一种基于多源数据自适应融合的探地雷达双曲特征增强与识别方法
本发明涉及探地雷达数据处理、计算机视觉及深度学习目标检测,具体为一种基于多源数据自适应融合的探地雷达双曲特征增强与识别方法。
背景技术:
1、探地雷达是一种利用电磁波在介质中的传播特性获取结构内部信息的无损检测技术,具有检测效率高、对被测结构扰动小以及能够获取内部隐蔽目标信息等特点,已广泛应用于混凝土结构内部钢筋定位、保护层厚度检测、道路及桥梁结构病害检测、地下管线探测以及地下空洞识别等领域。
2、在探地雷达检测过程中,发射天线向被测介质辐射高频电磁波,当电磁波在介质中传播并遇到介电常数或其他电磁参数存在差异的界面或目标体时,会产生反射和散射等电磁响应,反射信号由接收天线进行采集。当探地雷达天线沿测线方向连续移动并进行重复扫描时,不同扫描位置获取的反射信号按照天线空间位置进行排列,经数据处理后形成探地雷达b-scan图像。其中,横坐标通常表示天线沿测线方向的空间位置,纵坐标表示电磁波双程走时。当探地雷达天线经过钢筋、管线等点状目标体时,由于天线与目标体之间的距离随天线水平位置发生变化,目标反射信号对应的双程走时也随之变化,因此在b-scan图像中通常形成具有特定几何形态的双曲线特征。对于理想均匀介质中的点状或近似点状目标,该双曲线的顶点通常对应于天线与目标体距离最小时的扫描位置,其曲率与目标埋深及周围介质中的电磁波传播速度等参数相关。因此,通过识别b-scan图像中的双曲线特征并准确确定其顶点位置,可以进一步获得目标体的空间位置及埋深等信息。
3、针对探地雷达b-scan图像中双曲特征的识别,现有技术主要包括人工判读、传统图像处理以及基于深度学习的图像识别方法。人工判读主要依靠检测人员根据双曲线形态、反射强度及空间位置等信息进行目标识别和定位,对检测人员的专业经验具有较强依赖,存在处理效率较低、主观性较强以及不同检测人员之间识别结果一致性不足等问题,难以满足大规模探地雷达数据自动化处理的需求。
4、传统图像处理方法通常采用滤波去噪、增益补偿、阈值分割、边缘检测、模板匹配以及hough变换等方式提取b-scan图像中的双曲线特征。上述方法通常需要针对目标的灰度、边缘、形态或几何参数预先设定处理规则及参数。当目标埋深增加导致反射能量衰减时,双曲线目标与背景之间的灰度差异减小;当混凝土介质具有非均匀性时,双曲线可能出现局部变形、边缘不连续或反射能量不均匀;当钢筋等目标密集分布时,相邻双曲线还可能发生交叠、遮挡或局部融合。在上述复杂情况下,基于固定阈值、预设模板和人工设计特征的处理方法难以适应目标反射强度、结构形态以及背景条件的变化,容易产生目标漏检、误检和定位偏差。
5、随着深度学习技术的发展,基于卷积神经网络的目标检测方法逐渐应用于探地雷达b-scan图像双曲特征的自动识别。与传统图像处理方法相比,深度学习方法能够通过训练样本自动学习目标的纹理、边缘、形状及空间结构等特征,在双曲线反射能量较强、结构完整且背景干扰较弱的情况下能够取得较好的识别效果。然而,在实际工程检测过程中,探地雷达数据容易受到目标埋深、混凝土介质非均匀性、钢筋密集分布、电磁噪声以及目标交叉重叠等因素影响,使部分目标双曲线表现为反射能量减弱、边缘模糊、局部结构缺失甚至与背景噪声混叠的弱特征状态。在此情况下,单纯依赖原始b-scan图像进行特征学习时,目标与背景之间的特征差异减小,网络难以充分提取具有判别性的目标信息,从而导致弱反射、模糊以及重叠双曲特征的识别精度降低。
6、此外,现有针对探地雷达b-scan图像的图像增强方法通常通过滤波、锐化、对比度调整、边缘增强等方式改善目标的局部视觉特征。这类方法能够在一定程度上提高目标与背景之间的差异,但不同处理方式所保留或强化的信息具有不同特点,单一增强方式难以同时兼顾目标的原始反射响应、空间聚焦信息以及边缘和结构信息。例如,提高图像局部对比度可能同时增强背景噪声;增强边缘信息可能产生与目标无关的局部响应;而迁移成像虽然能够提高目标反射能量的空间聚焦程度,但同时可能产生旁瓣、背景响应或其他成像伪影。因此,仅依赖单一数据表达方式难以完整描述复杂条件下的双曲特征。
