【技术实现步骤摘要】
本专利技术涉及雷达信号处理，尤其是一种一种用于地下管道探地雷达杂波去除的深度学习数据模型及其构建方法。
技术介绍
1、随着我国工业化建设与公共基础设施建设的加快，维持工业发展与居民生活的地下管网建设也日趋重要。由于地下管道建设年限长、腐蚀老化严重、突发性自然灾害及人为破坏等，我国城市地下管线年久失修问题普遍存在。探地雷达作为新兴的地下探测技术，与传统检测方法相比，具有探测成本低、分辨率高、设备轻便、无损检测等优点，能够满足快速大范围探测的现实需求。
2、在实测雷达剖面中，目标反射信号不可避免地会受到杂波信号的干扰，地下真实信息会受到这些杂波噪声的严重干扰，导致有效信息被杂波覆盖遮挡，电磁回波剖面图的分辨率下降，无法准确反映地下地质结构，增加了对目标体检测辨别的难度，严重干扰了图像的分割、编码及特征提取等。而雷达杂波信号是由内部因素和外部因素导致而形成的，内部因素是雷达采集系统自身导致的，而外部因素是由于地表直达波、发射天线和接收天线存在耦合杂波以及地下不同的媒介物质引起的背景噪声等。目前对于抑制探地雷达信号中杂波的问题，主要采用的emd、svd、st等方法，在分离有效信号和随机噪声时会出现适应性差的问题，容易导致图像变模糊和信号畸变，对真实复杂的地质情况的反应目前有失偏颇。
技术实现思路
1、本专利技术要解决的技术问题是针对现有技术的种种不足，提供一种用于地下管道探地雷达杂波去除的深度学习数据模型及其构建方法。
2、为解决上述技术问题，本专利技术所采取的技术
3、用于地下管道探地雷达杂波去除的深度学习数据模型，该深度学习数据模型面向探地雷达图像数据集，在图像分割数据导向上构建多尺度特征路径以提高分割的准确性，基于下采样过程中的粗糙特征以及上采样路径中的细节特征，容纳多路径下的精细化结构，以对探地雷达图像数据集的不同区域进行准确的像素级数据处理，并在此基础上进一步引入基于预训练数据集的深度学习算法以实现可验证和可迭代的精准化地下管道探地雷达杂波去除；
4、作为本专利技术的一种优选技术方案，所述数据模型的神经网络内部构建一个卷积神经网络的骨干网络进行特征提取，在此基础上进行旁路化或顺次化的算法模块嵌套，所述算法模块可选的包括多尺度金字塔算法模块、多路径细化算法模块、上采样和预测算法模块、残差卷积单元算法模块、像素混洗算法模块、细化块算法模块、多尺度融合算法模块、链式残差池化算法模块，基于上述算法模块的并列或顺次二次组构以实现或增强对探地雷达图像数据在不同尺度上以及不同级别上的特征识别；
5、用于地下管道探地雷达杂波去除的深度学习数据模型的构建方法，该方法依次进行探地雷达图像数据集构建、数据集预处理算法构建、多模块兼容神经网络算法构建，由此获得用于地下管道探地雷达杂波去除的基础数据模型，并可选的进行后续优化，后续模型优化步骤可选的包括：模型测试，和/或模型验证，和/或模型迭代，和/或模型部署；
6、作为本专利技术的一种优选技术方案，该方法的一个实例化数据构建步骤包括：步骤一：构建探地雷达图像数据集；步骤二：数据集预处理；步骤三：构建图像分割数据导向的神经网络算法。
7、作为本专利技术的一种优选技术方案，该方法的一个实例化数据构建步骤包括：步骤一：构建探地雷达图像数据集；步骤二：数据集预处理；步骤三：构建图像分割数据导向的神经网络算法；步骤四：模型测试；步骤五：模型验证。
