CN109190510A - 基于探地雷达的地下空洞量化识别方法 - Google Patents
基于探地雷达的地下空洞量化识别方法 Download PDFInfo
- Publication number
- CN109190510A CN109190510A CN201810919217.0A CN201810919217A CN109190510A CN 109190510 A CN109190510 A CN 109190510A CN 201810919217 A CN201810919217 A CN 201810919217A CN 109190510 A CN109190510 A CN 109190510A
- Authority
- CN
- China
- Prior art keywords
- cavity
- quantization
- underground cavity
- ground penetrating
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Geophysics And Detection Of Objects (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明专利提供一种基于探地雷达的地下空洞量化识别方法,该方法通过对探地雷达数据的预处理并构建空洞量化识别模型,实现对地下空洞的位置、尺寸等信息进行定量识别的目的。其实现步骤为:1.预处理,包括对探地雷达原始数据进行零点标定、滤波和增益处理;2.空洞回波信号特征提取,对预处理后的时间域雷达数据进行降维处理并提取空洞回波信号特征,作为空洞量化识别的特征向量;3.构建量化识别初始模型,将探地雷达数据中空洞和非空洞数据按照一定比例进行抽取组成训练样本集,利用径向基函数(RBF)作为核函数的SVM对该训练样本集进行训练构建出初始的空洞量化识别模型;4.模型参数优化,通过交叉验证的方法进行参数优化,利用该优化参数对初始模型进行修正得到高精度的空洞量化识别模型,并通过该模型实现地下空洞的量化识别。
Description
技术领域
本发明属于探地雷达探测应用技术领域,涉及一种基于探地雷达的地下空洞量化识别方法,该方法通过对探地雷达数据的预处理、训练空洞样本并构建量化识别模型,从而实现对地下空洞的位置、尺寸等信息进行定量识别的目的。
背景技术
近年来,城市地下工程规模不断扩大,大中型城市地铁修建、地下管线铺设进入高速发展阶段,地下工程施工引起的土体扰动进而引起道路塌陷事故时有发生,威胁道路安全。物探技术的快速发展为城市道路地下空洞的探测提供了重要手段,其中探地雷达(GPR)技术是一种用电磁波反射来确定地下介质分布的技术,并以其无损、快捷以及浅层高分辨率的优势被广泛应用于道路地下病害检测中。目前,GPR技术在路基空洞探测中仅能实现对地下空洞的定性解释,难以实现定量识别,仍无法满足城市道路安全监测和养护的需求。
因此,如何解决现有技术中,准确并快速的识别出空洞位置、尺寸等参数信息是本领域技术人员亟待解决的。
发明内容
本发明的目的是实现对地下空洞位置、尺寸等参数的自动识别。为了达到上述目的,本发明提出了一种基于探地雷达的地下空洞量化识别方法。本发明采取的步骤如下:
1、对接收到的原始探地雷达数据进行预处理;
2、对预处理后的数据进行空洞回波信号时域特征提取;
3、运用核函数为RBF的SVM训练出初始量化识别模型;
4、通过交叉验证的方法对初始量化识别模型进行参数优化;
在上述技术方案中,步骤1、所述预处理包括对探地雷达原始数据进行零点标定、滤波和增益处理。其中,零点标定的目的是标定地面起始零点,滤波处理以消除噪声干扰,增益处理是对深部回波信号进行衰减补偿,提高信噪比。
步骤2、对步骤1中预处理后的时间域雷达数据应用主成分分析法进行降维处理,并将前10个贡献率最大的主成分作为空洞量化识别的特征向量,可最大限度的提取地下空洞回波信号的时域特征。
步骤3、将步骤2探地雷达数据中空洞和非空洞数据道按照1∶2的比例随机抽取组成训练样本集,抽取过程中应保证抽取数据道集的数量不少于数据道集总数量的五分之一;利用径向基函数(RBF)作为核函数的SVM对该训练样本集进行训练构建出初始空洞量化识别模型。
RBF核函数计算公式为:
步骤4、直接影响识别的精度的2个关键参数为惩罚因子C和gamma函数参数g,通过交叉验证的方法,即通过固定一个参数来优化另一个参数的方法实现对步骤3中整体参数的优化;最终利用该优化参数对3中的初始模型进行修正得到高精度的空洞量化识别模型。
本发明相对于现有技术取得了以下技术效果:本发明的特征提取方法能最大限度的提取并利用地下空洞回波信号的时域特征,且本发明的空洞量化识别模型参数可以根据空洞样本集进行优化,有效的提高了地下空洞量化识别模型的识别精度和适用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为量化识别流程图;
图2为预处理后的雷达数据剖面图;
图3空洞区域识别结果图;
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细描述:
本例所用实验设备包括中国矿业大学(北京)制造的GR-IV型探地雷达主机和不同频率探地雷达天线。采集参数设置如下:(1)天线的中心频率为200MHz;(2)采样时间窗口为80ns;(3)采样率为1024点。为了验证上述地下空洞量化识别方法的实用性,在位于麻峪东街和双峪路路口东侧阜石路高架桥下,公联抢险指挥部内的实验模型场地进行了验证实验。
用频率为200MHz的探地雷达天线进行数据采集。运用上述地下空洞量化识别方法对采集的原始雷达数据进行量化识别。
