一种基于CNN+RNN算法的三维探地雷达图像地下管线识别方法技术

本发明专利技术提出一种基于CNN+RNN算法的三维探地雷达图像地下管线识别方法，对已经得到的探地雷达的三维回波图像进行直达波去除，以及小波去噪；将已预处理的探地雷达的三维回波图像进行标注，分别为横向管线、纵向管线、地下空洞和无目标四类，并将其打乱，随机分配至训练集和验证集；利用的训练集和验证集对CNN+RNN的神经网络模型进行训练，得到训练好的权重模型；利用训练好的神经网络模型，对探地雷达三维回波图像进行管线目标识别检测；采用本发明专利技术的方法对探地雷达三维回波图像的地下管线目标进行检测可以有效提高识别概率和识别速度，可以将地下管线目标识别概率提高到95％以上。可以将地下管线目标识别概率提高到95％以上。可以将地下管线目标识别概率提高到95％以上。

【技术实现步骤摘要】
一种基于CNN+RNN算法的三维探地雷达图像地下管线识别方法


[0001]本专利技术属于探地雷达三维回波图后处理的目标检测领域，具体地，涉及一种基于CNN+RNN算法的三维探地雷达图像地下管线识别方法。

技术介绍

[0002]探地雷达是一种高效率的、无破坏性的用于探测浅层地下环境的探测技术。探地雷达通过发射天线不断向地层发射高频电磁波，电磁波可以穿透地下介质，但是由于不同的地下介质具有不同的介电常数，电磁波在地层传播时，会在介质交替层发生反射和折射。接收天线通过接收多道反射回波(A
‑
Scan)信号，通过信号处理技术，拼接为反映地下结构的二维B
‑
Scan图像，但是二维B
‑
Scan图像并不能完全反映地下目标的特征。容易受到检测方向、图像选取方式等情况的影响，单独从二维B
‑
Scan图像中的获取信息非常容易而发生漏检、误检的情况。如果采用的阵列式发射天线和接收天线，每个天线将会得到一个平面的二维B
‑
Scan图像，通过将空间内的多个二维B
‑
Scan图像按顺序堆叠，将会得到一副可以完整反映地下空间结构的三维图像(C
‑
Scan)。
[0003]传统的检测方法是通过人工分辨的方式，专业技术人员根据能量、同相性以及波形等先验经验来分辨地层结构和被掩埋物体。由于地下环境的复杂性，例如地下物体一般具有复杂的几何形状，再加上地下介质水分含量的变化和地下其他物体的干扰等影响，使得探地雷达的数据解释具有极强的专业性，同时人工识别的效率较低，一名专家通常需要几天的时间才能分析几公里的探地雷达数据，这种方法效率低下且常常导致漏检或误检的问题。现如今深度学习发展火热，各式各样的神经网络模型相继出现，例如CNN通过卷积神经网络逐层提取二维图像上的特征来实现目标检测，但是这些网络模型基本都是根据特定的二维输入图像来设计的，目的是逐层提取二维图像上的特征来实现目标检测。由于探地雷达二维回波图像并不能完全反映地下目标特征，在某些情况下可能会发生漏检和误检测情况，如何利用地下结构的三维图像来准确识别目标具有重要意义。

