一种用于三维探地雷达的数据解译和识别方法技术

本发明专利技术涉及探地雷达技术领域，尤其为一种用于三维探地雷达的数据解译和识别方法。该方法采用基于深度学习的人工智能对三维探地雷达数据进行解译和识别，其包括读取三维探地雷达各个通道的数据，并对其进行预处理；对预处理后的数据采取B‑scan和C‑scan的方式进行扫描，组合扫描图像生成样本图片，并对样本图片集进行分类标注；按照特定的比例将样本图片集划分为训练集、验证集和测试集，使用InceptionV3深度卷积神经网络进行迁移训练；读取三维探地雷达采集的数据，对其进行预处理并生成组合扫描图，输入深度卷积模型hdf5格式文件，输出置信度，并根据置信度分类识别目标对象。

【技术实现步骤摘要】
一种用于三维探地雷达的数据解译和识别方法
本专利技术涉及探地雷达
，具体为一种用于三维探地雷达的数据解译和识别方法。
技术介绍
探地雷达(GroundPenetratingRadar)又称地质雷达，通过发射高频脉冲电磁波(频率介于1MHz-1GHz)对地下介质进行探测，确定地下介质分布，具有操作简单、探测精度高、无损伤、采集速度快等特点，是目前工程检测和勘察最为活跃的探测技术，在城市道路地下病害探测中的应用日趋广泛。与传统二维雷达只有一条纵向垂直剖面波形图相比，三维雷达通过实时快速采样，无缝拼接雷达数据和位置信息，采集不同深度的水平剖面数据，以及纵向、横向、斜向任意角度的垂直剖面数据，使用三维数据处理软件进行解译，可以精确反映异常点类型及深度信息，有效探明地下隐患。目前针对三维探地雷达数据处理和图像解译主要靠人工进行，执行效率低，无法连续工作。不同处理人员的标准不统一导致处理结果产生偏差。有鉴于此，本专利技术提出一种用于三维探地雷达的数据解译和识别方法，运行效率高、标准一致，处理速度远高于人工。
技术实现思路
本专利技术的目的在于提供一种用于三维探地雷达的数据解译和识别方法，以解决上述
技术介绍
中提出的问题。为实现上述目的，本专利技术提供如下技术方案：提供一种用于三维探地雷达的数据解译和识别方法，其包括：S1、读取三维探地雷达各个通道的数据，并对其进行预处理；S2、对预处理后的数据采取B-scan和C-scan的方式进行扫描，组合扫描图像生成样本图片，并对样本图片集进行分类标注；S3、按照特定的比例将样本图片集划分为训练集、验证集和测试集，使用InceptionV3深度卷积神经网络进行迁移训练；S4、读取三维探地雷达采集的数据，对其进行预处理并生成组合扫描图，输入深度卷积模型，输出置信度，并根据置信度分类识别目标对象。进一步地，所述步骤S1进一步包括：A1、读取所有测线中全部16个通道的雷达原始数据并转换到图像域，转换公式为：其中，xi为原始的第i个回波值，f(xi)为滤波函数，yi为转换到灰度值值域为[0,b]的图像域中的对应值。A2、对原始数据进行增益、滤波预处理，具体方式包括：静校正切除：与常规的单通道二维雷达相比，三维阵列雷达最大区别是时间零点设置。因为无法保证所有通道的电路和电缆具有完全相同的传导时间，需要设置时间零点以便能安全调整好所有通道的直达波。按照搜索“时间零点最短”的原则来选择通道数并进行零点搜索与去除，确保所有通道的时间零点都在时窗范围内出现。全局背景消除：该滤波通过从各道中减去计算的平均值来去除水平和近似水平的图像，平均道通过整个剖面或剖面的指定部分来获得。反向能量衰减增益：该滤波用随时间变化的增益来补偿由于扩散和衰减的振幅损失，该道用包含线性和指数增益的增益函数来相乘。DC去直流漂移：在采集的各道的振幅上经常有一个常数偏移，也称为DC水平或DC漂移。该滤波是从数据中去掉DC漂移，它将对每一道分别计算并去除。K-L变换：该滤波是最小均方误差意义下的最优正交变换，处理后的特征图像彼此正交不相关，使得不同波段之间信息内容不重叠，将原始特征转换为数量较少的新特征，消除模式特征之间的相关性，突出差异性。进一步地，所述步骤S2进一步包括：A1、将每条测线按100个测道(traces)分段，每段长度200个测道，即沿测线方向步进5米进行分割，分割后每段长度10米，相邻的段之间有5米重叠区；A2、从三维探地雷达数据中按段提取相邻偶数通道的数据得到8个垂直剖面扫描图(B-scan)；A3、从三维探地雷达数据中按段提取深度方向上间隔10厘米的数据得到24个水平剖面扫描图(C-scan)；A4、将8个B-scan和24个C-scan拼合成一幅227x227像素的JPG图片，构成样本图片；A5、按阶段2，3，4的方法提取不同通道和深度组合的数据，构成倍增9倍的样本图；A6、对样本图片集进行人工分类并标注为完好、沙井、管道、脱空四类目标对象。length：1000cm，interval：5cm/tracedepth：256cm，interval：1cm/slicewidth：128cm，interval：8cm/channelB-scan：8slices，interval：16cm，56*56pixelsC-scan：24slices，interval：10cm，56*18pixels2Dgrid：8B-scanimages&24C-scaninages，spacing1pixelbetweenimages2Dgrid：227x227x8bpp进一步地，所述步骤S3进一步包括：A1、对分类标注的样本集按7∶2∶1的比例分为训练集、验证集和测试集；A2、使用深度卷积神经网络进行迁移学习，迁移学习的步骤如下：(1)加载InceptionV3骨架模型，去掉顶层，输出一个8*2048的张量；(2)后接自定义新层。输出层先用GlobalAveragePooling2D函数将8*2048的输出转换成1*2048的张量，然后接一个1024个节点的全连接层，最后是一个4个节点的输出层，用softmax作为激活函数。进一步的，训练的参数如下：batch_size设置为64，表示训练时一次迭代输入图像数量，epoch为300，为训练过程中将全部训练图像训练了一遍的迭代次数，当训练经过一个epoch后进行验证集上的测试，batch_size越大，单次迭代输入的图像越多，训练的效果就越能拟合整个训练集上的数据分布。进一步的，在训练时利用画出训练loss和accuracy的结果图判断网络是否训练到位和如何调整训练参数。通过观察训练loss下降的幅度找到合适的学习率，将网络训练完全。学习率的变化公式为：其中，base_lr为训练时的基础学习率，iter为当前迭代次数，stepsize为学习率改变间隔，floor为向下取整。更进一步的，初始学习率为10-4，前3000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4000次迭代，最后使用10-6的学习率训练到最大迭代次数5000次，完成深度卷积神经网络的训练。迁移学习后在神经网络的第17层开始进行精细调节，配合打印图和调试的方法确认正确的值。A3、保存最优解网络模型到hdf5格式文件。进一步地，所述步骤S4进一步包括：A1、使用三维探地雷达进行区域覆盖探测；A2、对三维探地雷达原始数据进行读取和预处理；A3、对预处理后的数据采取B-scan和C-scan的方式进行扫描，组合扫描图像生成实际图片；A4、实际图片输入最优解网络模型hdf5格式文件，输出置信度，并根据置信度分类识别目标对象。...

