基于主元分析BP神经网络的地质雷达图像识别方法及系统技术方案

本发明专利技术提供了一种基于主元分析BP神经网络的地质雷达图像识别方法及系统。其中，基于主元分析BP神经网络的地质雷达图像识别方法，包括标注地质雷达图像的标签，所述标签包括有完整岩石、断层破碎带、裂隙带、富水带和岩溶洞穴；对标注标签的地质雷达图像依次进行消噪、二值化和形态学边缘检测处理，得到数字图像，形成样本数据集；利用主元分析算法来减少样本数据集的维数，同时保持样本数据集中对方差贡献最大的特征；利用降维后的样本数据集对BP神经网络进行循环训练；实时接收地质雷达图像，依次进行消噪、二值化和形态学边缘检测和降维处理后输入至训练完成的BP神经网络中，输出地质雷达图像识别结果。

【技术实现步骤摘要】
基于主元分析BP神经网络的地质雷达图像识别方法及系统
本专利技术属于的地质雷达图像处理领域，尤其涉及一种基于主元分析BP神经网络的地质雷达图像识别方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。在现在众多隧道超前地质预报方法中，地质雷达具有效率高、对目标无破坏性、探测资料分辨率高和抗干扰能力较强等特点，被广泛的应用。地质雷达探测的原理是当异常介质与其周围介质存在电性差异时，地质雷达发射的脉冲电磁波传播至异常界面时会发生反射，反射信号将被接收天线接收并记录。通过对反射信号的分析，便可推断异常的空间位置、埋藏深度等信息。专利技术人发现，在地质雷达实际探测过程中，作业环境通常较为杂乱，加之噪声的影响，雷达成像质量较低，往往很难对异常进行精确的辨识，导致异常探测的精度过于依赖技术人员的经验和水平；且在隧道较长或数据量较大时，异常辨识往往需要耗费大量时间和人力，这在一定程度上限制了地质雷达技术的应用和推广。
技术实现思路
为了解决上述问题，本专利技术提供一种基于主元分析BP神经网络的地质雷达图像识别方法及系统，其实现了对地质雷达图像异常的智能识别，大幅提高了识别的准确性，避免了依靠经验进行识别的缺陷，同时节约了时间，提高了效率。为了实现上述目的，本专利技术采用如下技术方案：本专利技术的第一方面提供了一种基于主元分析BP神经网络的地质雷达图像识别方法，其包括：标注地质雷达图像的标签，所述标签包括有完整岩石、断层破碎带、裂隙带、富水带和岩溶洞穴；对标注标签的地质雷达图像依次进行消噪、二值化和形态学边缘检测处理，得到数字图像，形成样本数据集；利用主元分析算法来减少样本数据集的维数，同时保持样本数据集中对方差贡献最大的特征；利用降维后的样本数据集对BP神经网络进行循环训练；实时接收地质雷达图像，依次进行消噪、二值化和形态学边缘检测和降维处理后输入至训练完成的BP神经网络中，输出地质雷达图像识别结果。本专利技术的第二方面提供了一种基于主元分析BP神经网络的地质雷达图像识别系统，其包括：图像标签标注模块，其用于标注地质雷达图像的标签，所述标签包括有完整岩石、断层破碎带、裂隙带、富水带和岩溶洞穴；样本数据集构建模块，其用于对标注标签的地质雷达图像依次进行消噪、二值化和形态学边缘检测处理，得到数字图像，形成样本数据集；降维模块，其用于利用主元分析算法来减少样本数据集的维数，同时保持样本数据集中对方差贡献最大的特征；BP神经网络训练模块，其用于利用降维后的样本数据集对BP神经网络进行循环训练；图像实时识别模块，其用于实时接收地质雷达图像，依次进行消噪、二值化和形态学边缘检测和降维处理后输入至训练完成的BP神经网络中，输出地质雷达图像识别结果。本专利技术的第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于主元分析BP神经网络的地质雷达图像识别方法中的步骤。本专利技术的第四方面提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于主元分析BP神经网络的地质雷达图像识别方法中的步骤。本专利技术的有益效果是：本专利技术对标注标签的地质雷达图像依次进行消噪、二值化和形态学边缘检测处理，得到数字图像，形成样本数据集；利用主元分析算法来减少样本数据集的维数，同时保持样本数据集中对方差贡献最大的特征；利用降维后的样本数据集对BP神经网络进行循环训练；最后实时接收地质雷达图像，依次进行消噪、二值化和形态学边缘检测和降维处理后输入至训练完成的BP神经网络中，输出地质雷达图像识别结果，实现了对地质雷达图像异常的智能识别，大幅提高了识别的准确性，避免了依靠经验进行识别的缺陷，同时节约了时间，提高了效率。附图说明构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。图1是本专利技术实施例提供的一种基于主元分析BP神经网络的地质雷达图像识别方法流程图；图2是本专利技术实施例提供的5层结构的BP神经网络示意图。具体实施方式下面结合附图与实施例对本专利技术作进一步说明。应该指出，以下详细说明都是例示性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。实施例一如图1所示，本实施例提供了一种基于主元分析BP神经网络的地质雷达图像识别方法，其包括：步骤S101：标注地质雷达图像的标签，所述标签包括有完整岩石、断层破碎带、裂隙带、富水带和岩溶洞穴。在具体实施中，地质雷达图像的波形特征和频率、振幅、相位以及电磁波能量吸收情况等细节特征的变化规律能够表征不同地质现象。其中，在工程勘察中，常见的不良地质现象有：断层破碎带、裂隙带、富水带、岩溶洞穴和岩性变化带等。完整岩体一般介质相对均匀，电性差异很小，没有明显的反射界面，雷达图像和波形特征通常表现为：能量团分布均匀或仅在局部存在强反射细亮条纹；一般形成低幅反射波组，波形均匀，无杂乱反射，自动增益梯度相对较小。断层是一种破坏性地质构造，其内通常发育有破碎岩体、泥或地下水等，介质极不均匀，电性差异大，且断层两侧的岩体常有节理和褶皱发育，介质均一性差。而裂缝带通常存在于断层影响带、岩脉以及软弱夹层内，裂缝内也有各种不同的非均匀充填物，介电差异大。在地质雷达图像中表现为断层和裂缝界面反射强烈，反射面附近振幅显著增强且变化大，能量团分布不均匀，破碎带和裂缝带内常产生绕射、散射，波形杂乱，同相轴错断，在深部甚至模糊不清。富水带在地质雷达图像中的表现为：地质雷达波在含水层表面发生强振幅反射，电磁波穿透含水层时将产生一定规律的多次强反射，在富水带内产生绕射、散射。岩溶洞穴在地质雷达图像中的表现为：由许多双曲线强反射波组成，在洞穴侧壁上一般为高幅、低频、等间距的多次反射波组，特别是无填充物或充满水时反射波更强。步骤S102：对标注标签的地质雷达图像依次进行消噪、二值化和形态学边缘检测处理，得到数字图像，形成样本数据集。具体地，对地质雷达图像进行消噪之前，还包括：对原始的地质雷达图像进行图像增强处理，增强图像中的有用信息，改善图像的视觉效果。具体实施中，采用低通滤波将原始地质雷达图像中的噪音消除，减少由于采集以及传输过程中受到干扰而产生的噪音对雷达图像的影响；采用高通滤波本文档来自技高网...

