【技术实现步骤摘要】
本专利技术涉及基于探地雷达数据的冰裂隙检测，具体涉及一种基于siamese孪生网络的冰裂隙检测方法。
技术介绍
1、冰裂隙检测有利于冰川研究和全球气候研究，对埋藏冰裂隙的检测还可以为科学考察和其他人类活动提供安全保障。目前研究及应用较广泛的冰裂隙检测主要基于以下三种数据来源：可见光/反射红外遥感、合成孔径雷达、探地雷达。基于可见光/反射红外遥感数据进行冰裂隙检测具有监测范围广、监测时间连续的优点，常用来监测冰川变化，但在冰裂隙检测上的大多数应用都只能集中在表面可见的冰裂隙上，较难检测到被雪桥覆盖的埋藏裂隙，并且数据质量受日照和天气影响；和可见光/反射红外遥感相比，合成孔径雷达不受日照和天气条件的限制，可以全天候、全天时进行对地观测，并对冰雪层具有一定的穿透能力，因此可以检测到埋藏冰裂隙，但存在无法根据卫星雷达数据估计冰裂隙宽度的缺陷。探地雷达是一种快速、准确、有效的无损勘探技术，可以勘测地表以下更深的区域，此外，探地雷达在作业过程中通过携带全球定位系统gps可以提供冰裂隙的宽度信息。因此，基于探地雷达数据进行冰裂隙检测可以提供更细致和准确的冰裂隙相关信息。由于探地雷达通常都是实时实地作业，所以对冰裂隙检测算法的实时性和准确性的要求较高。除此之外，基于探地雷达数据的冰裂隙检测研究难点在于探地雷达测线和冰裂隙的方向在不同夹角情况下的图像特征差异性。在90°情况下，冰裂隙的空洞特征和空洞两端的双曲线特征明显。但低于60°时，双曲线特征消失，空洞特征加宽，0°情况下这种现象尤其明显，加大了冰裂隙检测的难度。但在冰川作业的实际状况中，探地
2、基于探地雷达数据进行冰裂隙检测的方法最初采用人工检测冰裂隙，操作员需要持续监控雷达图，仅提供2-3秒的时间识别出冰裂隙并指示停车。这个过程存在人为因素风险，包括操作员的疲劳程度、经验和主观性等等。为了避免人为因素的风险，结合特征提取和分类器的传统机器学习算法陆续被提出，并应用于冰裂隙检测。传统机器学习算法存在的问题是检测结果非常依赖所提取的特征，而在冰裂隙检测任务中，基于探地雷达图无法确定冰裂隙的有效特征的提取。深度卷积神经网络可以实现对复杂特征的提取，但实时性需要进一步提高。同时，现有的冰裂隙自动检测方法缺乏对探地雷达测线和冰裂隙方向呈不同角度情况下冰裂隙检测的分析。
3、本专利技术应用于探地雷达测线和冰裂隙方向呈任意角度时的冰裂隙检测，主要研究了夹角为0°、30°、60°、90°、120°和150°等多种场景，基于siamese孪生网络良好的对比性和扩展性设计了一种新的冰裂隙检测方法，提取多角度情况下冰裂隙和连续雪层的类内共性特征和类间特性特征，在保证实时性的同时，提升不同角度情况下冰裂隙检测的准确度、降低虚警率，具有现实意义和良好的应用前景。
技术实现思路
1、本专利技术的目的是提供一种基于siamese孪生网络的冰裂隙检测方法，应用于探地雷达测线和冰裂隙方向呈任意夹角情况下的冰裂隙检测，主要包括夹角为0°、30°、60°、90°、120°和150°等多种场景，在保障实时性的前提条件下，提升不同角度情况下冰裂隙检测的准确度、降低虚警率。
2、本专利技术解决其技术问题所采用的技术方案是：基于siamese孪生网络的冰裂隙检测方法，具体步骤如下：
3、第一步，对待处理包含冰裂隙的探地雷达数据，进行数据标准化和滑动窗口划分、数据增强、数据集构造等预处理，具体如下：
4、（1）对待学习探地雷达数据，采用最小最大值方法进行标准化预处理，图像灰度值标准化到[-1,1]，使雷达图显示更显著的纹理信息。
5、（2）对标准化处理后的数据，采用窗口长度l进行滑动窗口划分，窗口与窗口之间有80%的重叠率，每个分析窗口内的探地雷达数据看作一个样本。
6、（3）基于冰裂隙滑窗进行数据划分，根据数据标注、探地雷达测线和冰裂隙方向的夹角信息，选择探地雷达测线和冰裂隙方向夹角为90°情况下的冰裂隙数据和连续雪层数据构建90°数据集，选择探地雷达测线和冰裂隙方向为其他角度时的冰裂隙数据和连续雪层数据构建多角度数据集；
