本发明专利技术属于探地雷达技术领域，特别涉及探地雷达数据的时空特征融合方法及系统。所述方法包括：获取待处理数据，对待处理数据进行特征提取，得到空间特征和时序特征；其中，所述待处理数据为雷达B‑scan数据；获取目标特征融合网络，通过目标特征融合网络对空间特征和时序特征进行特征融合。本发明专利技术在雷达数据特征提取中，采用卷积网络提取空间特征，采用LSTM网络提取时序特征，将钢筋位置预测问题转化为关键点标注问题，最后引入互注意力机制进行时序特征和空间特征的融合，将所有模态特征进行拼接，通过融合模块交换信息，协同学习，提高识别准确率和鲁棒性。
【技术实现步骤摘要】
本专利技术属于探地雷达，特别涉及探地雷达数据的时空特征融合方法及系统。
技术介绍
1、探地雷达（ground penetrating radar，gpr）技术是一种无损探测技术，其探测速度快、探测精度高、探测效率高，能够有效地探测地下目标。探地雷达探测的地下目标在雷达b-scan数据中呈现为双曲线的形态，但由于硬件模块噪声、介质的不均匀性和回声波的干扰，雷达图像通常存在一定的干扰和畸变，很难提取双曲线。因此研究人员将隧道衬砌雷达信号解译问题转化为雷达图像中提取双曲线的问题。与传统机器学习算法不同的是，深度学习无需过多关注人工提取双曲线特征，而是直接从gpr数据中学习解译对象的特征表示。
2、传统的雷达b-scan解译方法不能充分测量雷达的数据特征。雷达图像多为16位或32位，经过雷达数据处理后为8位整型数据，数值范围变小，信息损失大；计算机显示屏的动态范围约10-20db，雷达的动态范围约60db，可视化显示雷达数据信息损失大；雷达的b-scan图像是由a-scan时序排列而成，基于卷积神经网络的计算机视觉方法无法充分利用雷达数据中的时序信息。
3、因此，现有技术方案对探地雷达数据信息的测量不充分，智能解译的准确性和鲁棒性不佳。
技术实现思路
1、针对上述问题，本专利技术提供探地雷达数据的时空特征融合方法，所述方法包括：
2、获取待处理数据，对待处理数据进行特征提取，得到空间特征和时序特征；其中，所述待处理数据为雷达b-scan数据；
>3、其中，所述对待处理数据进行特征提取，得到空间特征和时序特征，包括：4、将待处理数据输入卷积神经网络，通过卷积神经网络提取待处理数据中的数据特征，预测钢筋关键点，得到待处理数据的空间特征；
5、按照待处理数据的时序信息对待处理数据进行分段编码；
6、将待处理数据输入长短期记忆网络，预测待处理数据中每个编码的隶属度，得到隶属度曲线；
7、根据隶属度曲线预测钢筋的位置，得到待处理数据的时序特征；
8、获取目标特征融合网络，通过目标特征融合网络对空间特征和时序特征进行特征融合。
9、优选地，所述获取目标特征融合网络，包括：
10、获取初始特征融合网络；
11、对初始特征融合网络进行训练，得到目标特征融合网络。
12、优选地，所述对初始特征融合网络进行训练，包括：
13、获取样本数据；
14、将样本数据输入初始特征融合网络，预测钢筋关键点位置，得到预测位置结果，以及通过初始特征融合网络拟合样本数据的时序特征概率曲线，得到预测曲线；
15、将预测位置结果、预测曲线述样本数据的真实位置结果和真实曲线相对比，得到网络损失；
16、以最小化所述网络损失为目标对初始特征融合网络进行微调，得到目标所述特征融合网络。
17、本专利技术还提出探地雷达数据的时空特征融合系统，所述系统包括：
18、特征提取模块，用于获取待处理数据，对待处理数据进行特征提取，得到空间特征和时序特征；其中，所述待处理数据为雷达b-scan数据；
19、其中，所述特征提取模块用于对待处理数据进行特征提取，得到空间特征和时序特征，包括：
20、特征提取模块用于将待处理数据输入卷积神经网络，通过卷积神经网络提取待处理数据中的数据特征，预测钢筋关键点，得到待处理数据的空间特征；
21、按照待处理数据的时序信息对待处理数据进行分段编码；
22、将待处理数据输入长短期记忆网络，预测待处理数据中每个编码的隶属度，得到隶属度曲线；
23、根据隶属度曲线预测钢筋的位置，得到待处理数据的时序特征；
24、特征融合模块，用于获取目标特征融合网络，通过目标特征融合网络对空间特征和时序特征进行特征融合。
25、优选地，所述特征融合模块用于获取目标特征融合网络，包括：
26、特征融合模块用于获取初始特征融合网络；
27、对初始特征融合网络进行训练，得到目标特征融合网络。
28、优选地，所述特征融合模块用于对初始特征融合网络进行训练，包括：
29、特征融合模块用于获取样本数据；
30、将样本数据输入初始特征融合网络，预测钢筋关键点位置，得到预测位置结果，以及通过初始特征融合网络拟合样本数据的时序特征概率曲线，得到预测曲线；
31、将预测位置结果、预测曲线与样本数据的真实位置结果和真实曲线相对比，得到网络损失；
32、以最小化网络损失为目标对初始特征融合网络进行微调，得到目标特征融合网络。
33、本专利技术具有以下有益效果：
34、本专利技术在雷达数据特征提取中，采用卷积网络提取空间特征，采用lstm网络提取时序特征，将钢筋位置预测问题转化为关键点标注问题，最后引入互注意力机制进行时序特征和空间特征的融合，将所有模态特征进行拼接，通过融合模块交换信息，协同学习，提高识别准确率和鲁棒性。
35、本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在说明书以及附图中所指出的结构来实现和获得。
本文档来自技高网...
【技术保护点】
1.探地雷达数据的时空特征融合方法，其特征在于，所述方法包括：
2.根据权利要求1所述的探地雷达数据的时空特征融合方法，其特征在于，
3.根据权利要求2所述的探地雷达数据的时空特征融合方法，其特征在于，
4.探地雷达数据的时空特征融合系统，其特征在于，所述系统包括：
5.根据权利要求4所述的探地雷达数据的时空特征融合系统，其特征在于，
6.根据权利要求5所述的探地雷达数据的时空特征融合系统，其特征在于，
【技术特征摘要】
1.探地雷达数据的时空特征融合方法，其特征在于，所述方法包括：
2.根据权利要求1所述的探地雷达数据的时空特征融合方法，其特征在于，
3.根据权利要求2所述的探地雷达数据的时空特征融合方法，其特征在于，
...
【专利技术属性】
技术研发人员：宋恒，段兰茜，耿天宝，胡楠，程维国，姜智杰，程小东，
申请(专利权)人：中铁四局集团有限公司，
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。