【技术实现步骤摘要】
本专利技术涉及雷达图像解译，特别涉及一种基于定量属性特征融合的探地雷达图像自动解译方法。
技术介绍
1、探地雷达(ground-penetrating radar，简称gpr)是一种无损探测技术，它的探测原理是利用电磁波与物质之间的相互作用来获取地下物体的信息。gpr发送一系列高频电磁脉冲信号进入地下，并接收反射回来的信号。当这些信号通过地下各种物质时，会与物质的电磁特性发生相互作用，如反射、折射和散射等。通过分析接收到的反射信号的强度、时间和相位等特征，可以推断出地下的物体、土壤结构和地下介质的差异。因其具有高分辨率、非侵入性、非接触式等特点，被视作是一种高效、实时、非破坏性、高分辨率的地下探测技术，在隧道、道路等病害检测中具有广泛的应用前景和技术优势。
2、但电磁波是一种物理信号，由于其非破碎与非接触的探测特点，探测结果及信号数据的解译具有多解性的弊端，往往依赖于技术人员的经验主观判断，在解译效率较低的同时极易造成错判与漏判。为克服上述问题，定量化自动解译是目前的研究重点与发展趋势。
3、主流的定量自动解译绕着“介电常数”这一核心展开(因为不同介质的物体在雷达电磁波对应着不同的介电常数，进而通过介电常数可以判断前方物体的性质，如岩石或空气等)，传统的定量解译方法，如全波形反演、逆时偏移等方法通常存在计算难度大、准确度低和可靠性不足等问题，通常只能在简单理想工况下取得一定的效果。近年来，随着人工智能技术的快速发展，机器学习在地勘数据解译领域愈发受到重视，在钻探、地震波等数据的定量自动解译方面取得了一定的
技术实现思路
1、本专利技术的目的在于克服现有技术中所存在的无法实现探地雷达图像的自动高效解译的问题，提供一种基于定量属性特征融合的探地雷达图像自动解译方法，通过对探地雷达图像底层的电磁波信号数据进行信号处理，获取其各类定量属性信号数据，再通过机器学习的方式实现数据融合与预测，最终实现探地雷达图像的高效自动解译。所述方法包括以下步骤：
2、s1通过探地雷达采集原始待测数据；
3、s2对所述待测数据均进行预处理，得到待测数据集；
4、s3提取所述待测数据集的单道信号，并提取所述单道信号的定量属性特征，导入解译模型，得到所述待测数据的自动解译及可视化结果；
5、所述解译模型通过仿真数据集训练；所述仿真数据集通过对仿真数据进行预处理，分别提取其中各工况的单道信号，再提取相应的定量属性特征数据得到；所述仿真数据通过正演仿真模拟计算得出。
6、对所述单道信号进行希尔伯特变换及广义s变换，并提取定量属性特征，所述希尔伯特变换的表达式为：
7、
8、其中，x(t)的希尔伯特变换为r(t)，h(t)＝1/πt为希尔伯特变换因子。
9、所述广义s变换的表达式为：
10、
11、其中，f为频率；t为时间；τ为时间参数；k和p为时间分辨率和频率分辨率调节因子。
12、所述定量属性特征数据包括瞬时属性特征和时频属性特征；所述时频属性特征提取的表达式为：
13、
14、其中，f为频率；t为时间；τ为时间参数；k和p为时间分辨率和频率分辨率调节因子。
15、所述解译模型为极限梯度提升算法分类器模型，所述极限梯度提升算法分类器模型的计算公式为：
16、
17、其中，表示整个模型在这个样本上的预测结果，k表示决策树的总数量，fk表示第k棵决策树，xi表示样本i对应的特征向量。
18、所述模型的目标函数包括传统损失函数与模型复杂度，公式表达式为：
19、
20、其中，obj表示模型的目标函数，n表示导入第k棵树的数据总量，代表传统的损失函数，衡量真实标签yi和预测值之间的差异，代表模型的复杂度，使用树模型的某种变换ω表示。
21、采用四项指标对所述极限梯度提升算法分类器模型的性能偏差进行综合评估，计算公式为：
22、
23、
24、
25、
26、其中，tp、tn、fp、fn分别代表预测混淆矩阵中的真阳性、真阴性、假阳性和假阴性样本数量。
27、采用gprmax工具进行正演仿真模拟计算，基于时域有限差分法将maxwell旋度方程转化为差分方程，求解差分方程，得到微分方程解的近似值，从而得到探地雷达的所述原始仿真数据。
28、所述maxwell方程组为：
29、
