本公开实施例提供了一种探地雷达的目标检测方法
【技术实现步骤摘要】
探地雷达的目标检测方法及相关设备
[0001]本公开涉及目标检测
,尤其涉及一种探地雷达的目标检测方法装置
、
计算机设备
、
可读存储介质及程序
。
技术介绍
[0002]目前,探地雷达
(Ground Penetrating Radar
简称
GPR)
是一种广泛应用于地下目标探测的无损检测设备,具有快速无损
、
安全高效的特点,已逐渐成为无损检测的主流手段
。
它的工作原理主要是通过向检测物体发送高频电磁波来探测目标反射电磁波
。
电磁波在传播过程中由于会遇到不同类型的介质,它的路径
、
电磁强度及波形都会发生变化;当接收天线收到反射电磁波后,多个连续电磁波信号可以形成一个二维雷达波型平面图显示在雷达接收界面上,再根据时间
、
振幅和雷达波形数据推断和识别被检测物体内部目标的类型
、
大小和位置
。
技术实现思路
[0003]本公开实施例提供了一种探地雷达的目标检测方法
、
应用程序的防护方法
、
装置
、
计算机设备
、
可读存储介质及程序,涉及目标检测
,建立的故障检测模型,提升了故障检测的检测准确度
。
[0004]本公开实施例提供了一种探地雷达的目标检测方法,包括:获取探地雷达检测的二维剖面图和与所述二维剖面图对应的多个单道波形图;将所述二维剖面图和所述多个单道波形图进行多模态融合,以获取融合后的特征图;根据所述融合后的特征图,通过目标检测模型获取检测目标,其中所述目标检测模型是单发多框检测神经网络模型
。
[0005]在一个实施例中,将所述二维剖面图和所述多个单道波形图进行多模态融合包括:将所述多个单道波形图进行编码和解码以获取多个对应的特征矩阵;将所述二维剖面图转换成
PASCAL VOC
数据集;将所述
PASCAL VOC
数据集通过所述目标检测模型的第三卷积层获取第三卷积特征图;将所述多个对应的特征矩阵分别与所述第三卷积特征图中对应部分融合
。
[0006]在一个实施例中,根据所述融合后的特征图,通过目标检测模型获取检测目标包括:将所述融合后的特征图输入至所述目标检测模型的第四卷积层,以获取第四卷积特征图
。
[0007]在一个实施例中,,根据所述融合后的特征图,通过目标检测模型获取检测目标包括:在所述目标检测模型的第九卷积层布置空间通道注意力机制,以获取第九卷积空间通道注意力特征图;在所述目标检测模型的第十卷积层布置空间通道注意力机制,以获取第十卷积空间通道注意力特征图
。
[0008]在一个实施例中,在所述目标检测模型的第九卷积层布置空间通道注意力机制,以获取第九卷积空间通道注意力特征图包括:将所述目标检测模型的第九卷积层提取的第九卷积特征图采用平均池化和最大池化压缩特征映射的空间维数;将平均池化和最大池化
的结果利用共享的全连接层进行结果相加操作;通过
sigmoid
函数获得输入特征层每一个通道的权值;根据所述每一个通道的权值获取通道注意力特征图;将所述通道注意力特征图进行全局最大池化和全局平均池化,得到两个不同的特征层;将所述两个不同的特征层进行堆叠以获取堆叠特征图;根据所述堆叠特征图利用一次通道数为1的卷积调整通道数,利用
sigmoid
函数获得输入特征层每一个特征点的权值;根据所述每一个特征点的权值获取第九卷积空间通道注意力特征图
。
[0009]在一个实施例中,方法还包括:在所述目标检测模型的第四卷积层
、
第七卷积层
、
第八卷积层
、
第九卷积层
、
第十卷积层和第十一卷积层布置先验框;对各卷积层的先验框进行优化
。
[0010]本公开实施例提供了一种探地雷达的目标检测装置,包括:获取模块,用于获取探地雷达检测的二维剖面图和与所述二维剖面图对应的多个单道波形图;融合模块,用于将所述二维剖面图和所述多个单道波形图进行多模态融合,以获取融合后的特征图;检测模块,用于根据所述融合后的特征图,通过目标检测模型获取检测目标,其中所述目标检测模型是单发多框检测神经网络模型
。
[0011]本公开实施例提供了一种计算机设备,包括处理器
、
存储器
、
输入输出接口;所述处理器分别与所述存储器和所述输入输出接口相连,其中,所述输入输出接口用于接收数据及输出数据,所述存储器用于存储计算机程序,所述处理器用于调用所述计算机程序,以使得所述计算机设备执行如上实施例中任一项所述的方法
