一种基于注意力机制和YOLOv5的探地雷达目标检测方法技术

本发明专利技术公开了一种基于注意力机制和YOLOv5的探地雷达目标检测方法，所述目标为地下隐藏物体在探地雷达图像中呈现的双曲线特征。其具体步骤包括：探地雷达数据集的获取；设计YOLOv5探地雷达目标检测框架；设计注意力机制模块并嵌入到YOLOv5主干网络的C3模块中；训练所设计的探地雷达目标检测网络；将待检测探地雷达图像输入到训练好的探地雷达目标检测网络中实现隐藏目标信号的检测。本方法根据探地雷达图像和目标双曲线特性设计了通道注意力和空间注意力机制，将其嵌入到YOLOv5之中，指导网络自适应地关注探地雷达图像中的重要部分信息，在具有良好检测性能的同时也满足探地雷达目标检测的实时性要求。地雷达目标检测的实时性要求。地雷达目标检测的实时性要求。

【技术实现步骤摘要】
一种基于注意力机制和YOLOv5的探地雷达目标检测方法


[0001]本专利技术属于探地雷达目标检测
，具体涉及一种基于注意力机制和YOLOv5的探地雷达目标检测方法。

技术介绍

[0002]探地雷达是一种通过发射和接收电磁脉冲信号的方式对地下隐藏目标进行探测的工具。基于探地雷达的检测方法可以在不破坏地面结构的情况下实现对地下隐藏目标的无损感知，具有快速高效的特点，所以被广泛应用于道路缺陷检测等领域。通过探地雷达目标检测识别待测区域隐藏目标，可以辅助判断地下结构信息，对于道路养护具有重要意义。
[0003]探地雷达目标检测任务大致可以分为基于传统特征提取和基于深度学习的两种检测方法。其中基于传统特征提取的检测方法主要采用Hough变换，Canny算子，阈值分割等方法对探地雷达图像中目标双曲线进行检测和识别。然而传统的检测方法往往处理速度较慢，对于复杂情形的识别能力有限，所以越来越多的研究者致力于深度学习技术在探地雷达目标检测任务中的研究。基于深度学习的探地雷达检测方法中，一类是以Faster R
‑
CNN和Mask R
‑
CNN为代表的两阶段检测算法，如Jaufer等人在文献(Jaufer R,Ihamouten A,Guilbert D,et al.Deep learning based automatic hyperbola detection on GPR data for buried utility pipes mapping[C]//2021 11th International Workshop on Advanced Ground Penetrating Radar(IWAGPR).IEEE,2021:1
‑
6.)中采用Faster R
‑
CNN实现了探地雷达目标的有效检测。另一类是以YOLO系列算法为代表的单阶段检测算法，如Li等人在文献(Li S,Gu X,Xu X,et al.Detection of concealed cracks from ground penetrating radar images based on deep learning algorithm[J].Construction and Building Materials,2021,273:121949.)中采用不同的YOLO版本实现了探地雷达目标的实时检测，其中YOLOv5是YOLO系列较新的检测算法，经过多个版本的迭代，YOLOv5相比于先前版本具有更好的综合性能。两阶段检测算法首先根据设定的锚框生成目标候选区域，然后在生成的候选框的基础上进行精细化目标定位与检测。两阶段检测算法由于多了候选区域预测这一步骤，所以实时处理能力较弱。单阶段探地雷达目标检测算法根据神经网络提取的特征直接预测目标位置，具有实时性好的特点，但检测精度相对两阶段算法较差。
[0004]综上所述，当前探地雷达目标检测方法主要存在实时处理速度和检测性能难以兼备的局限性。所以为了克服现有探地雷达目标检测方法的不足，本专利技术提出一种基于注意力机制和YOLOv5的探地雷达目标检测方法，该方法在具有良好的检测精度的同时也满足实时处理的要求。

