基于机器学习的探地雷达检测方法技术

本发明专利技术公开了一种基于机器学习的探地雷达检测方法，包括：设定一个容许的检测精度范围，在该精度范围内，将介电常数和厚度的检测问题转换为分类问题；生成包含多个样本的样本库，并对每个样本进行标记分类，并从样本库中选择部分样本作为训练样本，其余的样本作为测试样本；以及得到训练样本和测试样本后，利用机器学习的方法完成分类模型的训练。该探地雷达检测方法同时实现了较高的检测精度和较快的处理速度，保证了探地雷达数据处理的实时性。

Detection method of ground penetrating radar based on machine learning

The invention discloses a machine learning based GPR detection method, including: setting a permissible range of detection accuracy, the accuracy of range, converting the detection problem of dielectric constant and thickness for the classification problem; generates a sample database of multiple samples, and mark the classification for each sample. And from the sample This library to select some samples as the training samples, the other samples as test samples; and get the training samples and test samples, the use of machine learning methods to complete the classification model of training. The ground penetrating radar detection method while achieving high detection precision and faster processing speed, to ensure the real-time detection of radar data processing.

【技术实现步骤摘要】
基于机器学习的探地雷达检测方法
本公开属于探地雷达领域，涉及一种基于机器学习的探地雷达检测方法。
技术介绍
探地雷达是一种无损检测手段，在分层媒质的厚度和介电常数检测方面具有十分重要的作用。近年来，利用探地雷达进行公路的厚度和介电常数的检测成为了工程领域的一个重要关注点。传统的检测方法需要探地雷达信号满足一定的模型假设，因此其检测性能与实际雷达信号满足假设模型的程度有关。而在实际应用中，由于探地雷达信号中存在许多不确定性因素，因此传统方法在很多检测情况下都会失效。近年来，该领域的一个发展趋势是利用正反演方法进行探地雷达的建模。首先，对探地雷达系统进行精确的物理建模，当模型建好后，基于有效的最优化方法，利用实测雷达数据，通过模型反算出关心的参数，诸如厚度、介电常数等，这种方法称为正反演方法。正反演方法具有十分高的精度，但是由于模型的求解空间十分复杂，因此每一次反演过程需要花费大量的时间，最终使得该方法没法做到快速、实时处理。因此，采用探地雷达系统对分层媒质的各层厚度和介电常数进行检测时，有必要提出一种能够同时具有较高的检测精度和较快的处理速度的检测方法。
技术实现思路
(一)要解决的技术问题本公开提供了一种基于机器学习的探地雷达检测方法，以至少部分解决以上所提出的技术问题。(二)技术方案根据本公开的一个方面，提供了一种基于机器学习的探地雷达检测方法，包括：设定一个容许的检测精度范围，在该精度范围内，将介电常数和厚度的检测问题转换为分类问题；生成包含多个样本的样本库，并对每个样本进行标记分类，并从样本库中选择部分样本作为训练样本，其余的样本作为测试样本；以及得到训练样本和测试样本后，利用机器学习的方法完成分类模型的训练。在本公开的一些实施例中，设定一个容许的检测精度范围为：容许的介电常数的测量误差为±Δε，厚度的测量误差为±Δh，则每一层的介电常数和厚度的范围可以按照如下形式分割为小区间段：对于第j层的介电常数范围[εj，L，εj，U]，可以分成如下n+1个等间隔的小区间段：[εj，L，εj，1)，[εj，1，εj，2)，[εj，2，εj，3)，…，[εj，n-1，εj，n)，[εj，n，εj，U]其中，2Δε＝εj，n-εj，n-1；对于第j层的厚度范围[hj，L，hj，U]，可以分成如下m+1个等间隔的小区间段：[hj，L，hj，1)，[hj，1，hj，2)，[hj，2，hj，3)，…，[hj，m-1，hj，m)，[hj，m，hj，U]其中，2Δh＝hj，m-hj，m-1；L表示下界，U表示上界。在本公开的一些实施例中，对于一个K层的平面分层媒质进行探地雷达检测，将介电常数和厚度的检测问题转换为N个不同类的分类问题，其中，N的表达式满足：其中，εj表示第j层介电常数分的段数；hj表示第j层厚度分的段数。在本公开的一些实施例中，当j＝K时，hK＝1。在本公开的一些实施例中，生成包含多个样本的样本库，并对每个样本进行标记分类的方法包括：N个不同的类中每一个类代表了一种介电常数和厚度的范围的组合，从每一个类的每个小区间段的范围中随机选取若干数，共同组成该类下的若干样本实例的参数。在本公开的一些实施例中，若干数按照均匀分布随机生成。在本公开的一些实施例中，生成包含多个样本的样本库，并对每个样本进行标记分类的方法还包括：根据不同的类别下，随机生成的该类下的若干样本实例的参数，利用探地雷达系统仿真模型生成雷达波形，每一个类下的雷达波形作为分类算法的输入，对应的类别作为目标输出。在本公开的一些实施例中，将雷达的时域波形先利用傅立叶变换转换到频域上，然后进行输入。在本公开的一些实施例中，机器学习的方法包括：深度学习技术、支持向量机。在本公开的一些实施例中，分类模型的训练采用深度学习技术，训练过程采用随机梯度下降法，输出层采用最大柔性层，代价函数采用交叉熵函数，学习率采用指数衰减学习率。(三)有益效果从上述技术方案可以看出，本公开提供的基于机器学习的探地雷达检测方法，具有以下有益效果：通过设定一个能够接收的检测精度范围，在该精度范围内，将介电常数和厚度的检测问题转换为分类问题；然后生成包含多个样本的样本库，并对每个样本进行标记分类；从样本库中选择部分样本作为训练样本，其余的样本作为检测样本，利用机器学习的方法完成分类模型的训练；该探地雷达检测方法同时实现了较高的检测精度和较快的处理速度，保证了探地雷达数据处理的实时性。附图说明图1为根据本公开一实施例所示的基于机器学习的探地雷达检测方法的流程图。图2为根据本公开一实施例所示的同类别样本和不同类样本之间的对比图。图3为根据本公开一实施例所示的深度网络的结构示意图。图4为根据本公开一实施例所示的分类准确率和训练周期的关系图。具体实施方式本公开提供了一种基于机器学习的探地雷达检测方法，将介电常数和厚度的检测问题转换为在给定的容许误差内有限个类的分类问题，采用机器学习的方法完成分类模型的训练，同时实现了较高的检测精度和较快的处理速度，保证了探地雷达数据处理的实时性。为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。本公开中，术语“类”和“类别”具有等价的含义。“随机梯度下降法”，“最大柔性层”，“代价函数”，“交叉熵”，“mini-batch”，“学习率”等均为深度学习领域基础专用名词。在本公开的第一个示例性实施例中，提供了一种基于机器学习的探地雷达检测方法。图1为根据本公开一实施例所示的基于机器学习的探地雷达检测方法的流程图。参照图1所示，本公开的基于机器学习的探地雷达检测方法，包括：步骤S102：设定一个容许的检测精度范围，在该精度范围内，将介电常数和厚度的检测问题转换为分类问题；在实际检测中，分层媒质的厚度和其材料的介电常数一般都处于某一个固定的范围内。假定有K层的分层媒质，第K层为最底层，厚度为无穷大，其介电常数范围为[εK，L，εK，U]，从第一层到第K-1层，每一层的介电常数范围可以表示为[ε1，L，ε1，U]，[ε2，L，ε2，U]，[εK-1，L，εK-1，U]，其中L表示下界，U表示上界。每一层的厚度范围分别为[h1，L，h1，U]，[h2，L，h2，U]，[hK-1，L，hK-1，U]。设定一个容许的检测精度范围，假定容许的介电常数的测量误差为±Δε，厚度的测量误差为±Δh，那么按照该检测精度范围的要求可以将媒质每一层的介电常数和厚度范围进行分割为小段。例如，对于第j层的介电常数范围[εj，L，εj，U]，可以分成如下n+1个等间隔的小段：[εj，L，εj，1)，[εj，1，εj，2)，[εj，2，εj，3)，…，[εj，n-1，εj，n)，[εj，n，εj，U]其中，2Δε＝εj，n-εj，n-1。对于第j层的厚度范围[hj，L，hj，U]，可以分成如下m+1个等间隔的小段：[hj，L，hj，1)，[hj，1，hj，2)，[hj，2，hj，3)，…，[hj，m-1，hj，m)，[hj，m，hj，U]其中，2Δh＝hj，m-hj，m-1。需要说明的是，这些小段中，除了最后一个小段是两边都是闭区间，其他的都采用前闭后开的形式。采用这种分配形式的原因是为了让相邻两个类的分割点能有一个确定的归属。那么对本文档来自技高网...

