申请/专利权人：中国科学院大学

申请日：2022-04-13

公开（公告）日：2024-04-02

公开（公告）号：CN114724036B

主分类号：G06V20/10

分类号：G06V20/10;G06V10/54;G06V10/46;G06V10/764;G06V10/774;G06V10/82;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2022.07.26#实质审查的生效;2022.07.08#公开

摘要：本发明涉及基于探地雷达数据的冰裂隙检测技术领域，具体涉及一种基于多尺度学习的冰裂隙检测方法。本发明包括以下步骤：对待处理包含冰裂隙的探地雷达数据，进行数据标准化、滑动窗口划分、数据增强、数据集构造等预处理；构建多尺度Gabor‑UNet深度学习模型，将可学习的Gabor滤波器整合进U‑Net网络第一层的卷积核函数中；采用十折交叉验证方法进行模型训练和测试，提供冰裂隙检测结果输出。本发明提出的基于多尺度学习的冰裂隙检测方法，充分利用了Gabor滤波器组和U‑Net深度神经网络的优势，对探地雷达数据进行多尺度特征提取；提升了特征表达的鲁棒性，同时降低了神经网络的训练复杂度；可以根据探地雷达数据进行端到端的、准确实时的冰裂隙检测。

主权项：1.一种基于多尺度学习的冰裂隙检测方法，其特征在于，包括如下步骤：步骤1：数据预处理，即对待处理包含冰裂隙的探地雷达数据，进行数据标准化、滑动窗口划分、数据增强、数据集构造预处理，具体如下：首先，对待学习探地雷达数据，采用最小最大值方法进行标准化预处理，图像灰度值标准化到[-1,1]，使雷达图显示更显著的纹理信息；其次，对标准化处理后的数据，采用窗口长度L进行滑动窗口划分，窗口与窗口之间有80%的重叠率，每个分析窗口内的探地雷达数据看作一个样本；最后，基于冰裂隙滑窗划分数据，根据数据标注信息，选择冰裂隙数据和连续雪层数据构造训练集和测试集，只对训练集数据采用水平翻转方式进行数据增强；步骤2：在训练阶段，随机选择预处理后的探地雷达数据，将其输入多尺度Gabor-UNet深度学习网络中进行学习，具体如下：首先，将预处理后的滑窗划分样本数据作为网络输入数据，采用十折交叉验证的方法进行网络训练和测试；其次，构建基础UNet神经网络模型，在网络末尾添加三层全连接层，在第一层和第二层全连接层之间设置ReLU激活函数；然后，对基础UNet网络进行改进，构建多尺度Gabor-UNet深度学习模型，实现对冰裂隙多尺度和多方向纹理特征的提取；最后，采用Adam优化算法和BCEWithLogitsLoss作为损失函数，对基于多尺度Gabor-UNet神经网络的冰裂隙检测模型进行训练和验证，并保存训练后的模型；步骤3：在测试阶段，基于训练后的多尺度Gabor-UNet神经网络模型，对测试数据进行检测，输出检测结果；其中所述步骤2中，构建多尺度Gabor-UNet深度学习模型，具体如下：将可学习的Gabor滤波器整合进U-Net网络第一层的卷积核中，其中，Gabor函数是经过高斯调制的余弦函数，所使用的Gabor函数如下： ， ， ，其中，和分别是水平和竖直方向的原始空间坐标，和分别是和旋转处理后的空间坐标，和分别是余弦函数的频率和相位，是旋转角度，是高斯函数的标准差；相位初始值设置为，高斯函数的标准差设置为；为了提取多尺度和多方向的特征，使用多个尺度和多个方向的Gabor滤波器组；Gabor滤波器组的频率和方向由以下公式得到： ， ， ， ，其中，V是尺度数，U是方向数，将可学习的Gabor滤波器整合进U-Net网络第一层的卷积核函数中，由Gabor函数调节第一层卷积核的权重参数，在整个基于Gabor滤波器和U-Net神经网络的冰裂隙检测模型的训练过程中，，，和都是可学习的参数，并由标准后向传播算法更新。

全文数据：

权利要求：

百度查询： 中国科学院大学 一种基于多尺度学习的冰裂隙检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD