CN110458129A - 基于深度卷积神经网络的非金属地雷识别方法 - Google Patents

基于深度卷积神经网络的非金属地雷识别方法 Download PDF

Info

Publication number
CN110458129A
CN110458129A CN201910760520.5A CN201910760520A CN110458129A CN 110458129 A CN110458129 A CN 110458129A CN 201910760520 A CN201910760520 A CN 201910760520A CN 110458129 A CN110458129 A CN 110458129A
Authority
CN
China
Prior art keywords
convolutional neural
neural networks
image
nonmetallic
mine
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.)
Granted
Application number
CN201910760520.5A
Other languages
English (en)
Other versions
CN110458129B (zh
Inventor
马春光
薛曹逸
罗勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201910760520.5A priority Critical patent/CN110458129B/zh
Publication of CN110458129A publication Critical patent/CN110458129A/zh
Application granted granted Critical
Publication of CN110458129B publication Critical patent/CN110458129B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于深度卷积神经网络的非金属地雷识别方法，其包括获取若干二维雷达仿真图像；对二维雷达仿真图像进行预处理得到预处理图像，在预处理图像中标识非金属地雷目标中心回波存储在.xml文件中，之后将预处理图像与对应.xml文件整理为PASCAL VOC数据集；将PASCAL VOC数据集中信息划分为验证集和训练集，采用训练集对基于深度卷积神经网络的SSD目标检测算法进行训练得到深度卷积模型；将验证集中数据输入深度卷积模型得到平均精度值，在平均精度值大于设定阈值时，将预处理后的探地雷达实际扫描图像输入深度卷积模型进行识别。

Description

基于深度卷积神经网络的非金属地雷识别方法
技术领域
本发明涉及物体识别技术，具体涉及一种基于深度卷积神经网络的非金属地雷识别方法。
背景技术
依据“国际禁止地雷运动”的报道，目前已经存在4200人，其中42％是儿童，成为地雷的受害者。据估计，在全世界70个国家中，仍存在超过1亿种不同类型的地雷。而采用目前已知的方法进行地雷探测，需要400多年才能发现并清除他们。在中国和越南的交界地带，还存在大量地雷遗留，国家已耗费了大量人力、物力去检测并消除地雷，但是由于埋藏地雷的时间相对久远，地形变化比较大，导致云南地区依旧存在着大约60km2的永久性封围雷区。可见，地雷问题不仅杀伤了大量无辜人民，还减少了耕种面积，影响了相关地区的社会和经济发展。因此，如何实现对地雷的高效检测成为一个迫切需要解决的重要问题。
地雷有各种不同类型，但最常用的是反坦克地雷和反步兵地雷。反坦克地雷一般金属材质制成，相对容易被检测识别，虚警率较低，不太容易误伤到平民；而反步兵地雷的主要成分是塑料等非金属，金属含量很低，并且体积很小，一般尺寸都在10cm×10cm×10cm以内，用金属探测器等传统的检测方法很难成功检测，同时又造价低廉，所以在世界各地仍遗留有大量这种地雷，引发了许多制约经济发展和人道主义问题。
