[发明专利]一种基于深度学习的地下管线检测识别方法

权利要求书

1.一种基于深度学习的地下管线检测识别方法，其特征在于，包括以下步骤：

获取用于地下管线检测模型训练所需的数据集；

构建地下管线检测模型，并利用上述获取的数据集训练所述模型；

利用训练好的地下管线检测模型对地下管线进行检测识别。

2.根据权利要求1所述的方法，其特征在于，所述获取用于地下管线检测模型训练所需的数据集包括：

将搜集到的探地雷达数据转换到图像域；

对上述图像域的数据进行有覆盖滑窗截取；

在上述截取图像上，利用标注工具进行特征标注。

3.根据权利要求2所述的方法，其特征在于，采用卷积神经网络构建地下管线检测模型。

4.根据权利要求3所述的方法，其特征在于，所述卷积神经网络包括：主体特征提取网络和检测识别分支架构；

所述主体特征提取网络，用于对目标候选区域进行特征描述；

所述检测识别分支架构包括目标位置分支架构和目标类别分支架构；所述目标位置分支架构，对目标位置的偏移量进行回归预测，并结合候选窗口位置，得到目标的准确位置；所述目标类别分支架构，以目标在各类上的分类概率作为预测目标，通过softmax结构输出目标候选窗口的分类概率。

5.根据权利要求4所述的方法，其特征在于，在目标位置分支架构中，回归参数为：

其中，d_x,d_y,d_W,d_h分别为真实窗口相对于候选窗口的中心点坐标、宽度和高度的偏移量；G_x,G_y,G_w,G_h分别为真实窗口中心点的坐标，真实窗口的宽度和高度；P_x,P_y,P_w,P_h为候选窗口中心点的坐标，候选窗口的宽度和高度。

6.根据权利要求5所述的方法，其特征在于，利用训练好的深度卷积网络模型进行智能识别，包括：

采集目标区域探地雷达回波数据；

对上述采集的原始雷达回波数据进行数据转换、数据截取处理后，将各截取图像数据输入到上述训练好的地下管线检测模型中，得到各截取图像中地下管线检测结果；

将上述各截取图像中的地下管线检测结果进行合并，得到最终的地下管线检测结果。

7.根据权利要求6所述的方法，其特征在于，所述将搜集到的探地雷达数据转换到图像域，转换公式为：

其中，x_i为原始的第i个回波值，f(x_i)为滤波函数，y_i为转换到灰度值值域为[0,b]的图像域中的对应值。

8.根据权利要求7所述的方法，其特征在于，所述截取图像大小为m*n，m为截取图像的宽度，n为截取图像的长度，滑窗步长为m/2。

9.根据权利要求8所述的方法，其特征在于，还包括对采集到的探地雷达回波数据进行预处理，预处理方式为：增益处理、IIR滤波、FIR滤波、F-K滤波、算术运算、卷积、偏移处理、静态校正、希尔伯特变换中的一种或多种。

10.根据权利要求9所述的方法，其特征在于，所述搜集探地雷达数据包括：采集开源学术数据集，网页爬虫获取数据，自制相关数据。