[发明专利]一种基于GAN的管道探地雷达深度学习数据增强方法

权利要求书

1.一种基于GAN的管道探地雷达深度学习数据增强方法，其特征在于包含以下步骤：

S1、采集探地雷达获取的地下管线图像，对图像进行筛选及预处理，保留特征明显的图像，构建用于模型训练的数据集；

S2、构建基于GAN的网络模型，迁移学习初始化网络模型，将步骤S1中的数据集作为训练集导入该网络模型，进行模型训练；

S3、进行模型测试与优化，根据步骤S2中网络模型的训练效果和性能表现调整参数，对模型中的生成器G和判别器D不断调优；

S4、达到全局最优，保存模型。

2.根据权利要求1所述的一种基于GAN的管道探地雷达深度学习数据增强方法，所述步骤S1的具体步骤为：

S11、整理图像建立雷达图像数据集；

S12、雷达图像由地下管线维护的专业人员筛选，保留存在良好地下管线特征的图像；

S13、使用图像处理程序将图像四周空白的附加无用信息直接剪裁删去；

S14、将雷达图像的尺寸统一调整为256像素×256像素。

3.根据权利要求2所述的一种基于GAN的管道探地雷达深度学习数据增强方法，所述雷达图形数据集包括真实雷达图像、模型试验雷达图像与FDTD仿真图像。

4.根据权利要求1所述的一种基于GAN的管道探地雷达深度学习数据增强方法，所述步骤S2的具体步骤为：

S21、利用卷积神经网络代替GAN中的多层感知机来搭建网络模型；

S22、随机数据输入至生成器G后，由生成器G中的解码器将随机数据转换成图像格式的数据，判别器D对生成的数据判定是否为真实数据；

S23、先固定生成器G的参数，训练判别器D的参数，然后固定判别器D的参数，再训练生成器G的参数，如此反复交替进行模型训练。

5.根据权利要求4所述的一种基于GAN的管道探地雷达深度学习数据增强方法，所述步骤S21中的所述网络模型包括生成网络与判别网络；

其中，所述生成网络包含有7层卷积神经网络，含有3个反卷积层、3个标准卷积层和1个输入层；所述判别网络包含有4个卷积层和1个全连接层，所述生成器G将随机数据转换为虚拟图像，所述判别器D根据真实图像数据对虚拟图像进行判别，最后根据判别结果对生成器G和判别器D的网络参数进行优化。

6.根据权利要求5所述的一种基于GAN的管道探地雷达深度学习数据增强方法，所述反卷积层具有上采样的作用，在标准卷积层后面引入批量归一化层防止梯度消失，使用ReLU或Tanh函数作为激活函数。

7.根据权利要求1所述的一种基于GAN的管道探地雷达深度学习数据增强方法，所述步骤S3的具体步骤为：

S31、每迭代500次生成一批地下管线的雷达图像数据，观察模型训练进度和训练效果；

S32、利用训练好的网络模型进行地下管线的雷达图像数据生成，将生成数据与原始真实数据对比，综合考虑生成数据的质量和模型收敛的速度，验证网络性能。

8.根据权利要求7所述的一种基于GAN的管道探地雷达深度学习数据增强方法，所述步骤S3中调整的参数为初始学习率、迭代次数、Batchsize。

9.根据权利要求7所述的一种基于GAN的管道探地雷达深度学习数据增强方法，所述步骤S3中调整参数的主要依据为：设置不同参数时，网络模型生成数据中地下管线特征的清晰度，以及模型收敛所用时长。

10.根据权利要求5所述的一种基于GAN的管道探地雷达深度学习数据增强方法，所述步骤S4中，在生成对抗网络训练过程中不断地调整优化生成器G和判别器D的参数，优化的手段是使生成器极小化、判别器极大化，生成器生成的虚拟图像能够骗过判别器，最终达到以假乱真的效果即达到全局最优。