[發(fā)明專利]一種基于改進的Cascade R-CNN的探地雷達隧道病害目標檢測方法

有效

• 申請?zhí)枺?/td>: 202210027938.7
• 申請日: 2022-01-11
• 公開（公告）號: CN114707532B
• 公開（公告）日: 2023-05-19
• 發(fā)明（設(shè)計）人: 王百泉;陳思宇;王華;卓越;張安學;林春剛;謝韜;鄒翀;楊成春;尚偉;李荊;劉長旭
• 申請（專利權(quán)）人: 中鐵隧道局集團有限公司;中鐵隧道勘察設(shè)計研究院有限公司
• 主分類號: G06F18/10
• 分類號: G06F18/10;G06V10/762;G06V10/82;G06V10/70;G06N3/0464;G06N3/08;G06N5/04;G06F30/27
• 代理公司: 西安維賽恩專利代理事務(wù)所(普通合伙) 61257
• 代理人: 劉艷霞

1.一種基于改進的Cascade?R-CNN的探地雷達隧道病害目標檢測方法，其特征在于，該檢測方法包括如下步驟：

步驟一：采集探地雷達隧道數(shù)據(jù)：對實際隧道場景進行探測，采集隧道不同病害目標數(shù)據(jù)，并以二維B-Scan圖像形式存儲，得探地雷達隧道采集數(shù)據(jù)；

使用探地雷達電磁正演仿真軟件gprMax根據(jù)實際隧道場景搭建隧道模型，并在隧道模型墻體中內(nèi)嵌不同類型及不同材質(zhì)的病害目標，正演仿真生成病害目標數(shù)據(jù)，并以二維B-Scan圖像形式存儲，得探地雷達隧道仿真數(shù)據(jù)；

所述探地雷達隧道采集數(shù)據(jù)和探地雷達隧道仿真數(shù)據(jù)組成了探地雷達隧道數(shù)據(jù)；

步驟二：處理探地雷達隧道數(shù)據(jù)：使用一維處理算法和二維處理算法處理探地雷達隧道數(shù)據(jù)；

具體為：采用數(shù)據(jù)歸一化、中值濾波、垂直濾波、差分運算、背景濾除和兩次信號放大的順序?qū)嶋H采集的隧道數(shù)據(jù)進行處理，采用背景濾除、信號放大和差分運算的順序?qū)Ψ抡娴乃淼罃?shù)據(jù)進行處理；

步驟三：構(gòu)建探地雷達隧道數(shù)據(jù)集：將所述步驟一和二中的采集數(shù)據(jù)及仿真數(shù)據(jù)調(diào)整至統(tǒng)一像素大小，均以.jpg格式存儲，并使用labelImg軟件對其進行標記，并構(gòu)建符合R-CNN數(shù)據(jù)集的數(shù)據(jù)文件夾，將所有數(shù)據(jù)劃分為訓練集、驗證集和測試集；

步驟四：搭建卷積神經(jīng)網(wǎng)絡(luò)模型：基于Cascade?R-CNN及Libra?R-CNN模型結(jié)構(gòu)，使用級聯(lián)IOU閾值結(jié)合IOU-balanced采樣機制搭建卷積神經(jīng)網(wǎng)絡(luò)；

步驟五：獲取卷積神經(jīng)網(wǎng)絡(luò)模型：將所述步驟三中訓練集中的數(shù)據(jù)輸入至所述步驟四中搭建的卷積神經(jīng)網(wǎng)絡(luò)模型中進行訓練，獲取準確率和召回率均大于90％的卷積神經(jīng)網(wǎng)絡(luò)模型；

步驟六：輕量化卷積神經(jīng)網(wǎng)絡(luò)模型：依次采用裁剪、量化和編碼對所述卷積神經(jīng)網(wǎng)絡(luò)模型進行輕量化，得到輕量化后的卷積神經(jīng)網(wǎng)絡(luò)模型；

步驟七：評估輕量化后的卷積神經(jīng)網(wǎng)絡(luò)模型：當網(wǎng)絡(luò)召回率、平均精度和F1分值均大于90％，且輕量化后的參數(shù)量相較輕量化前降低大于40％，即選擇該輕量化后的卷積神經(jīng)網(wǎng)絡(luò)模型；

步驟八：將地雷達隧道數(shù)據(jù)圖像以圖像格式輸入至步驟七中的輕量化后的卷積神經(jīng)網(wǎng)絡(luò)模型中，輸出檢測到的病害目標類別、得分值和坐標信息；

在所述步驟四中，使用IOU閾值逐級增加的四階級聯(lián)結(jié)構(gòu)，其中一階段IOU閾值選取機制為：通過計算該階段每個batch中所有anchor與ground?truth間的IOU值，選擇其均值作為一階段的IOU閾值，此后三個階段的IOU閾值采用級聯(lián)方式，逐階段增加0.1。

2.如權(quán)利要求1所述的一種基于改進的Cascade?R-CNN的探地雷達隧道病害目標檢測方法，其特征在于，在所述步驟三中，將所有數(shù)據(jù)按照7:2:1的比例劃分為訓練集、驗證集和測試集。

3.如權(quán)利要求2所述的一種基于改進的Cascade?R-CNN的探地雷達隧道病害目標檢測方法，其特征在于，在所述步驟五中，采用step學習率變化策略，根據(jù)網(wǎng)絡(luò)訓練過程中損失值的變化，設(shè)置兩個迭代分界點，使得迭代至分界點分別以α和β的比例降低學習率，按照此策略在訓練過程中，根據(jù)可視化損失進行微調(diào)，并使用步驟三中的驗證集對網(wǎng)絡(luò)進行多次微調(diào)，進而獲取性能最佳的卷積神經(jīng)網(wǎng)絡(luò)模型；α和β的取值均為0～1。

4.如權(quán)利要求3所述的一種基于改進的Cascade?R-CNN的探地雷達隧道病害目標檢測方法，其特征在于，在所述步驟六中，裁剪采用基于熵值的神經(jīng)元級裁剪方式，將步驟五中網(wǎng)絡(luò)每一層輸出通過全局平均池化轉(zhuǎn)換為長度為L的向量，并將訓練集中的M個數(shù)據(jù)作為一個集合，得到M×L大小的矩陣。再將每個濾波器劃分為N個區(qū)間，計算對應(yīng)熵值H_i，計算公式如下：

其中：p_i表示第i個小區(qū)間對應(yīng)概率；然后根據(jù)熵值H_i從大到進行小排序，設(shè)置保留閾值thresh，保留對應(yīng)百分比的濾波器，其余濾波器進行裁剪；并且每執(zhí)行完一次裁剪操作，執(zhí)行一次微調(diào)，最后當所有層都執(zhí)行完裁剪后，執(zhí)行多次迭代微調(diào)網(wǎng)絡(luò)。