技术实现思路

[0005]为解决上述问题，本专利技术公开了一种基于注意力机制和YOLOv5的探地雷达目标检测方法，该方法在YOLOv5的基础上引入注意力机制，有效提高了探地雷达目标检测性能，具有良好的检测精度和实时处理能力。
[0006]为达到上述目的，本专利技术的技术方案如下：
[0007]一种基于注意力机制和YOLOv5的探地雷达目标检测方法，包括以下步骤：
[0008](1)首先进行探地雷达数据集的获取，采集隐藏目标所在区域对应的探地雷达扫描数据，将多道一维探地雷达扫描数据组成二维扫描图像，采用labelimg对探地雷达图像中的目标特征进行标注，所述目标特征为隐藏目标在探地雷达图像中呈现的双曲线特征，将数据集按照7:3划分为训练集和测试集；
[0009](2)设计YOLOv5探地雷达目标检测框架；
[0010](3)设计注意力机制模块并嵌入到YOLOv5主干网络的C3模块中；
[0011](4)训练所设计的探地雷达目标检测网络；
[0012](5)网络模型训练好之后，将待检测探地雷达图像输入到训练好的探地雷达目标检测网络中实现隐藏目标信号的检测。
[0013]进一步的，步骤(1)所述的探地雷达数据集的获取
[0014]利用GprMax探地雷达数值仿真软件生成探地雷达数据，或者控制挂载探地雷达设备的车辆沿着测线方向行驶采集探地雷达数据。探地雷达发射器和接收器指向地面，通过发射和接收电磁脉冲信号来获取探地雷达扫描数据。探地雷达发射波采用中心频率为600MHz的雷克子波，测线方向采样间隔为0.002m。将获得到的多道探地雷达扫描数据组成二维探地雷达图像，在探地雷达图像中对隐藏目标呈现的双曲线特征采用labelimg进行标注，构成探地雷达目标检测数据集，并将数据集按照7:3划分为训练集和测试集。其中，仿真环境中设置不同的土壤介质和隐藏目标介质来模拟真实土壤下埋藏不同物体的场景。仿真模型设置待检测区域为深度0.51米，宽2.04米的矩形区域，埋藏目标为矩形和圆，目标数量在2到5之间由程序随机设定，目标的大小和位置同样是随机生成。选取自然界中常见物体的介电常数用来设置土壤和隐藏目标信息。具体地，隐藏目标的介电常数在1、3、81、200中随机选取，土壤背景的介电常数随机设置为5、10、15。探地雷达测线方向采样间隔为0.002m，可以得到1020道探地雷达数据。探地雷达的时间窗口为16ns，每道数据可以得到3393个采样点，为便于网络计算，将得到的探地雷达图像放缩至1024*3396，一共生成800张探地雷达图像用于探地雷达目标检测。
[0015]进一步的，步骤(2)所述的设计YOLOv5探地雷达目标检测框架
[0016]YOLOv5探地雷达目标检测框架主要由三个部分组成：Backbone，Neck，Head。Backbone网络主要采用具有3个卷积的跨阶段局部网络(Cross Stage Partial Network,CSP)模块C3作为基础模块进行图像特征提取。Neck网络采用PANet进行自底向上和自顶向下的特征金字塔融合，Head部分采用1
×
1的标准卷积将Backbone和Neck网络输出的特征进行解析，完成探地雷达图像中目标位置的预测。
[0017]进一步的，步骤(3)所述的设计注意力机制模块并嵌入到YOLOv5主干网络的C3模块中
[0018]注意力机制模块包括一个通道注意力和一个空间注意力部分。令特征图F∈R
C
×
H
×
W
表示注意力机制模块的输入，在通道注意力模块中，首先对F采用平均池化和最大池化获取到2个具有丰富空间语义信息的描述符：然后将得到的空间语义描述符在通道维度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力机制和YOLOv5的探地雷达目标检测方法，其特征在于：包括以下步骤：(1)首先进行探地雷达数据集的获取，采集隐藏目标所在区域对应的探地雷达扫描数据，将多道一维探地雷达扫描数据组成二维扫描图像，采用labelimg对探地雷达图像中的目标特征进行标注，所述目标特征为隐藏目标在探地雷达图像中呈现的双曲线特征，将数据集按照7:3划分为训练集和测试集；(2)设计YOLOv5探地雷达目标检测框架；(3)设计注意力机制模块并嵌入到YOLOv5主干网络的C3模块中；(4)训练所设计的探地雷达目标检测网络；(5)网络模型训练好之后，将待检测探地雷达图像输入到训练好的探地雷达目标检测网络中实现隐藏目标信号的检测。2.根据权利要求1所述的一种基于注意力机制和YOLOv5的探地雷达目标检测方法，其特征在于：步骤(1)所述的探地雷达数据集的获取利用GprMax探地雷达数值仿真软件生成探地雷达数据，或者控制挂载探地雷达设备的车辆沿着测线方向行驶采集探地雷达数据；探地雷达发射器和接收器指向地面，通过发射和接收电磁脉冲信号来获取探地雷达扫描数据；探地雷达发射波采用中心频率为600MHz的雷克子波，测线方向采样间隔为0.002m；将获得到的多道探地雷达扫描数据组成二维探地雷达图像，在探地雷达图像中对隐藏目标呈现的双曲线特征采用labelimg进行标注，构成探地雷达目标检测数据集，并将数据集按照7:3划分为训练集和测试集；其中，仿真环境中设置不同的土壤介质和隐藏目标介质来模拟真实土壤下埋藏不同物体的场景；仿真模型设置待检测区域为深度0.51米，宽2.04米的矩形区域，埋藏目标为矩形和圆，目标数量在2到5之间由程序随机设定，目标的大小和位置同样是随机生成；选取自然界中常见物体的介电常数用来设置土壤和隐藏目标信息；具体地，隐藏目标的介电常数在1、3、81、200中随机选取，土壤背景的介电常数随机设置为5、10、15；探地雷达测线方向采样间隔为0.002m，得到1020道探地雷达数据；探地雷达的时间窗口为16ns，每道数据得到3393个采样点，为便于网络计算，将得到的探地雷达图像放缩至1024*3396，一共生成800张探地雷达图像用于探地雷达目标检测。3.根据权利要求1所述的一种基于注意力机制和YOLOv5的探地雷达目标检测方法，其特征在于：步骤(2)所述的设计YOLOv5探地雷达目标检测框架YOLOv5探地雷达目标检测框架主要由三个部分组成：Backbone，Neck，Head；Backbone网络主要采用具有3个卷积的跨阶段局部网络C3作为基础模块进行图像特征提取；Neck网络采用PANet进行自底向上和自顶向下的特征金字塔融合，Head部分采用1
×
1的标准卷积将Backbone和Neck网络输出的特征进行解析，完成探地雷达图像中目标位置的预测。4.根据权利要求1所述的一种基于注意力机制和YOLOv5的探地雷达目标检测方法，其特征在于：步骤(3)所述的设计注意力机制模块并嵌入到YOLOv5主干网络的C3模块中注意力机制模块包括一个通道注意力和一个空间注意力...

【专利技术属性】
技术研发人员：李旭，李春堂，杨正茂，张凯，
申请(专利权)人：东南大学，
类型：发明
国别省市：