7、探地雷达b-scan图像中的目标特征具有明显的空间差异性。同一幅图像中可能同时存在反射能量较强且结构清晰的目标、反射能量较弱的目标以及相互交叠的目标,不同空间位置的目标对不同类型信息的依赖程度并不相同。如果采用统一的图像处理方式或固定的特征增强策略,则难以针对不同目标区域选择更加有效的信息表达,可能造成有效目标信息被削弱或者背景干扰信息被过度引入。
技术实现思路
1、本发明的目的在于提供一种基于多源数据自适应融合的探地雷达双曲特征增强与识别方法,以解决上述背景技术中提出的有探地雷达b-scan图像双曲特征自动识别过程中存在的目标信息表达维度单一、复杂检测条件下双曲特征的空间结构、反射能量及局部边缘等信息难以得到协同表征,以及弱反射、模糊和重叠双曲特征与背景噪声之间的差异减弱而导致目标特征提取和识别准确性下降的问题。
2、为实现上述目的,本发明提供如下技术方案:一种基于多源数据自适应融合的探地雷达双曲特征增强与识别方法,包括以下步骤:
3、s1、获取探地雷达连续扫描形成的原始探地雷达数据,并对所述原始探地雷达数据进行预处理,获得原始b-scan图像;
4、s2、基于所述原始探地雷达数据或与所述原始b-scan图像对应的数据进行数据处理,获得至少一种与所述原始b-scan图像具有不同信息表达特点的辅助数据,所述辅助数据用于提供与目标反射响应、空间聚焦、局部结构或频域特征相关的互补信息,由所述原始b-scan图像及所述辅助数据共同构成多源数据;
5、s3、分别对所述多源数据进行特征提取,获得与各数据源对应的特征图,并使不同数据源的特征图具有对应的空间位置关系;
6、s4、对各数据源对应的特征图进行联合表征,并基于所述联合表征生成与各数据源对应的空间自适应权重,其中,所述空间自适应权重根据当前输入的多源特征响应动态确定,并与对应特征图的空间位置建立对应关系;
7、s5、利用所述空间自适应权重分别对对应数据源的特征图进行加权处理,并对加权后的多源特征进行融合,获得多源融合特征;
8、s6、将所述多源融合特征输入目标检测网络,对所述探地雷达b-scan图像中的双曲特征进行检测,获得所述双曲特征的位置、类别和置信度信息。
9、优选的,步骤s2中,所述多源数据包括原始b-scan图像以及至少一种辅助数据,所述辅助数据包括迁移图像、梯度增强图像、边缘增强图像、滤波增强图像、时频分析图像、频域特征图以及其他基于探地雷达数据处理获得的具有互补信息表达能力的数据中的一种或多种,当所述多源数据包括三个数据源时,所述权重生成网络输出三个权重响应图,并通过softmax函数沿数据源维度进行归一化,使任一空间位置处三个数据源对应的空间自适应权重满足:
10、
11、其中,分别表示三个数据源在空间位置处的权重响应,分别表示对应的空间自适应权重;
12、所述空间自适应权重与对应数据源的特征图具有相同的空间尺寸,并通过空间维度广播方式作用于对应特征图的多个特征通道,使同一空间位置处不同数据源具有不同的特征贡献程度。
13、优选的,所述多源数据包括原始b-scan图像、迁移图像和梯度增强图像;其中,所述原始b-scan图像用于提供目标原始电磁反射响应及双曲特征整体形态信息,所述迁移图像用于提供目标反射能量的空间聚焦信息,所述梯度增强图像用于提供目标局部边缘及结构变化信息。
14、优选的,所述迁移图像通过对所述原始探地雷达数据或与所述原始b-scan图像对应的数据进行迁移处理获得,所述迁移处理采用kirchhoff迁移、stolt迁移、f-k迁移、saft成像或基于波动方程的迁移方法中的一种或多种,以使目标反射能量在目标空间位置附近形成聚焦响应,所述梯度增强图像通过对所述原始b-scan图像进行梯度计算或结构特征增强获得,所述梯度计算或结构特征增强采用sobel算子、scharr算子、laplacian算子、hessian矩阵或曲率响应算子中的一种或多种,以增强目标双曲特征的局部边缘及结构变化信息。
