山地丘陵区冻土上限卷积变换器双分支高效融合识别法
本发明涉及山地丘陵区冻土勘察探测,特别是涉及一种山地丘陵区冻土上限卷积变换器双分支高效融合识别法。
背景技术:
1、冻土上限是寒区工程勘察的核心指标之一,其埋深位置直接决定地基冻胀融沉影响范围与基础设计参数选取。探地雷达凭借无损、高效、可连续成像的优势,已成为冻土上限探测的主力手段。然而在山地丘陵区,地形起伏剧烈、冻土上限随海拔和坡向快速变化,反射界面往往更加模糊和复杂,雷达影像的自动化解译面临特殊困难。
2、山地丘陵区冻土上限的分布受地形、坡向和地表覆盖条件的联合控制,海拔越高上限埋深越大,阳坡与阴坡之间差异显著,基岩凸起和碎石堆积处界面急剧抬升。这种环境下雷达影像呈现两个典型特征:冻土上限随地形呈大尺度起伏的宏观趋势,以及基岩凸起、碎石层边界处的局部反射突变。两类特征尺度差异大,对自动化解译方法提出两项要求:捕获随海拔变化的上限埋深整体趋势,同时精确定位界面处的局部细节。前者依赖大感受野的全局上下文感知,后者依赖高分辨率的局部特征提取,二者技术路径不同,需分别应对。
3、卷积神经网络凭借其局部感受野和权重共享机制,在边缘检测和局部纹理特征提取方面具有天然优势。在山地丘陵区,卷积分支能够精准捕捉基岩凸起处的反射突变、碎石层与细粒土交界处的波形变化等关键定位线索,对界面的精确定位至关重要。然而纯卷积网络受限于局部感受野,难以捕获海拔和坡向变化引起的大尺度埋深趋势。在局部反射信号因碎石覆盖或含水量异常而变弱的区段,若缺乏宏观趋势作为参照,仅凭局部邻域信息难以做出准确判断,容易偏离真实界面位置。纯视觉transformer通过自注意力机制在整条测线范围内建立远距离依赖关系,能够捕获冻土上限随地形变化的宏观趋势,弥补了卷积神经网络感受野不足的缺陷。但纯transformer将图像划分为固定尺寸的图像块进行建模,对局部细节的敏感性低于卷积神经网络,在特征图重构过程中容易丢失基岩凸起和碎石层边界处的关键定位信息,导致边界位置不够精确。二者形成互补:卷积神经网络擅长定位却缺乏全局视野,视觉transformer擅长全局建模却丢失局部细节,单一模型均无法同时满足山地丘陵区的两项要求。
4、将卷积神经网络与视觉transformer并行设置、特征深度融合,使模型同时具备局部精确定位与全局趋势感知能力,恰好弥补了单一模型的固有局限。卷积分支提取高分辨率局部特征,捕获界面边缘的精细位置;transformer分支在整条剖面范围内建立远距离依赖关系,捕获冻土上限随地形条件变化的宏观规律;双分支交叉融合模块使两类特征在多个尺度上充分交互——卷积分支的精细边缘信息引导transformer的注意力聚焦于关键界面区域,transformer的全局语义信息为卷积分支提供宏观约束,防止局部噪声将边界带偏。通过两类特征的协同增强,使模型在局部信号微弱时仍能依据宏观趋势做出合理推断。
5、鉴于此,本发明提出一种山地丘陵区冻土上限卷积变换器双分支高效融合识别法。该方法以卷积分支提取局部纹理与边缘细节、以变换器分支建模全局上下文信息,通过双分支交叉融合模块实现两类特征的高效整合,旨在实现山地丘陵区冻土上限的高精度、高连续性自动识别。
技术实现思路
1、本发明的目的是针对现有技术中存在的技术缺陷,而提供一种山地丘陵区冻土上限卷积变换器双分支高效融合识别法。
2、为实现本发明的目的所采用的技术方案是:
3、一种山地丘陵区冻土上限卷积变换器双分支高效融合识别法,包括以下步骤:
4、步骤1,在山地丘陵区设置多条测道,在每一条测道上依次间隔垂向设置多个采样位置,每个采样位置设置一个探地雷达,获取探地雷达原始剖面的雷达振幅矩阵,振幅约束,标准化和归一化处理,获取原始雷达图像矩阵;
5、步骤2,对进行尺寸固定,边界标注后重采样和缩放,得到新雷达图像矩阵和真实边界序列;
