[發(fā)明專利]一種基于矩陣束和深度神經(jīng)網(wǎng)絡(luò)的地下管道識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110646373.6
• 申請(qǐng)日: 2021-06-10
• 公開（公告）號(hào): CN113468804B
• 公開（公告）日: 2023-09-19
• 發(fā)明（設(shè)計(jì)）人: 馬春光;楊坤;周靜晗;聶凱;季玉斌;孫浩然;羅勇
• 申請(qǐng)（專利權(quán)）人: 電子科技大學(xué)
• 主分類號(hào): G06F30/27
• 分類號(hào): G06F30/27;G06F30/23;G06F18/213;G06F18/214;G06N3/0464;G06N3/08;G06F113/14
• 代理公司: 電子科技大學(xué)專利中心 51203
• 代理人: 周劉英

1.一種基于矩陣束和深度神經(jīng)網(wǎng)絡(luò)的地下管道識(shí)別方法，其特征在于，包括下列步驟：

仿真獲取地下管道B掃數(shù)據(jù)，并基于仿真構(gòu)建的地下管道目標(biāo)模型和設(shè)置的異常目標(biāo)確定識(shí)別類型，所述識(shí)別類型包括不同類型的地下管道目標(biāo)和異常目標(biāo)；

獲取訓(xùn)練樣本集：對(duì)仿真獲取的地下管道B掃數(shù)據(jù)進(jìn)行波形數(shù)據(jù)直達(dá)波去除，從去除直達(dá)波后的B掃數(shù)據(jù)中提取一定道數(shù)的A掃數(shù)據(jù)，再獲取所提取的各道的A掃數(shù)據(jù)的特征向量，并將每道的A掃數(shù)據(jù)的特征向量作為一個(gè)樣本，基于每個(gè)樣本對(duì)應(yīng)的目標(biāo)類型標(biāo)簽值得到訓(xùn)練樣本集；

其中，各道A掃數(shù)據(jù)的特征向量為：對(duì)每道A掃數(shù)據(jù)進(jìn)行矩陣束MPM波形分解，獲取指定采樣點(diǎn)的頻率因子和衰減因子，按照時(shí)間順序，將每道的所有頻率因子和衰減因子組成當(dāng)前道的A掃數(shù)據(jù)的特征向量；

設(shè)置深度卷積神經(jīng)網(wǎng)絡(luò)模型，所述深度卷積神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)結(jié)構(gòu)為依次連接的一個(gè)第一卷積塊、多個(gè)第二卷積塊、多層下采樣層和至少兩層全連接層，其中，第一卷積塊包括順次連接的卷積層和Relu激活，第二卷積塊包括順次連接的卷積層、Relu激活和池化層；

基于訓(xùn)練樣本集對(duì)所述深度卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行深度學(xué)習(xí)訓(xùn)練，直到滿足預(yù)置的訓(xùn)練結(jié)束條件時(shí)，停止訓(xùn)練，得到訓(xùn)練好的深度卷積神經(jīng)網(wǎng)絡(luò)模型并保存；

基于探地雷達(dá)采集待識(shí)別的目標(biāo)區(qū)域的B掃數(shù)據(jù)，對(duì)所述目標(biāo)區(qū)域的B掃數(shù)據(jù)進(jìn)行波形數(shù)據(jù)直達(dá)波去除，獲取去除直達(dá)波后的B掃數(shù)據(jù)中的任一道的A掃數(shù)據(jù)的特征向量或一定道數(shù)的A掃數(shù)據(jù)的特征向量，得到當(dāng)前的待識(shí)別特征向量；將所述待識(shí)別特征向量輸入訓(xùn)練好的深度卷積神經(jīng)網(wǎng)絡(luò)模型中獲取地下管道識(shí)別的識(shí)別結(jié)果：若道數(shù)為1，則直接基于模型的前向傳播輸出得到識(shí)別結(jié)果；否則，基于每個(gè)待識(shí)別特征向量的前向傳播輸出，基于眾數(shù)判決法確定地下管道識(shí)別的識(shí)別結(jié)果。

2.如權(quán)利要求1所述的方法，其特征在于，所述波形數(shù)據(jù)直達(dá)波去除為：

將B掃數(shù)據(jù)表示為維度為M×N的矩陣W_R，其中，N表示探地雷達(dá)測量的總道數(shù)，M表示任意道接收位置對(duì)應(yīng)的時(shí)間采樣點(diǎn)數(shù)；

對(duì)矩陣W_R進(jìn)行奇異值分解，得到W_R＝UDV^T，其中，矩陣U和V為正交矩陣，矩陣D為對(duì)角陣，其對(duì)角元素為奇異值，并降序排列，去除最大奇異值，基于奇異值分解的逆過程，獲取去除直達(dá)波后的B掃數(shù)據(jù)。

3.如權(quán)利要求1所述的方法，其特征在于，從去除直達(dá)波后的B掃數(shù)據(jù)中提取一定道數(shù)的A掃數(shù)據(jù)為：

以去除直達(dá)波后的B掃數(shù)據(jù)的水平中心位置為起始位置，從起始位置開始，在起始位置的左右兩邊每間隔固定道數(shù)提取一道，提取一定道數(shù)的A掃數(shù)據(jù)。

4.如權(quán)利要求1-3中任一項(xiàng)所述的方法，其特征在于，各道A掃數(shù)據(jù)的特征向量的獲取方式為：

對(duì)當(dāng)前道A掃波形數(shù)據(jù)進(jìn)行滑窗處理，對(duì)每次滑窗中的A掃波形數(shù)據(jù)進(jìn)行矩陣束波形分解，獲取當(dāng)前滑窗對(duì)應(yīng)的頻率因子和衰減因子，按照時(shí)間順序，將每道的所有頻率因子和衰減因子組成當(dāng)前道的A掃數(shù)據(jù)的特征向量，其中滑窗的步長為A掃數(shù)據(jù)的采樣時(shí)間間隔。

5.如權(quán)利要求4所述的方法，其特征在于，滑窗的長度設(shè)置為200個(gè)采樣點(diǎn)。

6.如權(quán)利要求1所述的方法，其特征在于，模型訓(xùn)練時(shí)采用的損失函數(shù)為交叉熵?fù)p失函數(shù)。

7.如權(quán)利要求1所述的方法，其特征在于，訓(xùn)練結(jié)束條件為：誤差函數(shù)值保持持續(xù)下降趨勢，在后的批次訓(xùn)練呈上升趨勢時(shí)停止，并保存上升之前的最后一次批訓(xùn)練所確定的網(wǎng)絡(luò)參數(shù)。

8.如權(quán)利要求1所述的方法，其特征在于，所述第一卷積塊數(shù)量為1，第二卷積塊的數(shù)量為3，下采樣層為池化層，且池化方式為最大值池化，下采樣層數(shù)為2，全連接層的層數(shù)為3。