1.一种基于多尺度深度学习的探地雷达管道智能反演方法,其特征在于:包括如下步骤:
1)批量构建地下仿真模型数据集,系统涵盖不同管径规格、埋设深度梯度及材质属性的管线目标;
2)基于时域有限差分对仿真模型数据进行正演计算,构建包含输入雷达数据与输出介电常数分布的匹配数据对供网络训练;
3)构建具有多尺度特征提取能力的深度神经网络模型,包含残差注意模块、双路径空间注意力模块、多尺度特征融合模块和重构模块,通过层级化特征提取与跨尺度信息交互,实现对地下管线目标从细节到全局的精准感知;
4)将构建的匹配数据对输入多尺度网络进行端到端训练,采用 Adam 优化器结合自适应学习率调度机制,通过动态调整学习率与动量参数,实现网络训练过程的自适应寻优;
5)实施模型测试与迭代优化,以损失函数收敛特性及测试集泛化性能为双重评估指标,动态调整网络深度、卷积核尺度关键超参数,实现模型性能的全局寻优;
6)保存最优网络模型参数,构建从原始雷达数据到地下介质介电常数分布的端到端反演链路;
所述的步骤3)中,
残差注意模块的功能为特征提取,具体为:残差注意模块包4层卷积层、2层批归一化层和注意力层构成,网络首先接受64通道的特征输入图,然后通过第一层残差分支的3×3卷积、3×3卷积、批归一化和LeakyReLU激活函数激活,得到的特征图与输入特征图残差连接;再经第二层残差分支的3×3卷积、3×3卷积、批归一化和LeakyReLU激活函数激活,其结果与上一分支输出残差连接,最后通过通道注意力模块增强,输出64通道特征图;
双路径空间注意力模块的功能为特征增强,具体为:双路径空间注意力模块接收64通道特征图后,先经3×3卷积、LeakyReLU激活函数激活和3×3 卷积预处理;再通过最大池化和平均池化得到两路特征并相加融合;随后经3×3卷积、上采样、3×3卷积和Sigmoid函数激活生成空间注意力权重,该权重与输入特征图逐元素相乘,输出增强后的 64 通道特征图;
多尺度特征融合模块的功能为多尺度融合,具体为:多尺度特征融合模块输入64通道特征图后,通过两个并行的3×3卷积及LeakyReLU激活函数激活提取特征并拼接为128 通道;再经两个 5×5卷积及LeakyReL激活函数激活,其结果拼接为256通道后,由1×1卷积压缩至64通道,与输入特征图残差连接,经3×3卷积处理后与对应层级特征融合;
重构模块的功能为重建输出,具体为:重构模块输入64通道融合特征图后,经3×3卷积和LeakyReLU激活函数激活,结果与输入残差连接;再通过3×3卷积和LeakyReLU激活函数激活更新特征,随后经3×3卷积、LeakyReLU激活函数激活与上一步结果残差连接,重复卷积与残差连接操作后,经3×3卷积、LeakyReLU激活函数激活和3×3卷积映射为1通道特征图,最终与原始雷达输入数据相加,得到介电常数分布反演结果。
2.根据权利要求1所述的一种基于多尺度深度学习的探地雷达管道智能反演方法,其特征在于:所述的步骤1)中,所构建的地下仿真模型尺寸为2.5m×1.2m,空间离散参数设为0.01m,模拟天线中心频率选择500MHz,发射与接收天线间距固定,沿水平方向每步移动0.02m进行连续扫描;所有地下仿真模型的背景介质均为干砂,在地下仿真模型随机设置不同数量、位置及材质特性的目标体,包括低介电常数材质与高介电常数材质两类。
3.根据权利要求1所述的一种基于多尺度深度学习的探地雷达管道智能反演方法,其特征在于:所述的步骤2)中,利用开源软件gprMax对仿真模型进行电磁波传播模拟计算,生成高保真的雷达B-scan图像数据,所有图像数据均归一化至[0,1]区间,将模型和B-scan图像数据的尺寸大小统一调整为128×256像素大小,构建包含输入雷达数据与输出介电常数分布的匹配数据对供网络训练。
4.根据权利要求1所述的一种基于多尺度深度学习的探地雷达管道智能反演方法,其特征在于:所述的步骤4)中,将构建的匹配数据对输入多尺度网络进行端到端训练,采用Adam优化器,设置初始学习率为0.0001,每次投入网络中的样本个数大小为16,迭代次数为100,每迭代20次保存一次网络模型参数。
5.根据权利要求1所述的一种基于多尺度深度学习的探地雷达管道智能反演方法,其特征在于:所述的步骤5)中,选择均方误差MSE和结构相似度SSIM作为网络训练的损失函数,其权重比为1*MSE+1*SSIM:L=LMSE+LSSIM (1)
式中,L为网络损失函数,LMSE和LSSIM分别为MSE损失函数和SSIM损失函数;MSE通过计算模型预测结果与真实介电常数模型平方差的均值,来量化两者之间的差异,其公式如下:其中,N为样本数量,yi代表实际介电常数模型标签,为网络预测介电常数模型;SSIM用于评估两张图像之间相似性的度量,从亮度、对比度和结构三个维度进行考量,SSIM指数使用以下公式计算:其中,x和y是待比较的图像,μx和μy是x和y的均值,和是x和y的方差,σxy是x和y的协方差,c1和c2是用于稳定弱分母除法的常数。
6.根据权利要求1所述的一种基于多尺度深度学习的探地雷达管道智能反演方法,其特征在于:所述的步骤6)中,完成模型测试与优化后,将最优网络模型参数进行保存,参数涵盖了网络各层的权重、偏置信息;当新的原始雷达数据输入时,加载已保存的最优模型参数,模型按照既定的网络结构与参数设置,对输入数据依次进行特征提取、多尺度融合操作,最终输出从原始雷达数据反演得到的介电常数分布结果,实现对地下管线状况的精准评估。