一种GPR异常反射波分离与提取方法

一种gpr异常反射波分离与提取方法
技术领域
1.本公开实施例涉及数据处理技术领域，尤其涉及一种gpr异常反射波分离与提取方法。


背景技术：

2.目前，探地雷达(ground penetrating radar,简称gpr)是使用高频电磁波来确定介质内部物质分布规律的一种地球物理方法，具有无损、高效、便捷的特性，在建筑质量检测、道路内部病害检测、地下管道探测等方面有着广泛的应用。随着三维gpr的不断应用和普及，在不同领域的gpr数据采集过程中，往往会获得大量的gpr数据。然而，仅仅依靠专家来分析和识别这些海量数据中的异常反射波，不仅耗时，而且容易出现漏检误检。因此，从海量的gpr数据中快速分离并有效提取反射波，为gpr图像数据处理领域的目标分离和提取提供一种智能、快速、高效地检测异常反射波的技术，对于准确识别目标具有重要意义。
3.基于高频电磁波在地下传播和散射特性的gpr技术，是利用不同材料电磁特性的变化对地下区域进行探测的。当电磁波遇到单点异常或柱状物的散射体时(如空洞、管道等)，会在gpr原始剖面中产生反射双曲线。通过分析异常反射双曲线，可以定位和识别异常目标特征，在gpr探测中具有重要作用。因此，提取双曲线异常特征是识别地下目标异常的关键。
4.传统的提取双曲线方法是通过图像和信号处理的方式，由专业人员根据波形、能量等信息来分辨目标的反射波。windsor等使用广义霍夫变换方法对埋地物体的gpr反射波进行提取；terrasse等提出曲波变换方法检测gpr剖面的双曲线来定位埋地管道；等基于二阶统计参数在gpr图像中识别和提取特征检测管道渗漏点；zhao等结合局部平面滤波器和在线字典学习对gpr衍射的地下小规模目标进行提取。但这些方法所需的存储空间大、计算时间长，此外，由于复杂的地下环境和其他物体的干扰因素影响，使得gpr异常反射波的分离提取更加困难，也更富有专业性，仅仅依赖人工的解释，不仅效率低，而且容易出现漏检和误检的情况。近年来，深度学习技术在遥感领域已被用于建筑、道路等遥感图像的处理，为城市规划和灾害监测提供了有效的信息。基于此，深度学习技术也逐渐引起了gpr领域内的研究人员兴趣，为地下埋藏物体的检测和分离提取带来了新的思路。lameri等提出了一种基于卷积神经网络的地雷检测方法，识别gpr剖面中的地雷反射曲线；picetti等将卷积自编码器方法应用于地雷检测的b-scans中，为gpr图像检测提供了新的方法；zhang等提出一种基于生成对抗网络的深度学习框架，通过端到端的解决方案检测双曲线反射；hou等改进了基于掩码区域的卷积网络结构，在gpr图像异常特征的检测分割中具有较好的准确率。尽管深度学习网络在检测gpr图像的双曲线方面具有良好的探测效果，但是在含有噪声的gpr剖面上进行异常反射波的分离和提取仍然是具有挑战性的工作。在gpr图像解释中，进行异常反射波的分离和提取是获取gpr剖面中目标信息的关键步骤，仅仅依赖人工在海量数据中识别双曲线反射特征费时耗力。
5.可见，亟需一种高效精准的gpr异常反射波分离与提取方法。


技术实现要素：

6.有鉴于此，本公开实施例提供一种gpr异常反射波分离与提取方法，至少部分解决现有技术中存在提取效率和精准度较差的问题。
7.本公开实施例提供了一种gpr异常反射波分离与提取方法，包括：
8.步骤1，创建深度res-cnn网络结构；
9.步骤2，建立深度res-cnn网络结构的gpr数据集；
10.步骤3，对所述gpr数据集进行预处理；
11.步骤4，将预处理后的gpr数据集训练用于gpr异常反射波分离与提取的深度res-cnn网络权重模型；
12.步骤5，利用深度res-cnn网络权重模型分离实际采集的数据剖面中的异常反射波并提取有效反射波。
13.根据本公开实施例的一种具体实现方式，所述深度res-cnn的网络结构包括5个下采样块、5个上采样块和1个输出块，在下采样块和上采样块之间设置有skip connection结构连接组成的残差块，每个下采样块包括卷积层、leakyrelu激活函数层和maxpooling层，卷积层依次包括4个2