【技术保护点】
1.一种基于主元分析BP神经网络的地质雷达图像识别方法，其特征在于，包括：/n标注地质雷达图像的标签，所述标签包括有完整岩石、断层破碎带、裂隙带、富水带和岩溶洞穴；/n对标注标签的地质雷达图像依次进行消噪、二值化和形态学边缘检测处理，得到数字图像，形成样本数据集；/n利用主元分析算法来减少样本数据集的维数，同时保持样本数据集中对方差贡献最大的特征；/n利用降维后的样本数据集对BP神经网络进行循环训练；/n实时接收地质雷达图像，依次进行消噪、二值化和形态学边缘检测和降维处理后输入至训练完成的BP神经网络中，输出地质雷达图像识别结果。/n

【技术特征摘要】
1.一种基于主元分析BP神经网络的地质雷达图像识别方法，其特征在于，包括：
标注地质雷达图像的标签，所述标签包括有完整岩石、断层破碎带、裂隙带、富水带和岩溶洞穴；
对标注标签的地质雷达图像依次进行消噪、二值化和形态学边缘检测处理，得到数字图像，形成样本数据集；
利用主元分析算法来减少样本数据集的维数，同时保持样本数据集中对方差贡献最大的特征；
利用降维后的样本数据集对BP神经网络进行循环训练；
实时接收地质雷达图像，依次进行消噪、二值化和形态学边缘检测和降维处理后输入至训练完成的BP神经网络中，输出地质雷达图像识别结果。


2.如权利要求1所述的基于主元分析BP神经网络的地质雷达图像识别方法，其特征在于，对地质雷达图像进行消噪之前，还包括：对原始的地质雷达图像进行图像增强处理，增强图像中的有用信息，改善图像的视觉效果。


3.如权利要求1所述的基于主元分析BP神经网络的地质雷达图像识别方法，其特征在于，采用低通滤波将原始地质雷达图像中的噪音消除，减少由于采集以及传输过程中受到干扰而产生的噪音对雷达图像的影响；采用高通滤波增强地质雷达图像中目标体轮廓高频信号信息，突出有用图像特征。


4.如权利要求1所述的基于主元分析BP神经网络的地质雷达图像识别方法，其特征在于，利用Canny边缘检测算法对地质雷达图像进行边缘提取；其过程为：
使用高斯平滑处理降低噪音；
计算图像中每个像素点的梯度强度和方向，并且在每个点都保留最大梯度值和方向；
利用非极大值抑制消除边缘检测带来的杂散响应；
利用双阈值检测来确定真实和潜在的边缘；
通过抑制孤立的弱边缘最终完成边缘检测。


5.如权利要求1所述的基于主元分析BP神经网络的地质雷达图像识别方法，其特征在于，利用主元分析算法来减少样本数据集的维数，同时保持样本数据集中对方差贡献最大的特征的过程为：
将样本数据集中的样本归一化处理；
求样本特征的协方差矩阵；
选取k个最大的特征值，组成特征向量矩阵；其中，k为大于或等于2的正整数；
将样本数据投影到特征向量矩阵上，确定主成分。


6.如权利要求1所述的基于主元分析BP神经网络的地质雷达图像识别方法，其特征在于，利用降维后的样本数据集对BP神经网络进行循环训练的过程为：
初始化权值和阈值，权值和阈值均为(-1，1)区间内的随机值；
输入信号正向传播，计算检验误差平方，以修正权值和阈值，从输出层开始将误差信息反向传播，修正各权值使误差减小；
当误差平方小于预先给定的目标误差值时，迭代结束，输出权重向量，否则继续输入信号正向传播，直至误差平方小于预先给定的目标误差值或达到预设迭代次数。


7.一种基于主元分析BP神经网络的地质雷达图像识别系统，其特征在于，包括：
图像标签标注模块，其用于标注地质雷达图像的标签，所述标签包括有完整岩石、...

【专利技术属性】
技术研发人员：苏茂鑫，李聪聪，薛翊国，张开，赵莹，程凯，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东;37