基于迁移学习机制的分析GPR扫描图像的卷积支持向量机网络制造技术

基于迁移学习机制的分析GPR扫描图像的卷积支持向量机网络，包括：利用GPRmax软件生成探地雷达数据；利用迁移学习机制，训练卷积神经网络CNN形成预训练模型；在卷积神经网络CNN中，使用KNN算法和支持向量机SVM代替Softmax分类器，作为卷积滤波器来创建特征映射；选择优化算法更新卷积神经网络CNN结构内的参数，利用支持向量机为输入数据生成的特征映射生成新的特征映射；获取的特征映射，通过ReLU层传递，对最终提取的特征矩阵进行线性SVM分类。本发明专利技术提出的卷积支持向量机CSVM比其他卷积神经网络CNN和机器学习算法的结果更精确。CSVM算法比其他CNN算法在模型的训练阶段所需的时间大为缩短，模拟探地雷达GPR扫描图像中都表现出了较高的性能。都表现出了较高的性能。都表现出了较高的性能。

【技术实现步骤摘要】
基于迁移学习机制的分析GPR扫描图像的卷积支持向量机网络


[0001]本专利技术涉及图像处理和机器学习领域，具体涉及一种基于迁移学习机制的分析GPR扫描图像的卷积支持向量机网络。

技术介绍

[0002]探地雷达GPR广泛应用于考古、结构工程和许多其他地球物理应用的地下预埋件成像。在探地雷达扫描图像中，埋藏的物体通过电磁波的方式被扫描出来，并在Radagram的二维图形中以双曲线形式可视化。雷达图通常很难解释，需要现场专家的帮助才能正确识别地下埋藏的物体。近年来，许多有监督和无监督的方法被用于GPR扫描图像的双曲线模式分析。特别是探地雷达扫描图像分析为探测和识别地下物体提供了多种方法。这些方法中最常用的方法是霍夫变换(Hough Transform,HT)方法。在GPRB扫描图像中，采用广义随机HT方法寻找双曲线模式，取得了满意的结果。此外，还包括基于字典学习的算法来识别GPR图像中的双曲线模式。此外，还提出了基于梯度直方图(Histogram of Oriented gradient,HOG)的地埋物特征提取方法。
[0003]虽然上述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于迁移学习机制的分析GPR扫描图像的卷积支持向量机网络，其特征在于：该网络模型建立方法包括如下步骤：步骤1：利用GPRmax软件生成探地雷达数据；步骤2：利用迁移学习机制，训练卷积神经网络CNN形成预训练模型；步骤3：在卷积神经网络CNN中，使用KNN算法和支持向量机SVM代替Softmax分类器，作为卷积滤波器来创建特征映射；步骤4：选择优化算法更新卷积神经网络CNN结构内的参数，利用支持向量机为输入数据生成的特征映射生成新的特征映射，在每一个卷积层，通过从特征图中提取不同区域的patches来执行监督训练过程；步骤5：获取的特征映射，通过ReLU层传递，并在池化过程的基础上缩减大小，对最终提取的特征矩阵进行线性SVM分类。2.根据权利要求1所述基于迁移学习机制的分析GPR扫描图像的卷积支持向量机网络，其特征在于：所述步骤2包括以下步骤：S2.1：对GPR图像进行数据清洗、归一化等预处理操作，以使数据更适合深度学习模型的训练；S2.2：选择AlexNet，VGG
‑
16，GooleNet，ResNet
‑
50和SqueezeNet这些已经在大规模图像数据集上训练好的CNN模型作为基础模型；S2.3：选择一部分层作为“冻结层”，这些层的参数不会被更新；S2.4：将基础模型中的分类层替换为新的全连接层、卷积层加全局池化层；S2.5：利用GPR图像数据集，对替换后的CNN模型进行微调，更新新分类器的参数，使其更适合于GPR图像分类任务。3.根据权利要求1所述基于迁移学习机制的分析GPR扫描图像的卷积支持向量机网络，其特征在于：所述步骤3包括以下步骤：S3.1：在预处理后的图像数据上，...

【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，冯梦婷，
申请(专利权)人：三峡大学，
类型：发明
国别省市：