。
[0012]本公开实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序适于由处理器加载并执行,以使得具有所述处理器的计算机设备执行如上实施例中任一项所述的方法
。
[0013]本公开实施例提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现如上实施例中任一项所述的方法
。
[0014]本申请的探地雷达的目标检测方法,通过获取探地雷达检测的二维剖面图和与所述二维剖面图对应的多个单道波形图;将所述二维剖面图和所述多个单道波形图进行多模态融合,以获取融合后的特征图;根据所述融合后的特征图,通过目标检测模型获取检测目标,其中所述目标检测模型是单发多框检测神经网络模型,能够实现探地雷达的目标检测
。
附图说明
[0015]为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图
。
[0016]图1示出了可以应用本公开实施方式的探地雷达的目标检测方法的示例性系统架构的示意图;
[0017]图2是本公开实施例提供的一种探地雷达的目标检测方法的流程图;
[0018]图3是本公开实施例提供的单发多框检测神经网络模型
SSD
进行探地雷达的目标检测的结构和流程示意图;
[0019]图4是本公开实施例提供的将所述二维剖面图和所述多个单道波形图进行多模态
融合方法的流程图;
[0020]图5是本公开实施例提供的根据所述融合后的特征图,通过目标检测模型获取检测目标方法的流程图;
[0021]图6是本公开实施例提供的在所述目标检测模型的第九卷积层布置空间通道注意力机制,以获取第九卷积空间通道注意力特征图方法的流程图;;
[0022]图7是本公开实施例提供的空间通道注意力机制模块示意图;
[0023]本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.
一种探地雷达的目标检测方法,其特征在于,包括:获取探地雷达检测的二维剖面图和与所述二维剖面图对应的多个单道波形图;将所述二维剖面图和所述多个单道波形图进行多模态融合,以获取融合后的特征图;根据所述融合后的特征图,通过目标检测模型获取检测目标,其中所述目标检测模型是单发多框检测神经网络模型
。2.
根据权利要求1所述的方法,其特征在于,将所述二维剖面图和所述多个单道波形图进行多模态融合包括:将所述多个单道波形图进行编码和解码以获取多个对应的特征矩阵;将所述二维剖面图转换成
PASCAL VOC
数据集;将所述
PASCAL VOC
数据集通过所述目标检测模型的第三卷积层获取第三卷积特征图;将所述多个对应的特征矩阵分别与所述第三卷积特征图中对应部分融合
。3.
根据权利要求2所述的方法,其特征在于,根据所述融合后的特征图,通过目标检测模型获取检测目标包括:将所述融合后的特征图输入至所述目标检测模型的第四卷积层,以获取第四卷积特征图
。4.
根据权利要求1所述的方法,其特征在于,根据所述融合后的特征图,通过目标检测模型获取检测目标包括:在所述目标检测模型的第九卷积层布置空间通道注意力机制,以获取第九卷积空间通道注意力特征图;在所述目标检测模型的第十卷积层布置空间通道注意力机制,以获取第十卷积空间通道注意力特征图
。5.
根据权利要求4所述的方法,其特征在于,在所述目标检测模型的第九卷积层布置空间通道注意力机制,以获取第九卷积空间通道注意力特征图包括:将所述目标检测模型的第九卷积层提取的第九卷积特征图采用平均池化和最大池化压缩特征映射的空间维数;将平均池化和最大池化的结果利用共享的全连接层进行结果相加操作;通过
sigmoid
函数获得输入特征层每一个通道的权值;根据所述每一个通道的权值获取通道注意力特征图;将所述通道注意力特征图进行全局最大...
【专利技术属性】
技术研发人员:潘梦梦,
申请(专利权)人:中国电信股份有限公司,
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。