6、步骤3,构建融合有卷积神经网络与视觉transformer的冻土上限边界预测模型,将新雷达图像矩阵输入卷积神经网络,输出四级特征图,将新雷达图像矩阵划分为多个图像块,经线性映射、位置编码后输入视觉transformer,重构得到空间特征图,将所述四级特征图与空间特征图融合后,通过边界预测头输出边界响应图;
7、步骤4,将沿深度方向生成预测概率,并进行连续边界回归,得到预测边界行号;
8、步骤5,将真实边界序列与预测边界行号进行比较,构建总损失函数,利用所述总损失函数对冻土上限边界预测模型进行训练;
9、步骤6,将待解译的探地雷达剖面图像输入训练完成的冻土上限边界预测模型,得到新预测边界行号,平滑后,重新设置边界位置并对探地雷达剖面图像进行裁剪,最终得到新边界行号,将新边界行号映射为实际深度,并构建实际水平距离,最终得到冻土上限空间结果序列,识别冻土上限。
10、在上述技术方案中,所述步骤1中,所述雷达振幅矩阵表示为:
11、;
12、其中,表示雷达振幅矩阵;表示第条测道在第个采样位置处的振幅值;表示原始剖面在垂向上的采样位置数;表示原始剖面在水平方向上的测道数。
13、在上述技术方案中,所述步骤1中,所述振幅约束为:对矩阵进行分位数截断处理,则截断后的振幅矩阵的振幅值表示为:
14、;
15、其中:表示截断后的振幅值;表示振幅矩阵的低分位数阈值;表示振幅矩阵的高分位数阈值;
16、在上述技术方案中,所述步骤1中,对截断后的振幅矩阵进行标准化处理,则标准化后的振幅矩阵的振幅值为:
17、;
18、其中:表示标准化后的振幅值;表示的均值;表示的标准差;表示防止分母为零的极小正常数;
19、标准化处理后进行归一化至区间[0,1],得到原始雷达图像矩阵:
20、;
21、;
22、其中:表示归一化后的像素强度;表示标准化矩阵中的最小值;表示标准化矩阵中的最大值。
23、在上述技术方案中,所述步骤2中,对步骤1得到的原始雷达图像矩阵进行尺寸变换,重采样至固定尺寸,得到新雷达图像矩阵:
24、;
25、其中:表示重采样后的新雷达图像矩阵;表示第列在第行处的图像像素值;表示输入雷达图像的垂向像素数;表示输入雷达图像的水平像素数。
26、同时,通过边界标注,获得原始雷达图像矩阵的原始边界标注序列为:
27、;
28、其中:表示原始雷达图像矩阵
i原始的边界序列;表示原始第条测道对应的冻土上限边界行号;
29、对原始边界标注序列进行一维插值,得到新边界序列:
30、;
31、;
32、其中:表示新边界序列;表示一维线性插值运算;表示目标列索引在原始边界标注序列中的对应连续位置,用于将新图像列索引映射至原始测道索引范围,原始横向坐标为;
33、当原始图像垂向尺寸与目标图像高度不一致时,还需按照高度比例对新边界序列进行缩放,得到缩放后边界序列:
34、;
35、并进行范围约束,得到真实边界序列:
36、;
37、其中:表示与网络输入图像尺寸一致的真实边界序列。
38、在上述技术方案中,所述步骤3中,所述卷积神经网络输出四级特征图的过程为:将步骤2得到的新雷达图像矩阵作为网络输入,先扩展为单通道张量;通过卷积神经网络编码分支提取多尺度局部特征,得到四级特征图:、、和;其中:表示浅层局部纹理特征;、分别表示逐级下采样后的中层语义特征;为高层语义特征。
39、在上述技术方案中,将新雷达图像矩阵划分为多个图像块,所述图像块尺寸为,则图像块总数为,对每一个图像块进行线性映射,然后位置编码,输出序列,具体公式如下:
40、;
41、;
42、其中,为每个图像块经线性映射后形成的序列;表示位置编码矩阵;表示图像块总数;表示嵌入特征维度。
43、在上述技术方案中,所述步骤3中,所述序列经过视觉transformer编码块后,得到全局特征序列;将全局特征序列重构为空间特征图;对进行卷积映射和上采样,使其与卷积分支高层语义特征空间尺度一致,再通过逐级上采样与跳跃连接进行特征融合,得到融合特征图,其中:表示融合了局部细节与全局上下文信息的高分辨率融合特征图;表示融合特征图的通道数。
