一种基于改进的CascadeR-CNN的探地雷达隧道病害目标检测方法技术

本发明专利技术公开了一种基于改进的Cascade R

【技术实现步骤摘要】
一种基于改进的Cascade R
‑
CNN的探地雷达隧道病害目标检测方法


[0001]本专利技术属于探地雷达数据处理与检测
，具体涉及一种基于改进的Cascade R
‑
CNN的探地雷达隧道病害目标检测方法。

技术介绍

[0002]探地雷达是一种利用发射和接收电磁波在目标发生反射来实现目标探测的技术，以其高效、准确、适应性强和无损等特点，对国家军事发展具有重要作用，广泛运用于隧道衬砌、地雷和道路病害等检测任务中。但在实际探测中，由于地下介质环境的多样性、电磁波传播的复杂性和系统内部因素影响，导致地下目标回波夹杂在强背景杂波干扰下，信噪比较低，因此需对接收信号进行一系列信号处理操作，如背景滤除、自动增益、垂直滤波等，以便提取目标信号特征实现识别检测。
[0003]现有的检测方法主要根据一维目标信号的频谱特征、累积能量和梯度直方图等特征来检测掩埋目标的类别和位置，但这些方法存在依赖人为分析、时间成本高、泛化能力差等缺点，因此探地雷达目标检测技术朝着自动化和智能化方向发展以解决这些问题。随着深度卷积神经网络在图像识别、实例分割等方面表现出的优势，目标检测算法得到快速发展。卷积神经网络通过深度卷积层自动提取语义特征来实现目标的自动分类和定位。由于不同类型的隧道病害目标在形态上表现不同，如圆形空洞呈现双曲线形态、箱体目标呈现梯形形态和错台呈现斜坡形态等，深度卷积神经网络可利用其在图像上的纹理梯度等特征信息，通过多层卷积操作学习特征实现检测任务。但随着网络深度的增加，存在内存容量和带宽等限制问题，进而需要对网络模型进行轻量化。