探地雷达是一种用高频宽带电磁波来探测地下介质分布的高效地球物理方法。探地雷达经发射天线向地下发射高频电磁波，由接收天线接收反射回地面的电磁波，再通过信号处理方法可生成直观的雷达剖面。电磁波在地下介质中传播时遇到存在电性差异的界面便会产生反射，根据接收到电磁波的波形、振幅强度和时间延迟特征等推断地下异常目标体的空间位置、结构、形态和埋藏深度。因此，根据非金属地雷与环境介质介电常数和电导率的差异，采用探地雷达可实现对非金属地雷的探测能力。然而，地下石块等物体的回波和地表杂波导致探测器的虚警率很高。因此，研究一种能够降低虚警率和漏报率、且能高效检测非金属地雷的数据处理方法是保证探地雷达方法顺利实施扫雷工作的关键。
发明内容
针对现有技术中的上述不足，本发明提供的基于深度卷积神经网络的非金属地雷识别方法能够对非金属地雷进行准确识别。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种基于深度卷积神经网络的非金属地雷识别方法，其包括：
S1、基于FDTD方法的GprMax软件进行浅层埋藏非金属地雷正演模拟得到若干二维雷达仿真图像；
S2、采用主元分析去除法去除二维雷达仿真图像B-scan中的直达波得到预处理图像，在预处理图像中标识非金属地雷目标中心回波存储在.xml文件中，之后将预处理图像与对应.xml文件整理为PASCAL VOC数据集；
S3、将PASCAL VOC数据集中信息按预设比例划分为验证集和训练集，并采用训练集对基于深度卷积神经网络的SSD目标检测算法进行训练得到深度卷积模型；
S4、将验证集中数据输入深度卷积模型，得到模型的平均精度值，并判断模型的平均精度值是否小于设定阈值；若是进入步骤S5，否则进入步骤S6；
S5、采用浅层埋藏非金属地雷正演模拟获取设定数量的二维雷达仿真图像，之后对新获得的二维雷达仿真图像进行去直达波处理后，将其与之对应的.xml文件整理至PASCAL VOC数据集，进入步骤S3；
S6、将采用主元分析去除法去除直达波的探地雷达实际扫描图像输入深度卷积模型，输出检测框及对应置信度，并根据置信度确定检测框中的目标对象。
进一步地，所述步骤S1进一步包括：
A1、采用基于FDTD方法的GprMax软件分别构建Peplinski半经验土壤模型、非金属地雷模型和岩体模型；
A2、调整发射天线和接收天线的相对距离和距离地面的高度，调整非金属地雷与岩体的中心距及分别埋藏在Peplinski半经验土壤模型中的深度；
A3、以预设采样间隔及预设离散步长将发射天线和接收天线从空间域一侧移动至另一侧，扫描获取若干道数据形成二维雷达仿真图像；以及
A4、判断二维雷达仿真图像数量是否达到设定阈值，若是进入步骤S2，否则返回A2。
进一步地，所述预处理图像的获取方法包括：
对二维雷达仿真图像的每个A-scan信号去均值，之后对二维雷达仿真图像进行奇异值分解：
其中，WR为二维雷达仿真图像；U＝{UN,i}＝{u1,u2,…,ui,…,uM}∈RN×M，UN,i为矩阵U第N行第i列的元素，ui为矩阵U第i列列向量；V＝{Vm,i}＝{v1,v2,…,vi,…,vM}∈RM×M，Vm,i为矩阵V第m行第i列的元素，vi为矩阵V第i列列向量；D∈RM×M为对角阵，对角元素为其奇异值，按由大到小排列；
令σi＝Di,i，由奇异值分解的性质可知为矩阵WR的“最近”秩l矩阵，即对所有秩为l的矩阵满足：
其中，Di,i为对角阵第i列第i行的元素，WR(i,j)和分别为矩阵WR和“最近”秩l矩阵中第i行第j列的元素。
进一步地，获取二维雷达仿真图像时，根据地雷的埋藏深度计算电磁波从发射天线经土壤传播到非金属地雷并被反射回接收天线的走时：
其中，t为双程走时；d为非金属地雷的埋深；c为光速；εr为土壤的相对介电常数。
进一步地，获取二维雷达仿真图像时，预设离散步长的计算公式为：
其中，Δl为预设离散步；λ为波长；c为光速；f为频率。
进一步地，SSD目标检测算法的总体损失函数为位置回归损失和类别置信度损失的加权和：
其中，N为匹配的默认框数量，当N＝0时，将损失设置为0；Lconf(x,b)为位置回归损失函数，x为第i个默认边界框匹配到类别p的第j个实际边界框的指示器，b为置信度；Lloc(x,l,g)为类别置信度损失函数，l为预测框，g为真实框；α为权重值。