【技术保护点】
1.一种基于机器学习的探地雷达检测方法，包括：设定一个容许的检测精度范围，在该精度范围内，将介电常数和厚度的检测问题转换为分类问题；生成包含多个样本的样本库，并对每个样本进行标记分类，并从样本库中选择部分样本作为训练样本，其余的样本作为测试样本；以及得到训练样本和测试样本后，利用机器学习的方法完成分类模型的训练。

【技术特征摘要】
1.一种基于机器学习的探地雷达检测方法，包括：设定一个容许的检测精度范围，在该精度范围内，将介电常数和厚度的检测问题转换为分类问题；生成包含多个样本的样本库，并对每个样本进行标记分类，并从样本库中选择部分样本作为训练样本，其余的样本作为测试样本；以及得到训练样本和测试样本后，利用机器学习的方法完成分类模型的训练。2.根据权利要求1所述的探地雷达检测方法，其中，所述设定一个容许的检测精度范围为：容许的介电常数的测量误差为±Δε，厚度的测量误差为±Δh，则每一层的介电常数和厚度的范围可以按照如下形式分割为小区间段：对于第j层的介电常数范围[εj，L，εj，U]，可以分成如下n+1个等间隔的小区间段：[εj，L，εj，1)，[εj，1，εj，2)，[εj，2，εj，3)，…，[εj，n-1，εj，n)，[εj，n，εj，U]其中，2Δε＝εj，n-εj，n-1；对于第j层的厚度范围[hj，L，hj，U]，可以分成如下m+1个等间隔的小区间段：[hj，L，hj，1)，[hj，1，hj，2)，[hj，2，hj，3)，…，[hj，m-1，hj，m)，[hj，m，hj，U]其中，2Δh＝hj，m-hj，m-1；L表示下界，U表示上界。3.根据权利要求2所述的探地雷达检测方法，其中，对于一个K层的平面分层媒质进行探地雷达检测，将介电常数和厚度的检测问题转换为N个不同类的分类问...

【专利技术属性】
技术研发人员：叶盛波，张经纬，林禹全，方广有，刘新，刘小飞，
申请(专利权)人：中国科学院电子学研究所，
类型：发明
国别省市：北京,11