[发明专利]隧道衬砌检测模型的抗干扰训练方法及隧道衬砌检测方法在审

专利信息
申请号: 202210536807.1 申请日: 2022-05-18
公开(公告)号: CN114638829A 公开(公告)日: 2022-06-17
发明(设计)人: 宋恒;贾波;赵晶丽;耿天宝;王扩;王东杰;刘道学;张大伟;余振;田炳坤 申请(专利权)人: 安徽数智建造研究院有限公司
主分类号: G06T7/00 分类号: G06T7/00;G06V10/44;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
代理公司: 北京清亦华知识产权代理事务所(普通合伙) 11201 代理人: 赵静
地址: 230001 安徽*** 国省代码: 安徽;34
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 隧道 衬砌 检测 模型 抗干扰 训练 方法
【权利要求书】:

1.一种隧道衬砌检测模型的抗干扰训练方法,其特征在于,所述训练方法包括:

使用训练影像集对隧道衬砌检测模型进行多次周期性的训练,其中,针对每次训练周期,执行以下操作:

获取训练影像集,其中,所述训练影像集包括衬砌雷达影像;

将所述训练影像集中的衬砌雷达影像输入至隧道衬砌检测模型,得到第一特征图和预测的第一位置信息,并向所述第一特征图加入扰动生成扰动特征图,以及利用所述隧道衬砌检测模型基于所述扰动特征图,得到预测的第二位置信息;

基于所述第一位置信息得到第一损失函数,基于所述第二位置信息得到第二损失函数,并根据所述第一损失函数和所述第二损失函数得到第三损失函数;

根据所述第三损失函数,调整所述隧道衬砌检测模型的参数。

2.根据权利要求1所述的隧道衬砌检测模型的抗干扰训练方法,其特征在于,将所述训练影像集中的衬砌雷达影像输入至隧道衬砌检测模型,得到第一特征图和预测的第一位置信息,包括:

将所述衬砌雷达影像输入至神经网络模块中特征提取单元,得到第一特征图;

利用所述神经网络模块中的第一位置提取单元对所述第一特征图进行位置检测,得到所述第一位置信息。

3.根据权利要求2所述的隧道衬砌检测模型的抗干扰训练方法,其特征在于,向所述第一特征图加入扰动生成扰动特征图,以及利用所述隧道衬砌检测模型基于所述扰动特征图,得到预测的第二位置信息,包括:

利用预设的抗干扰模块基于所述第一特征图,得到噪声特征图;

根据所述第一特征图和所述噪声特征图,得到所述扰动特征图;

利用所述神经网络模块中的第二位置提取单元对所述扰动特征图进行位置检测,得到所述第二位置信息。

4.根据权利要求3所述的隧道衬砌检测模型的抗干扰训练方法,其特征在于,所述抗干扰模块采用的噪声为高斯噪声,椒盐噪声、乘性噪声中的任一者。

5.根据权利要求4所述的隧道衬砌检测模型的抗干扰训练方法,其特征在于,当所述抗干扰模块采用高斯噪声时,利用预设的抗干扰模块基于所述第一特征图,得到噪声特征图,包括:

获取多个所述第一特征图的尺寸内,独立且服从均匀分布的随机数,生成服从高斯分布的高斯随机数,并计算多个所述高斯随机数的平均值和方差;

随机获取所述第一特征图的尺寸内m个数,并计算m个数的平均值,其中,i为正整数,0<i≤m;

根据预设的噪声特征图表达式,得到所述噪声特征图。

6.根据权利要求5所述的隧道衬砌检测模型的抗干扰训练方法,其特征在于,所述预设的噪声特征图的表达式为:

其中,表示所述噪声特征图,表示多个所述高斯随机数的平均值,表示多个所述高斯随机数的标准差,表示m个数的平均值。

7.根据权利要求3所述的隧道衬砌检测模型的抗干扰训练方法,其特征在于,所述第一特征图和所述噪声特征图的大小和通道数相同,其中,根据所述第一特征图和所述噪声特征图,得到所述扰动特征图,包括:

将所述第一特征图和所述噪声特征图进行相加,得到所述扰动特征图。

8.根据权利要求1所述的隧道衬砌检测模型的抗干扰训练方法,其特征在于,所述第三损失函数的表达式为:

其中,表示所述第三损失函数,表示所述第一损失函数,表示所述第二损失函数,表示权重平衡因子。

9.一种隧道衬砌检测方法,其特征在于,所述检测方法包括:

获取待识别衬砌雷达影像;

将所述待识别衬砌雷达影像输入至训练好的隧道衬砌检测模型,得到所述待识别衬砌雷达影像中的检测目标的位置信息,其中,所述训练好的隧道衬砌检测模型利用如权利要求1-8中任一项所述的隧道衬砌检测模型的抗干扰训练方法得到。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于安徽数智建造研究院有限公司,未经安徽数智建造研究院有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202210536807.1/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top