(12)發(fā)明專利大直街92號專利權人大連中?？萍及l(fā)展有限公司劉金龍栗昱昊張?zhí)煜榇藓?普通合伙)23220G01S7/GO6N3/045(2023.識別研究.碩士論文電子期刊.2024,全文.一種基于自訓練的3D-CNN探地雷達三維圖對驗證集中的全部數(shù)據(jù)以及訓練集中的一部分21.一種基于自訓練的3D-CNN探地雷達三維圖像的管線識別方法，其特征在于，所述方法具體包括：步驟1:對所獲得的探地雷達三維回波圖像進行預處理，所述預處理包括利用均值濾波進行直達波濾除以及利用極值包絡法對濾除直達波后的圖像進行增益處理；步驟2:將步驟1得到的探地雷達三維回波圖像隨機劃分成訓練集和驗證集，對驗證集中的全部數(shù)據(jù)以及訓練集中的一部分數(shù)據(jù)進行人工標注，分別為管線、空洞和無目標三類，作為有標簽樣本，訓練集中的其余數(shù)據(jù)作為無標簽樣本；步驟3:利用步驟2得到的訓練集對結合注意力機制的3D-CNN的神經(jīng)網(wǎng)絡模型A-3D-CNN進行自訓練，得到訓練好的權重模型；所述自訓練是通過對無標簽樣本分配偽標簽來對A-3D-CNN網(wǎng)絡進行訓練的；網(wǎng)絡訓練過程分為兩個階段，第一個階段中首先用有標簽樣本集L對A-3D-CNN充分預訓練；第二個階段中首先使用訓練后的A-3D-CNN對無標簽樣本集U進行預測，將預測結果中概率最大的類設為該樣本的偽標簽，將擁有偽標簽的無標簽數(shù)據(jù)視為步驟4:利用步驟3獲得的訓練好的神經(jīng)網(wǎng)絡模型，對探地雷達三維回波圖像進行管線所述訓練過程中的損失函數(shù)為：公式(1)中第一項是監(jiān)督學習下的網(wǎng)絡的損失函數(shù)，第二項是無標記樣本的損失項；式中y?是有標簽的樣本的真實標簽，f{∈R1×C是網(wǎng)絡的預測輸出，其中y"網(wǎng)絡為無標簽本的損失函數(shù)分配權重系數(shù)，α(t)可通過公式(3)得到，其中T?表示預訓練的周期數(shù)，從T?2.根據(jù)權利要求1所述的方法，其特征在于，所述直達波在B-Scan圖像中會呈現(xiàn)為兩條水平狀的黑白條紋，地下探測目標的回波在同一條測線上各個測點的A-Scan回波信號中互不相關，根據(jù)互不相關性，均值濾波法能夠有效的去除B-Scan圖像中的直達波干擾信號。3.根據(jù)權利要求2所述的方法，其特征在于，所述增益處理采用自適應分段增益處理，所述自適應分段增益能夠根據(jù)信號在指定時窗內的均值幅度來確定該時窗內增益權重，即可以根據(jù)探地雷達信號進行自適應的增益權重設置。4.根據(jù)權利要求3所述的方法，其特征在于，自適應增益函數(shù)的生成方法是：首先對A-3Scan數(shù)據(jù)取絕對值，并計算多道A-Scan信號的平均值H(i),然后按照分段數(shù)計算每段時窗內H(i)的均值，將該均值的倒數(shù)作為該時窗的起始點的增益值，增益函數(shù)中其它位置可通過線性插值獲得，它每段的增益權重由B-Scan圖像自適應獲得；取H(i)的包絡極值點作為分段點，即可自適應的獲得最優(yōu)分段數(shù)和分段點，稱之為極值包絡增益。5.根據(jù)權利要求1所述的方法，其特征在于，訓練集和驗證集劃分比例為6:4。6.根據(jù)權利要求1所述的方法，其特征在于，所述自訓練的訓練參數(shù)為16batch和250epochs,初始學習率設為0.01,每經(jīng)過60個周期，學習率縮小10倍，最終得到經(jīng)過自訓練的權重模型。7.根據(jù)權利要求1所述的方法，其特征在于，在步驟4中，將未輸入過該神經(jīng)網(wǎng)絡模型的地下管線目標探地雷達三維回波圖像輸入到訓練好的權重模型中，自動地對探地雷達三維回波圖像中的地下管線目標進行檢測，最終標注出帶有地下管線信息的三維回波圖像。8.一種電子設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序時實現(xiàn)權利要求1-7任一項所述方法的步驟。9.一種計算機可讀存儲介質，用于存儲計算機指令，其特征在于，所述計算機指令被處理器執(zhí)行時實現(xiàn)權利要求1-7任一項所述方法的步驟。