44、在上述技术方案中,所述步骤3中,所述单通道边界响应图,其中:表示第列在第行位置属于目标边界的响应值。
45、在上述技术方案中,所述步骤4中,针对步骤3输出的边界响应图,对每一列沿垂向执行softmax运算,得到预测概率:
46、;
47、其中:表示第列在第行位置处的冻土上限边界的预测概率;表示第列在第行位置属于目标边界的响应值;
48、对每一列的预测概率采用soft-argmax方法计算连续边界位置,得到预测边界行号:
49、;
50、其中:表示第列预测得到的预测边界行号。
51、在上述技术方案中,所述步骤5具体包括以下步骤:
52、步骤5.1,采用平滑l1损失约束预测边界行号与真实边界序列之间的偏差:
53、;
54、其中:表示边界回归损失;
55、步骤5.2,以真实边界序列为中心构建高斯软标签:
56、;
57、对其归一化,得到目标概率:
58、;
59、其中:表示第列在第行像素对应的未归一化高斯软标签权重;表示第列在第行的未归一化的高斯软标签;表示归一化后的目标概率;表示边界标签平滑系数。
60、步骤5.3,基于步骤4得到的预测概率与步骤5.2得到的目标概率构建交叉熵损失:
61、;
62、步骤5.4,为使预测边界在横向上保持连续性,引入一阶差分和平滑曲率约束,其一阶差分项为:
63、;
64、其二阶差分项为:
65、;
66、边界平滑损失为:
67、;
68、其中,表示第列预测边界行号,表示第列预测边界行号;
69、步骤5.5,对新雷达图像矩阵沿垂向计算sobel梯度,得到纵向梯度响应图:
70、;
71、其中:表示第列、第行处的纵向梯度幅值;表示纵向sobel卷积核;表示卷积运算;
72、为降低梯度动态范围波动,对纵向梯度响应图进行对数压缩与归一化:
73、;
74、其中,表示对数压缩归一化后的梯度特征;
75、围绕预测边界构造高斯权重函数:
76、;
77、其中:表示围绕预测边界位置的高斯加权系数;表示梯度对齐窗口宽度参数;
78、由此得到梯度对齐损失:
79、;
80、步骤5.6,设有效边界预测范围对应于图像高度的比例区间,则其对应的最小有效行号和最大有效行号分别为:
81、;
82、;
83、其中:表示最小有效深度比例;表示最大有效深度比例;
84、对超出所述比例区间的预测边界进行惩罚,得到范围约束损失:
85、;
86、步骤5.7,构建总损失函数:
87、;
88、其中:表示总损失函数;表示平滑损失权重;表示梯度对齐损失权重;表示范围约束损失权重;
89、利用所述总损失函数对冻土上限边界预测模型的网络参数进行迭代优化。
90、在上述技术方案中,所述步骤6中,对新预测边界行号进行滑动平均平滑处理,则平滑后边界为:
91、;
92、其中:表示平滑后的第列边界行号;表示滑动平均窗口长度;表示窗口半宽;表示第列新预测边界行号;当索引超出边界时,采用边缘延拓方式补齐。
93、在上述技术方案中,所述步骤6中,重新设置边界位置的具体过程为:设地表所在行号为
s,将其作为新的深度零点,则
94、平移边界行号为:
95、;
96、其中:表示相对于地表零点的平移边界行号;表示地表所在行号;
97、对探地雷达剖面图像进行裁剪:,其中,为裁剪后图像高度;
98、基于平移边界行号,得到所述新边界行号:
99、;
100、根据预设的最大探测深度构建均匀深度坐标轴:
101、;
102、;
103、其中:表示原始雷达图像矩阵垂向对应的深度坐标轴;表示第行像素对应的物理深度,单位为米;表示原始雷达图像矩阵对应的最大探测深度,单位为米。
104、重新构建以地表为零点的实际深度坐标:
105、;
106、其中:,表示裁剪后第行对应的实际深度值,单位为米;
107、将新边界行号映射为实际深度,得到冻土上限深度坐标:
108、;
109、其中:表示第列测道对应的冻土上限实际深度,单位为米;
110、同时构建实际水平距离:
111、;
112、其中:表示第列对应的实际水平距离,单位为米;表示雷达测线总长度,单位为米;