技术实现思路

[0004]本专利技术的目的是提供一种基于改进的Cascade R
‑
CNN的探地雷达隧道病害目标检测方法，在保持模型精度基础上最大化减少模型参数量和复杂度，实现了在便携式设备上高效、准确的隧道病害目标自动化检测，使其适用于多种不同隧道质量检测任务中。
[0005]本专利技术采用以下技术方案：一种基于改进的Cascade R
‑
CNN的探地雷达隧道病害目标检测方法，该检测方法包括如下步骤：
[0006]步骤一：采集探地雷达隧道数据：对实际隧道场景进行探测，采集隧道不同病害目标数据，并以二维B
‑
Scan图像形式存储，得探地雷达隧道采集数据；
[0007]使用探地雷达电磁正演仿真软件gprMax根据实际隧道场景搭建隧道模型，并在隧道模型墙体中内嵌不同类型及不同材质的病害目标，正演仿真生成病害目标数据，并以二维B
‑
Scan图像形式存储，得探地雷达隧道仿真数据；
[0008]探地雷达隧道采集数据和探地雷达隧道仿真数据组成了探地雷达隧道数据；
[0009]步骤二：处理探地雷达隧道数据：使用一维处理算法和二维处理算法处理探地雷达隧道数据；
[0010]步骤三：构建探地雷达隧道数据集：将步骤一和二中的采集数据及仿真数据调整至统一像素大小，均以.jpg格式存储，并使用labelImg软件对其进行标记，并构建符合R
‑
CNN数据集的数据文件夹，将所有数据划分为训练集、验证集和测试集；
[0011]步骤四：搭建卷积神经网络模型：基于Cascade R
‑
CNN及Libra R
‑
CNN模型结构，使用级联IOU阈值结合IOU
‑
balanced采样机制搭建卷积神经网络；
[0012]步骤五：获取卷积神经网络模型：将步骤三中训练集中的数据输入至步骤四中搭建的卷积神经网络模型中进行训练，获取准确率和召回率均大于90％的卷积神经网络模型；
[0013]步骤六：轻量化卷积神经网络模型：依次采用裁剪、量化和编码对卷积神经网络模型进行轻量化，得到轻量化后的卷积神经网络模型；
[0014]步骤七：评估轻量化后的卷积神经网络模型：当网络召回率、平均精度和F1分值均大于90％，且轻量化后的参数量相较轻量化前降低大于40％，即选择该轻量化后的卷积神经网络模型；
[0015]步骤八：将地雷达隧道数据图像以图像格式输入至步骤七中的轻量化后的卷积神经网络模型中，输出检测到的病害目标类别、得分值和坐标信息。
[0016]进一步地，在步骤四中，使用IOU阈值逐级增加的四阶级联结构，其中一阶段IOU阈值选取机制为：通过计算该阶段每个batch中所有anchor与ground truth间的IOU值，选择其均值作为一阶段的IOU阈值，此后三个阶段的IOU阈值采用级联方式，逐阶段增加0.1。
[0017]进一步地，在步骤三中，将所有数据按照7:2:1的比例划分为训练集、验证集和测试集。
[0018]进一步地，在步骤五中，采用step学习率变化策略，根据网络训练过程中损失值的变化，设置两个迭代分界点，使得迭代至分界点分别以α和β的比例降低学习率，按照此策略在训练过程中，根据可视化损失进行微调，并使用步骤三中的验证集对网络进行多次微调，进而获取性能最佳的卷积神经网络模型；α和β的取值均为0～1。
[0019]进一步地，在步骤六中，裁剪采用基于熵值的神经元级裁剪方式，将步骤五中网络每一层输出通过全局平均池化转换为长度为L的向量，并将训练集中的M个数据作为一个集合，得到M
×
L大小的矩阵。再将每个滤波器划分为N个区间，计算对应熵值H
i
，计算公式如下：
[0020][0021]其中：p
i
表示第i个小区间对应概率。然后根据熵值H
i
从大到进行小排序，设置保留阈值thresh，保留对应百分比的滤波器，其余滤波器进行裁剪；并且每执行完一次裁剪操作，执行一次微调，最后当所有层都执行完裁剪后，执行多次迭代微调网络。
[0022]进一步地，在步骤六中，量化采用混合精度和权重共享的训练方式，对各层采用K
‑
Means算法进行聚类，然后再次训练网络对权重进行更新，对每一层权重参数进行求导得到梯度值，将该层所有梯度值根据权重参数聚类类别进行分组，将索引位置处的同一类别梯度值进行累加求和，并与学习率相乘，再与原始聚类中心相减得到聚类中心的更新值。
[0023]进一步地，在步骤六中，编码采用霍夫曼编码方式，对裁剪中的索引和量化中的权
重分别进行编码压缩，且采用离线执行。
[0024]进一步地，在步骤七中，F1分值根据召回率和精确率计算得到。计算公式如下：
[0025][0026]其中P表示精确率，R表示召回率。
[0027]本专利技术的有益效果是：1、本专利技术使用gprMax软件搭建隧道模型，根据实际隧道环境和所包含病害，在模型中嵌入不同材质和类别组合的病害目标，仿真效果逼近实际环境，具备实际数据中丰富的病害特征，一定程度上满足了深度学习对于大数据的需求。
[0028]2、本专利技术采用数据归一化、中值滤波、垂直滤波、差分运算、背景滤除和两次信号放大本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进的Cascade R
‑
CNN的探地雷达隧道病害目标检测方法，其特征在于，该检测方法包括如下步骤：步骤一：采集探地雷达隧道数据：对实际隧道场景进行探测，采集隧道不同病害目标数据，并以二维B
‑
Scan图像形式存储，得探地雷达隧道采集数据；使用探地雷达电磁正演仿真软件gprMax根据实际隧道场景搭建隧道模型，并在隧道模型墙体中内嵌不同类型及不同材质的病害目标，正演仿真生成病害目标数据，并以二维B
‑
Scan图像形式存储，得探地雷达隧道仿真数据；所述探地雷达隧道采集数据和探地雷达隧道仿真数据组成了探地雷达隧道数据；步骤二：处理探地雷达隧道数据：使用一维处理算法和二维处理算法处理探地雷达隧道数据；步骤三：构建探地雷达隧道数据集：将所述步骤一和二中的采集数据及仿真数据调整至统一像素大小，均以.jpg格式存储，并使用labelImg软件对其进行标记，并构建符合R
‑
CNN数据集的数据文件夹，将所有数据划分为训练集、验证集和测试集；步骤四：搭建卷积神经网络模型：基于Cascade R
‑
CNN及Libra R
‑
CNN模型结构，使用级联IOU阈值结合IOU
‑
balanced采样机制搭建卷积神经网络；步骤五：获取卷积神经网络模型：将所述步骤三中训练集中的数据输入至所述步骤四中搭建的卷积神经网络模型中进行训练，获取准确率和召回率均大于90％的卷积神经网络模型；步骤六：轻量化卷积神经网络模型：依次采用裁剪、量化和编码对所述卷积神经网络模型进行轻量化，得到轻量化后的卷积神经网络模型；步骤七：评估轻量化后的卷积神经网络模型：当网络召回率、平均精度和F1分值均大于90％，且轻量化后的参数量相较轻量化前降低大于40％，即选择该轻量化后的卷积神经网络模型；步骤八：将地雷达隧道数据图像以图像格式输入至步骤七中的轻量化后的卷积神经网络模型中，输出检测到的病害目标类别、得分值和坐标信息。2.如权利要求1所述的一种基于改进的Cascade R
‑
CNN的探地雷达隧道病害目标检测方法，其特征在于，在所述步骤四中，使用IOU阈值逐级增加的四阶级联结构，其中一阶段IOU阈值选取机制为：通过计算该阶段每个batch中所有anchor与ground truth间的IOU值，选择其均值作为一阶段的IOU阈值，此后三个阶段的IOU阈值采用级联方式，逐阶段增加0.1。3.如权利要求2所述的一种基于改进的Cascade R
...

【专利技术属性】
技术研发人员：王百泉，陈思宇，王华，卓越，张安学，林春刚，谢韬，邹翀，杨成春，尚伟，李荆，刘长旭，
申请(专利权)人：中铁隧道勘察设计研究院有限公司，
类型：发明
国别省市：