4技術領域[0001]本發(fā)明屬于探地雷達三維回波圖后處理的目標檢測技術領域，特別是涉及一種基于自訓練的3D-CNN探地雷達三維圖像的管線識別方法。背景技術[0002]探地雷達是一種高效率的、無破壞性的用于探測淺層地下環(huán)境的探測技術。探地雷達通過發(fā)射電線不斷向地層發(fā)射高頻電磁波，電磁波可以穿透地下介質。但是由于不同的地下介質具有不同的介電常數(shù)。電磁波在地層傳播時，會在介質交替層發(fā)生反射和折射。接收天線通過接收多道反射回波(A-Scan),信號通過信號處理技術，拼接為二維B-Scan圖像。但是二維B-Scan圖像并不能完全反映地下目標的特征。比如受檢測方向、圖像選取方式等的影響，二維B-Scan圖像中的信息可能不能被識別而發(fā)生漏檢的情況。如果采用的陣列式發(fā)射天線和接收天線，每個天線將會得到一個平面的二維B-Scan圖像，通過將空間內的多個二維B-Scan圖像按順序堆疊，將會得到一副可以完整反映地下空間結構的三維圖像[0003]隨著深度學習的發(fā)展，深度卷積神經(jīng)網(wǎng)絡被廣泛的應用于各個領域，在解決圖像識別分類問題時往往能取得較好的效果，然而它們的成功很大程度上依賴于大量、準確的標記樣本。在探地雷達研究領域中，想要獲得這樣的標簽樣本集并非易事。隨著探地雷達采集技術的發(fā)展，使得原始探地雷達數(shù)據(jù)的獲取難度降低，研究者們可在相關從事道路檢測的公司獲取大量的探地雷達原始數(shù)據(jù)圖像。在這種背景下，將自訓練這樣的半監(jiān)督學習算法應用到探地雷達圖像識別網(wǎng)絡中，僅用少量的標記樣本和大量的無標記樣本，使識別網(wǎng)絡達到一個較好的性能，有著非常重要的現(xiàn)實意義。發(fā)明內容[0004]本發(fā)明目的是為了解決傳統(tǒng)基于監(jiān)督訓練的方法依賴于大量準確的標記樣本的問題，提出了一種基于自訓練的3D-CNN探地雷達三維圖像的管線識別方法。[0005]本發(fā)明是通過以下技術方案實現(xiàn)的，本發(fā)明提出一種基于自訓練的3D-CNN探地雷達三維圖像的管線識別方法，所述方法具體包括：[0006]步驟1:對所獲得的探地雷達三維回波圖像進行預處理，所述預處理包括利用均值濾波進行直達波濾除以及利用極值包絡法對濾除直達波后的圖像進行增益處理；[0007]步驟2:將步驟1得到的探地雷達三維回波圖像隨機劃分成訓練集和驗證集，對驗證集中的全部數(shù)據(jù)以及訓練集中的一部分數(shù)據(jù)進行人工標注，分別為管線、空洞和無目標三類，作為有標簽樣本，訓練集中的其余數(shù)據(jù)作為無標簽樣本；[0008]步驟3:利用步驟2得到的訓練集對結合注意力機制的3D-CNN的神經(jīng)網(wǎng)絡模型A-3D-CNN進行自訓練，得到訓練好的權重模型；所述自訓練是通過對無標簽樣本分配偽標簽來對A-3D-CNN網(wǎng)絡進行訓練的；網(wǎng)絡訓練過程分為兩個階段，第一個階段中首先用有標簽樣本集L對A-3D-CNN充分預訓練；第二個階段中首先使用訓練后的A-3D-CNN對無標簽樣本5[0009]步驟4:利用步驟3獲得的訓練好的神經(jīng)網(wǎng)絡模型，對探地雷達三維回波圖像進行測目標的回波在同一條測線上各個測點的A-Scan回波信號中互不相關，根據(jù)互不相關性，均值濾波法能夠有效的去除B-Scan圖道A-Scan信號的平均值H(i),然后按照分[0018]公式(1)中第一項是監(jiān)督學習下的網(wǎng)絡的損失函數(shù)，第二項是無標記樣本的損失所述處理器執(zhí)行所述計算機程序時實現(xiàn)所述一種基于自訓練的3D-CNN探地雷達三維圖像6的管線識別方法的步驟。[0022]本發(fā)明提出一種計算機可讀存儲介質，用于存儲計算機指令，所述計算機指令被處理器執(zhí)行時實現(xiàn)所述一種基于自訓練的3D-CNN探地雷達三維圖像的管線識別方法的步驟。