15、优选的,步骤s3中,针对不同数据源分别进行特征映射,使不同数据源在进入自适应融合阶段之前形成相对独立的特征表达;所述特征提取采用卷积神经网络、残差网络、视觉transformer网络或其他能够实现图像特征提取的网络结构。
16、优选的,步骤s4包括:
17、将各数据源对应的特征图沿通道维度进行组合,获得多源联合特征;
18、将所述多源联合特征输入权重生成网络,由所述权重生成网络对所述多源联合特征进行特征映射,并输出与各数据源对应的权重响应图;
19、对各数据源对应的权重响应图进行归一化处理,获得所述空间自适应权重。
20、优选的,步骤s1中的所述预处理包括时间零点校正、无效区域裁剪、增益补偿、幅值归一化、背景噪声抑制以及图像尺寸调整中的一种或多种处理;步骤s6中的所述目标检测网络采用yolo系列目标检测网络、faster r-cnn、ssd、retinanet或其他能够实现目标检测的深度学习网络;所述双曲特征对应于探地雷达b-scan图像中由局部点状目标产生的双曲线或近似双曲线反射响应,所述点状目标包括钢筋、管线、电缆、管道、埋设构件以及其他能够在探地雷达b-scan图像中形成双曲特征的地下目标;所述空间自适应权重包括空间维度上的权重,在其他实施方式中,还包括特征通道维度上的权重,以使不同数据源在不同空间位置及不同特征通道上的贡献程度能够分别进行自适应调整。
21、优选的,步骤s5包括:
22、根据所述空间自适应权重分别对各数据源对应的特征图进行逐元素加权,获得加权特征;
23、将各加权特征沿通道维度进行组合,并通过卷积映射实现不同数据源之间的特征交互及通道维度调整,获得多源融合特征。
24、优选的,所述特征提取网络、权重生成网络、多源特征融合模块以及目标检测网络构成端到端可训练的可微分网络结构,在训练过程中,根据目标检测网络输出结果与预先标注的真实目标之间的差异计算检测损失,并通过反向传播更新所述特征提取网络、权重生成网络、多源特征融合模块及目标检测网络中的可学习参数,使所述权重生成网络根据目标检测任务自动学习不同数据源的特征贡献关系。
25、优选的,所述空间自适应权重根据当前输入的多源特征通过所述权重生成网络实时计算获得,不采用针对所有输入数据预先设定的固定融合比例,使不同输入样本以及同一输入样本中的不同空间位置能够获得不同的数据源权重。
26、与现有技术相比,本发明的有益效果是:
27、该基于多源数据自适应融合的探地雷达双曲特征增强与识别方法,通过构建具有不同信息表达特点的多源数据,使原始b-scan图像、迁移图像以及梯度或结构增强图像能够分别提供原始电磁反射、空间聚焦以及局部结构等互补信息,从而改善单一数据源对复杂双曲特征描述不充分的问题;
28、通过对不同数据源进行独立特征提取,使不同信息在融合之前保持相对独立的特征表达,减少不同信息在输入阶段直接混合所造成的特征相互干扰;
29、3.通过建立空间自适应权重生成机制,使不同数据源的贡献程度能够随输入数据和空间位置发生变化,从而避免固定融合比例无法适应不同目标特征状态的问题;
30、4.通过将空间自适应权重生成过程与目标检测任务进行端到端联合训练,使融合权重能够根据目标检测损失自动优化,无需人工确定不同数据源的固定权重,并能够在推理阶段针对新的输入数据重新生成对应权重;
31、5.通过多源信息构建与空间自适应融合的协同作用,提高复杂条件下弱反射、模糊及重叠双曲特征的特征表达和自动识别能力。
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