欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023106894971
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
专利领域: 测量;测试
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于探地雷达的深度学习路面离析识别方法,其特征在于,所述方法具体包括以下步骤:步骤一、获取已知离析情况的路面的探地雷达波形数据,再对获取的探地雷达波形数据进行振幅恢复处理,得到振幅恢复后的雷达信号;

对振幅恢复后的雷达信号进行振幅和相位分解,得到雷达波振幅和雷达波相位;再取雷达波相位在深度方向上的梯度作为相位梯度;

步骤二、计算步骤一获取的探地雷达波形数据在各采样点的离析区域注意力分数;

所述步骤二的具体过程为:

其中,为在采样点的离析区域注意力分数,为在采样点的信息熵,为在采样点的变异系数,为最大最小归一化,为加权和操作的权重向量,为采样点的邻居点的相位梯度数据的集合,为相位梯度数据的离散化水平,为中的数据落入第个离散等级的概率,,为标准差算子,为均值算子;

步骤三、构建深度学习网络,将步骤一中获得的雷达波振幅、雷达波相位和相位梯度进行拼接后作为构建的深度学习网络的输入,并融合各采样点的离析区域注意力分数对构建的深度学习网络进行训练;

步骤四、采集待检测路面的探地雷达波形数据,再采用步骤一的方法对采集的数据进行处理,得到待检测路面的探地雷达波形数据的雷达波振幅、雷达波相位以及相位梯度,对雷达波振幅、雷达波相位以及相位梯度进行拼接,得到拼接后的数据;

计算待检测路面的探地雷达波形数据在各采样点的离析区域注意力分数;

将拼接后的数据以及离析区域注意力分数输入训练好的深度学习网络,通过训练好的深度学习网络输出对待检测路面的离析识别结果;

所述步骤三中构建的深度学习网络的结构具体包括:第一卷积层至第十六卷积层、第一平均池化层至第八平均池化层、第一批归一化层至第五批归一化层、最大池化层、第一反卷积层至第三反卷积层以及softmax分类层;

所述深度学习网络的工作过程为:

将待检测路面对应的拼接后数据和离析区域注意力分数作为深度学习网络的输入,拼接后数据依次经过第一卷积层、第二卷积层、第一批归一化层和第一平均池化层;离析区域注意力分数经过第二平均池化层;

将第一平均池化层的输出与第二平均池化层的输出以逐通道按位相乘的方式融合,得到融合结果A;

融合结果A依次经过第三卷积层、第四卷积层、第二批归一化层和第三平均池化层;第二平均池化层的输出经过第四平均池化层后,将第三平均池化层的输出与第四平均池化层的输出以逐通道按位相乘的方式融合,得到融合结果B;

融合结果B依次经过第五卷积层、第六卷积层、第七卷积层、第三批归一化层和第五平均池化层;第四平均池化层的输出经过第六平均池化层后,将第五平均池化层的输出与第六平均池化层的输出以逐通道按位相乘的方式融合,得到融合结果C;

融合结果C依次经过第八卷积层、第九卷积层、第十卷积层、第四批归一化层和第七平均池化层;第六平均池化层的输出经过第八平均池化层后,将第七平均池化层的输出与第八平均池化层的输出以逐通道按位相乘的方式融合,得到融合结果D;

融合结果D依次经过第十一卷积层、第十二卷积层、第十三卷积层、第五批归一化层、最大池化层、第十四卷积层、第十五卷积层和第十六卷积层,再将第十六卷积层的输出作为第一反卷积层的输入;

第一反卷积层的输出与第七平均池化层的输出进行按位相加,得到按位相加结果A';

将按位相加结果A'作为第二反卷积层的输入,将第二反卷积层的输出与第五平均池化层的输出进行按位相加,得到按位相加结果B';

将按位相加结果B'作为第三反卷积层的输入,第三反卷积层的输出再经过softmax分类层,通过softmax分类层输出对待检测路面的离析识别结果。

2.根据权利要求1所述的一种基于探地雷达的深度学习路面离析识别方法,其特征在于,所述振幅恢复后的雷达信号为:其中,表示振幅恢复后的雷达信号,表示获取的探地雷达波形数据,为雷达波传播的单程距离,是自然对数的底数,为路面材料对电磁波的吸收系数,为电磁波在路面材料中的传播距离。

3.根据权利要求2所述的一种基于探地雷达的深度学习路面离析识别方法,其特征在于,所述雷达波振幅为:其中,为实部算子,为虚部算子,为雷达波振幅。

4.根据权利要求3所述的一种基于探地雷达的深度学习路面离析识别方法,其特征在于,所述雷达波相位为:其中,为反正切函数,为雷达波相位。

5.根据权利要求4所述的一种基于探地雷达的深度学习路面离析识别方法,其特征在于,所述相位梯度为:其中,为在采样点的相位梯度,为雷达在水平方向上的采样点坐标,为雷达在深度方向上的采样点坐标,表示在采样点的雷达波相位,表示在采样点的雷达波相位,表示将变量归一化到区间内。

6.根据权利要求5所述的一种基于探地雷达的深度学习路面离析识别方法,其特征在于,所述深度学习网络的损失函数为:其中:为损失函数;为雷达采样点的离析标签,若雷达采样点为离析,则,否则;为雷达采样点被识别为离析的概率;为水平方向上的采样点数量;为深度方向上的采样点数量。

7.根据权利要求6所述的一种基于探地雷达的深度学习路面离析识别方法,其特征在于,所述通过softmax分类层输出对待检测路面的离析识别结果,其具体过程为:softmax分类层输出每个雷达采样点属于离析的概率,将离析概率大于0.5的采样点认定为发生离析,对于离析概率小于等于0.5的采样点,则被认定为未发生离析。