[发明专利]一种基于深度学习的雷达图谱识别方法及系统

说明书

本发明涉及一种基于深度学习的雷达图谱识别方法及系统，该方法包括：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；将所述雷达图谱数据作为训练集训练深度学习模型；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。本发明提供的技术方案，通过将深度学习技术引入到地下工程中的雷达图谱识别问题上，研究建立雷达图谱分析识别的深度学习模型，实现了雷达图谱的自动识别和分别，相比现有技术中人工雷达图谱识别方法，本发明提供的技术方案，人力投入少、效率高、正确率高。

技术领域

本发明涉及地质探测技术领域，具体涉及一种基于深度学习的雷达图谱识别方法及系统。

背景技术

随着经济社会的发展，城市地下工程(管网、地铁隧道、轨道、综合管廊工程)规模急剧扩增，渐渐引发地下疏松、水害、空洞等病害，其中空洞病害严重可直接导致路面塌陷，造成严重的经济损失和社会影响。因此，对于道路路基空洞病害的及时检测是保障城市交通安全的关键所在。

目前，道路路基的空洞病害检测主要是通过分析探地雷达图像，发现道路地下空洞病害，即通过雷达探测获得道路路基雷达图谱，然后使用人工专家解释识别图谱中空洞病害或使用计算机直接匹配图谱数据库来判定图谱是否存在空洞病害。由于目前对城市道路的病害检测主要是定点雷达探查、后续人工雷达图谱分析、实地验证的方法，过度依赖人为经验、雷达提取信息不连续，造成城市道路雷达图谱的检测分析速度较慢、检测结果误差较大：

1、病害区域误判(徒劳钻孔验证、浪费人力和物力)；

2、病害信息漏判(不能及时预警道路隐患，导致塌陷事故频繁发生)。

随着计算机深度学习技术的产生和发展，深度学习技术已经渗透到各个领域中，尤其是在计算机图像视觉领域，深度学习技术在解决很多问题上饶有成效，但是目前还未见深度学习技术在雷达图谱分析识别问题上的应用研究。

发明内容

有鉴于此，本发明的目的在于克服现有技术的不足，提供一种基于深度学习的雷达图谱识别方法及系统，以解决现有技术中人工雷达图谱识别人力投入大、准确率不高的问题。

为实现以上目的，本发明采用如下技术方案：

一种基于深度学习的雷达图谱识别方法，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。

优选地，所述方法还包括：

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。

优选地，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。

优选地，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。

优选地，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：