8、作为本专利技术的一种优选技术方案，该方法的一个实例化数据构建步骤包括：
9、步骤一：构建探地雷达图像数据集；
10、构建含杂波的地下管道探地雷达图像、不含杂波的地下管道探地雷达图像两组数据集，并按比例分为训练集和验证集，具体过程为：
11、1.1通过大量随机模型模拟各种地质情况，构建数据集，整体模型的深度和宽度分别设定在3-6m和6-12m之间，网格大小dx(dz)＝0.02m，层数设定为2-5层；
12、1.2在模型的随机位置生成多个异常体，模拟地下管道的不同材料如pvc管道、金属管道、形状如空洞、管道、含水空洞，以及尺寸如不同直径数据；
13、1.3对背景进行随机数添加，然后进行正演模拟，生成地下管道探地雷达的原始图像；
14、1.4设定训练集和验证集的比例为8：2；
15、步骤二：数据集预处理；
16、根据步骤一得到的探地雷达图像数据集，进行直达波消除、滤波、增益等预处理，从而形成最终数据集，具体过程为：
17、2.1使用rnmf算法对探地雷达数据进行直达波去除，通过在非负矩阵分解的基础上引入稀疏表示和鲁棒性，以提高对异常值和缺失值的处理能力，从而更好地适应真实世界中的复杂数据情况，其算式流程如下：
18、假设数据矩阵x是稀疏破坏的，对于gpr信号而言，rnmf方法将数据矩阵x分解为一个稀疏误差矩阵s和两个非负矩阵w和h的乘积之和：x≈wh+s，s.t.w,h≥0，其中，k是因式分解的秩数；对于rnmf，将优化问题重新表述为以下形式：式中且λ＞0，λ是正则化参数；
19、进一步，按照以下方程进行迭代更新：
20、
21、
22、其中w和h按如下方式归一化以对非负矩阵进行分解：
23、
24、进一步，为了优化稀疏度参数，s的更新规则构建为：
25、
26、2.2使用指数增益算法对探地雷达深层数据进行增益处理，利用非线性变换对雷达数据的幅度进行指数运算以改变信号的动态范围，使得强反射目标和弱反射目标之间的差异更加显著，其数据流程构建为：
27、以探测区域为均匀有耗介质，则电磁波传播到与探地雷达发射天线距离为r处的振幅为：式中a0是发射信号振幅值；1/r是扩散因子；β为衰减系数；t为高频电磁波从发射到接收的双程时延；由式(7)得到发射信号的真振幅值a0为：a0＝areβt；式中v是高频电磁脉冲波在地下有耗介质中传播速度，又因为传播速度和传播路程满足r＝vt，将其代入公式(8)有：a0＝avteβt；当地下介质中的εr已知，电磁波传播速度通过计算得到衰减系数β，则指数增益函数为：g＝vteβt；则，将增益函数作为权值与反射回波相乘就可以得到放大后的回波信号；
28、2.3使用高斯滤波对探地雷达数据进行卷积操作，通过滤波模板与图像进行卷积运算以达到滤除噪声的目的，处理后图像中每一个像素点的值都经过了与其他像素值进行加权平均的操作，函数化数据处理进程构建为：式中(x,y)为像素点的坐标，σ为标准差；根据上述公式获取高斯函数权重系数，再与像素点相对应的像素值相乘再相加，得到最终的值取代像素点的像素值；
29、步骤三：构建神经网络算法
30、构建一个卷积神经网络的骨干网络进行特征提取，在此基础上进行旁路化或顺次化的算法模块嵌套以使数据网络能够同时学习到不同尺度和不同级别的探地雷达数据特征；具体的，以refinenet为本文档来自技高网...
