[發明專利]一種基于GAN的管道探地雷達深度學習數據增強方法

在審

• 申請號: 202111241749.1
• 申請日: 2021-10-25
• 公開（公告）號: CN113962367A
• 公開（公告）日: 2022-01-21
• 發明（設計）人: 方宏遠;王念念;胡浩幫;馬鐸
• 申請（專利權）人: 鄭州大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08
• 代理公司: 長沙市岳麓慧專利代理事務所(普通合伙) 43270
• 代理人: 鄒劍峰

1.一種基于GAN的管道探地雷達深度學習數據增強方法，其特征在于包含以下步驟：

S1、采集探地雷達獲取的地下管線圖像，對圖像進行篩選及預處理，保留特征明顯的圖像，構建用于模型訓練的數據集；

S2、構建基于GAN的網絡模型，遷移學習初始化網絡模型，將步驟S1中的數據集作為訓練集導入該網絡模型，進行模型訓練；

S3、進行模型測試與優化，根據步驟S2中網絡模型的訓練效果和性能表現調整參數，對模型中的生成器G和判別器D不斷調優；

S4、達到全局最優，保存模型。

2.根據權利要求1所述的一種基于GAN的管道探地雷達深度學習數據增強方法，所述步驟S1的具體步驟為：

S11、整理圖像建立雷達圖像數據集；

S12、雷達圖像由地下管線維護的專業人員篩選，保留存在良好地下管線特征的圖像；

S13、使用圖像處理程序將圖像四周空白的附加無用信息直接剪裁刪去；

S14、將雷達圖像的尺寸統一調整為256像素×256像素。

3.根據權利要求2所述的一種基于GAN的管道探地雷達深度學習數據增強方法，所述雷達圖形數據集包括真實雷達圖像、模型試驗雷達圖像與FDTD仿真圖像。

4.根據權利要求1所述的一種基于GAN的管道探地雷達深度學習數據增強方法，所述步驟S2的具體步驟為：

S21、利用卷積神經網絡代替GAN中的多層感知機來搭建網絡模型；

S22、隨機數據輸入至生成器G后，由生成器G中的解碼器將隨機數據轉換成圖像格式的數據，判別器D對生成的數據判定是否為真實數據；

S23、先固定生成器G的參數，訓練判別器D的參數，然后固定判別器D的參數，再訓練生成器G的參數，如此反復交替進行模型訓練。

5.根據權利要求4所述的一種基于GAN的管道探地雷達深度學習數據增強方法，所述步驟S21中的所述網絡模型包括生成網絡與判別網絡；

其中，所述生成網絡包含有7層卷積神經網絡，含有3個反卷積層、3個標準卷積層和1個輸入層；所述判別網絡包含有4個卷積層和1個全連接層，所述生成器G將隨機數據轉換為虛擬圖像，所述判別器D根據真實圖像數據對虛擬圖像進行判別，最后根據判別結果對生成器G和判別器D的網絡參數進行優化。

6.根據權利要求5所述的一種基于GAN的管道探地雷達深度學習數據增強方法，所述反卷積層具有上采樣的作用，在標準卷積層后面引入批量歸一化層防止梯度消失，使用ReLU或Tanh函數作為激活函數。

7.根據權利要求1所述的一種基于GAN的管道探地雷達深度學習數據增強方法，所述步驟S3的具體步驟為：

S31、每迭代500次生成一批地下管線的雷達圖像數據，觀察模型訓練進度和訓練效果；

S32、利用訓練好的網絡模型進行地下管線的雷達圖像數據生成，將生成數據與原始真實數據對比，綜合考慮生成數據的質量和模型收斂的速度，驗證網絡性能。

8.根據權利要求7所述的一種基于GAN的管道探地雷達深度學習數據增強方法，所述步驟S3中調整的參數為初始學習率、迭代次數、Batchsize。

9.根據權利要求7所述的一種基于GAN的管道探地雷達深度學習數據增強方法，所述步驟S3中調整參數的主要依據為：設置不同參數時，網絡模型生成數據中地下管線特征的清晰度，以及模型收斂所用時長。

10.根據權利要求5所述的一種基于GAN的管道探地雷達深度學習數據增強方法，所述步驟S4中，在生成對抗網絡訓練過程中不斷地調整優化生成器G和判別器D的參數，優化的手段是使生成器極小化、判別器極大化，生成器生成的虛擬圖像能夠騙過判別器，最終達到以假亂真的效果即達到全局最優。