[发明专利]一种地下管线智能识别方法、装置及存储介质

说明书

本发明涉及一种地下管线智能识别方法、装置及存储介质，识别方法包括步骤：(1)获取探地雷达剖面图像以及典型管线反射特征图像；(2)设定遍历步长和相似度临界值；(3)将探地雷达剖面图像划分为若干切片；(4)遍历各图像，采用感知哈希算法提取各图像特征形成对应的pHash指纹；(5)依据pHash指纹计算各切片与典型管线反射特征图像的相似度，输出所有相似度大于相似度临界值的切片作为管线切片；(6)对管线切片进行基于方向矢量的改进型K‑means聚类分析确定管线数量与位置；(7)管线材质判别。与现有技术相比，本发明不仅可以以较少的样本库直接对管线空间位置实施定位，还能快速、高效的实施材质判别。

技术领域

本发明涉及属于城市地下空间开发与探测领域，尤其是涉及一种地下管线智能识别方法、装置及存储介质。

背景技术

探地雷达(Ground Penetrating Radar，简称GPR)是一种高分辨率、高效的地球物理无损勘测手段，已广泛应用于地下管线探测等领域。但是人工解释雷达图像耗时，且其准确性依赖于工程师的个人经验。所以探索一种准确有效的探地雷达自动识别方法对探地雷达的资料解释具有里程碑的意义。当前，常用的探地雷达剖面地下管线的识别方法主要是BP神经网络方法和卷积神经网络方法。

在BP神经网络分析法中，探地雷达剖面中孤立地下管线的识别主要是通过人为的正演或者实际去勘测来获取大量的训练样本，通过对大量先验信息的训练来更新神经网络的权重，BP神经网络是一种按误差反向传播训练的多层前馈网络，其网络结构为“输入层—中间层—输出层”，它的基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小，包括信号的前向传播和误差的反向传播两个过程。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。然而，BP网络每一层节点是一个线性的一维排列状态，层与层的网络节点之间是全连接的，这就大大增加了运算的时间。

在卷积神经网络分析法中，它的神经元间的连接是非全连接的，另一方面同一层中某些神经元之间的连接的权重是共享的。它的非全连接和权值共享的网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量，卷积神经网络的基本结构为“输入层—卷积层—池化层—全连接层”。卷积神经网络仿造生物的视知觉机制构建，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征，例如图像识别和图像分类、有稳定的效果且对数据没有额外的特征工程要求，但是针对于探地雷达剖面中地下管线的识别这一领域还是需要大量的样本数据。

总体而言，现有探地雷达图像地下管线的自动识别方法严重受限于训练样本的质量和数量，存在前期训练样本不足的问题，尚没有一种能有效解决减少样本需求的方法。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种即能保证识别效果的精度又能减少训练样本数量的地下管线智能识别方法、装置及存储介质。

本发明的目的可以通过以下技术方案来实现：

一种地下管线智能识别方法，该方法包括如下步骤：

(1)获取待识别的探地雷达剖面图像以及典型管线反射特征图像；

(2)设定遍历步长和相似度临界值s；

(3)按照遍历步长将探地雷达剖面图像划分为与管线反射特征图像像素一致的若干切片；

(4)采用感知哈希算法依次遍历典型管线反射特征图像以及各切片，分别提取各图像特征形成对应的pHash指纹；

(5)依据pHash指纹计算各切片与典型管线反射特征图像的相似度，输出相似度大于相似度临界值s的切片作为管线切片；

(6)对管线切片进行基于方向矢量的改进型K-means聚类分析确定管线数量与位置。