【技术保护点】
1.一种用于三维探地雷达的数据解译和识别方法，其特征在于，包括：/nS1、读取三维探地雷达各个通道的数据，并对其进行预处理；/nS2、对预处理后的数据采取B-scan和C-scan的方式进行扫描，组合扫描图像生成样本图片，并对样本图片集进行分类标注；/nS3、按照特定的比例将样本图片集划分为训练集、验证集和测试集，使用InceptionV3深度卷积神经网络进行迁移训练；/nS4、读取三维探地雷达采集的数据，对其进行预处理并生成组合扫描图，输入深度卷积模型，输出置信度，并根据置信度分类识别目标对象；/n所述步骤S1进一步包括：/n阶段1：读取所有测线中全部16个通道的雷达原始数据并转换到图像域，转换公式为：/n

【技术特征摘要】
1.一种用于三维探地雷达的数据解译和识别方法，其特征在于，包括：
S1、读取三维探地雷达各个通道的数据，并对其进行预处理；
S2、对预处理后的数据采取B-scan和C-scan的方式进行扫描，组合扫描图像生成样本图片，并对样本图片集进行分类标注；
S3、按照特定的比例将样本图片集划分为训练集、验证集和测试集，使用InceptionV3深度卷积神经网络进行迁移训练；
S4、读取三维探地雷达采集的数据，对其进行预处理并生成组合扫描图，输入深度卷积模型，输出置信度，并根据置信度分类识别目标对象；
所述步骤S1进一步包括：
阶段1：读取所有测线中全部16个通道的雷达原始数据并转换到图像域，转换公式为：



其中，xi为原始的第i个回波值，f(xi)为滤波函数，yi为转换到灰度值值域为[0,b]的图像域中的对应值；
阶段2：对原始数据进行增益、滤波预处理，具体方式包括：
静校正切除、全局背景消除、反向能量衰减增益、DC去直流漂移和K-L变换；
所述步骤S2进一步包括：
阶段1：将每条测线按100个测道(traces)分段，每段长度200个测道，即沿测线方向步进5米进行分割，分割后每段长度10米，相邻的段之间有5米重叠区；
阶段2：从三维探地雷达数据中按段提取相邻偶数通道的数据得到8个垂直剖面扫描图(B-scan)；
阶段3：从三维探地雷达数据中按段提取深度方向上间隔10厘米的数据得到24个水平剖面扫描图(C-scan)；
阶段4：将8个B-scan和24个C-scan拼合成一幅227x227像素的JPG图片，构成样本图片；
阶段5：按阶段2，3，4的方法提取不同通道和深度组合的数据，构成倍增9倍的样本图；
阶段6：对样本图片集进行人工分类并标注为完好、沙井、管道、脱空四类目标对象；
所述步骤S3进一步包括：
阶段1：对分类标注的样本集按7:2:1的比例分为训练集、验证集和测试集；
阶段...

【专利技术属性】
技术研发人员：项芒，
申请(专利权)人：深圳安德空间技术有限公司，
类型：发明
国别省市：广东;44