进一步地，训练集和验证集中预处理图像数量的比例为7:3，深度卷积神经网络的初始学习率为10-4，前4000次迭代使用10-4的学习率，再使用10-5的学习率继续训练到5000次迭代，最后使用10-6的学习率训练到最大迭代次数6000次，完成深度卷积神经网络的训练。
本发明的有益效果为：本方案通过GprMax进行浅层埋藏非金属地雷正演模拟，得到二维雷达仿真图像，不需要实地获取沙土、雷达和岩体进行模型搭建采集数据，简化了数据获取方法；在进行神经网络训练过程中通过标识地雷目标回波作为训练数据的组成部分，可以降低探雷数据处理的工作量，从而降低了人工成本。
采用主元分析去除法去除二维雷达仿真图像中的直达波，可以避免由于非金属地雷与土壤电性参数接近，相对较弱的反射回波能量淹没在直达波中而影响最终识别的准确性。
附图说明
图1为基于深度卷积神经网络的非金属地雷识别方法的流程图。
图2为基于深度卷积神经网络的SSD算法结构示意图。
图3为部分训练用B-scan数据彩色堆积图。
图4为B-scan数据标注图。
图5为迭代次数-损失值的曲线图。
图6为非金属地雷的检测结果图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
参考图1，图1示出了基于深度卷积神经网络的非金属地雷识别方法的流程图；如图1所示，该方法S包括步骤S1至步骤S6。
在步骤S1中，基于FDTD方法的GprMax软件进行浅层埋藏非金属地雷正演模拟得到若干二维雷达仿真图像；
实施时，本方案优选步骤S1进一步包括步骤A1至步骤A4：
在步骤A1中，采用基于FDTD方法的GprMax软件分别构建Peplinski半经验土壤模型、非金属地雷模型和岩体模型；
构建Peplinski半经验土壤模型时，采用的沙质土壤的堆积密度大约为1.5g/cm3，沙土的砂粒密度设为1.7g/cm3，水的体积分数设置为0.001～0.25，并将土壤模型中的混合物质设置为20种，每一种介质都是一阶Debye模型的色散介质，并会均匀的分布在设定的空间中。
本方案的非金属地雷为72式反步兵地雷(压发式的小型地雷)，该地雷绝大部分为塑料材质，属于金属材质的只有少量弹簧，该地雷直径约77mm，高度约30mm，全重仅约为125g，在构建非金属地雷模型时，首先需要确定该非金属地雷中包含材料的电性参数，如表1所示：
表1 72式地雷中包含材料的电性参数
材料名称 相对介电常数ε 电导率σ(S/m) 磁导系数μ 导磁率σ<sub>m</sub>(S/m)
橡胶 6 10<sup>-15</sup> 1 0
塑料 3.5 10<sup>-10</sup> 1 0
*** 6 10<sup>-4</sup> 1 0
本方案岩体模型采用由火成岩构成的小石块作为模拟对象，介电常数也是在6～12范围内随机选取，电导率统一为10-5S/m，尽可能去模拟影响非金属地雷探测效果的火成岩石块。
在步骤A2中，调整发射天线和接收天线的相对距离和距离地面的高度，调整非金属地雷与岩体的中心距及分别埋藏在Peplinski半经验土壤模型中的深度。
实施时，本方案优选非金属地雷随机处于离地表5～7cm的位置，岩体则随机处于离地表5～10cm的位置，非金属地雷和石块中心相距15～25cm；发射天线从5cm处开始沿y方向移动，接收天线和发射天线相距5cm，且离地面高度为5cm；以1cm的采样间隔，扫描获取85道数据，并形成二维雷达仿真图像(B-scan图)。
在步骤A3中，以预设采样间隔及预设离散步长将发射天线和接收天线从空间域一侧移动至另一侧，扫描获取若干道数据形成二维雷达仿真图像；以及
在步骤A4中，判断二维雷达仿真图像数量是否达到设定阈值，若是进入步骤S2，否则返回A2。
获取二维雷达仿真图像时，根据非金属地雷的埋藏深度计算电磁波从发射天线经土壤传播到非金属地雷并被反射回接收天线的走时：
其中，t为双程走时；d为非金属地雷的埋深；c为光速；εr为土壤的相对介电常数。
获取二维雷达仿真图像时，预设离散步长的计算公式为：
其中，Δl为预设离散步；λ为波长；c为光速；f为频率。
在采用基于FDTD方法的GprMax软件搭建模型时，首先需要在GprMax软件中设置如下参数：
1、确定各种不同材料的电性参数：包括相对介电常数εr、电导率σ(S/m)、磁导率μr、导磁率σm(Ω/m)加上对材料的标识符；
