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

有效

• 申請(qǐng)?zhí)枺?/td>: 202210027938.7
• 申請(qǐng)日: 2022-01-11
• 公開（公告）號(hào): CN114707532B
• 公開（公告）日: 2023-05-19
• 發(fā)明（設(shè)計(jì)）人: 王百泉;陳思宇;王華;卓越;張安學(xué);林春剛;謝韜;鄒翀;楊成春;尚偉;李荊;劉長旭
• 申請(qǐng)（專利權(quán)）人: 中鐵隧道局集團(tuán)有限公司;中鐵隧道勘察設(shè)計(jì)研究院有限公司
• 主分類號(hào): G06F18/10
• 分類號(hào): 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

本發(fā)明公開了一種基于改進(jìn)的Cascade?R?CNN的探地雷達(dá)隧道病害目標(biāo)檢測方法，如下：步驟一：采集探地雷達(dá)隧道數(shù)據(jù)：步驟二：處理探地雷達(dá)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(dá)隧道數(shù)據(jù)；步驟三：構(gòu)建探地雷達(dá)隧道數(shù)據(jù)集；步驟四：搭建卷積神經(jīng)網(wǎng)絡(luò)模型；步驟五：獲取卷積神經(jīng)網(wǎng)絡(luò)模型；步驟六：輕量化卷積神經(jīng)網(wǎng)絡(luò)模型；步驟七：評(píng)估輕量化后的卷積神經(jīng)網(wǎng)絡(luò)模型；步驟八：將地雷達(dá)隧道數(shù)據(jù)圖像以圖像格式輸入至輕量化后的卷積神經(jīng)網(wǎng)絡(luò)模型中。該檢測方法在保持模型精度基礎(chǔ)上最大化減少模型參數(shù)量和復(fù)雜度，實(shí)現(xiàn)了在便攜式設(shè)備上高效、準(zhǔn)確的隧道病害目標(biāo)自動(dòng)化檢測，使其適用于多種不同隧道質(zhì)量檢測中。

技術(shù)領(lǐng)域

本發(fā)明屬于探地雷達(dá)數(shù)據(jù)處理與檢測技術(shù)領(lǐng)域，具體涉及一種基于改進(jìn)的Cascade?R-CNN的探地雷達(dá)隧道病害目標(biāo)檢測方法。

背景技術(shù)

探地雷達(dá)是一種利用發(fā)射和接收電磁波在目標(biāo)發(fā)生反射來實(shí)現(xiàn)目標(biāo)探測的技術(shù)，以其高效、準(zhǔn)確、適應(yīng)性強(qiáng)和無損等特點(diǎn)，對(duì)國家軍事發(fā)展具有重要作用，廣泛運(yùn)用于隧道襯砌、地雷和道路病害等檢測任務(wù)中。但在實(shí)際探測中，由于地下介質(zhì)環(huán)境的多樣性、電磁波傳播的復(fù)雜性和系統(tǒng)內(nèi)部因素影響，導(dǎo)致地下目標(biāo)回波夾雜在強(qiáng)背景雜波干擾下，信噪比較低，因此需對(duì)接收信號(hào)進(jìn)行一系列信號(hào)處理操作，如背景濾除、自動(dòng)增益、垂直濾波等，以便提取目標(biāo)信號(hào)特征實(shí)現(xiàn)識(shí)別檢測。

現(xiàn)有的檢測方法主要根據(jù)一維目標(biāo)信號(hào)的頻譜特征、累積能量和梯度直方圖等特征來檢測掩埋目標(biāo)的類別和位置，但這些方法存在依賴人為分析、時(shí)間成本高、泛化能力差等缺點(diǎn)，因此探地雷達(dá)目標(biāo)檢測技術(shù)朝著自動(dòng)化和智能化方向發(fā)展以解決這些問題。隨著深度卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別、實(shí)例分割等方面表現(xiàn)出的優(yōu)勢(shì)，目標(biāo)檢測算法得到快速發(fā)展。卷積神經(jīng)網(wǎng)絡(luò)通過深度卷積層自動(dòng)提取語義特征來實(shí)現(xiàn)目標(biāo)的自動(dòng)分類和定位。由于不同類型的隧道病害目標(biāo)在形態(tài)上表現(xiàn)不同，如圓形空洞呈現(xiàn)雙曲線形態(tài)、箱體目標(biāo)呈現(xiàn)梯形形態(tài)和錯(cuò)臺(tái)呈現(xiàn)斜坡形態(tài)等，深度卷積神經(jīng)網(wǎng)絡(luò)可利用其在圖像上的紋理梯度等特征信息，通過多層卷積操作學(xué)習(xí)特征實(shí)現(xiàn)檢測任務(wù)。但隨著網(wǎng)絡(luò)深度的增加，存在內(nèi)存容量和帶寬等限制問題，進(jìn)而需要對(duì)網(wǎng)絡(luò)模型進(jìn)行輕量化。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于改進(jìn)的Cascade?R-CNN的探地雷達(dá)隧道病害目標(biāo)檢測方法，在保持模型精度基礎(chǔ)上最大化減少模型參數(shù)量和復(fù)雜度，實(shí)現(xiàn)了在便攜式設(shè)備上高效、準(zhǔn)確的隧道病害目標(biāo)自動(dòng)化檢測，使其適用于多種不同隧道質(zhì)量檢測任務(wù)中。

本發(fā)明采用以下技術(shù)方案：一種基于改進(jìn)的Cascade?R-CNN的探地雷達(dá)隧道病害目標(biāo)檢測方法，該檢測方法包括如下步驟：

步驟一：采集探地雷達(dá)隧道數(shù)據(jù)：對(duì)實(shí)際隧道場景進(jìn)行探測，采集隧道不同病害目標(biāo)數(shù)據(jù)，并以二維B-Scan圖像形式存儲(chǔ)，得探地雷達(dá)隧道采集數(shù)據(jù)；

使用探地雷達(dá)電磁正演仿真軟件gprMax根據(jù)實(shí)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(biāo)，正演仿真生成病害目標(biāo)數(shù)據(jù)，并以二維B-Scan圖像形式存儲(chǔ)，得探地雷達(dá)隧道仿真數(shù)據(jù)；

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

步驟二：處理探地雷達(dá)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(dá)隧道數(shù)據(jù)；

步驟三：構(gòu)建探地雷達(dá)隧道數(shù)據(jù)集：將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(chǔ)，并使用labelImg軟件對(duì)其進(jìn)行標(biāo)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(xùn)練集、驗(yàn)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(jí)聯(lián)IOU閾值結(jié)合IOU-balanced采樣機(jī)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：將步驟三中訓(xùn)練集中的數(shù)據(jù)輸入至步驟四中搭建的卷積神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，獲取準(zhǔn)確率和召回率均大于90％的卷積神經(jīng)網(wǎng)絡(luò)模型；