【技术实现步骤摘要】
本申请涉及人工智能，尤其是一种地下建筑结构检测模型的训练、反演方法、系统及设备。
技术介绍
1、探地雷达可以用于多种应用，包括地质勘探、土壤分析、建筑检测、考古研究、管道检测等。它能够提供关于地下物体的深度、形状、尺寸和材料特性的信息，帮助用户进行地下勘察和分析。探地雷达在工程、科学研究和其他领域中被广泛应用，为用户提供了一种非侵入式、快速和准确的地下探测方法。基于探地雷达的图像数据智能反演是一种利用人工智能技术对探地雷达的图像数据进行分析和处理，以实现地下建筑结构的自动推断和预测的方法。通过将深度学习、神经网络和图像处理技术应用于探地雷达图像数据，可以实现对地下建筑结构的智能识别和反演。该技术能够辅助地质勘探、土壤检测、建筑结构评估等领域的工作，提高数据分析的自动化程度和效率，对于处理复杂的地下结构和目标具有重要的应用价值。
2、相关技术中，在通过探地雷达图像数据实现地下建筑结构的检测时，训练出来的模型往往检测准确度偏低，如钢筋等地下建筑结构在地下的分布较少，模型对其的检测能力偏弱，导致反演效果不佳，实用性一般。
3、因此，现有技术存在的问题还亟需解决和优化。
技术实现思路
1、本申请的目的在于至少一定程度上解决相关技术中存在的技术问题之一。
2、为此，本申请实施例的一个目的在于提供一种地下建筑结构检测模型的训练、反演方法、系统及设备。
3、为了达到上述技术目的，本申请实施例所采取的技术方案包括：
4、一方面，本申请实施
5、获取多个参考地点处的地下结构信息；所述地下结构信息包括有各个地下建筑结构的第一属性信息；
6、根据各个所述地下建筑结构对应的类别信息，确定每个预定类别的地下建筑结构对应的类别比重数据；
7、通过探地雷达设备采集各个所述参考地点的第一雷达数据；
8、将所述第一雷达数据输入到待优化的地下建筑结构检测模型中，通过所述地下建筑结构检测模型检测所述参考地点处的地下建筑结构，得到第一检测结果；所述第一检测结果用于表征所述地下建筑结构检测模型预测所述参考地点处的各个地下建筑结构的第二属性信息；
9、根据所述地下结构信息和所述第一检测结果，确定各个所述地下建筑结构对应的初始损失值；
10、根据所述类别信息和所述类别比重数据，确定各个所述地下建筑结构对应的调整权重；其中，所述类别比重数据和所述调整权重负相关；
11、根据所述初始损失值和所述调整权重，确定目标损失值，并通过所述目标损失值对所述地下建筑结构检测模型的参数进行更新，得到训练好的地下建筑结构检测模型。
12、另外，根据本申请上述实施例的一种地下建筑结构检测模型的训练系统，还可以具有以下附加的技术特征：
13、进一步地，在本申请的一个实施例中，所述方法还包括：
14、当所述地下建筑结构对应的类别比重数据小于或者等于第一阈值，对所述地下建筑结构对应的训练数据进行扩充处理。
15、进一步地，在本申请的一个实施例中，所述对所述地下建筑结构对应的训练数据进行扩充处理，包括：
16、对所述地下建筑结构对应的训练数据进行几何变换、色彩变换、弹性变换、添加噪声、裁剪或者填充中的至少一种处理。
17、进一步地，在本申请的一个实施例中，所述根据所述地下结构信息和所述第一检测结果，确定各个所述地下建筑结构对应的初始损失值，包括：
18、根据所述地下结构信息和所述第一检测结果，通过结构相似性指数损失函数确定各个所述地下建筑结构对应的初始损失值。
19、进一步地，在本申请的一个实施例中，所述地下建筑结构检测模型采用gpr-transresnet模型。
20、进一步地，在本申请的一个实施例中，所述根据所述初始损失值和所述调整权重，确定目标损失值，包括：
21、根据对应的所述初始损失值和所述调整权重的乘积，确定第一数值；
22、对所述第一数值求和，得到目标损失值。
23、另一方面，本申请实施例提供了一种地下建筑结构的反演方法，所述方法包括：
24、通过探地雷达设备对待检测地点进行探测，得到第二雷达数据；
25、将所述第二雷达数据输入到前述训练方法训练好的地下建筑结构检测模型中，通过所述地下建筑结构检测模型检测所述待检测地点处的地下建筑结构，得到第二检测结果；所述第二检测结果用于表征所述地下建筑结构检测模型预测所述待检测地点处的各个地下建筑结构的第三属性信息；
26、根据所述第二检测结果，确定所述待检测地点的反演结果。
