强杂波背景的隧道富水空洞雷达图像智能解译方法
本发明涉及地下工程无损检测及计算机视觉交叉领域,具体涉及一种在强钢筋杂波干扰背景下、无需成对标注数据的隧道衬砌富水空洞雷达图像智能去噪与特征分割的智能解译方法。
背景技术:
1、探地雷达(gpr)作为无损检测的有效手段广泛应用于隧道衬砌隐蔽缺陷检测。由于实际工程衬砌内密集布置的钢筋网格(特别是当钢筋间距小于15cm时)会对高频电磁波产生强烈的反射,在雷达回波图上形成高密度的周期性电磁反射双曲线簇。
2、该强杂波严重掩盖并压制了衬砌深部由于介质突变(如富水空洞)产生的微弱绕射异常信号。同时,真实工程环境中极难甚至无法获取同一病害位置“有钢筋杂波图像”与“仅空洞病害特征图像”的配对探地雷达像素级标签数据,满足传统有监督深度学习网络(如faster r-cnn或u-net等)对海量成对训练样本的需求十分困难,导致此类算法在该应用场景下开展有效的模型训练和工程落地难度极大。
3、而在非成对无监督学习探索中,常规转换模型(如cyclegan)在剔除周期性强杂波时,容易将深部富水空洞病害的双曲线弧线结构一并消除。因此,针对现有技术在面对衬砌密集钢筋网强反射杂波严重、遮蔽深部隐蔽缺陷且高质量配对实测数据极度匮乏时难以进行准确对隧道富水空洞雷达图像去噪与智能辨识解译的难题,亟需一种能够在缺乏实测配对数据、强反射干扰环境下有效完成富水空洞病害高保真提取和解译的两阶段处理架构及智能辨识方法。
4、针对现有技术存在的上述不足,提出本发明。
技术实现思路
1、为了克服上述现有技术的不足,本发明提供了一种强杂波背景下的隧道富水空洞雷达图像两阶段智能解译方法。该方法解决了实测病害标签数据匮乏和钢筋强杂波遮蔽干扰的问题,通过创新的两阶段处理流程,填补了现有技术难以对隧道渗漏富水空洞病害进行无监督自动去噪与智能特征分割的空白。
2、为实现上述发明目的,本发明提供的技术方案如下:
3、一种强杂波背景的隧道富水空洞雷达图像智能解译方法,其特征在于,包括以下步骤:
4、步骤s1,构建用于无监督学习网络wl-gan训练的非成对含杂波源域图像与数据集无杂波目标域二值化标签图像数据集;
5、基于时域有限差分方法构建隧道多介质多工况正演模型,通过设定空气、管片和围岩的介电常数来遍历生成探地雷达图像并结合实测数据进行数字信号预处理,
6、步骤s10,多介质多工况隧道正演模型的构建;
7、采用时域有限差分方法,构建多介质多工况隧道正演模型;
8、步骤s11,探地雷达图像并结合实测数据进行数字信号预处理;
9、步骤s12,采用步骤s11输出的预处理后的数字信号,进而构建完全解耦的含杂波源域训练集与无杂波目标域训练集;
10、步骤s1最终构建的训练数据集,含杂波源域训练集与无杂波目标域训练集,被划分为含钢筋杂波的gpr原图域和无钢筋干扰的纯净gpr去噪图域;
11、步骤s2,通过改进的循环生成对抗网络wl-gan进行背景杂波消除去噪,将含有强钢筋杂波的源域雷达图像映射转换为消除杂波且高保真保留空洞双曲线特征的清晰雷达图像;所述的改进的循环生成对抗网络wl-gan具体架构为:
12、包含两套并行的循环映射架构,每套架构内部均有两个自动编码生成器g和f,以及两个对应的判别器dx和dy构成;
13、所述的改进的循环生成对抗网络wl-gan网络的第一阶段是对gpr原图中的钢筋杂波信号进行去噪处理,生成高质量的去噪图像;第二阶段则对无钢筋干扰的纯净gpr图像实施空洞缺陷的精准分割;
14、所述隧道衬砌富水空洞缺陷智能解译的第一阶段,实现带杂波gpr原图至纯净gpr去噪图的跨域转换;
15、所述隧道衬砌富水空洞缺陷智能解译的第二阶段,实现从无杂波纯净gpr图像到二值化分割标签图的跨域转换;
16、步骤s3,利用目标图像分割网络在第二阶段对所述去噪清晰后的纯净雷达图像域进行空洞目标的精确边界与位置特征提取分割,最终输出病害的几何特征掩膜。
17、本发明提供的优选技术方案为:
18、所述的步骤s10的具体过程为:
19、步骤s100,设定正演模型的空间网格步长;