×
2和1个1
×
1大小的卷积核，输入通道依次为16、32、64、128、256，每个上采样块包括转置卷积层、batch normalization层和relu激活函数层，卷积层依次包括1个1
×
1和4个2
×
2大小的卷积核，输入通道依次为128、64、32、16、16，输出层包括转置卷积层和sigmoid激活函数层。
14.根据本公开实施例的一种具体实现方式，所述步骤2具体包括：
15.利用gpr正演程序，建立均匀介质和其随机介质下的异常体模型，得到正演数据集作为所述gpr数据集。
16.根据本公开实施例的一种具体实现方式，所述步骤3具体包括：
17.采用鲁棒非负矩阵分解方法剔除所述gpr数据集中的直达波，保留地下异常反射波的双曲线特征。
18.根据本公开实施例的一种具体实现方式，所述步骤4具体包括：
19.步骤4.1，将经过预处理的gpr数据集按照预设比例随机分配至训练集、验证集和测试集；
20.步骤4.2，在下采样块中，采用leakyrelu激活函数防止下采样块中负值导致神经元信息丢失，在上采样块中，不涉及负值参数，直接采用relu激活函数恢复数据，以及，采用sigmoid激活函数使输出掩码数据恢复在区间[0,1]；
[0021]
步骤4.3，引入skip connection结构的残差层；
[0022]
步骤4.4，在深度res-cnn网络结构训练过程中增加一个批归一化层，并使深度res-cnn网络每一层的输入保持相同的分布；
[0023]
步骤4.5，选择使用二元交叉熵函数作为损失函数来评估训练深度res-cnn网络结构的质量；
[0024]
步骤4.6，选择具有自适应学习率的rmsprop方法对每个网络训练参数进行迭代学习，更新迭代过程如下：
[0025]
[0026][0027]
式中，e[g2]为平方梯度的移动平均值，θ为需要更新的参数，g
t
为θ在t时刻的梯度，η为学习率，∈为防止分母为0的最小参数；
[0028]
步骤4.7，设置深度res-cnn网络结构的单批训练多个样本、预设的学习率和网络训练次数，当损失函数训练稳定时得到经过训练的深度res-cnn网络权重模型。
[0029]
根据本公开实施例的一种具体实现方式，所述二元交叉熵函数表示为：
[0030][0031]
式中，yi为真实的二值标签值，i＝1表示正类值，i＝0表示负类值，p(yi)为预测的概率值。
[0032]
根据本公开实施例的一种具体实现方式，所述步骤5具体包括：
[0033]
将实际采集的数据剖面，输入到训练好的深度res-cnn网络权重模型中，分离异常反射波得到掩码数据，并将掩码数据应用于原始gpr剖面提取到有效反射波。
[0034]
本公开实施例中的gpr异常反射波分离与提取方案，包括：步骤1，创建深度res-cnn网络结构；步骤2，建立深度res-cnn网络结构的gpr数据集；步骤3，对所述gpr数据集进行预处理；步骤4，将预处理后的gpr数据集训练用于gpr异常反射波分离与提取的深度res-cnn网络权重模型；步骤5，利用深度res-cnn网络权重模型分离实际采集的数据剖面中的异常反射波并提取有效反射波。
[0035]
本公开实施例的有益效果为：通过本公开的方案，创建一种具有跳跃连接层的深度卷积网络结构，该结构可以克服随着网络层数增加而导致的梯度爆炸或消失的问题，进而实现gpr异常反射波的分离和提取。在建立的训练数据集中，采用均匀介质和其随机介质下的正演模拟数据训练网络结构，解决训练数据量的问题；此外，采用鲁棒非负矩阵分解方法作为训练数据集的预处理策略，减小直达波的强能量对异常反射波的影响，最后将训练的深度res-cnn网络权重模型应用于正演模拟数据剖面和实际采集的数据剖面，表明本发明构建的网络结构在不同gpr数据剖面中具有良好的适用能力和泛化能力，能够快速分离和提取gpr数据中的异常反射波，为进一步准确解释地下异常特征奠定基础。
附图说明
