CN115223044B 基于深度学习的端到端三维探地雷达目标识别方法及系统 （深圳安德空间技术有限公司）

道景华社区商报路奥林匹克大厦基于深度学习的端到端三维探地雷达目标本发明提供一种基于深度学习的端到端三2步骤S4，分别训练基于A_scan信号的非图像域模型，以及基于步骤S401，利用A_scan信号集训练非图像域模型，所所述步骤S401中，所述两层一维卷积神经网络包括相同设置的第一步骤S503，将处理好的一维A_scan信号输入到基步骤S601，对判定为地下隐患的潜在区域，提取深度方向步骤S602，将所述C_scan水平切片组合图输入到训练好的32.根据权利要求1所述的基于深度学习的端到端三维探地雷达目标识别方法，其特征步骤S101，获取测线上由每个扫描位置采集的A_scan信号形成的原始回波信息BX，步骤S103，提取测线上含有地下目标的水平剖3.根据权利要求2所述的基于深度学习的端到端三维探地雷达目标识别方法，其特征s()=("4.根据权利要求1至3任意一项所述的基于深度学习的端到端三维探地雷达目标识别5.根据权利要求1至3任意一项所述的基于深度学习的端到端三维探地雷达目标识别采用分类交叉熵的损失函数和Adam优化器，每次训练完一个迭代次数epoch后利用验证集6.一种基于深度学习的端到端三维探地雷达目标样本集形成模块，用于获取测线上含有地下隐患目标的原始回波信息4模型训练模块，用于分别训练基于A_scan信号的非图像域模型，以及基于C_5究依赖于成熟的计算机图像识别技术。原理是先将地下目标的回波信息转换为图像信息，[0004]利用原始A_scan信号进行信号识别的方法，分为传[0008]本发明所要解决的技术问题是需要提供一种基于深度学习的端到端三维探地雷达目标识别方法，进而既能够通过较小计算量实现信息复杂且丰富的探地雷达目标识别，6[0017]步骤S101，获取测线上由每个扫描位置采集的A_scan信号形成的原始回波信息[0024]步骤S1024，通过公式对所述矩阵内的数据进行数据归一化处理，7维卷积神经网络和两层GRU神经网络组成的深最后一层是包含3个单元的Dense层，用于分别代表三个分类标签，并采用Softmax激活函70；在训练过程中采用分类交叉熵的损失函数和Adam优化器，每次训练完一个迭代次数8好地克服因为模型分类精度不高而无法满足实际工程项目[0052]图3为本发明一种实施例中从预处理后的原始回波数据获取一维A_scan样本的示[0053]图4为本发明一种实施例中从雷达水平剖面图中获取多组C_scan水平切片图的示[0054]图5为本发明一种实施例中基于一维A_scan信号所训练的非图像域模型的结构示[0055]图6为本发明一种实施例中训练基于CNN+GRU非图像域模型得到的准确率/损失曲[0056]图7为本发明一种实施例中基于C_scan水平切片图所训练的图像域模型的结构示[0058]图9为本发明一种实施例中根据A_scan信号的分类结果生成对应的C_scan图片的9法进一步识别管线和空洞，故在后续步骤中还进一步通过训练好的C_scan图像识别模型，[0069]步骤S101，获取测线上由每个扫描位置采集的A_scan信号形成的原始回波信息[0071]本实施例所述原始回波信息Bk是由n个扫描位置和m个采样点组成的、尺寸为n*m当前通道中的每一道数据进行直达波的去除。当单道数据中的首个振幅值低于预设阈值录该位置为直达波的终止点，依次截取该终止点位置之后的256个点作为去除直达波后的ij表示第j道A_scan中第i个雷达采维卷积神经网络和两层GRU神经网络组成的深高网路模型的学习能力。其次，模型还添加了路径聚合网路(PANet)和空间金字塔池化Yolov5的图像域模型得到的目标检测结果,图8中所示的方形标示框表示输出标签为管线