[发明专利]一种基于深度学习的雷达图谱识别方法及系统

权利要求书

1.一种基于深度学习的雷达图谱识别方法，其特征在于，包括：

步骤S1、收集预设数量的雷达图谱数据，所述雷达图谱数据包括无道路病害图谱数据和包含空洞病害图谱数据；

步骤S2、将所述雷达图谱数据作为训练集训练深度学习模型；

步骤S3、将实时采集的雷达图谱数据输入到所述深度学习模型中，以使所述深度学习模型对实时采集的雷达图谱数据进行识别分类。

2.根据权利要求1所述的方法，其特征在于，还包括：

对收集到的雷达图谱数据进行预处理，将所述预处理后的雷达图谱数据作为训练集训练深度学习模型。

3.根据权利要求2所述的方法，其特征在于，所述对收集到的雷达图谱数据进行预处理，包括：

将收集到的雷达图谱数据，输入到滑动滤波器进行滤噪；

对滤噪后的雷达图谱数据进行数据增广，以扩大所述雷达图谱数据的数量。

4.根据权利要求3所述的方法，其特征在于，所述对滤噪后的雷达图谱数据进行数据增广，包括：

对滤噪后的雷达图谱数据进行白化处理；

对滤噪后的雷达图谱数据进行随机的左右翻转；

对滤噪后的雷达图谱数据随机变化图像的对比度。

5.根据权利要求1所述的方法，其特征在于，所述深度学习模型为卷积神经网络模型vgg16模型，所述将所述雷达图谱数据作为训练集训练深度学习模型，包括：

构造多层卷积神经网络vgg16模型；

利用收集到的雷达图谱数据，采用ADAM算法对多层卷积神经网络vgg16模型的误差梯度做最速下降优化，离线训练构造多层卷积神经网络vgg16模型；

多层卷积神经网络vgg16模型构成以后利用Google开源深度学习系统TensorFlow进行开发，并利用英伟达GPU对深度学习算法进行加速。

6.根据权利要求5所述的方法，其特征在于，所述多层卷积神经网络vgg16模型，包括：16层权重层、5层池化层、1层输入层和1层输出层；其中，

第一层为大小为S*S的图像块的输入层；第2层和第3层为卷积层，卷积核的大小皆为3*3，并且每层的卷积核数量都是64个；第4层为最大值池化层；第5层和第6层为卷积层，卷积核的大小为3*3，并且每层的卷积核数量都是128个；第7层为最大值池化层；第8、9和10层为卷积层，卷积核的大小都为3*3，并且每层卷积核数量都是256个；第11层为最大值池化层；第12、13和14层为卷积层，卷积核的大小都为3*3，并且每层卷积核数量都为512个；第15层为最大值池化层；第16、17和18层为卷积层，卷积核的大小都为3*3，并且每层的卷积核数量都为512个；第19层为最大值池化层；第20、21和22层为全连接层，其中，第20、21全连接层有4096个神经节点，第22全连接层有1000个神经节点；第23层为softmax分类层。

7.根据权利要求1所述的方法，其特征在于，所述步骤S1中收集到的预设数量的雷达图谱数据，包括：

搭建多个个路基空洞病害物理模型，使用250MHZ雷达天线从不同角度探测其雷达图谱，获得多张雷达图谱；

开展至少一个现场道路空洞雷达探测，使用250MHZ雷达天线提取多张道路地下空洞雷达图谱；

从相关部门收集购买多张250MHZ雷达天线探测的雷达图谱。

8.一种基于深度学习的雷达图谱识别系统，其特征在于，包括：

收集模块，用于收集预设数量的雷达图谱数据；

深度学习模块，用于将所述雷达图谱数据作为训练集训练深度学习模型；

识别模块，用于对实时采集的雷达图谱数据进行识别分类。

9.根据权利要求8所述的系统，其特征在于，还包括：预处理模块，用于对收集到的雷达图谱数据进行预处理，所述预处理模块包括图像采集模块和图像处理模块。

10.根据权利要求8所述的系统，其特征在于，还包括：数据库，所述数据库用于存储所述雷达图谱数据。