申请/专利权人：西北民族大学

申请日：2023-08-03

公开（公告）日：2024-04-16

公开（公告）号：CN116977739B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/40;G06V10/77;G06V10/80;G06V10/82;G06N3/0464;G06N3/082;G01S13/88;G01S7/41

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2023.11.17#实质审查的生效;2023.10.31#公开

摘要：本发明属于探地雷达图像处理领域，具体涉及一种基于ConvNeXt‑YOLOv5的GPR图像识别方法。该方法利用YOLOv5网络中FPN+PANet结构提高了GPR图像的识别性能；同时，使用ConvNeXt作为特征提取网络显著提高了GPR图像中弱小目标的识别精度。其次，采用局部风险最小化的数据增强算法Mixup增强GPR图像，并结合时域有限差分法和实采图像构建了GPR图像数据集。相较于mosaic等数据增强方法，Mixup在减小过拟合风险，提高模型泛化能力的同时，增加了数据集的多样性。最后，利用所建数据集对所提ConvNeXt‑YOLOv5识别模型的效果进行了验证。

主权项：1.一种基于ConvNeXt-YOLOv5的GPR图像识别方法，其特征在于，具体步骤包括：步骤1、构建探地雷达GPR图像数据集：首先实测获得若干GPR图像，后利用gprMax工具模拟获得若干GPR图像，最后利用实测的GPR图像和模拟GPR图像进行Mixup数据增强，再次获得若干GPR图像，用三次获得的若干GPR图像构成GPR图像训练数据集；步骤2、ConvNeXt-YOLOv5模型的构建：ConvNeXt-YOLOv5模型包含三部分，分别是特征提取模块、特征融合模块和检测头模块；其中，特征提取模块使用ConvNeXt进行GPR图像特征提取，特征融合模块使用FPN与PANet加强特征提取以及融合不同维度的特征；检测头模块使用三个YoloHead进行GPR图像目标检测；步骤3、利用ConvNeXt-YOLOv5模型对构建的GPR图像数据集进行识别处理：首先将大小为640×640×3的GPR图像利用ConvNeXt网络中的Conv2D_LN_GELU和ConvNeXtBlock模块进行特征提取与归一化处理，得到大小为80×80×192、40×40×384和20×20×768三种不同尺度的特征；之后，利用Neck中的FPN与PANet进行加强特征提取与特征融合，其中，经过上下采样与CSPLayer模块后，得到大小为80×80×192、40×40×384和20×20×768三种不同尺度的加强特征；最后利用三个YoloHead检测头对三种加强特征进行物体位置和类别的预测，旨在得到GPR图像中管线具体类别。

全文数据：

权利要求：

百度查询： 西北民族大学 一种基于ConvNeXt-YOLOv5的GPR图像识别方法

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