CN115343703B 一种基于自训练的3d-cnn探地雷达三维图像的管线识别方法 （哈尔滨工业大学）

一种基于自训练的3D-CNN探地雷达三维图本发明提出一种基于自训练的3D_CNN探地对验证集中的全部数据以及训练集中的一部分2进行直达波滤除以及利用极值包络法对滤除直达波后的图像进行增步骤2：将步骤1得到的探地雷达三维回波图像随机划分成训步骤3：利用步骤2得到的训练集对结合注意力机制的3D_CNN的对A_3D_CNN充分预训练；第二个阶段中首先使用训练后的A_3D_CNN对无标签样本集U进行步骤4：利用步骤3获得的训练好的神经网络模型36.根据权利要求1所述的方法，其特征在于，所述自训练的训练参数为16batch和所述处理器执行所述计算机程序时实现权利要求1_7任一项所述方理器执行时实现权利要求1_7任一项所述方法4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[0004]本发明目的是为了解决传统基于监督训练的方法依赖于大量准确的标记样本的滤波进行直达波滤除以及利用极值包络法对滤除直达波后的[0008]步骤3：利用步骤2得到的训练集对结合注意力机制的3D_CNN的神经网络模型A_样本集L对A_3D_CNN充分预训练；第二个阶段中首先使用训练后的A_3D_CNN对无标签样本5测目标的回波在同一条测线上各个测点的A_Scan回波信号中互不相关，根据互不相关性，均值滤波法能够有效的去除B_Scan图像[0018]公式(1)中第一项是监督学习下的网络的损失函数，第二项是无标记样本的损失所述处理器执行所述计算机程序时实现所述一种基于自训练的3D_CNN探地雷达三维图像6处理器执行时实现所述一种基于自训练的3D_CNN探地雷达三维图像的管线识别方法的步[0025]传统的基于卷积神经网络的探地雷达三维图像分类方法往往依赖于大量可用的[0026]图1是基于自训练的结合注意力机制的3D_CNN算法的三维探地雷达图像地下管线[0036]结合图1_图9，本发明提出一种基于自训练的结合注意力机制的3D_CNN探地雷达7[0041]所述步骤1利用均值滤波的方法实现探地雷达三维图像直达波的滤除。直达波在平的直线。而地下探测目标的回波在同一条测线上各个测点的A_Scan回波信号中互不相[0043]首先假设探地雷达一条测线上的B_Scan图像是由N个A_Scan回波信号构成的，每[0045]其中wi(i,j)是滤波前的B_Scan图像矩阵中第i行第j列的值，对应的是第j个A_[0049](2)为了防止对深层信号过度增益，当函数H(i)包络的极大值小于最大值的三十8练集和验证集划分比例约为6:4。对验证集的全部数据和训练集中的一部分数据进行人工[0054]网络训练过程主要分为两个阶段，第一个阶段中首先用有标签样本集L对A_3D_[0055]在训练的第二个阶段中通过给无标签样本分配伪标签的方式实现了对无标签样f为无监督损失项最大的加权系数。9水平切片图中关键特征的位置信息。然后将经过注意力机制模块优化后的图像再送入3D_时加入训练，并从100到200周期期间权重不断上升，在第200周期时，权重上升到最大值所述处理器执行所述计算机程序时实现所述一种基于自训练的3D_CNN探地雷达三维图像处理器执行时实现所述一种基于自训练的3D_CNN探地雷达三维图像的管线识别方法的步示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(staticRAM，DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(doubledatarateSDRAM，DDR取存储器(synchlinkDRAM，SLDRAM)和直接内存总线随机存取存储器(directrambus[0070]以上对本发明所提出的一种基于自训练的3D_CNN探地雷达三维图像的管线识别