基于深度学习的超分辨率3D-GPR图像的频率-波数分析方法技术

基于深度学习的超分辨率3D

【技术实现步骤摘要】
基于深度学习的超分辨率3D
‑
GPR图像的频率
‑
波数分析方法


[0001]本专利技术地质探测
，具体涉及一种基于深度学习的超分辨率3D
‑
GPR图像的频率
‑
波数分析方法。

技术介绍

[0002]探地雷达(GPR)是一种被广泛接受的无损检测工具，因为它对地下介质变化的高度敏感和对广泛目标区域的快速检测能力。然而，在某些情况下，用于地下物体检测和分类的GPR数据的物理解释仍然具有挑战性，因为从目标地下物体反射的电磁波通常比地下介质的不均匀性和不需要的测量噪声弱。一般来说，在空气耦合GPR数据采集条件下，大部分从路面反射的主导信号往往阻碍了来自地下介质的相对微弱信号的精确数据解释。海量信息在传输过程中会因抖动和延迟出现数据丢包和畸变，尤其是其中会夹杂着许多冗余数据和各种干扰信息，对于配电网线路故障诊断的准确性有着较大的影响。
[0003]由于其无损和高速测量能力，探地雷达是最受欢迎的地下调查工具之一。然而，任意地下介质的不均匀性和不希望的测量噪声经常干扰GPR数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的超分辨率3D
‑
GPR图像的频率
‑
波数分析方法，其特征在于包括以下步骤：步骤一：获取管道模型反射的探地雷达GPR数据；步骤二：建立基于深度学习的SR
‑
GPR图像深度剩余信道增强网络；步骤三：将t
‑
s域中的SR
‑
C层扫描数据，通过3D傅立叶变换到f
‑
k域；步骤四：在f域中应用低通滤波器，考虑激发频率来确定滤波频率带宽，设计k域过滤器；步骤五：对GPR信号进行频率
‑
波数分析。2.根据权利要求1所述基于深度学习的超分辨率3D
‑
GPR图像的频率
‑
波数分析方法，其特征在于：步骤二包括以下步骤：S2.1：浅特征提取：将64个3
×
3大小、步幅为1的卷积层组成浅特征提取器，使用卷积神经网络CNN对探地雷达GPR所采集的低分辨率图像进行特征提取，以获取粗略信息；S2.2：深度特征提取：残差中的残差结构是由10个残差组组成的深度网络，每个残差组包括20个残差块和1个卷积层，该残差结构构建成一组深度特征提取器；利用该结构，使用反卷积操作对特征图上进行采样，得到一组高分辨率特征图；S2.3：提升：将低分辨率图像的特征图和高分辨率特征图进行融合，得到一组更为准确的特征图；S2.4：重建：使用反卷积操作将提升后的特征图进行进一步采样，从而得到高分辨率的图像。3.根据权利要求1所述基于深度学习的超分辨率3D
‑
GPR图像的频率
‑
波数分析方法，其特征在于：步骤三具体如下：傅里叶变换公式为：其中：E(x,y,t)和U(k
x
,k
y
,ω)分别表示t
‑
s和f
‑
k域中SR
‑
C层扫描数据的电磁波场；k，ω和t分别是波数、角频率和时间；x，y是空间坐标系；i是虚数单位；k
x
和k
y
分别表示在水平方向和竖直方向上的波数，通常用于表示物体的横向与纵向位置；i是虚数单位；表示频域上的相位因子，用于描述波在时域中的变化。4.根据权利要求1所述基于深度学习的超分辨率3D
‑
GPR图像的频率
‑
波数分析方法，其特征在于：步骤四包括以下步骤：首先，对幅度谱进行分析，从而得到信号的激发频率和能量分布情况；然后，选择一个带宽为激发频率加减固定频率差值的带通滤波器，以保留与信号激发频率相邻的频率成分；最后，开发了k域过滤器。5.根据权利要求4所述基于深度学习的超分辨率3D
‑
GPR图像的频率
‑
波数分析方法，其特征在于：步骤四具体如下：U
f
(k
x
,k
y
,ω)＝U(k
x
,k
y
,ω)
·
Φ...

【专利技术属性】
技术研发人员：吕奥博，张志强，胡哲豪，谢卓然，胡得澳，向笛，王永威，陈豪钰，谢闻捷，杨淑凡，冯馨以，
申请(专利权)人：三峡大学，
类型：发明
国别省市：