【技术实现步骤摘要】
一种基于深度学习的探地雷达自主式智能扫查及导航方法
[0001]本专利技术涉及地质勘察
，尤其涉及一种基于深度学习的探地雷达自主式智能扫查及导航方法。
技术介绍
[0002]探地雷达(GPR)通过发射高频脉冲电磁波对地下介质进行探测，识别地下目标异常体，具有操作简单、探测精度高、无损伤和采集速度快等特点，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。机器人(Robot)是指自动执行工作的机器装置，可以根据人工智能制定的行动方式来行动，搭载探地雷达协助人类从事数据采集工作。以往对前期使用车载三维探地雷达的探测成果进行返回现场复测验证的方式是采用单通道或双通道便携式探地雷达人工采集数据后进行评判验证，执行效率较低，不同复测人员的验证标准不统一，导致评判结果产生偏差，现场复测人员的安全保障也存在隐患。因此，需要提出一种无需人工介入的自主式智能扫查方法来解决上述存在的问题，同时也需要进一步满足一些特定场景的地下异常体探测的小型轻量化、智能自动化、实时性以及安全性的需求。
技术实现思路
<...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的探地雷达自主式智能扫查及导航方法，其特征在于，包括以下步骤：步骤S1，对探地雷达机器人采集的数据进行实时数据处理，使用人工智能目标检测方法识别异常体；步骤S2，根据识别到的异常体后边界，获得当前测线的折返点，根据折返点和坐标系向量循环往复进行目标检测；步骤S3，根据所述折返点和参考方向，提取内存中上一次保存的历史向量，通过反向行进对所述探地雷达机器人的数据采集进行导航；步骤S4，根据多次往返采集数据生成的垂直切片图像集，实时进行异常体三维模型渲染。2.根据权利要求1所述的基于深度学习的探地雷达自主式智能扫查及导航方法，其特征在于，所述步骤S1包括以下子步骤：步骤S101，对采集的数据进行时间递进增益处理，计算每个采样点的增益参数；步骤S102，根据每个采样点的增益系数对一个采集周期内不同深度的采样点进行不同级别的增益处理，得到处理后的振幅值；步骤S103，根据处理后的振幅值生成垂直切片图像；步骤S104，基于深度学习的轻量级神经网络模型yolov5对生成的垂直切片图像进行实时的批量目标检测，识别异常体。3.根据权利要求2所述的基于深度学习的探地雷达自主式智能扫查及导航方法，其特征在于，所述步骤S101中，通过公式tgCoef[i]=tgVal*Contrast计算每个采样点的增益参数tgCoef[i]，其中，i表示循环系数，i∈[0,nSamples]，nSamples表示采样点数；tgVal表示深度增益量，tgVal=时间增益量timegain/1000；Contrast表示对比度；所述步骤S102中，通过每个采样点的增益参数tgCoef[i]与对应深度的采样点的振幅值相乘，得到处理后的振幅值。4.根据权利要求2所述的基于深度学习的探地雷达自主式智能扫查及导航方法，其特征在于，所述步骤S103包括以下子步骤：步骤S1031，通过第一预设数量的道数据对应雷达采集行进方向上的10米距离，构成垂直切片图像的宽度；步骤S1032，通过第二预设数量的采样点数对应深度方向的512厘米，构成垂直切片图像的高度；步骤S1033，以第一预设数量的1/2条道数据作为步进距离，生成多幅垂直切片图像。5.根据权利要求2所述的基于深度学习的探地雷达自主式智能扫查及导航方法，其特征在于，所述步骤S104包括以下子步骤：步骤S1041，实现人工智能目标检测的网络模型训练，在轻量级神经网络模型yolov5中，采用53个卷积层的跨阶段局部网络CSPDarknet53作为骨干网络，并采用等效卷积去掉focus层，利用focal loss替换标准的二元交叉熵损失函数；步骤S1042，将网络模型的推理批量尺寸设置为16，置信度阈值设置为70，对生成的垂直切片图像进行批量目标检测，当被标记矩形框的得分超过预设阈值时，标记为异常体，并记录异常体的长度和深度信息。
6.根据权利要求1至5任意一项所述的基于深度学习的探地雷达自主式智能扫查及导航方法，其特征在于，所述步骤S2包括以下子步骤：步骤S201，从探地雷达机器人的初始开机位置或上一个折返点位置开始，基于探地雷达机器人的位姿数据，计算测线方向在探地雷达机器人坐标系下的向量，并作为历史记录保存在导航单元的内存中；步骤S202，探地雷达机器人沿初始开机位置或上一次计算的测线方向行进并采集数据...
【专利技术属性】
技术研发人员：项芒，秦竟波，董珏，黄钰琳，秦鹏，
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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。