20、步骤s101,设定正演模型空间内各介质层的介电常数;
21、步骤s102,遍历生成探地雷达图像,利用python脚本调用api批量前向模拟波场计算,实现了不同含水率、不同缺陷尺寸的模拟图像扩充。
22、优选的,
23、所述的步骤s11中,处理步骤依次包括:
24、步骤s110,无效数据道剔除与静校正处理,对齐雷达天线表面的初始零点;
25、步骤s111,去直流漂移处理;
26、步骤s112,非线性时变增益补偿,指数级放大深部因能量高衰减导致的微弱病害信号振幅;
27、步骤s113,背景消除横向滤波,减去横向全域平均道以滤除顶部高频直达波掩蔽;
28、步骤s114,巴特沃斯带通滤波;
29、步骤s115,滑动平均一维降噪处理;
30、步骤s116,截断随机高频电磁噪声后,将输出数据双三次重采样为标准灰度矩阵。
31、优选的,
32、所述的步骤s2中的改进的循环生成对抗网络wl-gan网络的循环映射架构包含以下两个流程:
33、流程p1:正向去噪与循环重建流程;
34、域中的杂波图像首先被输入至生成器g,网络训练g识别并分离具有周期性特征的钢筋强反射信号,生成一张预测的去噪图像;
35、所述的域为gpr原图域中的杂波图像;
36、随后,判别器dy负责评估去噪图像与域中真实去噪图像的分布差异,并反馈对抗性损失以提升生成图像的真实性;
37、所述的域为目标域,即无钢筋干扰的纯净gpr去噪图域;
38、为保障生成器g在消除钢筋杂波时不丢失深部微弱空洞特征,去噪图像进一步输入生成器进行反向转换,重构出包含杂波的图像;
39、通过计算与之间的循环一致性损失,网络约束去噪前后空洞目标的空间位置与几何形态一致性;
40、流程p2:反向干扰注入与一致性约束;
41、对称地,域中的真实去噪图像被输入至生成器,后者自适应添加伪造的钢筋杂波得到,由判别器辨别真伪;
42、随后,再次经生成器g还原为。
43、优选的,
44、所述循环映射架构通过结合判别器的对抗损失与生成器的循环一致性损失实现联合约束;
45、其中,基于l1范数距离构建的循环一致性损失计算表示为:
46、
47、其中,为属于源域(x域)的样本图像,即含有强钢筋杂波的原始gpr雷达图像,为属于目标域(y域)的样本图像,即无钢筋干扰的纯净gpr去噪图像或二值化标签图。 为源域图像x的真实数据分布,即所有含杂波训练集样本服从的分布。为目标域图像y的真实数据分布,即所有无杂波训练集样本服从的分布。e为期望,在此处等价于对所有训练样本计算平均损失。 为含杂波图经生成器g去噪后,生成的预测纯净去噪图。为纯净去噪图经生成器f转换后,生成的伪造含杂波图像。 为上一步生成的去噪图,再经生成器f反向转换,重构出的含杂波图像。为纯净去噪图y经生成器f转换后,生成的伪造含杂波图像。为l1范数,即计算两者逐像素绝对差值之和(或均值),用于衡量重构误差;
48、即输入源域雷达图像经跨域再去噪折返后,其特征绝对重构差应逼近零基准,确保双曲线不发生任何位移。
49、优选的,
50、所述生成器g的内部特征转换resblocks层中嵌入有特征注意力模块fam,特征注意力模块fam串联了通道级注意力模块cam和像素级注意力模块pam;
51、特征注意力模块fam的复合特征输出形式采用残差连接叠加策略,最终的特征输出是经过通道注意力模块与像素级加权后的双重过滤后的特征
f
pam与初始输入特征的逐元素相加:
52、
53、为通道注意力模块的输出;
f
pam为得到像素级加权后的特征。
54、优选的,
55、所述通道级注意力模块cam的流程为:
56、输入特征图为,首先经卷积层、relu激活及残差求和后,再通过一个卷积层得到中间特征图;该中间特征图作为通道注意力模块的输入;
57、对中间特征图执行全局平均池化,将每个通道的空间信息压缩为全局描述符;
58、再通过两个全连接层学习通道间的非线性依赖关系;
59、最终经sigmoid函数生成通道权重向量:
60、