27、另一方面，本申请实施例提供了一种地下建筑结构的反演系统，所述系统包括：
28、获取单元，用于获取多个参考地点处的地下结构信息；所述地下结构信息包括有各个地下建筑结构的类别信息和第一位置信息；
29、计算单元，用于根据各个所述地下建筑结构对应的类别信息，确定每个预定类别的地下建筑结构对应的类别比重数据；
30、采集单元，用于通过探地雷达设备采集各个所述参考地点的第一雷达数据；
31、预测单元，用于将所述第一雷达数据输入到待优化的地下建筑结构检测模型中，通过所述地下建筑结构检测模型检测所述参考地点处的地下建筑结构，得到第一检测结果；所述第一检测结果用于表征所述地下建筑结构检测模型预测所述参考地点处的各个地下建筑结构的第二类别信息和第二位置信息；
32、处理单元，用于根据所述地下结构信息和所述第一检测结果，确定各个所述地下建筑结构对应的初始损失值；
33、调整单元，用于根据所述类别信息和所述类别比重数据，确定各个所述地下建筑结构对应的调整权重；其中，所述类别比重数据和所述调整权重负相关；
34、更新单元，用于根据所述初始损失值和所述调整权重，确定目标损失值，并通过所述目标损失值对所述地下建筑结构检测模型的参数进行更新，得到训练好的地下建筑结构检测模型。
35、另一方面，本申请实施例提供一种计算机设备，包括：
36、至少一个处理器；
37、至少一个存储器，用于存储至少一个程序；
38、当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现上述的方法。
39、另一方面，本申请实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，上述处理器可执行的程序在由处理器执行时用于实现上述的方法。
40、本申请的优点和有益效果将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到：
41、本申请实施例公开的一种地下建筑结构检测模型的训练方法，获取多个参考地点处的地下结构信息；所述地下结构信息包括有各个地下建筑结构的第一属性信息；根据各个所述地下建筑结构对应的类别信息，本文档来自技高网...
【技术保护点】
1.一种地下建筑结构检测模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种地下建筑结构的反演方法，其特征在于，所述方法还包括：
3.根据权利要求2所述的一种地下建筑结构检测模型的训练方法，其特征在于，所述对所述地下建筑结构对应的训练数据进行扩充处理，包括：
4.根据权利要求1所述的一种地下建筑结构检测模型的训练方法，其特征在于，所述根据所述地下结构信息和所述第一检测结果，确定各个所述地下建筑结构对应的初始损失值，包括：
5.根据权利要求1所述的一种地下建筑结构检测模型的训练方法，其特征在于，所述地下建筑结构检测模型采用GPR-TransResNet模型。
6.根据权利要求1所述的一种地下建筑结构检测模型的训练方法，其特征在于，所述根据所述初始损失值和所述调整权重，确定目标损失值，包括：
7.一种地下建筑结构的反演方法，其特征在于，所述方法包括：
8.一种地下建筑结构检测模型的训练系统，其特征在于，所述系统包括：
9.一种计算机设备，其特征在于，包括：
...
【技术特征摘要】
1.一种地下建筑结构检测模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种地下建筑结构的反演方法，其特征在于，所述方法还包括：
3.根据权利要求2所述的一种地下建筑结构检测模型的训练方法，其特征在于，所述对所述地下建筑结构对应的训练数据进行扩充处理，包括：
4.根据权利要求1所述的一种地下建筑结构检测模型的训练方法，其特征在于，所述根据所述地下结构信息和所述第一检测结果，确定各个所述地下建筑结构对应的初始损失值，包括：
5.根据权利要求1所述的一种地下建筑结构检测模型的训练方法，其特征在于，所述地下...
【专利技术属性】
技术研发人员：刘奕显，詹霖凡，利嘉豪，张维镇，高晓光，
申请(专利权)人：广州水木星尘信息科技有限公司，
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。