113、最终得到冻土上限空间结果序列:
114、。
115、与现有技术相比,本发明的有益效果是:
116、本发明针对山地丘陵区地形起伏剧烈、冻土上限随海拔和坡向快速变化的特点,将卷积神经网络在局部特征提取方面的优势与视觉transformer在全局上下文建模方面的优势深度融合,形成了局部精确定位与全局形态保持协同驱动的识别机制。与现有技术相比,其在该环境下的优越性和先进性主要体现在以下方面。
117、一、卷积分支精准捕捉局部界面细节,确保冻土上限的精确定位。山地丘陵区雷达剖面中,冻土上限界面常与基岩凸起、碎石堆积、局部冰透镜体等小尺度地质体交错分布,界面的精确定位依赖于对反射波形细微变化的敏感响应。本发明设置的卷积分支通过层级化卷积操作逐级提取多尺度局部特征,其局部感受野和权重共享机制使其对边缘、纹理等细粒度信息具有天然优势。在山地丘陵区,卷积分支能够精准识别基岩面附近的反射突变、碎石层与细粒土交界处的波形变化等关键定位线索,确保冻土上限边界在局部范围内的高精度定位,避免了纯transformer模型因图像块化处理而丢失细节的缺陷。
118、二、变换器分支建模大尺度地形规律,提升界面识别的整体一致性。山地丘陵区冻土上限的分布受海拔和坡向的宏观控制——通常海拔越高、冻深越大,阳坡冻深小于阴坡。这种大尺度趋势信息对于准确判断局部界面位置具有重要的参考价值。本发明设置的变换器分支利用多头自注意力机制,能够在整条测线范围内建立远距离像素间的依赖关系,捕获冻土上限随地形条件变化的整体规律。当局部反射信号因碎石覆盖、含水量异常或植被干扰而变弱时,变换器分支能够借助远处相似地形条件下的强信号特征做出合理推断,避免因局部信息缺失导致的误判,使识别结果在整体上符合山地丘陵区冻土上限的空间分布规律。
119、三、双分支交叉融合实现局部与全局特征的协同增强。单一模型无论采用cnn还是transformer,均难以同时兼顾局部定位精度与全局形态一致性。本发明设计的双分支交叉融合模块,通过多级特征对齐和注意力引导的融合策略,使卷积分支提取的局部细节特征与变换器分支捕获的全局上下文信息在多个尺度上充分交互。卷积分支的精细边缘信息可以引导变换器分支的注意力聚焦于关键界面区域,避免全局建模过度平滑导致细节丢失;变换器分支的全局语义信息则可以为卷积分支提供宏观约束,防止局部噪声或异常反射将边界带偏。两者的协同增强使融合特征图同时具备高分辨率定位能力和全局形态保持能力,特别适合山地丘陵区这种局部细节与整体趋势同等重要的复杂场景。
120、四、soft-argmax连续边界输出避免量化误差,匹配界面的连续起伏特征。现有方法多采用逐像素分类后取最大概率的离散方式提取边界,输出为整数行号,存在固有的量化误差。在山地丘陵区,冻土上限随地形起伏连续变化,离散化的边界输出会产生阶梯状抖动,与真实的连续界面形态不符。本发明采用soft-argmax方法沿深度方向生成连续边界序列,通过对整列概率分布进行加权平均直接输出实数型的边界位置,实现了亚像素级别的定位精度。这种连续输出方式消除了离散化带来的量化误差,使识别结果更贴合山地丘陵区冻土上限随地形连续起伏的实际形态,为后续工程分析提供了更为精确的边界位置信息。
121、五、端到端自动解译显著降低人工依赖,适应山地丘陵区大规模勘察需求。山地丘陵区工程勘察往往需要沿多条剖面布设测线,数据量大且地形条件复杂,人工逐道判读的工作量和难度极大。本发明实现了从雷达剖面输入到冻土上限曲线输出的端到端自动识别,无需人工设置阈值或手工干预即可完成全过程处理。卷积分支与变换器分支的并行结构在推理阶段具有较高的计算效率,可同时处理多条剖面的批量数据。这一特性使本发明不仅适用于单条剖面的精细解译,也具备在山地丘陵区大规模工程勘察中推广应用的能力,为复杂地貌条件下的冻土上限调查提供了可靠的自动化技术路径。
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