[发明专利]一种管道雷达图谱Mish残差多尺度网络识别方法

说明书

本发明公开了一种管道雷达图谱Mish残差多尺度网络识别方法。本发明包括：对Mish深度残差多尺度网络进行参数初始化；将待训练的管道雷达病害数据载入Mish深度残差多尺度网络提取病害特征；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；将预测出来的病害坐标转换为里程数和深度信息。本发明在管道雷达病害区域智能识别模型上具有较高精度和较低的漏检率，能识别真实管道环境下的病害特征，适用于城市管道检修领域。

技术领域

本发明涉及管道雷达图谱信号处理技术领域，更具体的说是涉及一种管道雷达图谱Mish残差多尺度网络识别方法。

背景技术

城市管道是重要的城市地下公共设施之一。城市路面坍塌造成的影响严重，往往会造成人员伤亡，严重危害社会的公共安全。在一般地质条件下，地下空洞的发展是一个漫长的过程，除非地下有水动力。在城市中地下管道铺设密集，而管道发生破损后正好满足了空洞形成的三个条件。地下管道破损后势必会出现渗漏现象。地下空洞是形成地表塌陷的必要条件之一，城市道路塌陷大体上可以分为四个阶段：管道破损，管道渗漏，形成空洞，临界坍塌。现有的管道检测技术主要基于闭路电视系统(CCTV)管道机器人，利用探测摄像机采集视频数据来观测管道内部情况。该方法无法满足地下排水管道全空间探测需要，可检测管道病害为管道破裂、腐蚀和裂隙，无法探测出管道外部是否存在空洞病害，管壁外侧与结构面间是否脱空，管壁周边土层是否疏松，而这些隐患可能导致路面出现唧浆、龟裂甚至出现塌陷。

因而，需要管道机器人。管道机器人装配探地雷达，满足了管道的全空间探测需要，可探测管道是否存在脱空、空洞和疏松等病害。但是，对于地下的病害判读往往需要专家丰富的经验，对于病害的解释缺乏统一的标准。探地雷达数据属于海量数据，对于探地雷达图像的解释难度大、人力解释经验需求高、解释周期长，严重影响检测工作的效率。现有研究中尚无针对城市管道内部探地雷达图像的智能识别方法。因此，如何提供一种对城市管道内部病害智能识别的方法是本领域技术人员亟需解决的问题。目前对于雷达图像的识别算法研究主要包括探地雷达B-scan剖面显示图像识别和A-scan单道数据进行对比识别两种。其中针对探地雷达B-scan剖面显示图像的识别方法大多基于雷达图像剖面灰度图，针对灰度图像人工设计病害特征，随后将特征利用支持向量机、浅层神经网络等分类算法训练，得到雷达图像识别结果。但管道病害形态复杂，各种探地雷达仪器获取数据形式多样，且数据耦合度低。传统的机器学习方法如线性回归的对多样的雷达数据鲁棒性不高。而且探地雷达数据易受噪声影响，病害特征往往被噪声覆盖，直接应用机器学习算法对雷达原始数据识别难度大。

发明内容

有鉴于此，本发明提供了一种管道雷达图谱Mish残差多尺度网络识别方法，提出一套可识别排水管道病害里程数、所在深度、病害种类，并给出识别病害可信度的方法。此方法在管道雷达病害区域智能识别上具有较高精度，提升管道病害区域智能识别效率。

为了实现上述目的，本发明采用如下技术方案：

本发明涉及一种管道雷达图谱Mish残差多尺度网络识别方法，包括：

S1:对Mish深度残差多尺度网络进行参数初始化；

S2:将训练的管道雷达病害数据载入所述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；