CN119439152A 一种基于探地雷达的堤坝白蚁巢穴三维成像方法及系统 （广东省水利水电科学研究院）

一种基于探地雷达的堤坝白蚁巢穴三维成本申请公开了一种基于探地雷达的堤坝白的三维探地雷达数据进行特征提取处理与加密处理，得到多通道雷达数据体；基于U形网络结蚁巢成像三维深度学习网络模型对多通道雷达捕捉蚁巢和堤坝结构在三维探地雷达图像上的2获取目标区域的三维探地雷达数据并进行数据预处理，得到对所述预处理后的三维探地雷达数据进行特征提取处理与加密处理基于所述蚁巢成像三维深度学习网络模型对所述多通道雷达数据体进行数据成像处确定目标区域，通过三维雷达对所述目标区域进行扫描，得到将所述目标区域的二维雷达图像在垂直测线方向上进行组合，得到所对所述目标区域的三维探地雷达数据进行数据预处理，得到所对所述目标区域的三维探地雷达数据进行零时校正处理，得到校对所述校正后的三维探地雷达数据进行信号增益处理，得到增益通过带通滤波器对所述增益后的三维探地雷达数据进行滤波与背景对所述预处理后的三维探地雷达数据进行希尔伯特变换解析处理，获取雷达瞬时频通过k均值聚类方法对所述预处理后的三维探地雷达数据进行聚类处理，得到雷达聚结合所述预处理后的三维探地雷达数据、所述雷达瞬时对所述预处理后的三维探地雷达数据的时空域进行转换为频率波根据所述转换后的三维探地雷达数据，确定所述转换后的三维3对所述校正后的频率波数域数据进行逆二维傅里叶变换与转换时上式中，Loss表示蚁巢成像三维深度学习网络模型，BCE(·)表示交叉熵损失函数，将所述多通道雷达数据体输入至所述蚁巢成像三维深度学基于所述蚁巢成像三维深度学习网络模型的三维卷积模块，基于所述蚁巢成像三维深度学习网络模型的深度神经网络结将所述多通道雷达特征数据输入至所述蚁巢成像三维深度学习网络模型的深度神经基于所述深度神经网络结构的数据输入模块获取所述多通道雷基于所述深度神经网络结构的编码器，对所述多通道雷达特征数基于所述深度神经网络结构的解码器，对所述减小后的多通道基于所述深度神经网络结构的跳跃连接，对所述减小后的多恢复后的多通道雷达特征数据进行融合与下采样处理，得到融合后的多通道雷达特征数基于所述深度神经网络结构的卷积输出模块，对所述融合后的多4第一模块，用于获取目标区域的三维探地雷达数据并进行数第二模块，用于对所述预处理后的三维探地雷达数据进行特征提取处理与加密处理，第四模块，用于基于所述蚁巢成像三维深度学习网络模型对5维雷达探测通过多个发射天线与多个接收天线协同工作，生成高分辨率的地下结构图像，[0004]本申请实施例的主要目的在于提出一种基于探地雷达的堤坝白蚁巢穴三维成像[0009]基于所述蚁巢成像三维深度学习网络模型对所述多通道雷达数据体进行数据成6[0017]通过带通滤波器对所述增益后的三维探地雷达数据进行滤波与背景噪声去除处[0020]通过k均值聚类方法对所述预处理后的三维探地雷达数据进行聚类处理，得到雷[0029]在一些实施例中，所述蚁巢成像三维深度学习网络模型的损失函数具体如下所7[0039]将所述多通道雷达特征数据输入至所述蚁巢成像三维深度学习网络模型的深度8[0051]图1是本申请实施例提供的一种基于探地雷达的堤坝白蚁巢穴三维成像方法的流[0052]图2是本申请实施例提供的一种基于探地雷达的堤坝白蚁巢穴三维成像系统的结技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，9天线每个发射天线在不同的时间进行激发，接收天线在相应的时间窗口内接收反射信号。[0070]上式中，R表示电磁波在不同介质界面处的反射系数，ε1表示上层介质的介电常天线对形成的二维雷达图像在垂直测线方向上进行组合即可得到三维部信号较弱，因此需要对雷达数据进行增益处理。假设雷达的接收天线接收到的信号为s[0081]信号在每一个时间点t上的均方根是信号的局部能量，根据信号的局部能量计算三维雷达的每一个发射_接收天线对形成的二维雷达数据进行k均值聚类，得到如图4所示及到将每个波数对应的频率进行相应的偏移补偿。补偿过程是根据给定的波速v计算出一和深度信息，三维卷积网络能够捕捉蚁巢和堤坝结构在三维探地雷达图像上的复杂特征，线性插值实现)逐步增加特征图的空间维度，并通过卷积层结合来自编码器的跳跃连接信[0171]请参阅图2，本申请实施例还提供一种基于探地雷达的堤坝白蚁巢穴三维成像系[0173]第二模块202，用于对预处理后的三维探地雷达数据进行特征提取处理与加密处[0175]第四模块204，用于基于蚁巢成像三维深