【技术保护点】
1.用于地下管道探地雷达杂波去除的深度学习数据模型，其特征在于：该深度学习数据模型面向探地雷达图像数据集，在图像分割数据导向上构建多尺度特征路径以提高分割的准确性，基于下采样过程中的粗糙特征以及上采样路径中的细节特征，容纳多路径下的精细化结构，以对探地雷达图像数据集的不同区域进行准确的像素级数据处理，并在此基础上进一步引入基于预训练数据集的深度学习算法以实现可验证和可迭代的精准化地下管道探地雷达杂波去除。
2.根据权利要求1所述的用于地下管道探地雷达杂波去除的深度学习数据模型，其特征在于：所述数据模型的神经网络内部构建一个卷积神经网络的骨干网络进行特征提取，在此基础上进行旁路化或顺次化的算法模块嵌套，所述算法模块可选的包括多尺度金字塔算法模块、多路径细化算法模块、上采样和预测算法模块、残差卷积单元算法模块、像素混洗算法模块、细化块算法模块、多尺度融合算法模块、链式残差池化算法模块，基于上述算法模块的并列或顺次二次组构以实现或增强对探地雷达图像数据在不同尺度上以及不同级别上的特征识别。
3.用于地下管道探地雷达杂波去除的深度学习数据模型的构建方法，其特征在于
4.根据权利要求3所述的用于地下管道探地雷达杂波去除的深度学习数据模型的构建方法，其特征在于：该方法的一个实例化数据构建步骤包括：步骤一：构建探地雷达图像数据集；步骤二：数据集预处理；步骤三：构建图像分割数据导向的神经网络算法。
5.根据权利要求3所述的用于地下管道探地雷达杂波去除的深度学习数据模型的构建方法，其特征在于：该方法的一个实例化数据构建步骤包括：步骤一：构建探地雷达图像数据集；步骤二：数据集预处理；步骤三：构建图像分割数据导向的神经网络算法；步骤四：模型测试；步骤五：模型验证。
6.根据权利要求3所述的用于地下管道探地雷达杂波去除的深度学习数据模型的构建方法，其特征在于：该方法的一个实例化数据构建步骤包括：
7.根据权利要求6所述的用于地下管道探地雷达杂波去除的深度学习数据模型的构建方法，其特征在于：该方法的还包括如下后续数据构建步骤：
8.根据权利要求7所述的用于地下管道探地雷达杂波去除的深度学习数据模型的构建方法，其特征在于：该方法的还包括如下后续数据构建步骤：
...【技术特征摘要】
1.用于地下管道探地雷达杂波去除的深度学习数据模型，其特征在于：该深度学习数据模型面向探地雷达图像数据集，在图像分割数据导向上构建多尺度特征路径以提高分割的准确性，基于下采样过程中的粗糙特征以及上采样路径中的细节特征，容纳多路径下的精细化结构，以对探地雷达图像数据集的不同区域进行准确的像素级数据处理，并在此基础上进一步引入基于预训练数据集的深度学习算法以实现可验证和可迭代的精准化地下管道探地雷达杂波去除。
2.根据权利要求1所述的用于地下管道探地雷达杂波去除的深度学习数据模型，其特征在于：所述数据模型的神经网络内部构建一个卷积神经网络的骨干网络进行特征提取，在此基础上进行旁路化或顺次化的算法模块嵌套，所述算法模块可选的包括多尺度金字塔算法模块、多路径细化算法模块、上采样和预测算法模块、残差卷积单元算法模块、像素混洗算法模块、细化块算法模块、多尺度融合算法模块、链式残差池化算法模块，基于上述算法模块的并列或顺次二次组构以实现或增强对探地雷达图像数据在不同尺度上以及不同级别上的特征识别。
3.用于地下管道探地雷达杂波去除的深度学习数据模型的构建方法，其特征在于：该方法依次进行探地雷达图像数据集构建、数据集预处理算法构建、多模块兼容神经网络算法构建，由此获得用于地...
【专利技术属性】
技术研发人员：雷建伟，方宏远，朱怡宁，陈志清，王念念，薛冰寒，
申请(专利权)人：郑州大学，
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。