地下空洞量化识别按照如下方法进行:
1、对200MHz探地雷达采集的原始数据依次进行零点标定、滤波和增益处理。其中,零点标定的目的是标定地面起始零点,滤波处理以消除噪声干扰,增益处理是对深部回波信号进行衰减补偿,提高信噪比,预处理后的雷达图像如图2所示。
2、对预处理后的时间域雷达数据应用主成分分析法进行降维处理,这里将前10个贡献率最大的主成分作为空洞量化识别的特征向量。
3、将降维后的探地雷达数据中空洞和非空洞数据道按照1∶2的比例行随机抽取组成训练样本集,其中雷达数据总道数为562,抽取的空洞和非空洞数据道数分别为90和180,并利用径向基函数(RBF)作为核函数的SVM对该训练样本集进行训练构建出初始空洞量化识别模型。
4、通过交叉验证的方法对初始地下空洞量化识别模型中惩罚因子C和gamma函数参数g进行参数优化,C和g的优化结果值分为为4和0.625。利用该优化参数对初始地下空洞量化识别模型进行修正得到高精度的地下空洞量化识别模型。
5、利用优化后的地下空洞量化识别模型对采集到的数据进行量化识别,空洞区域识别结果如图3所示。
本发明中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (5)
1.一种基于探地雷达的地下空洞量化识别方法,其特征在于,该方法通过处理探地雷达数据并构建空洞量化识别模型,以实现对地下空洞的位置、尺寸等信息进行定量识别的目的。包括如下步骤:1.预处理;2.空洞回波信号特征提取;3.构建量化识别初始模型;4.模型参数优化,并通过该优化模型实现地下空洞的量化识别。
2.根据权利要求1所述的基于探地雷达地下空洞量化识别方法,其特征在于:预处理包括对探地雷达原始数据进行零点标定、滤波和增益处理;其中,零点标定的目的是标定地面起始零点,滤波处理以消除噪声干扰,增益处理是对深部回波信号进行衰减补偿,提高信噪比。
3.根据权利要求1所述的探地雷达地下空洞量化识别方法,其特征在于:对预处理后的时间域雷达数据应用主成分分析法进行降维处理,并将前10个贡献率最大的主成分作为空洞量化识别的特征向量,可最大限度的提取地下空洞回波信号的时域特征。
4.根据权利要求1所述的基于探地雷达地下空洞量化识别方法,其特征在于:将探地雷达数据中空洞和非空洞数据道按照1∶2的比例随机抽取组成训练样本集,抽取过程中应保证抽取数据道集的数量不少于数据道集总数量的五分之一;利用径向基函数(RBF)作为核函数的SVM对该训练样本集进行训练构建出初始空洞量化识别模型。
RBF核函数计算公式为:
。
5.根据权利要求1所述的基于探地雷达地下空洞量化识别方法,其特征在于:直接影响识别的精度的2个关键参数为惩罚因子C和gamma函数参数g,通过交叉验证的方法,即通过固定一个参数来优化另一个参数的方法实现对整体参数的优化;最终利用该优化参数对3中的初始模型进行修正得到高精度的空洞量化识别模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810919217.0A CN109190510A (zh) | 2018-08-13 | 2018-08-13 | 基于探地雷达的地下空洞量化识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810919217.0A CN109190510A (zh) | 2018-08-13 | 2018-08-13 | 基于探地雷达的地下空洞量化识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109190510A true CN109190510A (zh) | 2019-01-11 |
Family
ID=64921216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810919217.0A Pending CN109190510A (zh) | 2018-08-13 | 2018-08-13 | 基于探地雷达的地下空洞量化识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109190510A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110308444A (zh) * | 2019-08-08 | 2019-10-08 | 中国矿业大学(北京) | 道路层位智能识别及干扰源排除方法 |
CN110991507A (zh) * | 2019-11-22 | 2020-04-10 | 北京中科蓝图科技有限公司 | 基于分类器的道路地下空洞识别方法、装置及*** |
CN111007464A (zh) * | 2019-11-22 | 2020-04-14 | 北京中科蓝图科技有限公司 | 基于最优加权的道路地下空洞识别方法、装置及*** |
CN111323761A (zh) * | 2020-03-20 | 2020-06-23 | 北京华力创通科技股份有限公司 | 回波***函数构建方法、装置及回波模拟器 |
CN111399071A (zh) * | 2020-03-30 | 2020-07-10 | 中国科学院地质与地球物理研究所 | 一种电磁波场数据处理方法、装置以及介质 |
CN113064166A (zh) * | 2021-03-22 | 2021-07-02 | 石家庄铁道大学 | 一种多层混凝土结构薄层缺陷厚度检测方法、装置及终端 |
