[发明专利]基于曲线知识和深度学习的地下线缆雷达图像检测方法

说明书

基于曲线知识和深度学习的地下线缆雷达图像检测方法，包括：提取B‑scan雷达图像的边缘，制作边缘图像；计算边缘图像各边缘点的曲率，制作曲率图像；制作标签数据，将边缘图像、曲率图像和标签数据作为神经网络的输入输出数据对，将所有数据按一定的概率随机分为训练数据和测试数据；利用训练数据调整网络模型中的参数，直到获得损失函数最小意义上的最低解；将测试数据集代入训练得到的模型中，验证训练得到的模型的性能，反复上述步骤，直到训练次数达到给定的次数或者误差精度达到给定的精度；确定测试数据集上检测精度最高的模型参数为最终结果。本发明使神经网络重点关注图像中的边缘信号，减小需要求取的参数量，降低对训练数据量的需求。

技术领域

本发明涉及的是雷达图像检测领域，特别涉及基于曲线知识和深度学习的地下线缆雷达图像检测方法。

背景技术

B-scan雷达图像是目前最普遍的雷达信号类型，大多工程应用都基于雷达图像提供的信息。由于地下介质并非均匀的，且存在各种可能的杂物，因而，雷达图像的有用信息常常隐于嘈杂的图像背景中，即使人工检测都相当困难。

由于深度学习具有非常强的学习和表达能力，理论上可以表达任意复杂的关系，因而，雷达图像中的检测目标识别常借助深度学习方法。然而，深度学习是一种普适方法，针对特定的任务需要训练专用的深度学习模型。为训练模型(即求模型参数)，需要大量带标签的训练数据，而这种数据的采集和标注是相当费时的，实际应用中往往数据量有限。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于曲线知识和深度学习的地下线缆雷达图像检测方法。

为了解决上述技术问题，本申请实施例公开了如下技术方案：

一种基于曲线知识和深度学习的地下线缆雷达图像检测方法，包括：

S100.提取B-scan雷达图像的边缘，制作边缘图像；

S200.计算边缘图像各边缘点的曲率，制作曲率图像；

S300.制作标签数据，将边缘图像、曲率图像和标签数据作为神经网络的输入输出数据对，将所有数据按一定的概率随机分为训练数据和测试数据；

S400.利用训练数据调整网络模型中的参数，直到获得损失函数最小意义上的最低解；

S500.将测试数据集代入训练得到的模型中，验证训练得到的模型的性能，反复步骤S400到S500，直到达到一定条件停止训练；

S600.确定测试数据集上检测精度最高的模型参数为最终结果。

进一步地，S100中，提取B-scan雷达图像的边缘的方法为基于一阶导的方法、基于二阶导的方法，或者基于模型的方法之一。

进一步地，S100中，提取B-scan雷达图像的边缘采用的边缘阈值比普通边缘检测算法低；图像边缘检测的方法包括但不仅限于Roberts、Prewitt、Sobel算子。

进一步地，S200中，计算各边缘点的曲率，制作曲率图像，具体方法为：

S201：检测边缘图像的边缘点；

S202：然后将边缘点进行细化；

S203：连接边缘图像中的断点；

S204：计算各边缘点的曲率；

S205：并令非边缘点处的曲率为0。

进一步地，S204中，对数字图像中的边缘曲线，将边缘曲线上的点从一端到另一端依次从小到大编号，第i个点坐标(x_i,y_i)，计算各边缘点的曲率的公式为：