[0036]
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0037]
图1为本公开实施例提供的一种gpr异常反射波分离与提取方法的流程示意图；
[0038]
图2为本公开实施例提供的一种深度res-cnn网络结构示意图；
[0039]
图3为本公开实施例提供的一种鲁棒非负矩阵分解法去除直达波前后对比图；
[0040]
图4为本公开实施例提供的一种网络训练过程中的损失函数曲线图；
[0041]
图5为本公开实施例提供的一种正演模型及模拟结果数据剖面示意图；
[0042]
图6为本公开实施例提供的一种正演模拟数据下深度res-cnn网络结构gpr异常反
射波分离与提取结果与传统的otsu阈值分割算法和迭代阈值分割算法对比结果图；
[0043]
图7为本公开实施例提供的一种实测数据结果示意图；
[0044]
图8为本公开实施例提供的一种实测数据下深度res-cnn网络结构gpr异常反射波分离与提取结果与传统的otsu阈值分割算法和迭代阈值分割算法对比结果示意图。
具体实施方式
[0045]
下面结合附图对本公开实施例进行详细描述。
[0046]
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
[0047]
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
[0048]
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
[0049]
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
[0050]
本公开实施例提供一种gpr异常反射波分离与提取方法，所述方法可以应用于建筑质量检测、道路内部病害检测、地下管道探测等场景的探地雷达异常反射波分离与提取过程。
[0051]
参见图1，为本公开实施例提供的一种gpr异常反射波分离与提取方法的流程示意图。如图1所示，所述方法主要包括以下步骤：
[0052]
步骤1，创建深度res-cnn网络结构；
[0053]
可选的，所述深度res-cnn的网络结构包括5个下采样块、5个上采样块和1个输出块，在下采样块和上采样块之间设置有skip connection结构连接组成的残差块，每个下采样块包括卷积层、leakyrelu激活函数层和maxpooling层，卷积层依次包括4个2
×
2和1个1
×
1大小的卷积核，输入通道依次为16、32、64、128、256，每个上采样块包括转置卷积层、batchnormalization层和relu激活函数层，卷积层依次包括1个1
×
1和4个2
×
2大小的卷积核，输入通道依次为128、64、32、16、16，输出层包括转置卷积层和sigmoid激活函数层。
[0054]
例如，创建了如图2所示的深度res-cnn网络结构，快速地实现异常反射波的分离和提取，该深度res-cnn网络结构的具体描述如下：
[0055]
所述的深度res-cnn网络结构为：5个下采样块、5个上采样块和1个输出块组成，在下采样块和上采样块之间通过skip connection结构连接组成的残差块克服网络结构随层数增加导致的梯度爆炸或消失的问题，使上层信息完全输入到下层网络之中。在每个下采样块中，由卷积层、leakyrelu激活函数层和maxpooling层组成，卷积层依次使用4个2
×
2和1个1
×
1大小的卷积核进行二维卷积操作，输入通道依次为16、32、64、128、256，实现输入图像的下采样降维操作；在每个上采样块中，由转置卷积层、batch normalization层和relu激活函数层组成，卷积层依次使用1个1
×
1和4个2
×
2大小的卷积核进行二维卷积操作，输入通道依次为128、64、32、16、16，实现上采样图像的升维操作；最后经过输出层的转置卷积层和sigmoid激活函数层生成掩码数据，分离提取得到异常反射波。
