申请/专利权人：哈尔滨工业大学

申请日：2021-09-13

公开（公告）日：2024-04-05

公开（公告）号：CN113901878B

主分类号：G06V20/13

分类号：G06V20/13;G06V10/774;G06V10/44;G06V10/764;G06V10/82;G06N3/0464;G06N3/049;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.04.05#授权;2022.01.25#实质审查的生效;2022.01.07#公开

摘要：本发明提出一种基于CNN+RNN算法的三维探地雷达图像地下管线识别方法，对已经得到的探地雷达的三维回波图像进行直达波去除，以及小波去噪；将已预处理的探地雷达的三维回波图像进行标注，分别为横向管线、纵向管线、地下空洞和无目标四类，并将其打乱，随机分配至训练集和验证集；利用的训练集和验证集对CNN+RNN的神经网络模型进行训练，得到训练好的权重模型；利用训练好的神经网络模型，对探地雷达三维回波图像进行管线目标识别检测；采用本发明的方法对探地雷达三维回波图像的地下管线目标进行检测可以有效提高识别概率和识别速度，可以将地下管线目标识别概率提高到95％以上。

主权项：1.一种基于CNN+RNN算法的三维探地雷达图像地下管线识别方法，其特征在于：所述方法具体包括以下步骤：步骤1：通过探地雷达获得三维回波图像，对三维回波图像进行预处理，所述预处理包括直达波去除和小波变换；步骤2：将已预处理的探地雷达的三维回波图像进行标注，分别为横向管线、纵向管线、地下空洞和无目标四类，并将其打乱，随机分配至训练集和验证集；步骤3：利用步骤2的训练集和验证集对CNN+RNN的神经网络模型进行训练，得到训练好的权重模型；所述CNN+RNN的神经网络模型结构为：先将三维图像中的各个二维图像分别送入CNN中，利用CNN来对三维图像的各个二维图像进行特征提取，然后再将同一幅三维图像的各个二维图像的特征进行整合，一起送到RNN网络中对这些特征进行处理，最后分类识别出目标物体；CNN模型结构为：经过第一层的8个3，3的卷积核进行二维卷积操作，然后采用批标准化对每一批的训练数据进行归一化，再采用ReLU激活函数完成数据的非线性变换；第二层为16个3，3卷积核的二维卷积操作，采用批标准化和ReLU激活函数，并进行2，2的最大池化操作；第三层为32个3，3卷积核的二维卷积操作，其余与第一层的参数和步骤相同；第四层为64个3，3卷积核的二维卷积操作，与第二层一样采用批标准化、ReLU激活函数和池化，并进行0.2的Dropout，随机删除训练过程中的一部分的隐藏神经元，用来减少训练时间和减少过拟合；在CNN网络后添加一个全连接层，将提取好的特征进行分类为36类，再由Flatten层展平提取到的特征向量送入RNN中；RNN采用单层的LSTM递归神经网络；RNN部分的LSTM网络隐藏单元的维度设置为36；最后送入全连接层，对应连接到四个节点，经过Softmax分类输出；LSTM递归神经网络模型含有三个门限：输入门it、遗忘门ft、输出门ot，拥有表征短期记忆的记忆体ht，表征长时记忆的细胞态ct以及长时记忆的候选态it＝σWi·[ht-1，xt]+bift＝σWf·[ht-1，xt]+bfot＝σWo·[ht-1，xt]+bo ht＝ot*tanhct 其中Wi、Wf、Wo、Wc分别是对应门的权重矩阵，bi、bf、bo、bc是相应的偏置，σ表示sigmoid函数；步骤4：利用步骤3获得训练好的神经网络模型，对探地雷达三维回波图像进行管线目标识别检测，最终标注出带有地下管线信息的三维回波图像。

全文数据：

权利要求：

百度查询： 哈尔滨工业大学 一种基于CNN+RNN算法的三维探地雷达图像地下管线识别方法

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