探地雷达对待测地下圆柱体探测得到的实时回波数据，对所述实时回波数据进行预处理，获取预处理后所述实时回波数据中的双曲线目标区域并且估算出所述待测地下圆柱体的埋深；
根据所述待测地下圆柱体的埋深选择对应的所述按照埋深范围分类的特征融合网络从而得到所述地下圆柱体的半径。


2.根据权利要求1所述的一种基于特征融合网络的地下圆柱体目标半径估算方法，其特征在于，获取预处理后所述训练回波数据中的双曲线目标区域的方式为通过AN-TDRC算法来检测，具体包括以下步骤：
自适应归一化：根据所述训练回波数据的特征，设计自适应比例系数k，将所述训练回波数据归一化；
二值化：设计阀值为0.8，大于阀值置1，小于阀值置0，将归一化后的所述训练回波数据二值化得到矩阵C，具体方法如下：



其中，Bmn表示所述训练回波数据矩阵归一化后第m行第n列的值，Cmn表示所述训练回波数据矩阵二值化后第m行第n列的值；
膨胀化：用结构元素D膨胀所述矩阵C，将结构元素D的原点平移到矩阵C的(m，n)位置：如果D在矩阵C的(m，n)处与矩阵C的交集不为空，则输出矩阵对应的(m，n)位置赋值为1，否则赋值为0，膨胀操作的表达式如下：



寻找目标轮廓：在膨胀后的所述训练回波数据中寻找目标信号轮廓，采用OpenCV中的findCounters方法，每次进行行扫描，当遇到f(i，j-1)＝0，f(i，j)＝1或者f(i，j)＝1，f(i，j+1)＝0的情况确定(i，j)位置为轮廓位置，并记录；然后进行列扫描，当遇到f(i-1，j)＝0，f(i，j)＝1或者f(i，j)＝1，f(i+1，j)＝0的情况确定(i，j)位置为轮廓位置，并记录；
生成矩形框：采用OpenCV中boundingRect方法，计算目标轮廓最小矩形区域，确定矩形坐标，框出检测出的双曲线目标区域...

【专利技术属性】
技术研发人员：雷文太，罗佳斌，徐龙，王睿卿，黎方正，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43