CN113780362A (zh) * | 2021-08-17 | 2021-12-10 | 哈尔滨工业大学 | 一种基于隐马尔可夫模型的探地雷达地下空洞目标自动识别方法 |
CN114169410A (zh) * | 2021-11-22 | 2022-03-11 | 哈尔滨工业大学 | 一种基于长短期记忆模型的探地雷达地下空洞目标自动识别方法 |
CN115220035A (zh) * | 2022-09-20 | 2022-10-21 | 江苏筑升土木工程科技有限公司 | 一种道路空洞检测***和检测方法 |
CN114169410B (zh) * | 2021-11-22 | 2024-08-02 | 哈尔滨工业大学 | 一种基于长短期记忆模型的探地雷达地下空洞目标自动识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107527067A (zh) * | 2017-08-01 | 2017-12-29 | 中国铁道科学研究院铁道建筑研究所 | 一种基于探地雷达的铁路路基病害智能识别方法 |
CN107688180A (zh) * | 2017-07-28 | 2018-02-13 | 河南工程学院 | 基于探地雷达的活动断裂浅地表层空间分布探测方法 |
-
2018
- 2018-08-13 CN CN201810919217.0A patent/CN109190510A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107688180A (zh) * | 2017-07-28 | 2018-02-13 | 河南工程学院 | 基于探地雷达的活动断裂浅地表层空间分布探测方法 |
CN107527067A (zh) * | 2017-08-01 | 2017-12-29 | 中国铁道科学研究院铁道建筑研究所 | 一种基于探地雷达的铁路路基病害智能识别方法 |
Non-Patent Citations (2)
Title |
---|
姜化冰: "探地雷达地下空洞目标探测研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
赵池航 等: "《交通信息感知理论与方法》", 30 September 2014 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110308444B (zh) * | 2019-08-08 | 2021-03-09 | 中国矿业大学(北京) | 道路层位智能识别及干扰源排除方法 |
CN110308444A (zh) * | 2019-08-08 | 2019-10-08 | 中国矿业大学(北京) | 道路层位智能识别及干扰源排除方法 |
CN110991507A (zh) * | 2019-11-22 | 2020-04-10 | 北京中科蓝图科技有限公司 | 基于分类器的道路地下空洞识别方法、装置及*** |
CN111007464A (zh) * | 2019-11-22 | 2020-04-14 | 北京中科蓝图科技有限公司 | 基于最优加权的道路地下空洞识别方法、装置及*** |
CN111323761A (zh) * | 2020-03-20 | 2020-06-23 | 北京华力创通科技股份有限公司 | 回波***函数构建方法、装置及回波模拟器 |
CN111323761B (zh) * | 2020-03-20 | 2022-04-08 | 北京华力创通科技股份有限公司 | 回波***函数构建方法、装置及回波模拟器 |
WO2021196333A1 (zh) * | 2020-03-30 | 2021-10-07 | 中国科学院地质与地球物理研究所 | 一种电磁波场数据处理方法、装置以及介质 |
CN111399071B (zh) * | 2020-03-30 | 2020-10-13 | 中国科学院地质与地球物理研究所 | 一种电磁波场数据处理方法、装置以及介质 |
CN111399071A (zh) * | 2020-03-30 | 2020-07-10 | 中国科学院地质与地球物理研究所 | 一种电磁波场数据处理方法、装置以及介质 |
US11693105B2 (en) | 2020-03-30 | 2023-07-04 | Institute Of Geology And Geophysics, Chinese Academy Of Sciences | Electromagnetic wave field data processing method and apparatus, and medium |
CN113064166A (zh) * | 2021-03-22 | 2021-07-02 | 石家庄铁道大学 | 一种多层混凝土结构薄层缺陷厚度检测方法、装置及终端 |
CN113064166B (zh) * | 2021-03-22 | 2023-01-06 | 石家庄铁道大学 | 一种多层混凝土结构薄层缺陷厚度检测方法、装置及终端 |
CN113780362A (zh) * | 2021-08-17 | 2021-12-10 | 哈尔滨工业大学 | 一种基于隐马尔可夫模型的探地雷达地下空洞目标自动识别方法 |
CN113780362B (zh) * | 2021-08-17 | 2024-04-02 | 哈尔滨工业大学 | 一种基于隐马尔可夫模型的探地雷达地下空洞目标自动识别方法 |
CN114169410A (zh) * | 2021-11-22 | 2022-03-11 | 哈尔滨工业大学 | 一种基于长短期记忆模型的探地雷达地下空洞目标自动识别方法 |
