[发明专利]一种基于深度学习的探地雷达智能反演方法

权利要求书

1.一种基于深度学习的探地雷达智能反演方法，其特征在于，包括如下步骤：

获取仿真训练数据集，所述仿真训练数据集包括多组雷达剖面图-介电常数分布图数据对；

根据所述仿真训练数据集，得到雷达反演深度学习网络模型；

基于雷达反演深度学习网络模型，根据实时采集到的雷达检测数据进行介电常数反演。

2.如权利要求1所述的基于深度学习的探地雷达智能反演方法，其特征在于，所述仿真训练数据集的建立方法为：

对背景介质和病害内部介质随机组合，对于每一种组合方式均生成一幅剖面介电常数分布图；

对于每一介电常数分布图均进行正演，生成相应的雷达剖面图，从而得到多组雷达剖面图-介电常数分布图数据对，将每组数据对中的介电常数分布图数据作为雷达剖面图的标签，得到仿真训练数据集。

3.如权利要求2所述的基于深度学习的探地雷达智能反演方法，其特征在于，生成一幅剖面介电常数分布图包括：

对于每一种组合方式所形成的剖面，拟合剖面上各层背景介质之间的层间界面以及病害轮廓，根据相应组合方式中各类介质对应的介电常数，生成介电常数分布图。

4.如权利要求1所述的基于深度学习的探地雷达智能反演方法，其特征在于，所述雷达反演深度学习网络模型架构包括雷达剖面图编码结构和介电常数分布图解码结构。

5.如权利要求4所述的基于深度学习的探地雷达智能反演方法，其特征在于，所述雷达剖面图编码结构用于对单道雷达数据进行增强、压缩和重组，所述介电常数分布图解码结构用于重建介电常数分布图。

6.如权利要求4所述的基于深度学习的探地雷达智能反演方法，其特征在于，所述雷达剖面图编码结构包括多层卷积结构和多层感知机结构；其中，多层卷积结构包括多层卷积层。

7.如权利要求4所述的基于深度学习的探地雷达智能反演方法，其特征在于，所述雷达剖面图编码结构包括多层卷积结构和多层感知机结构；其中，多层卷积结构包括多层卷积层和一层空洞空间金字塔池化结构。

8.如权利要求4所述的基于深度学习的探地雷达智能反演方法，其特征在于，所述介电常数分布图解码结构包括级联的多层反卷积层、一层上采样层、一层空洞空间金字塔池化结构和多层卷积结构。

9.如权利要求1所述的基于深度学习的探地雷达智能反演方法，其特征在于，还获取真实探测得到的雷达背景噪声剖面图，与雷达剖面图进行融合，得到新的训练数据集，用于训练雷达反演深度学习网络模型。