富冰冻土上限物理约束网络与U型网络深度融合识别法
本发明涉及富冰冻土勘察探测,特别是涉及一种富冰冻土上限物理约束网络与u型网络深度融合识别法。
背景技术:
1、冻土上限的准确识别是寒区工程勘察与建设的关键环节,直接关系路基、桥基及管线工程的热稳定性与服役安全。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技术手段。然而在富冰冻土区,冻土上限附近常发育含土冰层或纯冰层,雷达图像中呈现为强反射层,但大量冰透镜体产生的多次波与散射噪声使有效波形严重畸变,冰体的强反射能量常掩盖冻土上限的真实位置,导致常规振幅阈值法和人工判读均面临极大困难。
2、该类环境的识别难点在于:强反射特征并非单一界面所独有,冰透镜体、含土冰层均能产生相似量级的反射能量,且多次波与主反射在时域上相互叠加。这要求识别方法不仅依赖信号强度判别界面,还需具备区分真实冻融界面与冰体散射响应的能力,即需引入界面特有的物理判据。真实冻土上限处介电常数突变应伴随振幅梯度的定向变化、包络能量的单峰聚集以及界面上下统计特征的系统性差异,而冰体散射产生的强反射不具备上述完整的物理响应组合。单纯依靠数据驱动模型难以捕捉这种多物理特征的协同关系。
3、u型网络凭借编码器-解码器结构与跳跃连接,在图像分割与边界识别中具备良好的空间特征提取能力。其编码器通过逐级下采样逐步扩大感受野,使深层特征能够捕获界面在剖面上的整体展布趋势,为区分连续界面与孤立冰体散射提供全局判据;跳跃连接将浅层高分辨率位置信息与深层语义信息逐级融合,使解码器在判别界面类别时仍保有精确定位能力。这一结构同时具备大感受野的上下文判据和高分辨率的定位能力,恰好回应了富冰冻土区需兼顾全局形态判别与局部边缘定位的要求。此外,u型网络对称的编码-解码结构使梯度在反向传播时能够有效传递至各层,有利于在富含噪声的富冰数据中维持训练稳定性,适合作为处理富冰冻土区复杂图像特征的基础模型。然而,纯数据驱动的u型网络以像素级标注为唯一监督信号,训练时倾向于学习训练集中冰透镜体散射与真实界面的统计关联,而非界面本身的物理规律。当富冰环境变化导致散射模式改变时,统计关联随之失效,预测结果可能偏离真实界面位置,网络在数据层面学会了区分,却未在物理层面理解区分的依据。
4、物理约束网络将电磁波在冻融界面处的传播规律以约束项形式嵌入训练过程,使模型在拟合数据的同时受物理规律监督。将其引入富冰冻土区识别任务,恰好弥补了纯数据驱动模型缺乏物理判据的缺陷。物理约束不依赖于训练集的统计分布,而是基于介电常数突变处电磁波响应的固有特征,即便散射模式发生改变,真实界面仍满足振幅梯度定向突变、包络能量单峰聚集等物理规律,约束项可据此持续提供正确的优化方向。将物理约束网络与u型网络深度融合,使模型同时具备空间特征提取能力与物理规律判别能力,二者形成数据与物理双重监督的协同机制。
5、鉴于此,本发明提出一种富冰冻土上限物理约束网络与u型网络深度融合识别法。该方法以u型网络提取雷达图像的多尺度空间特征,同时将冻土界面特有的物理响应转化为物理约束损失项,使网络训练过程同时受数据标注与物理规律的双重监督,旨在解决富冰冻土区强反射与强噪声并存条件下冻土上限难以准确识别的技术难题。
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,而提供一种富冰冻土上限物理约束网络与u型网络深度融合识别法。
2、为实现本发明的目的所采用的技术方案是:
3、一种富冰冻土上限物理约束网络与u型网络深度融合识别法,包括以下步骤:
4、步骤1,在富冰冻土区布设多条测道,每条测道上设置多个采样位置,每个采样位置均布设探地雷达,获取原始剖面数据,构建二维雷达振幅矩阵并进行预处理后,得到探地雷达图像;
5、步骤2,对进行重采样得到网络输入图像,构建深度坐标轴,读取的原始标注边界序列,将原始标注边界序列重采样,得到重采样边界行号,构建监督掩膜;
6、步骤3,将网络输入图像扩展为单通道输入张量输入至u型网络中,进行多尺度特征提取,输出单通道的边界响应图,计算边界概率分布,构建边界概率图,计算连续边界预测;