CN114169410B (zh) * | 2021-11-22 | 2024-08-02 | 哈尔滨工业大学 | 一种基于长短期记忆模型的探地雷达地下空洞目标自动识别方法 |
CN115220035A (zh) * | 2022-09-20 | 2022-10-21 | 江苏筑升土木工程科技有限公司 | 一种道路空洞检测***和检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109190510A (zh) | 基于探地雷达的地下空洞量化识别方法 | |
Liu et al. | Tunnel boring machine vibration-based deep learning for the ground identification of working faces | |
Tang et al. | Hyd R un: a MATLAB toolbox for rainfall–runoff analysis | |
Fontul et al. | Railway track condition assessment at network level by frequency domain analysis of GPR data | |
Li et al. | An analysis of extreme flood events during the past 400 years at Taihu Lake, China | |
CN104064057B (zh) | 图像跟踪测量数据与雷达测量数据互补融合的实现方法 | |
CN110308444B (zh) | 道路层位智能识别及干扰源排除方法 | |
Xiang et al. | Robust cascaded frequency filters to recognize rebar in GPR data with complex signal interference | |
CN102254095A (zh) | 基于多维分形克里格方法的成矿异常提取方法 | |
CN114821296B (zh) | 地下病害探地雷达图像识别方法、***、存储介质及终端 | |
Suzuki et al. | The evaluation of macroscopic and microscopic textures of sand grains using elliptic Fourier and principal component analysis: implications for the discrimination of sedimentary environments | |
CN104142519A (zh) | 一种泥岩裂缝油藏预测方法 | |
CN103088803A (zh) | 鉴别岩溶塌陷致塌因素的方法 | |
CN106338729A (zh) | 一种运用探地雷达反演铁路路基道床污染率的方法 | |
CN103198363A (zh) | 一种基于ct孔隙分析的储层产气量预测方法及装置 | |
CN103323839B (zh) | 一种获取低空飞行目标高度信息的方法、装置 | |
Huang et al. | An Improved Adaptive Template Size Pixel‐Tracking Method for Monitoring Large‐Gradient Mining Subsidence | |
Huang et al. | A deep learning framework based on improved self‐supervised learning for ground‐penetrating radar tunnel lining inspection | |
CN105372631A (zh) | 基于遗传-偏最小二乘算法的极化雷达反演方法及其应用 | |
CN109901111A (zh) | 基于偏最小二乘回归的近场声源定位方法 | |
CN116778329A (zh) | 城市道路地下浅层病害检测方法、装置、设备及介质 | |
CN116150618A (zh) | 一种基于深度学习神经网络的渔船作业类型识别方法 | |
Xiong et al. | Automatic detection and location of pavement internal distresses from ground penetrating radar images based on deep learning | |
Vy et al. | Damage localization using acoustic emission sensors via convolutional neural network and continuous wavelet transform | |
Longobardi et al. | A statistical, parsimonious, empirical framework for regional flow duration curve shape prediction in high permeability Mediterranean region |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190111 |
|
RJ01 | Rejection of invention patent application after publication |