61、式中,代表sigmoid函数,代表relu激活函数,和为可学习的卷积权重, 为特征注意力模块的输入;
62、将计算得到的权重向量与输入特征进行逐通道的元素相乘,得到通道注意力模块的输出:
63、
64、经通道注意力模块加权后,wl-gan将自适应放大包含渗漏富水空洞特征的通道权重,同时抑制钢筋强反射波主导的噪声通道。
65、优选的,
66、所述像素注意力模块pam的流程为:
67、经过通道层面的筛选后,特征图中的有效信息得到增强,像素注意力模块将作为输入,通过两个连续的卷积层直接在空间维度上提取感受野内的局部上下文信息,并利用sigmoid函数生成空间注意力特征图
m
p:
68、
69、同样地,将空间权重矩阵mp与输入特征进行逐像素相乘,得到像素级加权后的特征
f
pam:
70、
71、像素注意力模块pam的引入使网络能够精确锁定雷达图像中同相轴杂乱、能量异常的局部空洞区域,进而有效削弱钢筋杂波的影响。
72、本发明还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1至8所述方法的步骤。
73、本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现权利要求1至8所述方法的步骤。
74、本发明的有益效果为:
75、与现有技术相比,本发明的有益效果是:
76、1、高度创新的两阶段解译流程机制:本发明将传统的端到端杂波识别任务创造性地拆解为相互独立的先背景去噪,后目标分割的两阶段独立架构。这一处理流程显著降低了深度网络由包含强背景干扰的复杂图像向目标标签直接映射的梯度学习难度。第一阶段仅专注于杂波背景剔除,第二阶段仅针对已恢复纯净背景的隧道富水空洞病害特征进行几何提取,从而消除了强杂波对分割边界的干扰,提高了分割精度。
77、2、有效解决了实测配对数据匮乏难题:本发明通过构建多介质多工况fdtd模型并实施批量正演自动化遍历,结合针对gpr特性的数字信号预处理策略,建立了庞大且高仿真的非成对雷达数据集,从而使得深度生成网络在脱离高昂人工标注成本的情况下实现稳定可靠的无监督训练。
78、3、双重注意力机制的高保真微弱特征重构:本发明在wl-gan的转换层中创新嵌入了由cam和pam串联组成的fam机制,通过在通道维度抑制特定高频钢筋反射频段,同时在空间维度放大空洞的异常位置能量,在彻底滤除钢筋杂波的同时,高保真地还原了富水空洞微弱的顶点双曲线电磁信号,从根本上防止了传统网络的特征过度消除现象。
79、术语解释:
80、fdtd模型,为英文finite-difference time-domain缩写,具体表示时域有限差分法,一种直接求解麦克斯韦时域旋度方程的数值分析技术,通过将空间网格上的旋度方程离散化,并逐步推进电场和磁场分量来模拟电磁波传播。
81、gpr,为英文ground penetrating radar缩写,具体表示一种利用高频电磁波(通常为10~3000 mhz)探测地下或结构内部目标与界面的无损检测技术,即探地雷达。
82、wl-gan网络为英文weisfeiler-lehman generative adversarial networks缩写,改进的循环生成对抗网络,具体表示所述的用于图结构数据的特征提取图同构测试算法。
83、cam为英文channel attention module缩写,通道级注意力模块,具体表示模块“关注什么”(通道维度),自适应调整各特征通道的权重。
84、pam为英文pixel attention module缩写,像素级注意力模块,具体表示“关注哪里”(空间/像素维度),在像素级别筛选代表性特征。
85、fam机制为英文feature attention module缩写,双重特征注意力机制,具体表示专利中为cam与pam串联组成的双重特征注意力机制,在特征层面进行注意力学习。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com