[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

说明书

本发明提出一种基于自训练的3D‑CNN探地雷达三维图像的管线识别方法。所述方法包括对所获得的探地雷达三维回波图像进行预处理；将探地雷达三维回波图像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；利用训练集对结合注意力机制的3D‑CNN的神经网络模型进行自训练，得到训练好的权重模型；利用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。本发明解决了传统的神经网络依赖于大量、准确的标记样本的问题，仅用少量的标记样本和大量的无标记样本使得识别准确率有了较大的提高，同时也节省了人工标注样本的时间，提高了效率。

技术领域

本发明属于探地雷达三维回波图后处理的目标检测技术领域，特别是涉及一种基于自训练的3D-CNN探地雷达三维图像的管线识别方法。

背景技术

探地雷达是一种高效率的、无破坏性的用于探测浅层地下环境的探测技术。探地雷达通过发射电线不断向地层发射高频电磁波，电磁波可以穿透地下介质。但是由于不同的地下介质具有不同的介电常数。电磁波在地层传播时，会在介质交替层发生反射和折射。接收天线通过接收多道反射回波(A-Scan)，信号通过信号处理技术，拼接为二维B-Scan图像。但是二维B-Scan图像并不能完全反映地下目标的特征。比如受检测方向、图像选取方式等的影响，二维B-Scan图像中的信息可能不能被识别而发生漏检的情况。如果采用的阵列式发射天线和接收天线，每个天线将会得到一个平面的二维B-Scan图像，通过将空间内的多个二维B-Scan图像按顺序堆叠，将会得到一副可以完整反映地下空间结构的三维图像(C-Scan)。

随着深度学习的发展，深度卷积神经网络被广泛的应用于各个领域，在解决图像识别分类问题时往往能取得较好的效果，然而它们的成功很大程度上依赖于大量、准确的标记样本。在探地雷达研究领域中，想要获得这样的标签样本集并非易事。随着探地雷达采集技术的发展，使得原始探地雷达数据的获取难度降低，研究者们可在相关从事道路检测的公司获取大量的探地雷达原始数据图像。在这种背景下，将自训练这样的半监督学习算法应用到探地雷达图像识别网络中，仅用少量的标记样本和大量的无标记样本，使识别网络达到一个较好的性能，有着非常重要的现实意义。

发明内容

本发明目的是为了解决传统基于监督训练的方法依赖于大量准确的标记样本的问题，提出了一种基于自训练的3D-CNN探地雷达三维图像的管线识别方法。

本发明是通过以下技术方案实现的，本发明提出一种基于自训练的3D-CNN探地雷达三维图像的管线识别方法，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。

进一步地，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。