技术实现思路

[0004]本专利技术提出了一种基于CNN+RNN算法的三维探地雷达图像地下管线识别方法，用以解决现有方法难以检测识别三维探地雷达图像中地下管线的问题，减少漏检和误检测的情况。
[0005]本专利技术是通过以下方案实现的：
[0006]一种基于CNN+RNN算法的三维探地雷达图像地下管线识别方法：
[0007]所述方法具体包括以下步骤：
[0008]步骤1：通过探地雷达获得三维回波图像，对三维回波图像进行预处理，所述预处理包括直达波去除和小波变换；
[0009]步骤2：将已预处理的探地雷达的三维回波图像进行标注，分别为横向管线、纵向
管线、地下空洞和无目标四类，并将其打乱，随机分配至训练集和验证集；
[0010]步骤3：利用步骤2的训练集和验证集对CNN+RNN的神经网络模型进行训练，得到训练好的权重模型；
[0011]所述CNN+RNN的神经网络模型结构为：先将三维图像中的各个二维图像分别送入CNN中，利用CNN来对三维图像的各个二维图像进行特征提取，然后再将同一幅三维图像的各个二维图像的特征进行整合，一起送到RNN网络中对这些特征进行处理，最后分类识别出目标物体；
[0012]CNN模型结构为：经过第一层的8个(3，3)的卷积核进行二维卷积操作，然后采用批标准化对每一批的训练数据进行归一化，再采用ReLU激活函数完成数据的非线性变换；第二层为16个(3，3)卷积核的二维卷积操作，采用批标准化和ReLU激活函数，并进行(2，2)的最大池化操作；第三层为32个(3，3)卷积核的二维卷积操作，其余与第一层的参数和步骤相同；第四层为64个(3，3)卷积核的二维卷积操作，与第二层一样采用批标准化、ReLU激活函数和池化，并进行0.2的Dropout，随机删除训练过程中的一部分的隐藏神经元，用来减少训练时间和减少过拟合；
[0013]在CNN网络后添加一个全连接层，将提取好的特征进行分类为36类，再由Flatten层展平提取到的特征向量送入RNN中；
[0014]RNN采用单层的LSTM递归神经网络；RNN部分的LSTM网络隐藏单元的维度设置为36；最后送入全连接层，对应连接到四个节点，经过Softmax分类输出；
[0015]LSTM递归神经网络模型含有三个门限：输入门i
t
、遗忘门f
t
、输出门o
t
，拥有表征短期记忆的记忆体h
t
，表征长时记忆的细胞态c
t
以及长时记忆的候选态
[0016]i
t
＝σ(W
i
·
[h
t
‑1,x
t
]+b
i
)
[0017]f
t
＝σ(W
f
·
[h
t
‑1,x
t
]+b
f
)
[0018]o
t
＝σ(W
o
·
[h
t
‑1,x
t
]+b
o
)
[0019][0020]h
t
＝o
t
*tanh(c
t
)
[0021][0022]其中W
i
、W
f
、W
o
、W
c
分别是对应门的权重矩阵，b
i
、b
f
、b
o
、b
c
是相应的偏置，σ表示sigmoid函数。
[0023]步骤4：利用步骤3获得训练好的神经网络模型，对探地雷达三维回波图像进行管线目标识别检测，最终标注出带有地下管线信息的三维回波图像。
[0024]进一步地，在步骤1中，
[0025]利用时间门限截取的方式进行直达波去除来提高信噪比，将回波数据B
‑
Scan图像中包含直达波横线状的部分删除，不减弱横线管道的特征，保留地下管线的双曲线特征。
[0026]进一步地，在步骤1中，
[0027]将探地雷达的三维回波图像数据y(k)简化表示为y(k)＝x(k)+n(k)，
[0028]其中x(k)为地下目标的有用数据，n(k)表示噪声分量；
[0029]对y(k)进行小波变换来提取有用的信号分量，公式为y
i，j
＝x
i，j
+n
i，j
，其中x
i，j
即目标回波信号的小波变换的小波系数，n
i，j
为噪声分量小波变换后的小波系数；
[0030]经小波变换后，目标回本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CNN+RNN算法的三维探地雷达图像地下管线识别方法，其特征在于：所述方法具体包括以下步骤：步骤1：通过探地雷达获得三维回波图像，对三维回波图像进行预处理，所述预处理包括直达波去除和小波变换；步骤2：将已预处理的探地雷达的三维回波图像进行标注，分别为横向管线、纵向管线、地下空洞和无目标四类，并将其打乱，随机分配至训练集和验证集；步骤3：利用步骤2的训练集和验证集对CNN+RNN的神经网络模型进行训练，得到训练好的权重模型；所述CNN+RNN的神经网络模型结构为：先将三维图像中的各个二维图像分别送入CNN中，利用CNN来对三维图像的各个二维图像进行特征提取，然后再将同一幅三维图像的各个二维图像的特征进行整合，一起送到RNN网络中对这些特征进行处理，最后分类识别出目标物体；CNN模型结构为：经过第一层的8个(3，3)的卷积核进行二维卷积操作，然后采用批标准化对每一批的训练数据进行归一化，再采用ReLU激活函数完成数据的非线性变换；第二层为16个(3，3)卷积核的二维卷积操作，采用批标准化和ReLU激活函数，并进行(2，2)的最大池化操作；第三层为32个(3，3)卷积核的二维卷积操作，其余与第一层的参数和步骤相同；第四层为64个(3，3)卷积核的二维卷积操作，与第二层一样采用批标准化、ReLU激活函数和池化，并进行0.2的Dropout，随机删除训练过程中的一部分的隐藏神经元，用来减少训练时间和减少过拟合；在CNN网络后添加一个全连接层，将提取好的特征进行分类为36类，再由Flatten层展平提取到的特征向量送入RNN中；RNN采用单层的LSTM递归神经网络；RNN部分的LSTM网络隐藏单元的维度设置为36；最后送入全连接层，对应连接到四个节点，经过Softmax分类输出；LSTM递归神经网络模型含有三个门限：输入门i
t
、遗忘门f
t
、输出门o
t
，拥有表征短期记忆的记忆体h
t
，表征长时记忆的细胞态c
t
以及长时记忆的候选态i
t
＝σ(W
i
·
[h
t
‑1，x
t
]+b
i
)f
t
＝σ(W
f
·
[h
t
‑1，x
t
]+b
f
)o
t
＝σ(W
o
·
[h
t
‑1，x
t
]+b
o
)h
t
＝o
t
*tanh(c
t

【专利技术属性】
技术研发人员：白旭，冯鹏飞，郭士増，王龙，张洋，刘金龙，温志涛，田昊翔，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：