[0023]本發(fā)明的有益效果為：[0024]本發(fā)明將實際獲得的探地雷達三維圖像經(jīng)過預處理和人工標注后，制作成探地雷達三維圖像數(shù)據(jù)集，并利用數(shù)據(jù)集中的訓練集結合自訓練算法訓練出可對后續(xù)的探地雷達三維圖像進行地下管線自動識別檢測的神經(jīng)網(wǎng)絡模型。采用本發(fā)明的方法可以有效地提高對探地雷達三維回波圖像的識別準確率和檢測效率。本發(fā)明可以將地下管線目標識別概率提高到87%以上。[0025]傳統(tǒng)的基于卷積神經(jīng)網(wǎng)絡的探地雷達三維圖像分類方法往往依賴于大量可用的標記樣本去訓練網(wǎng)絡，才能得到一個高性能的網(wǎng)絡模型。然而在探地雷達領域，并沒有公開可用數(shù)據(jù)集，又因為探地雷達數(shù)據(jù)的正確解譯較為困難，這使得通過人工標記樣本的成本非常高昂。本發(fā)明的目的使將自訓練這樣的半監(jiān)督學習算法應用到探地雷達圖像識別網(wǎng)絡中，通過網(wǎng)絡預測為無標記樣本分配偽標簽的方式，實現(xiàn)對無標簽樣本的利用，進而提升網(wǎng)絡模型的分類性能，提高對探地雷達三維圖像關系識別的準確率和效率。附圖說明[0026]圖1是基于自訓練的結合注意力機制的3D-CNN算法的三維探地雷達圖像地下管線識別方法的流程圖。[0027]圖2是均值濾波法去除直達波前后的對比圖。[0028]圖3是極值包絡增益處理前后的對比圖。[0029]圖4是基于自訓練的探地雷達三維圖像分類框圖。[0033]圖8是閾值為0.8時的網(wǎng)絡分類準確率結果圖。[0034]圖9是不同閾值下的網(wǎng)絡準確率提升情況示意圖。具體實施方式[0035]下面將結合本發(fā)明實施例中的附圖對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實[0036]結合圖1-圖9,本發(fā)明提出一種基于自訓練的結合注意力機制的3D-CNN探地雷達三維圖像的管線識別方法，所述自動識別方法包括以下步驟：[0037]步驟1:對所獲得的探地雷達三維回波圖像進行預處理，包括利用均值濾波進行直達波濾除、利用極值包絡法對濾除直達波后的圖像進行增益處理；[0038]步驟2:將步驟1得到的探地雷達三維回波圖像隨機劃分成訓練集和驗證集，對驗7[0040]步驟4:利用步驟3獲得的訓練好的神經(jīng)網(wǎng)絡模型，對探地雷達三維回波圖像進行[0041]所述步驟1利用均值濾波的方法實現(xiàn)探地雷達三維圖像直達波的濾除。直達波在平的直線。而地下探測目標的回波在同一條測線上各個測點的A-Scan回波信號中互不相[0043]首先假設探地雷達一條測線上的B-Scan圖像是由N個A-Scan回波信號構成的，每[0045]其中w(i,j)是濾波前的B-Scan圖像矩陣中第i行第j列的值，對應的是第j個A-Scan信號的平均值H(i),然后按照分段數(shù)計算每段時窗內H(i)的均值，將該均值的倒數(shù)作8練集和驗證集劃分比例約為6:4.對驗證集的全部數(shù)據(jù)和訓練集中的一部分數(shù)據(jù)進行人工[0054]網(wǎng)絡訓練過程主要分為兩個階段，第一個階段中首先用有標簽樣本集L對A-3D-[0055]在訓練的第二個階段中通過給無標簽樣本分配偽標簽的方式實現(xiàn)了對無標簽樣9水平切片圖中關鍵特征的位置信息。然后將經(jīng)過注意力機制模塊優(yōu)化后的圖像再送入3D-圖作為下一層的輸入；第二層為1個BasicBlock模塊(BasicBlock模塊結構如圖7所入尺寸為(4,36,128,128),輸出尺寸為(8,36,128,128),第三層也為1個BasicBlock模塊，但是輸入尺寸為(8,36,128,128),輸出尺寸為(8,36,128,128)第四層為3組BasicBlock模和輸入尺寸為(16,18,64,64),輸出尺寸為(16,18,64,64)的BasicBlock模塊構成，經(jīng)過以[0062]選取訓練超參數(shù)為16batch和250epochs,初始學習率設為0.01,每經(jīng)過60個周期，學習率縮小10倍。將T?和T?