7、步骤4,基于单通道输入张量,构建物理约束,分别计算梯度对齐约束损失、横向平滑约束损失、有效范围约束损失、地表位置约束损失和上下差异约束损失;
8、步骤5,将步骤2得到的监督掩膜与步骤3得到的边界响应图进行比较,构建分割监督损失和连续回归监督损失,得到联合损失函数,对u型网络进行训练;
9、步骤6,对待识别探地雷达图像进行重采样,然后扩展为单通道输入张量后输入训练完成的u型网络中,输出优化后的连续边界预测,平滑处理,然后重新定义地表零点,输出冻土上限识别结果。
10、在上述技术方案中,所述步骤1中,所述原始探地雷达剖面数据表示为:
11、;
12、其中,,,表示原始雷达振幅矩阵;表示第条测道在第个垂向采样位置处的振幅值;表示垂向采样位置数;表示水平测道数。
13、在上述技术方案中,所述步骤1中,所述预处理为对所述振幅矩阵进行分位数截断、标准化处理和归一化处理;
14、优选的,为削弱异常振幅值对模型训练及后续边界提取的影响,对所述振幅矩阵进行分位数截断,则截断后的振幅矩阵表示为:
15、;
16、其中,表示截断后的振幅值,为低分位阈值,为高分位阈值;
17、对截断后的振幅矩阵执行标准化处理:
18、;
19、其中,表示截断后振幅矩阵的均值;表示截断后振幅矩阵的标准差;表示防止分母为零的极小正数;
20、将标准化结果归一化至区间,得到雷达图像矩阵:
21、;
22、;
23、其中,表示归一化后的雷达图像矩阵;表示归一化后的像素值,表示由全部标准化振幅值组成的标准化振幅矩阵。
24、在上述技术方案中,所述步骤2中,将步骤1得到的雷达图像矩阵重采样为固定尺寸,得到网络输入图像:
25、;
26、;
27、其中,表示双线性插值重采样算子;表示输入图像的垂向像素数;表示输入图像的水平像素数。
28、在上述技术方案中,所述步骤2中,依据预设最大探测深度构建均匀深度坐标轴:
29、;
30、其中,;表示图像垂向行索引;表示第行像素所对应的物理深度,单位为米。
31、在上述技术方案中,所述步骤2中,所述原始标注边界序列为:
32、;
33、其中,表示原始第条测道对应的边界行号;表示原始人工标注冻土上限边界序列。
34、在上述技术方案中,所述步骤2中,将原始标注边界序列重采样至宽度,得到目标列索引,所述目标列索引在原始标注边界序列中的连续位置为:
35、;
36、;
37、则重采样边界行号表示为:
38、;
39、当原始图像高度与重采样后的目标高度不一致时,对边界行号按比例缩放并进行范围约束,得到监督边界:
40、;
41、其中,表示与网络输入图像尺寸一致的监督边界序列;表示水平测道数;表示输入图像的水平像素数;表示目标列索引映射回原始标注边界序列的连续坐标;表示一维插值得到的重采样边界行号;表示原始人工标注冻土上限边界序列,表示输入图像的垂向像素数;表示垂向采样位置数;表示一维线性插值函数。
42、优选地,当原始图像高度与重采样后的目标高度不一致时,对边界行号按比例缩放并进行范围约束,得到监督边界序列:
43、;
44、其中,表示与网络输入图像尺寸一致的监督边界序列,表示截断函数。
45、在上述技术方案中,所述步骤2中,以监督边界为中心构建监督掩膜:
46、;
47、其中,为带宽半径,表示图像垂向行索引。
48、在上述技术方案中,所述步骤3具体包括以下步骤:
49、步骤3.1,将步骤2得到的网络输入图像扩展为单通道输入张量:
50、;
51、步骤3.2,将输入张量送入u型网络,经过编码器逐层下采样、瓶颈层高层语义提取以及解码器逐层上采样与跳跃连接融合后,得到高分辨率融合特征图:
52、;
53、;
54、其中,表示参数为的u型网络;表示融合特征图的通道数;
55、步骤3.3,通过边界预测头输出单通道边界响应图:
56、;
57、其中,表示第列第行处属于冻土上限边界的响应值;表示边界预测头;
58、步骤3.4,针对边界响应图,沿垂向对每一列执行softmax运算,得到边界概率分布:
59、;
60、其中,表示沿图像垂向的求和索引,用于对同一列内全部候选行的指数响应进行归一化;归一化后,同一列各行的边界概率之和为1;表示自然指数函数;