30、
31、
32、
33、其中，分别是电场强度(v/m)、磁场强度(a/m)、电位移(c/m3)和磁感应强度(9)；是电流密度(a/m2)；ρ是电荷密度(c/m3)。
34、所述有限差分法的稳定性条件公式为：
35、
36、其中，δx、δy、δz为空间步长(m)；c为电磁波在空气中的传播速度(m/ns)。
37、有益效果
38、1.通过对探地雷达图像底层的电磁波信号数据进行信号处理，获取其各类定量属性信号数据，再通过机器学习的方式实现数据融合与预测，最终实现探地雷达图像的高效自动解译；
39、2.在应用时，同样提取需要解译的雷达b-scan数据的单道信号，提取相应的定量属性特征数据后导入xgboost模型，输出预测结果，并通过标签赋予颜色的方式完成预测结果的可视化。具备良好的解译效果，相比常规技术人员人工解译，大大提高了解译效率；
40、3.以图像形式对隧道掌子面前方未开挖岩体病害分布及形态进行了直观形象展示，具有良好的工程应用价值。
本文档来自技高网...【技术保护点】
1.一种基于定量属性特征融合的探地雷达图像自动解译方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种基于定量属性特征融合的探地雷达图像自动解译方法，其特征在于，对所述单道信号进行希尔伯特变换及广义S变换，并提取定量属性特征，所述希尔伯特变换的表达式为：
3.根据权利要求2所述的一种基于定量属性特征融合的探地雷达图像自动解译方法，其特征在于，所述广义S变换的表达式为：
4.根据权利要求1所述的一种基于定量属性特征融合的探地雷达图像自动解译方法，其特征在于，所述定量属性特征数据包括瞬时属性特征和时频属性特征；所述时频属性特征提取的表达式为：
5.根据权利要求1所述的一种基于定量属性特征融合的探地雷达图像自动解译方法，其特征在于，所述解译模型为极限梯度提升算法分类器模型，所述极限梯度提升算法分类器模型的计算公式为：
6.根据权利要求5所述的一种基于定量属性特征融合的探地雷达图像自动解译方法，其特征在于，所述模型的目标函数包括传统损失函数与模型复杂度，公式表达式为：
7.根据权利要求5所述的一种基
8.根据权利要求1所述的一种基于定量属性特征融合的探地雷达图像自动解译方法，其特征在于，采用GPRMAX工具进行正演仿真模拟计算，基于时域有限差分法将Maxwell旋度方程转化为差分方程，求解差分方程，得到微分方程解的近似值，从而得到探地雷达的所述原始仿真数据。
9.根据权利要求8所述的一种基于定量属性特征融合的探地雷达图像自动解译方法，其特征在于，所述Maxwell方程组为：
10.根据权利要求8所述的一种基于定量属性特征融合的探地雷达图像自动解译方法，其特征在于，所述有限差分法的稳定性条件公式为：
...【技术特征摘要】
1.一种基于定量属性特征融合的探地雷达图像自动解译方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种基于定量属性特征融合的探地雷达图像自动解译方法，其特征在于，对所述单道信号进行希尔伯特变换及广义s变换，并提取定量属性特征，所述希尔伯特变换的表达式为：
3.根据权利要求2所述的一种基于定量属性特征融合的探地雷达图像自动解译方法，其特征在于，所述广义s变换的表达式为：
4.根据权利要求1所述的一种基于定量属性特征融合的探地雷达图像自动解译方法，其特征在于，所述定量属性特征数据包括瞬时属性特征和时频属性特征；所述时频属性特征提取的表达式为：
5.根据权利要求1所述的一种基于定量属性特征融合的探地雷达图像自动解译方法，其特征在于，所述解译模型为极限梯度提升算法分类器模型，所述极限梯度提升算法分类器模型的计算公式为：
6.根据权利要求5所述的一种基于定量属...
【专利技术属性】
技术研发人员：彭浩，朱孟龙，刘唐，梁铭，宋冠先，黄能豪，吴梦岚，韩玉，吕中玉，解威威，吴雄华，蒋玮，胡圣辉，赵婷婷，陈孝强，
申请(专利权)人：广西路桥工程集团有限公司，
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。