分別設置為100和200,設置為0.5,使無標簽樣本在第100個周期時加入訓練，并從100到200周期期間權重不斷上升，在第200周期時，權重上升到最大值0.5,最后訓練50周期后結束訓練。為了避免實驗的偶然性，本發(fā)明中將數(shù)據(jù)集隨機置亂5輸入，使網(wǎng)絡自動地對探地雷達三維圖像進行目標管線識別，最終標注出帶有管線的探地雷達三維圖像。[0064]本發(fā)明提出一種電子設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)所述一種基于自訓練的3D-CNN探地雷達三維圖像的管線識別方法的步驟。[0065]本發(fā)明提出一種計算機可讀存儲介質，用于存儲計算機指令，所述計算機指令被處理器執(zhí)行時實現(xiàn)所述一種基于自訓練的3D-CNN探地雷達三維圖像的管線識別方法的步驟。[0066]本申請實施例中的存儲器可以是易失性存儲器或非易失性存儲器，或可包括易失性和非易失性存儲器兩者。其中，非易失性存儲器可以是只讀存儲器(readonlymemory,存儲器可以是隨機存取存儲器(randomaccessmemory,RAM),其用作外部高速緩存。通過示例性但不是限制性說明，許多形式的RAM可用，例如靜態(tài)隨機存取存儲器(staticRAM,SRAM)、動態(tài)隨機存取存儲器(dynamicRAM,DRAM)、同步動態(tài)隨機存取存儲器(synchronousDRAM,SDRAM)、雙倍數(shù)據(jù)速率同步動態(tài)隨機存取存儲器(doubledatarateSDRAM,DDRSDRAM)、增強型同步動態(tài)隨機存取存儲器(enhancedSDRAM,ESDRAM)、同步連接動態(tài)隨機存取存儲器(synchlinkDRAM,SLDRAM)和直接內存總線隨機存取存儲器(directrambus類型的存儲器。[0067]在上述實施例中，可以全部或部分地通過軟件、硬件、固件或者其任意組合來實現(xiàn)。當使用軟件實現(xiàn)時，可以全部或部分地以計算機程序產(chǎn)品的形式實現(xiàn)。所述計算機程序產(chǎn)品包括一個或多個計算機指令。在計算機上加載和執(zhí)行所述計算機指令時，全部或部分地產(chǎn)生按照本申請實施例所述的流程或功能。所述計算機可以是通用計算機、專用計算機、計算機網(wǎng)絡、或者其他可編程裝置。所述計算機指令可以存儲在計算機可讀存儲介質中，或者從一個計算機可讀存儲介質向另一個計算機可讀存儲介質傳輸，例如，所述計算機指令可以從一個網(wǎng)站站點、計算機、服務器或數(shù)據(jù)中心通過有線(例如線(digitalsubscriberline,DSL))或無線(例如紅外、無線、微波等)方式向另一個網(wǎng)站站點、計算機、服務器或數(shù)據(jù)中心進行傳輸。所述計算機可讀存儲介質可以是計算機能夠存取的任何可用介質或者是包含一個或多個可用介質集成的服務器、數(shù)據(jù)中心等數(shù)據(jù)存儲設SSD))等。[0068]在實現(xiàn)過程中，上述方法的各步驟可以通過處理器中的硬件的集成邏輯電路或者軟件形式的指令完成。結合本申請實施例所公開的方法的步驟可以直接體現(xiàn)為硬件處理器執(zhí)行完成，或者用處理器中的硬件及軟件模塊組合執(zhí)行完成。軟件模塊可以位于隨機存儲器，閃存、只讀存儲器，可編程只讀存儲器或者電可擦寫可編程存儲器、寄存器等本領域成熟的存儲介質中。該存儲介質位于存儲器，處理器讀取存儲器中的信息，結合其硬件完成上11[0069]應注意，本申請實施例中的處理器可以是一種集成電路芯片，具有信號的處理能力。在實現(xiàn)過程中，上述方法實施例的各步驟可以通過處理器中的硬件的集成邏輯電路或者軟件形式的指令完成。上述的處理器可以是通用處理器、數(shù)字信號處理器(DSP)、專用集成電路(ASIC)、現(xiàn)場可編程門陣列(FPGA)或者其他可編程邏輯器件、分立門或者晶體管邏輯器件、分立硬件組件。可以實現(xiàn)或者執(zhí)行本申請實施例中的公開的各方法、步驟及邏輯框圖。通用處理器可以是微處理器或者該處理器也可以是任何常規(guī)的處理器等。結合本申請實施例所公開的方法的步驟可以直接體現(xiàn)為