[发明专利]基于探地雷达和深度学习的地下管线探测方法和系统

权利要求书

1.一种基于探地雷达和深度学习的地下管线探测方法，其特征在于，包括：

通过探地雷达获取已知地下管线的扫描数据；

将所述扫描数据转换为灰度图像数据；

从所述灰度图像数据中筛选目标图像数据，所述目标图像数据包含地下管线对应的双曲线；

对所述目标图像数据进行数据增强，并对所述数据增强后得到的所有图像进行裁剪，得到样本数据；

通过矩形真实框将所述样本数据中的双曲线目标进行标注，得到所述矩形真实框的坐标信息，并根据所述坐标信息构建图像数据库；

根据所述图像数据库训练得到YOLOv3模型，所述YOLOv3模型用于识别地下管线的双曲线数据；

通过所述YOLOv3模型检测实测雷达图像中的地下管线目标；

通过结合RTK设备和探地雷达，实时定位地下管线的位置；

其中，所述YOLOv3模型训练时，对所述图像数据库的所述样本数据中标注的所述矩形真实框与默认框进行交并比匹配，将匹配值大于0.5的默认框特征内容作为正例，其余的特征内容作为反例；所述YOLOv3模型的损失函数包括目标定位损失、目标置信度损失和目标类别损失；

所述目标置信度损失采用二值交叉熵损失函数计算，损失计算的表达式如下：

其中，代表默认框与真实框匹配值；代表默认框对应类别p的预测概率；代表第i个默认框对应类别p的预测概率； 代表置信度损失； 代表非线性激活函数分类；代表第i个默认框与真实框匹配值，，当默认框与真实框匹配时，，否则，；为第i个默认框对应类别p的预测概率，当预测概率越高时，损失值越小；

所述目标类别损失计算的表达式如下：

其中， 代表目标类别损失； 代表非线性激活函数分类；，表示预测目标边界框i中是否真实存在第j类目标，0表示不存在，1表示存在，表示网络预测目标边界框i内存在第j类目标的Sigmoid概率；

所述目标定位损失是由真实偏差值与预测偏差值差的平方和计算而得：

其中， 代表目标定位损失；代表预测目标边界框i的x坐标、y坐标、宽度、高度偏移量；代表预测目标边界框i真实框与默认框之间的x坐标、y坐标、宽度、高度偏移量；代表预测目标边界框i真实框与默认框之间的宽度偏移量；代表预测目标边界框i真实框与默认框之间的高度偏移量；表示预测矩形框坐标偏移量，表示与之匹配的真实框与默认框之间的坐标偏移量；，，和为预测的目标矩形框参数,，，和分别代表默认框的矩形框参数，，，，为与之匹配的真实目标矩形框参数；

所述YOLOv3模型的损失函数由所述目标定位损失、所述目标置信度损失和所述目标类别损失的加权和求得，其表达式如下：

其中，代表总损失函数； 代表置信度损失； 代表目标类别损失； 代表定位损失；、、是平衡系数。

2.根据权利要求1所述的一种基于探地雷达和深度学习的地下管线探测方法，其特征在于，所述根据所述坐标信息构建所述图像数据库，包括：

根据所述矩形真实框的所述坐标信息，将所述样本数据划分为正样本和负样本；

根据所述正样本和所述负样本，构建图像数据库。

3.根据权利要求1所述的一种基于探地雷达和深度学习的地下管线探测方法，其特征在于，所述YOLOv3模型的基础网络为Darknet深度学习框架；

所述Darknet深度学习框架由53个卷积层组成；

每个所述卷积层包括一个批归一化层和一个泄露修正线性单元层。

4.根据权利要求3所述的一种基于探地雷达和深度学习的地下管线探测方法，其特征在于，

所述批归一化层，用于加快网络训练和网络收敛的速度；

所述泄露修正线性单元层，用于在修正线性单元函数的负半区间引入一个泄露值，使得修正线性单元函数进入负区间后神经元能够继续学习。

5.一种基于探地雷达和深度学习的地下管线探测系统，其特征在于，包括：

建库模块，用于通过探地雷达获取已知地下管线的扫描数据；将所述扫描数据转换为灰度图像数据；从所述灰度图像数据中筛选目标图像数据，所述目标图像数据包含地下管线对应的双曲线；对所述目标图像数据进行数据增强，并对所述数据增强后得到的所有图像进行裁剪，得到样本数据；通过矩形真实框将所述样本数据中的双曲线目标进行标注，得到所述矩形真实框的坐标信息，并根据所述坐标信息构建图像数据库；

识别模块，用于根据所述图像数据库训练得到YOLOv3模型，所述YOLOv3模型用于识别地下管线的双曲线数据；

探测模块，用于通过所述YOLOv3模型检测实测雷达图像中的地下管线目标；

定位模块，用于通过结合RTK设备和探地雷达，实时定位地下管线的位置；

其中，所述识别模块的所述YOLOv3模型训练时，对所述图像数据库的所述样本数据中标注的所述矩形真实框与默认框进行交并比匹配，将匹配值大于0 .5的默认框特征内容作为正例，其余的特征内容作为反例；所述YOLOv3模型的损失函数包括目标定位损失、目标置信度损失和目标类别损失；

所述目标置信度损失采用二值交叉熵损失函数计算，损失计算的表达式如下：

其中，代表默认框与真实框匹配值；代表默认框对应类别p的预测概率；代表第i个默认框对应类别p的预测概率； 代表置信度损失； 代表非线性激活函数分类；代表第i个默认框与真实框匹配值，，当默认框与真实框匹配时，，否则，；为第i个默认框对应类别p的预测概率，当预测概率越高时，损失值越小；

所述目标类别损失计算的表达式如下：

其中， 代表目标类别损失； 代表非线性激活函数分类；，表示预测目标边界框i中是否真实存在第j类目标，0表示不存在，1表示存在，表示网络预测目标边界框i内存在第j类目标的Sigmoid概率；

所述目标定位损失是由真实偏差值与预测偏差值差的平方和计算而得：

其中， 代表目标定位损失；代表预测目标边界框i的x坐标、y坐标、宽度、高度偏移量；代表预测目标边界框i真实框与默认框之间的x坐标、y坐标、宽度、高度偏移量；代表预测目标边界框i真实框与默认框之间的宽度偏移量；代表预测目标边界框i真实框与默认框之间的高度偏移量；表示预测矩形框坐标偏移量，表示与之匹配的真实框与默认框之间的坐标偏移量；，，和为预测的目标矩形框参数,，，和分别代表默认框的矩形框参数，，，，为与之匹配的真实目标矩形框参数；

所述YOLOv3模型的损失函数由所述目标定位损失、所述目标置信度损失和所述目标类别损失的加权和求得，其表达式如下：

其中，代表总损失函数； 代表置信度损失； 代表目标类别损失； 代表定位损失；、、是平衡系数。