[0056]
步骤2，建立深度res-cnn网络结构的gpr数据集；
[0057]
进一步的，所述步骤2具体包括：
[0058]
利用gpr正演程序，建立均匀介质和其随机介质下的异常体模型，得到正演数据集作为所述gpr数据集。
[0059]
具体实施时，可以利用gpr正演程序，建立均匀介质和其随机介质下的异常体模型，得到大量的正演数据集，其中随机介质模型可产生由于背景介质因素生成的杂波剖面，均匀介质模型可产生均质剖面，同时得到掩码数据。
[0060]
步骤3，对所述gpr数据集进行预处理；
[0061]
进一步的，所述步骤3具体包括：
[0062]
采用鲁棒非负矩阵分解方法剔除所述gpr数据集中的直达波，保留地下异常反射波的双曲线特征。
[0063]
具体实施时，可以在得到的gpr训练数据集中采用鲁棒非负矩阵分解方法进行直达波去除预处理，可以有效的去除直达波，保留地下异常反射波的双曲线特征，如图3所示，其中，(a)为直达波去除前，(b)为直达波去除后，由于直达波能量很强，导致地下有效反射波容易被淹没，难以明显分辨，因此，减小直达波的强能量对异常反射的影响是本发明中实现gpr信号中异常分离和提取中的一个重要步骤。
[0064]
步骤4，将预处理后的gpr数据集训练用于gpr异常反射波分离与提取的深度res-cnn网络权重模型；
[0065]
在上述实施例的基础上，所述步骤4具体包括：
[0066]
步骤4.1，将经过预处理的gpr数据集按照预设比例随机分配至训练集、验证集和测试集；
[0067]
步骤4.2，在下采样块中，采用leakyrelu激活函数防止下采样块中负值导致神经元信息丢失，在上采样块中，不涉及负值参数，直接采用relu激活函数恢复数据，以及，采用sigmoid激活函数使输出掩码数据恢复在区间[0,1]；
[0068]
步骤4.3，引入skip connection结构的残差层；
[0069]
步骤4.4，在深度res-cnn网络结构训练过程中增加一个批归一化层，并使深度res-cnn网络每一层的输入保持相同的分布；
[0070]
步骤4.5，选择使用二元交叉熵函数作为损失函数来评估训练深度res-cnn网络结
构的质量；
[0071]
步骤4.6，选择具有自适应学习率的rmsprop方法对每个网络训练参数进行迭代学习，更新迭代过程如下：
[0072][0073][0074]
式中，e[g2]为平方梯度的移动平均值，θ为需要更新的参数，g
t
为θ在t时刻的梯度，η为学习率，∈为防止分母为0的最小参数；
[0075]
步骤4.7，设置深度res-cnn网络结构的单批训练多个样本、预设的学习率和网络训练次数，当损失函数训练稳定时得到经过训练的深度res-cnn网络权重模型。
[0076]
进一步的，所述二元交叉熵函数表示为：
[0077][0078]
式中，yi为真实的二值标签值，i＝1表示正类值，i＝0表示负类值，p(yi)为预测的概率值。
[0079]
具体实施时，训练用于gpr异常反射波分离与提取的深度res-cnn网络权重模型。具体步骤如下：
[0080]
具体采用如下步骤进行：
[0081]
a.将经过预处理的gpr数据集按照8:1:1进行随机分配至训练集、验证集和测试集；
[0082]
b.在下采样块中，采用leakyrelu激活函数，防止下采样块中负值导致神经元信息丢失的退化问题；在上采样块中，不涉及负值参数，直接采用relu激活函数来恢复数据；最后，采用sigmoid激活函数，保证输出掩码数据恢复在区间[0,1]。
[0083]
c.引入skip connection结构的残差层，避免上层信息丢失导致下层网络无法恢复，以及层数增加导致的梯度消失问题，保证上层的信息可以完全输入到网络的下层。
[0084]
d.在深度res-cnn网络结构训练过程中增加一个批归一化层，以克服数据分布不连续导致的收敛缓慢问题。同时，使神经网络每一层的输入保持相同的分布。
[0085]
