一种基于GAN的管道探地雷达深度学习数据增强方法技术

本发明专利技术涉及一种基于GAN的管道探地雷达深度学习数据增强方法，包括如下步骤：S1、采集探地雷达地下管线图像，构建用于模型训练的数据集；S2、构建基于GAN的网络模型，将训练集导入模型，进行模型训练；S3、进行模型测试与优化，对生成器G和判别器D不断调优；S4、达到全局最优，保存模型。本发明专利技术适用于探地雷达图像中地下管线特征的数据增强算法，基于雷达图像数据进行模型训练，生成器用于管线的雷达图像数据生成，判别器对生成的管线的雷达图像进行真实性判断，两者相互对抗最终生成高质量的管线的雷达图像数据，可有效地解决大量地下管线雷达图像数据的采集问题，为后期图像识别与检测提供数据基础，同时也为后续数据库构建提供技术支持。支持。支持。

【技术实现步骤摘要】
一种基于GAN的管道探地雷达深度学习数据增强方法


[0001]本专利技术涉及一种基于GAN的管道探地雷达深度学习数据增强方法，属于深度学习与地球物理勘探的交叉学科领域。

技术介绍

[0002]在城市发展过程中，地下管线是基础设施建设中的一个重要组成部分，城市功能的正常运转和人们生活质量的提高与其不可分离。由于规划设计和建设施工时地下空间信息不完善、更新不及时，以及运营维护过程中不可避免的损耗，管网发生材料老化、改道、挖掘错误等，公路工程出现脱空、疏松、隐蔽裂缝等问题。这些问题不仅会对正常的城市功能产生不利影响，还有可能导致火灾、爆炸等恶性事故的发生。在对地下管线进行全面的勘察、记录和系统管理时，如何提高探测的精度和速度，采取合理的、实用的探测识别方法，变成探测工作的重中之重。
[0003]探地雷达是一种重要的电磁无损探测技术，可以准确快速对浅层地表成像，获取埋地物体的空间与几何信息，在管线普查、公路隐蔽病害检测等物探应用中扮演着重要角色。但由于在进行探地雷达剖面图像信息解释时，地下管线处在地下复杂未知的环境中，存在各种噪声源的不利影响，所以采集到的雷达图像难以呈现足够的有效信息，掩盖或者混淆了某些重要的细节信息，图像质量较差，从而影响科研工作者或者探测工作人员进行解译和判断。而且由于客观条件所限，无法集中采集大量管线的雷达数据。良好质量和一定数量的数据集的缺失，很大程度上限制了深度学习在管线的雷达数据智能分析研究的巨大应用潜力。

