[发明专利]一种基于自训练的3D-CNN探地雷达三维图像的管线识别方法

权利要求书

1.一种基于自训练的3D-CNN探地雷达三维图像的管线识别方法，其特征在于，所述方法具体包括：

步骤1：对所获得的探地雷达三维回波图像进行预处理，所述预处理包括利用均值滤波进行直达波滤除以及利用极值包络法对滤除直达波后的图像进行增益处理；

步骤2：将步骤1得到的探地雷达三维回波图像随机划分成训练集和验证集，对验证集中的全部数据以及训练集中的一部分数据进行人工标注，分别为管线、空洞和无目标三类，作为有标签样本，训练集中的其余数据作为无标签样本；

步骤3：利用步骤2得到的训练集对结合注意力机制的3D-CNN的神经网络模型A-3D-CNN进行自训练，得到训练好的权重模型；所述自训练是通过对无标签样本分配伪标签来对A-3D-CNN网络进行训练的；网络训练过程分为两个阶段，第一个阶段中首先用有标签样本集L对A-3D-CNN充分预训练；第二个阶段中首先使用训练后的A-3D-CNN对无标签样本集U进行预测，将预测结果中概率最大的类设为该样本的伪标签，将拥有伪标签的无标签数据视为有标签的数据，共同参与对A-3D-CNN的训练；

步骤4：利用步骤3获得的训练好的神经网络模型，对探地雷达三维回波图像进行管线目标识别。

2.根据权利要求1所述的方法，其特征在于，所述直达波在B-Scan图像中会呈现为两条水平状的黑白条纹，地下探测目标的回波在同一条测线上各个测点的A-Scan回波信号中互不相关，根据互不相关性，均值滤波法能够有效的去除B-Scan图像中的直达波干扰信号。

3.根据权利要求2所述的方法，其特征在于，所述增益处理采用自适应分段增益处理，所述自适应分段增益能够根据信号在指定时窗内的均值幅度来确定该时窗内增益权重，即可以根据探地雷达信号进行自适应的增益权重设置。

4.根据权利要求3所述的方法，其特征在于，自适应增益函数的生成方法是：首先对A-Scan数据取绝对值，并计算多道A-Scan信号的平均值H(i)，然后按照分段数计算每段时窗内H(i)的均值，将该均值的倒数作为该时窗的起始点的增益值，增益函数中其它位置可通过线性插值获得，它每段的增益权重由B-Scan图像自适应获得；取H(i)的包络极值点作为分段点，即可自适应的获得最优分段数和分段点，称之为极值包络增益。

5.根据权利要求1所述的方法，其特征在于，训练集和验证集划分比例为6:4。

6.根据权利要求1所述的方法，其特征在于，所述训练过程中的损失函数为：

公式(1)中第一项是监督学习下的网络的损失函数，第二项是无标记样本的损失项；式中是有标签的样本的真实标签，是网络的预测输出，其中网络为无标签样本分配的伪标签，可通过公式(2)得到，是网络的预测输出，α(t)是无标签样本的损失函数分配权重系数，α(t)可通过公式(3)得到，其中T₁表示预训练的周期数，从T₁到T₂使无监督损失逐渐上升，α_f为无监督损失项最大的加权系数。

7.根据权利要求6所述的方法，其特征在于，所述自训练的训练参数为16batch和250epochs，初始学习率设为0.01，每经过60个周期，学习率缩小10倍，最终得到经过自训练的权重模型。

8.根据权利要求1所述的方法，其特征在于，在步骤4中，将未输入过该神经网络模型的地下管线目标探地雷达三维回波图像输入到训练好的权重模型中，自动地对探地雷达三维回波图像中的地下管线目标进行检测，最终标注出带有地下管线信息的三维回波图像。

9.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-8任一项所述方法的步骤。

10.一种计算机可读存储介质，用于存储计算机指令，其特征在于，所述计算机指令被处理器执行时实现权利要求1-8任一项所述方法的步骤。