e.选择使用二元交叉熵函数作为损失函数来评估训练网络结构的质量。二元交叉熵函数可以表示为：
[0086][0087]
式中，yi为真实的二值标签值，i＝1表示正类值，i＝0表示负类值，p(yi)为预测的概率值。
[0088]
f.选择具有自适应学习率的rmsprop方法对每个网络训练参数进行学习，更新迭代过程如下：
[0089]
[0090][0091]
式中，e[g2]为平方梯度的移动平均值，θ为需要更新的参数，g
t
为θ在t时刻的梯度，η为学习率，∈为防止分母为0的最小参数。
[0092]
g.设置深度res-cnn网络结构的单批训练32个样本，学习率η为0.001，网络训练次数设置为600次。损失函数迭代收敛曲线如图4所示，可以看到，损失函数训练迭代后逐渐稳定下来，没有出现过拟合现象，最终得到经过训练的权重模型。
[0093]
步骤5，利用深度res-cnn网络权重模型分离实际采集的数据剖面中的异常反射波并提取有效反射波。
[0094]
在上述实施例的基础上，所述步骤5具体包括：
[0095]
将实际采集的数据剖面，输入到训练好的深度res-cnn网络权重模型中，分离异常反射波得到掩码数据，并将掩码数据应用于原始gpr剖面提取到有效反射波。
[0096]
具体实施时，在训练好深度res-cnn网络权重模型后，可以利用深度res-cnn网络权重模型分离实际采集的数据剖面中的异常反射波并提取有效反射波，同时，为了说明本方案与传统方法的区别，还可以比较深度res-cnn网络分离提取结果和传统的otsu阈值分割算法、迭代阈值分割算法的效果。
[0097]
具体过程如下：
[0098]
a.如图5所示，建立(a)所示的正演模型，该模型为随机介质模型，其第一层为空气层、第二层相对介电常数的均值为4，方差为0.1、第三层相对介电常数的均值为9，方差为0.1。圆形异常体来模拟不同材质管线、不规则体模拟空洞。使用400mhz的中心频率天线对模拟区域进行模拟，空间步长0.02m，时间步长0.04ns，时窗为80ns。将训练好的深度res-cnn网络权重模型应用于(b)所示的正演模拟剖面中，分离提取结果与传统的otsu阈值分割算法、迭代阈值分割算法进行比较，如图6所示，其中，(a)、(b)为正演模拟数据下传统的otsu阈值分割算法的gpr异常反射波分离与提取结果，(c)、(d)为正演模拟数据下传统的迭代阈值分割算法的gpr异常反射波分离与提取结果，(e)、(f)为正演模拟数据下深度res-cnn网络结构gpr异常反射波分离与提取结果。由(e)、(f)可知，该深度res-cnn网络结构能够更好地去除由于背景介质导致的杂波影响，分离提取得到清晰的目标反射波，定位异常反射位置。表明本发明创建的深度res-cnn网络结构在gpr数据剖面中具有良好的适用能力。
[0099]
b.为进一步表明创建的深度res-cnn网络结构具有一定的泛化能力，将实际采集的gpr数据，如图7所示，经过预处理之后，输入到训练好的深度res-cnn网络权重模型中，并与传统的otsu阈值分割算法、迭代阈值分割算法进行比较，如图8所示(a)、(b)为实测数据下传统的otsu阈值分割算法的gpr异常反射波分离与提取结果，(c)、(d)为实测数据下传统的迭代阈值分割算法的gpr异常反射波分离与提取结果，(e)、(f)为实测数据下深度res-cnn网络结构gpr异常反射波分离与提取结果。由图8(e)、(f)可知，本发明创建的深度res-cnn网络结构针对实际gpr剖面的异常反射波能够有效抑制背景杂波影响，可快速分离和提取更加清晰的异常反射波，验证了本发明网络结构的泛化能力。
[0100]
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
[0101]
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何
熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。