[發明專利]基于深度學習的機場道面地下結構病害自動檢測方法

有效

• 申請號: 202110024616.2
• 申請日: 2021-01-08
• 公開（公告）號: CN112700429B
• 公開（公告）日: 2022-08-26
• 發明（設計）人: 李海豐;李南莎;王懷超
• 申請（專利權）人: 中國民航大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/194
• 代理公司: 天津才智專利商標代理有限公司 12108
• 代理人: 龐學欣

1.一種基于深度學習的機場道面地下結構病害自動檢測方法，其特征在于：所述的基于深度學習的機場道面地下結構病害自動檢測方法包括按順序進行的下列步驟：

步驟一：使用多通道探地雷達采集機場道面地下結構的B-scan圖像和C-scan；

步驟二：構造一個由三維卷積和二維卷積兩個子網絡組成的卷積神經網絡，并利用三維卷積和二維卷積子網絡分別提取上述C-scan中包含地下病害多通道之間關聯性的三維特征圖和B-scan圖像中地下病害的二維特征圖；

步驟三：將步驟二中得到的三維特征圖和二維特征圖進行融合，得到包含地下病害豐富信息的融合特征圖；

步驟四：構造一個三維反卷積子網絡對步驟三得到的融合特征圖進行上采樣，得到與輸入的體素相同尺寸的分割圖，以實現對采集的雷達圖像中目標的像素級分割；

步驟五：將步驟四中獲得的分割圖中的前景像素點聚類成不同大小的簇，然后由生成的所有簇分別獲得三維外接矩形框作為初始預測框；

步驟六：將步驟五生成的所有初始預測框分別映射到步驟二中獲得的三維特征圖的對應位置，得到固定大小的三維特征圖；

步驟七：構造修正子網絡，并利用該子網絡和步驟六生成的固定大小的三維特征圖對步驟五得到的初始預測框進行邊框修正和分類，獲得定位更加精確的三維預測框。

2.根據權利要求1所述的基于深度學習的機場道面地下結構病害自動檢測方法，其特征在于：在步驟二中，所述的構造一個由三維卷積和二維卷積兩個子網絡組成的卷積神經網絡，并利用三維卷積和二維卷積子網絡分別提取上述C-scan中包含地下病害多通道之間關聯性的三維特征圖和B-scan圖像中地下病害的二維特征圖的方法是：

將整個C-scan細分為等距的體素，每個體素的大小為m_v×m_v×n_v，其中m_v表示體素中包含的每個B-scan圖像的尺寸，n_v是包含在一個體素中的B-scan圖像的總數，通常設置為探地雷達陣列通道的總數；獲得C-scan后，根據其駐留的B-scan圖像將每個體素進一步拆分為n_v個平面；將得到的這些體素及平面分別輸入到三維卷積和二維卷積兩個子網絡中提取出相應的三維特征和二維特征；三維卷積子網絡由六個模塊組成，每個模塊中的卷積塊都分別包含一個卷積層，BN層和RELU層，卷積層中提供的三維卷積核尺寸為5×5×5；前四個模塊中都分別包含一個尺寸為2×2×2的最大池化層，步長設置為2，用于將得到的三維特征圖進行下采樣為原來尺寸的一半；最后一個卷積模塊中的卷積核尺寸為1×1×1，用于預測三維特征圖中的每個像素點屬于前景或背景的概率；二維卷積子網絡的結構和每個模塊的功能都與三維卷積子網絡一致，區別是每個模塊中提供的均為二維的卷積核和池化操作。

3.根據權利要求1或2所述的基于深度學習的機場道面地下結構病害自動檢測方法，其特征在于：在步驟三中，所述的將步驟二中得到的三維特征圖和二維特征圖進行融合，得到包含地下病害豐富信息的融合特征圖的方法是：

將步驟二中獲得的n_v個平面對應的二維特征圖按其在體素中的排列順序組合成三維特征圖，然后與對應的步驟二中得到的從體素中提取出的三維特征圖按對應位置逐個相加，形成與三維特征圖相同尺寸的融合特征圖。

4.根據權利要求1或2所述的基于深度學習的機場道面地下結構病害自動檢測方法，其特征在于：在步驟四中，所述的構造一個三維反卷積子網絡對步驟三得到的融合特征圖進行上采樣，得到與輸入的體素相同尺寸的分割圖，以實現對采集的雷達圖像中目標的像素級分割的方法是：

構造的三維反卷積子網絡由四個模塊組成，每個模塊分別包含一個可將輸入的融合特征圖尺寸擴大2倍的上采樣層，其中的卷積核尺寸為4×4×4，和一個BN層；訓練階段采用的真值分割圖由人工標注的3D真值框提供，分割損失為可解決類別不平衡的焦點損失，定義為：

其中是預測值，α∈[0,1]是加權因子，γ∈[0,5]是聚焦參數；經過對步驟三得到的融合特征圖進行逐層反卷積，即可得到與輸入的體素相同尺寸的分割圖，分割圖中前景像素值設置為1，背景像素值設置為0。