[发明专利]基于注意力机制的地下目标体分类识别方法

说明书

本发明涉及人工智能技术领域，尤其涉及一种基于注意力机制的地下目标体分类识别方法，首先采集探地雷达B‑scan图像数据，预处理后获得探地雷达B‑scan图像数据集，再搭建基于CBAM注意力机制和残差结构的卷积神经网络模型，使用探地雷达B‑scan图像数据集对卷积神经网络模型进行迭代训练，训练好的卷积神经网络模型更关注目标体重要的特征而抑制不重要的特征，有效提高模型对目标体的识别精度，使用训练后的卷积神经网络模型进行图像分类识别避免了传统机器学习方法中人工设计特征的步骤，同时增强了深度学习方法中卷积神经网络的特征提取能力。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于注意力机制的地下目标体分类识别方法。

背景技术

探地雷达(Ground penetrating radar，GPR)作为一种重要的无损探测设备，凭借其精准度、灵活性以及操作简单等特点，已经被广泛应用于各个工程领域。使用探地雷达对地下目标体进行探测，可以得到包含目标体特征的B-scan图像。处理地下目标体的分类识别问题，主要是依靠对B-scan数据中的目标体进行特征提取。传统方法从B-scan图像中评估地下目标体的类别信息需要凭借资深专家的丰富经验，既费时又费力。

发明内容

本发明的目的在于提供一种基于注意力机制的地下目标体分类识别方法，避免了传统机器学习中人工设计特征的步骤，同时增强了深度学习方法中卷积神经网络的特征提取能力。

为实现上述目的，本发明提供了一种基于注意力机制的地下目标体分类识别方法，包括下列步骤：

采集探地雷达B-scan图像数据；

进行数据预处理和类别标注，获得探地雷达B-scan图像数据集；

搭建基于CBAM注意力机制和残差结构的卷积神经网络模型；

对所述卷积神经网络模型进行训练并验证；

使用训练后的卷积神经网络模型进行图像分类识别。

其中，所述探地雷达B-scan图像数据是实测得到的探地雷达B-scan图像数据或采用电磁仿真软件GprMax进行正演模拟获得的仿真数据。

其中，数据预处理的方式包括对数据文件使用减均值法将逐行数据减去本行均值去除直达波，以及统一图像尺寸和数据增强。

其中，类别标注的过程具体为按照地下目标体的类别对图像数据进行分类以及打上标签，并且把标签保存在json文件中。

其中，所述探地雷达B-scan图像数据集包括训练数据集和测试数据集，所述训练数据集占比80％，所述测试数据集占比20％。

其中，在搭建基于CBAM注意力机制和残差结构的卷积神经网络模型的过程中，搭建卷积神经网络的基本单元为两种类型的引入CBAM注意力机制的残差卷积块，其中CBAM包括通道注意力模块和空间注意力模块。

其中，在对所述卷积神经网络模型进行训练并验证的过程中，使用训练数据集对基于注意力机制的卷积神经网络模型进行训练，视数据集的规模选择是否进行数据增强，同时使用测试数据集在模型训练过程中对模型进行验证，经过多次迭代训练后得到最优模型。

本发明提供了一种基于注意力机制的地下目标体分类识别方法，首先采集探地雷达B-scan图像数据，预处理后获得探地雷达B-scan图像数据集，再搭建基于CBAM注意力机制和残差结构的卷积神经网络模型，使用探地雷达B-scan图像数据集对卷积神经网络模型进行迭代训练，训练好的卷积神经网络模型更关注目标体重要的特征而抑制不重要的特征，有效提高模型对目标体的识别精度，使用训练后的卷积神经网络模型进行图像分类识别避免了传统机器学习方法中人工设计特征的步骤，同时增强了深度学习方法中卷积神经网络的特征提取能力。

附图说明