[发明专利]一种管道雷达图谱Mish残差多尺度网络识别方法

权利要求书

1.一种管道雷达图谱Mish残差多尺度网络识别方法，其特征在于，包括：

S1:对Mish深度残差多尺度网络进行参数初始化；

S2:将管道雷达病害数据载入Mish深度残差多尺度网络，结合数据增强策略，训练得到训练好的Mish深度残差多尺度网络，提取Mish深度残差多尺度网络的特征提取器部分作为管道病害特征提取的一部分；

S3:将待测试的管道雷达病害图像载入训练好的Mish深度残差多尺度网络，根据特征使用Mish深度残差多尺度网络中的金字塔网络预测病害，并从网络输出端输出预测出来的病害坐标；

S4:将预测出来的病害坐标转换为里程数和深度信息。

2.根据权利要求1所述的方法，其特征在于，所述深度残差网络包括两层卷积层，五个残差单元，三个卷积预测单元，

第一卷积层利用32个3×3大小的卷积核对分辨率为512×512的雷达图像进行卷积，得到512×512×32维度的输出，参数包括通道数为32，卷积核尺寸为3和3，步长为1，补零项尺寸为0和0；正则化层为1，参数包括动态更新值2；激活函数层为1，采用Mish激活函数，

第二卷积层利用64个3×3大小的卷积核对上层网络的输出进行步长为2的下采样操作，得到256×256×64维度的输出，参数包括通道数为64，卷积核尺寸为3和3，步长为2，补零项尺寸为1和1；正则化层为2，参数包括动态更新值2；激活函数层为1，采用Mish激活函数，

第一残差单元(一个)的组成按照总体模型在上层网络的输出进行预测时的数据流向依次为卷积层1，参数包括通道数为32，卷积核尺寸为1和1，步长为1，补零项尺寸为0和0，批量正则化层为2，参数包括动态更新值2，激活函数层为1，采用Mish激活函数，卷积层2，参数包括通道数为64，卷积核尺寸为3和3，步长为2，补零项尺寸为1和1，批量正则化层为1，参数包括动态更新值2；数值单元融合层，模式为相加操作，激活函数层为2，采用Mish激活函数，

第二残差单元(两个)的组成按照总体模型在上层网络的输出进行预测时的数据流向依次为卷积层1，参数包括通道数为64，卷积核尺寸为1和1，步长为1，补零项尺寸为0和0，批量正则化层为2，参数包括动态更新值2，激活函数层为1，采用Mish激活函数，卷积层2，参数包括通道数为128，卷积核尺寸为3和3，步长为2，补零项尺寸为1和1，批量正则化层为1，参数包括动态更新值2，数值单元融合层，模式为相加操作，激活函数层为2，采用Mish激活函数，

第三残差单元(八个)的组成按照总体模型在上层网络的输出进行预测时的数据流向依次为卷积层1，参数包括通道数为128，卷积核尺寸为1和1，步长为1，补零项尺寸为0和0；批量正则化层为2，参数包括动态更新值2，激活函数层为1，采用Mish激活函数，卷积层2，参数包括通道数为256，卷积核尺寸为3和3，步长为2，补零项尺寸为1和1，批量正则化层为1，参数包括动态更新值2，数值单元融合层，模式为相加操作，激活函数层为2，采用Mish激活函数，

第四残差单元(八个)的组成按照总体模型在上层网络的输出进行预测时的数据流向依次为卷积层1，参数包括通道数为256，卷积核尺寸为1和1，步长为1，补零项尺寸为0和0，批量正则化层为2，参数包括动态更新值2，激活函数层为1，采用Mish激活函数，卷积层2，参数包括通道数为512，卷积核尺寸为3和3，步长为2，补零项尺寸为1和1，批量正则化层为1，参数包括动态更新值2，数值单元融合层，模式为相加操作，激活函数层为2，采用Mish激活函数，

第五残差单元(四个)的组成按照总体模型在上层网络的输出进行预测时的数据流向依次为卷积层1，参数包括通道数为512，卷积核尺寸为1和1，步长为1，补零项尺寸为0和0，批量正则化层为2，参数包括动态更新值2，激活函数层为1，采用Mish激活函数，卷积层2，参数包括通道数为1024，卷积核尺寸为3和3，步长为2，补零项尺寸为1和1，批量正则化层为1，参数包括动态更新值2，数值单元融合层，模式为相加操作，激活函数层为2，采用Mish激活函数，

第一卷积预测单元组成按照上层残差网络的输出进行预测时的数据流向一次为卷积层1，参数包括通道数为512，卷积核尺寸为1和1，步长为1，激活函数层为1，采用Mish激活函数，卷积层2，参数包括通道数为1024，卷积核尺寸为3和3，步长为2，激活函数层为1，采用Mish激活函数，卷积层3，参数包括通道数为512，卷积核尺寸为1和1，步长为1，激活函数层为1，采用Mish激活函数，卷积层4，参数包括通道数为1024，卷积核尺寸为3和3，步长为1，激活函数层为1，采用Mish激活函数，卷积层5，参数包括通道数为512，卷积核尺寸为1和1，步长为1，激活函数层为1，采用Mish激活函数，

第二卷积预测单元组成按照上层残差网络的输出进行预测时的数据流向一次为卷积层1，参数包括通道数为256，卷积核尺寸为1和1，步长为1，激活函数层为1，采用Mish激活函数，卷积层2，参数包括通道数为512，卷积核尺寸为3和3，步长为2，激活函数层为1，采用Mish激活函数，卷积层3，参数包括通道数为256，卷积核尺寸为1和1，步长为1，激活函数层为1，采用Mish激活函数，卷积层4，参数包括通道数为512，卷积核尺寸为3和3，步长为1，激活函数层为1，采用Mish激活函数，卷积层5，参数包括通道数为256，卷积核尺寸为1和1，步长为1，激活函数层为1，采用Mish激活函数，

第三卷积预测单元组成按照上层残差网络的输出进行预测时的数据流向一次为卷积层1，参数包括通道数为128，卷积核尺寸为1和1，步长为1，激活函数层为1，采用Mish激活函数；卷积层2，参数包括通道数为256，卷积核尺寸为3和3，步长为2，激活函数层为1，采用Mish激活函数；卷积层3，参数包括通道数为128，卷积核尺寸为1和1，步长为1，激活函数层为1，采用Mish激活函数，卷积层4，参数包括通道数为256，卷积核尺寸为3和3，步长为1，激活函数层为1，采用Mish激活函数，卷积层5，参数包括通道数为128，卷积核尺寸为1和1，步长为1，激活函数层为1，采用Mish激活函数。