61、步骤3.5,基于边界概率分布,构建边界概率图,并采用soft-argmax计算连续边界初值:
62、;
63、其中,表示第列的连续边界初始预测行号;
64、步骤3.6,基于连续边界初值,通过soft-argmax得到连续边界预测。
65、在上述技术方案中,所述步骤4具体包括以下步骤:
66、步骤4.1,为提高边界识别结果与冻土界面物理响应之间的一致性,在连续边界初值基础上引入物理约束,对单通道输入张量沿垂向计算sobel梯度响应:
67、;
68、其中,表示纵向sobel卷积核;表示卷积运算;
69、步骤4.2,对梯度响应进行对数压缩与归一化,得到梯度图;
70、步骤4.3,基于步骤3得到的连续边界初值构造高斯权重函数:
71、;
72、其中,表示以预测边界为中心的高斯权重窗口;表示梯度对齐约束窗口宽度参数;
73、步骤4.4,基于梯度图和高斯权重函数,计算梯度对齐约束损失:
74、;
75、为保证边界横向连续性,引入一阶差分与二阶差分约束:
76、;
77、;
78、其中,表示相邻第列和第列预测边界行号之间的变化量;表示相邻一阶变化量的变化,用于表征边界曲率;式中的第列、第列和第列预测边界行号分别对应当前列及其左右相邻列的边界位置,则横向平滑约束损失为:
79、;
80、步骤4.5,设冻土上限的有效深度比例范围为,则对应的最小有效行号和最大有效行号分别为:
81、;
82、;
83、其中,表示冻土上限有效深度下限;表示冻土上限有效深度上限;
84、则有效范围约束损失为:
85、;
86、设地表所在行号为,则地表位置约束损失为:
87、;
88、步骤4.6,在冻土边界上下各取偏移距离,构建上下差异约束,则上下差异约束损失表示为:
89、;
90、其中,表示边界上下偏移像素距离;上述物理约束共同构成physics-informed建模部分,使预测边界不仅逼近标注结果,而且满足冻土界面的雷达物理响应规律。
91、在上述技术方案中,所述步骤5中,将步骤2得到的监督掩膜将步骤2得到的监督掩膜与步骤3得到的边界响应图进行比较,构建边界分割损失:
92、;
93、其中,为sigmoid激活函数。
94、在上述技术方案中,所述步骤5中,为增强边界带区域的整体重叠一致性,引入dice损失:
95、。
96、在上述技术方案中,所述步骤5中,所述分割监督损失为:
97、。
98、在上述技术方案中,所述步骤5中,将连续边界预测与监督边界进行比较,采用平滑l1损失构建连续回归监督:
99、;
100、其中,表示平滑损失函数。
101、在上述技术方案中,所述步骤5中,所述联合总损失函数为:
102、;
103、其中,、、、、、和分别表示各损失项的权重系数。利用所述联合损失函数对网络参数进行迭代优化,直至验证集边界平均绝对误差达到最优。
104、在上述技术方案中,所述步骤6中,对优化后的连续边界预测执行滑动平均平滑,则平滑后的边界为:
105、;
106、其中,为平滑窗口长度,边界之外的索引采用边缘复制方式补齐,表示平滑窗口内相对于当前列的偏移量,表示第列的连续边界预测行号。
107、在上述技术方案中,所述步骤6中,基于平滑后的边界,则将地表重新定义为地表零点:
108、;
109、其中,为地表零点所在行号,表示第列经地表零点校正后的相对地表边界行号。
110、在上述技术方案中,所述步骤6中,基于地表零点,待识别探地雷达图像的裁剪后图像高度为:
111、;
112、重新构建以地表为基准的深度坐标轴:
113、;
114、;
115、其中,表示裁剪后的图像高度;表示以地表为零点后裁剪图像中第行对应的物理深度;
116、将边界行号映射为实际深度,得到冻土上限深度序列:
117、;
118、同时,根据测道总长度构建水平距离坐标:
119、;
120、;
121、最终得到冻土上限空间结果序列:
122、;
123、并输出包括边界相对地表行号、边界实际深度、边界概率图及可视化解译图在内的识别成果,实现基于physics-informed neural network与u型网络的冻土上限自动识别与表达。
124、与现有技术相比,本发明的有益效果是:
125、本发明针对富冰冻土区强反射信号与复杂噪声并存的特点,将物理约束神经网络(pinn)与u型网络(u-net)深度融合,形成了数据驱动与物理规律协同监督的识别机制。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。
126、一、u型网络多尺度特征提取有效应对富冰冻土区反射形态的多样性。富冰冻土中冰透镜体大小不一、分布不均,冻土上限处的反射波形既有宽缓的强反射层,也有被冰体散射削弱的断续信号。u型网络的编码器通过逐级下采样提取从局部纹理到全局语义的多尺度特征,解码器通过跳跃连接将浅层细节与深层语义融合,使网络能够同时适应不同尺度、不同形态的冻土上限反射模式。浅层特征捕捉冰透镜体造成的局部波形畸变,深层特征把握冻土上限作为连续界面的整体形态,两者结合有效提升了富冰复杂条件下界面识别的鲁棒性。
127、二、物理约束损失机制从根本上解决了纯数据驱动模型偏离物理规律的问题。纯u型网络在训练时仅以标注边界为监督目标,在富冰冻土区强噪声干扰下,网络可能将冰体散射造成的局部强振幅误判为界面,或将真实界面处被噪声削弱的反射忽略。本发明将冻土界面特有的物理响应特征:介电常数突变处的振幅梯度增大、包络能量局部聚集、界面上下窗口统计差异等:转化为显式的物理约束损失项,嵌入网络的总损失函数。这些物理约束使网络在训练过程中不仅追求与标注边界的一致性,同时要求预测结果满足冻土界面反射的物理规律。即使在标注数据有限或信号质量欠佳的情况下,物理约束仍能为网络提供正确的优化方向,有效抑制了纯数据驱动模型在富冰复杂环境下易产生的物理不合理预测。
128、三、数据驱动与物理约束的协同优化实现了精度与可信度的双重提升。数据驱动的分割损失使网络能够从大量实际雷达图像中学习富冰冻土区冻土上限的多样化反射特征,具有较强的数据适应性;物理约束损失则将电磁波在冻融界面处的传播规律嵌入模型,确保预测结果不违反基本的物理定律。两者在反向传播过程中协同优化,使网络参数朝着同时符合数据统计特征与物理规律的方向更新。这种双驱动机制使本发明在富冰冻土区这类数据质量参差不齐、但物理规律明确的场景下尤为有效:当数据质量良好时,网络充分学习图像特征;当数据质量欠佳时,物理约束弥补信息的不足,防止预测偏离真实界面。
129、四、连续边界输出与物理深度映射满足富冰冻土区工程勘察的实际需求。本发明采用soft-argmax方法沿深度方向输出连续实数型边界位置,避免了传统逐像素分类取最大值带来的离散化误差,使边界定位达到亚像素精度。同时,物理约束中的深度范围约束项根据富冰冻土区冻土上限的典型埋深范围设定合理区间,将搜索限定在物理可行的深度内,避免将浅表冰体反射或深层噪声误判为冻土上限。最终输出结果经地表零点校正后直接映射为实际深度,富冰冻土区冻土上限附近因含水量高、介电常数变化剧烈导致的时深转换不确定性也得到有效控制。该方法实现了从雷达剖面到冻土上限深度曲线的端到端自动识别,为富冰冻土区桥梁桩基、隧道洞口等关键工程的冻土上限勘察提供了可靠的技术手段。
130、五、与人工解译相比,物理约束机制使本发明具备区分真实冻融界面与冰体散射响应的能力,这是人工解译难以实现的。富冰冻土区雷达影像中,冰透镜体产生的散射波与冻土上限主反射在波形上高度相似,人工解译时即使经验丰富的技术人员也难以仅凭波形特征做出准确区分,往往需要结合钻孔资料或区域经验进行辅助判断,耗时且具有不确定性。本发明的物理约束机制无需依赖外部资料,直接从雷达信号中提取振幅梯度定向变化、包络能量单峰聚集、界面上下统计差异等物理判据——人工判读仅能利用振幅和相位两种特征,而物理约束网络同时利用上述多项物理特征进行综合判别,可有效区分真实冻融界面与冰体散射。该机制不依赖于训练集的统计分布,而是基于电磁波在介电常数突变处的固有响应规律,因此在不同富冰环境条件下均能保持稳定的识别能力,同时消除了不同技术人员之间因经验差异导致的判读不一致问题,使识别结果具备明确的可追溯性和物理依据,尤其适用于钻孔资料稀缺、仅依靠雷达数据进行判读的勘察场景。
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