技术实现思路

[0004]本专利技术解决的技术问题是：针对探地雷达在对地下管道检查采集到的图像质量差无法形成有效智能识别数据集的问题，提供一种基于GAN的管道探地雷达深度学习数据增强方法，通过使用深度学习方法，以GAN网络为基础，建立数据增强网络模型，生成可以用于扩充数据集的雷达数据。
[0005]本专利技术采用如下技术方案实现：
[0006]一种基于GAN的管道探地雷达深度学习数据增强方法，包含以下步骤：
[0007]S1、采集探地雷达获取的地下管线图像，对图像进行筛选及预处理，保留特征明显的图像，构建用于模型训练的数据集；
[0008]S2、构建基于GAN的网络模型，迁移学习初始化网络模型，将步骤S1中的数据集作为训练集导入该网络模型，进行模型训练；
[0009]S3、进行模型测试与优化，根据步骤S2中网络模型的训练效果和性能表现调整参数，对模型中的生成器G和判别器D不断调优；
[0010]S4、达到全局最优，保存模型。
[0011]进一步的，在本专利技术的一种基于GAN的管道探地雷达深度学习数据增强方法中，所
述步骤S1的具体步骤为：
[0012]S11、整理图像建立雷达图像数据集；
[0013]S12、雷达图像由地下管线维护的专业人员筛选，保留存在良好地下管线特征的图像；
[0014]S13、使用图像处理程序将图像四周空白的附加无用信息直接剪裁删去；
[0015]S14、将雷达图像的尺寸统一调整为256像素
×
256像素。
[0016]具体的，所述雷达图形数据集包括真实雷达图像、模型试验雷达图像与FDTD仿真图像。
[0017]进一步的，在本专利技术的一种基于GAN的管道探地雷达深度学习数据增强方法中，所述步骤S2的具体步骤为：
[0018]S21、利用卷积神经网络代替GAN中的多层感知机来搭建网络模型；
[0019]S22、随机数据输入至生成器G后，由生成器G中的解码器将随机数据转换成图像格式的数据，判别器D对生成的数据判定是否为真实数据；
[0020]S23、先固定生成器G的参数，训练判别器D的参数，然后固定判别器D的参数，再训练生成器G的参数，如此反复交替进行模型训练。
[0021]具体的，所述步骤S21中的所述网络模型包括生成网络与判别网络；其中，所述生成网络包含有7层卷积神经网络，含有3个反卷积层、3个标准卷积层和1个输入层；所述判别网络包含有4个卷积层和1个全连接层，所述生成器G将随机数据转换为虚拟图像，所述判别器D根据真实图像数据对虚拟图像进行判别，最后根据判别结果对生成器G和判别器D的网络参数进行优化。
[0022]具体的，所述反卷积层具有上采样的作用，在标准卷积层后面引入批量归一化层防止梯度消失，使用ReLU或tanh函数作为激活函数。
[0023]进一步的，在本专利技术的一种基于GAN的管道探地雷达深度学习数据增强方法中，所述步骤S3的具体步骤为：
[0024]S31、每迭代500次生成一批地下管线的雷达图像数据，观察模型训练进度和训练效果；
[0025]S32、利用训练好的网络模型进行地下管线的雷达图像数据生成，将生成数据与原始真实数据对比，综合考虑生成数据的质量和模型收敛的速度，验证网络性能。
[0026]具体的，所述步骤S3中调整的参数为初始学习率、迭代次数、Batchsize。
[0027]具体的，所述步骤S3中调整参数的主要依据为：设置不同参数时，网络模型生成数据中地下管线特征的清晰度，以及模型收敛所用时长。
[0028]具体的，所述步骤S4中，在生成对抗网络训练过程中不断地调整优化生成器G和判别器D的参数，优化的手段是使生成器极小化、判别器极大化，生成器生成的虚拟图像能够骗过判别器，最终达到以假乱真的效果即达到全局最优。
[0029]本专利技术提供的一种基于GAN的管道探地雷达深度学习数据增强方法，具有以下有益效果：
[0030]1.本专利技术建立真实雷达图像、模型试验雷达图像与FDTD仿真图像的复合数据集，面向实际探测的使用场景，真实雷达图像占数据集图像总数的大部分，剩下部分的图像用于丰富数据集，使模型生成的管线雷达数据质量更高。
[0031]2.本专利技术利用卷积神经网络代替了GAN中的多层感知机搭建网络模型，大大提升GAN的性能，算法运行效率较高，加快了模型收敛的速度。在保证高质量生成数据的同时，可以缩减生成数据的时间成本，有利于提高地下管线工程检测行业的智能化水平以及探测的能力和效率。
附图说明
[0032]图1是实施例中基于GAN的管道探地雷达深度学习数据增强方法的流程图。
[0033]图2是实施例中基于GAN的管道探地雷达深度学习数据增强方法的网络结构图。
具体实施方式
[0034]下面结合附图并通过实例对本专利技术作进一步的详细说明，以下实施例是对本专利技术的解释而本专利技术并不局限于以下实施例。
[0035]如图1所示，本实施例的一种基于GAN的管道探地雷达深度学习数据增强方法包含以下步骤：
[0036]步骤S1、采集探地雷达地下管线图像，对图像进行筛选及预处理，保留特征明显的图像，构建用于模型训练的数据集。
[0037]步骤S1的具体过程又包括如下步骤：
[0038]S11、整理图像建立雷达图像数据集，图像来源包括真实雷达图像、模型试验雷达图像与FDTD仿真图像。
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GAN的管道探地雷达深度学习数据增强方法，其特征在于包含以下步骤：S1、采集探地雷达获取的地下管线图像，对图像进行筛选及预处理，保留特征明显的图像，构建用于模型训练的数据集；S2、构建基于GAN的网络模型，迁移学习初始化网络模型，将步骤S1中的数据集作为训练集导入该网络模型，进行模型训练；S3、进行模型测试与优化，根据步骤S2中网络模型的训练效果和性能表现调整参数，对模型中的生成器G和判别器D不断调优；S4、达到全局最优，保存模型。2.根据权利要求1所述的一种基于GAN的管道探地雷达深度学习数据增强方法，所述步骤S1的具体步骤为：S11、整理图像建立雷达图像数据集；S12、雷达图像由地下管线维护的专业人员筛选，保留存在良好地下管线特征的图像；S13、使用图像处理程序将图像四周空白的附加无用信息直接剪裁删去；S14、将雷达图像的尺寸统一调整为256像素
×
256像素。3.根据权利要求2所述的一种基于GAN的管道探地雷达深度学习数据增强方法，所述雷达图形数据集包括真实雷达图像、模型试验雷达图像与FDTD仿真图像。4.根据权利要求1所述的一种基于GAN的管道探地雷达深度学习数据增强方法，所述步骤S2的具体步骤为：S21、利用卷积神经网络代替GAN中的多层感知机来搭建网络模型；S22、随机数据输入至生成器G后，由生成器G中的解码器将随机数据转换成图像格式的数据，判别器D对生成的数据判定是否为真实数据；S23、先固定生成器G的参数，训练判别器D的参数，然后固定判别器D的参数，再训练生成器G的参数，如此反复交替进行模型训练。5.根据权利要求4所述的一种基于GAN的管道探地雷达深度学习数据增强方法，所述步骤S21...

【专利技术属性】
技术研发人员：方宏远，王念念，胡浩帮，马铎，
申请(专利权)人：郑州大学，
类型：发明
国别省市：