7、（4）构造训练集和测试集，对训练集中数据量不足的数据采用水平翻转方式进行数据增强，使得训练集和测试集中均包含90°和其他角度的冰裂隙数据和连续雪层数据。
8、第二步，在训练阶段，随机选择预处理后的探地雷达数据，将其输入基于siamese孪生网络训练框架下的多尺度深度学习模型中进行学习。具体如下：
9、（1）将预处理后的滑窗划分样本数据作为网络输入数据，进行10次蒙特卡洛随机实验对网络进行训练和测试。
10、（2）构建两个相同的多尺度gabor-resnet-18深度学习模型m1和m2，实现对冰裂隙多尺度和多方向纹理特征的提取。
11、所述的两个相同的多尺度gabor-resnet-18深度学习模型m1和m2，其特征在于：将可学习的gabor滤波器组整合进resnet-18深度学习模型第一层卷积层的卷积核函数中，由gabor函数调节第一层卷积核的权重参数，实现对冰裂隙特征的多尺度和多方向的提取。其中，gabor函数是经过高斯调制的余弦函数，所使用的gabor函数如下：
12、，
13、，
14、，
15、其中，和分别是水平和竖直方向的原始空间坐标，和分别是和旋转处理后的空间坐标，和分别是余弦函数的频率和相位，是旋转角度，是高斯函数的标准差；相位初始值设置为，高斯函数的标准差设置为。 对应gabor滤波器组的频率和方向由以下公式得到，其中v是尺度数，u是方向数：
16、，，
17、，
18、在整个基于gabor滤波器和resnet-18的冰裂隙检测模型的训练过程中，()，()，和都是可学习的参数，并由标准后向传播算法更新。
19、（3）基于siamese孪生网络训练框架训练多尺度深度学习模型m1和m2的编码器部分，保存训练后的模型编码器部分。
20、所述的基于siamese孪生网络训练多尺度深度学习模型m1和m2的编码器部分，其特征在于两个编码器网络权重共享。其中，将90°数据集中的冰裂隙数据和连续雪层数据输入深度学习模型m1的编码器中，同时将多角度数据集中的冰裂隙数据和连续雪层数据输入深度学习模型m2的编码器中。
21、在编码器训练过程中，采用adam优化算法，基于余弦距离和余弦相似度设计损失函数，该损失函数特征在于增大类内特征相似性和类间特征差异性，总体损失函数定义如下：
22、
23、其中，为类内特征相似性的损失函数，为类间特征差异性的损失函数，分别定义为：
24、
25、
26、
27、其中，为余弦相似度，为余弦距离，分别定义如下：
28、
29、
本文档来自技高网...【技术保护点】
1.一种基于Siamese孪生网络的冰裂隙检测方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的一种基于Siamese孪生网络的冰裂隙检测方法，其特征在于，所述步骤（1.2）中，两个相同的多尺度Gabor-ResNet-18深度学习模型M1和M2具体如下：
3.根据权利要求1所述的一种基于Siamese孪生网络的冰裂隙检测方法，其特征在于，所述步骤（1.2）中，两个相同的多尺度Gabor-ResNet-18深度学习模型M1和M2的编码器部分具体如下：
4.根据权利要求1所述的一种基于Siamese孪生网络的冰裂隙检测方法，其特征在于，所述步骤（1.2）中，采用Adam优化算法和BCEWithLogitsLoss损失函数，对深度学习模型M1的分类器部分进行有监督训练，具体方法如下：
【技术特征摘要】
1.一种基于siamese孪生网络的冰裂隙检测方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的一种基于siamese孪生网络的冰裂隙检测方法，其特征在于，所述步骤（1.2）中，两个相同的多尺度gabor-resnet-18深度学习模型m1和m2具体如下：
3.根据权利要求1所述的一种基于siamese孪生网络的冰裂隙检测方法，...
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。