[发明专利]基于自监督学习的探地雷达隧道衬砌质量检测方法

权利要求书

1.一种基于自监督学习的探地雷达隧道衬砌质量检测方法，其特征在于，包括以下步骤：

步骤1，制作得到图像样本集；

所述图像样本集中的每个图像样本，通过以下方式得到：

步骤1.1，采用2维或3维阵列式GPR设备对隧道衬砌结构进行检测，得到GPR测量原始数据；

步骤1.2，对所述GPR测量原始数据进行预处理，得到预处理后的GPR测量数据；

步骤1.3，将所述预处理后的GPR测量数据制作得到GPR灰度图，作为所述图像样本；

步骤2，将所述图像样本集作为训练样本集；其中，所述训练样本集中的每个图像样本，不需要标注图像样本标签；

步骤3，构建自监督学习任务，采用所述训练样本集进行自监督对比学习，生成学习后的特征提取网络；

步骤4，基于所述学习后的特征提取网络，构建卷积神经网络模型；

制作得到带标签数据的下游训练样本；采用所述带标签数据的下游训练样本，对所述卷积神经网络模型进行有监督学习，得到训练完成的卷积神经网络模型；

步骤5，实测获得探地雷达灰度图；将所述探地雷达灰度图输入所述训练完成的卷积神经网络模型，实现隧道衬砌质量检测识别，输出隧道衬砌质量检测识别结果。

2.根据权利要求1所述的基于自监督学习的探地雷达隧道衬砌质量检测方法，其特征在于，步骤3具体为：

步骤3.1，构建自监督学习预训练网络；所述自监督学习预训练网络包括在线编码器、动量编码器和损失计算模型；

所述在线编码器和所述动量编码器的结构完全相同，所述在线编码器包括第一骨干网络backbone(1)、第一全局特征投影模型、第一像素级局部特征投影模型和第一线列级局部特征投影模型；所述动量编码器包括第二骨干网络backbone(2)、第二全局特征投影模型、第二像素级局部特征投影模型和第二线列级局部特征投影模型；

步骤3.2，向自监督学习预训练网络输入训练样本集中的n个图像样本，分别表示为：图像样本P₁,图像样本P₂,…,图像样本P_n；其中，各个图像样本均为无标签的灰度图；

对于任意一个图像样本P_i，i＝1,2,…,n，均执行以下操作：

步骤3.2.1，采用两种随机的数据增强方式，对图像样本P_i进行变换处理，生成视图V_i1和视图V_i2；

步骤3.2.2，将视图V_i1输入所述在线编码器，进行以下操作：

第一骨干网络backbone(1)对视图V_i1进行特征提取，得到特征图F_i1；

将特征图F_i1分别输入到第一全局特征投影模型、第一像素级局部特征投影模型和第一线列级局部特征投影模型；所述第一全局特征投影模型对特征图F_i1进行全局特征投影，得到全局特征投影图Q_g(F_i1)；所述第一像素级局部特征投影模型对特征图F_i1进行像素级局部特征投影，得到像素级特征投影图Q_d(F_i1)；所述第一线列级局部特征投影模型对特征图F_i1进行线列级局部特征投影，得到线列级特征投影图Q_r(F_i1)；

将视图V_i2输入所述动量编码器，进行以下操作：

第二骨干网络backbone(2)对视图V_i2进行特征提取，得到特征图F_i2；

将特征图F_i2分别输入到第二全局特征投影模型、第二像素级局部特征投影模型和第二线列级局部特征投影模型；所述第二全局特征投影模型对特征图F_i2进行全局特征投影，得到全局特征投影图K_g(F_i2)；所述第二像素级局部特征投影模型对特征图F_i2进行像素级局部特征投影，得到像素级特征投影图K_d(F_i2)；所述第二线列级局部特征投影模型对特征图F_i2进行线列级局部特征投影，得到线列级特征投影图K_r(F_i2)；

步骤3.2.3，损失计算模型采用下式，计算得到损失值：

L＝(1-α-β)L_g+αL_d+βL_r

其中：

L代表整体损失值；

L_g代表全局特征投影图Q_g(F_i1)和全局特征投影图K_g(F_i2)对比得到的全局损失值；

L_d代表像素级特征投影图Q_d(F_i1)和像素级特征投影图K_d(F_i2)对比得到的像素级损失值；

L_r代表线列级特征投影图Q_r(F_i1)和线列级特征投影图K_r(F_i2)对比得到的线列级损失值；

α代表像素级损失值的损失权重系数；

β代表线列级损失值的损失权重系数；

步骤3.2.4，根据整体损失值L，采用梯度更新参数方式，得到对第一骨干网络backbone(1)的参数更新值θ₁；

采用下式，得到对第二骨干网络backbone(2)的参数更新值θ₂；

θ₂←mθ'₂+(1-m)θ₁

其中：m代表更新系数；

θ'₂代表第二骨干网络backbone(2)的当前未更新时的参数值；

步骤3.3，更新第一骨干网络backbone(1)和第二骨干网络backbone(2)；采用下一批图像样本继续训练，直到收敛，提取训练完成的第一骨干网络backbone(1)，作为学习后的特征提取网络。