2、确定发射天线和接收天线的激励源类型和激励频率：本方案在探地雷达正演模拟中使用中心频率为300MHz的激励源，并使用了理想的电偶极子作为收发天线。
3、计算选择合理的空间离散步长和总的空间域大小：预设离散步长Δl应至少等于λ/10，本方案使用的是雷克子(Ricker)波，中心频率为300MHz，根据Ricker波幅频谱，可知最高频率是中心频率的2-3倍，在这种情况下，模型中存在的最高有效频率约为800MHz。
在本方案构建的模型中，材料最大的相对介电常数约为10，因此可以求得最小波长为：由此可得理论上选择的预设离散步长为0.015m。然而非金属地雷的大小在10cm×10cm×10cm以内，为了使探测目标有足够的Yee元胞构成，因此本方案使用了0.002m作为预设离散步长。
另外，整个空间域大小应该拥有足以包围所感兴趣目标物的尺寸，并且必须有10个元胞用于构建PML吸收边界，PML吸收边界与任何感兴趣的目标物之间也要保持大约10个以上元胞的距离。根据以上原则，考虑到实际建模的非金属地雷直径只有77mm，因此本方案将整个空间域大小设置为1m×0.2m×0.35m。
4、选择时间窗口：根据时间窗口计算公式可得本方案模型最小时间窗大约为1.6ns，为了显示清晰的双曲线，本方案将时间窗设置为10～12ns。
5、确定收发天线位置，测量方式及天线移动步长：收发天线位置不能从最边缘的位置开始，因为边缘是PML吸收边界，因此在对整体进行直达波去除时，会因吸收边界处的电磁波谱而出现一些严重错误。本方案根据实际情况，收发天线沿测线同步移动的步长为1cm。
在步骤S2中，采用主元分析去除法去除二维雷达仿真图像中的直达波得到预处理图像，在预处理图像中标识地雷目标中心回波存储在.xml文件中，之后将预处理图像与对应.xml文件整理为PASCAL VOC数据集。
PASCAL VOC数据集格式主要包含三个文件夹—Annotations、JPEGImages和ImageSets，JPEGImages文件夹包含了所有的训练图片和测试图片，即所有的探地雷达模拟获得的B-scan图。Annotations文件夹中存储的则是.xml格式的标注文件，每一个.xml文件中包含了JPEGImages文件夹中某一张图片的标注信息，在方案的.xml文件是由labellmg软件进行标注获取的。ImageSets文件夹可以只存放一个Main文件夹里，Main文件夹中包含四个必要的.txt文件，其中test.txt存储的是验证集的文件名，train.txt存储的是训练集的文件名，val.txt存储的是验证集的文件名，trainval.txt则存储着训练和验证集中所有的文件名。
在本发明的一个实施例中，所述预处理图像的获取方法包括：
对二维雷达仿真图像的每个A-scan信号去均值，之后对二维雷达仿真图像进行奇异值分解：
其中，WR为二维雷达仿真图像；U＝{UN,i}＝{u1,u2,…,ui,…,uM}∈RN×M，UN,i为矩阵U第N行第i列的元素，ui为矩阵U第i列列向量；V＝{Vm,i}＝{v1,v2,…,vi,…,vM}∈RM×M，Vm,i为矩阵V第m行第i列的元素，vi为矩阵V第i列列向量；D∈RM×M为对角阵，对角元素为其奇异值，按由大到小排列；
令σi＝Di,i，由奇异值分解的性质可知为矩阵WR的“最近”秩l矩阵，即对所有秩为l的矩阵满足：
其中，Di,i为对角阵第i列第i行的元素，WR(i,j)和分别为矩阵WR和“最近”秩l矩阵中第i行第j列的元素。
在步骤S3中，将PASCAL VOC数据集中信息按预设比例划分为验证集和训练集，并采用训练集对基于深度卷积神经网络的SSD目标检测算法进行训练得到深度卷积模型。
图2示出了基于深度卷积神经网络的SSD算法结构示意图；如图2所示，SSD目标检测算法将conv4_3、conv7、conv8_2、conv9_2、conv10_2、conv11_2不同的卷积层作为特征层输入后续的预测网络中，对于m×n×p大小的特征层，将使用大小为3×3×p的滤波器进行卷积，而在深度尺度上的滤波器个数，即m×n大小的特征图中每一个点的滤波器个数则由要生成的检测框数目k和类别数目c决定，每一个检测框都要生成每个类别的类别分数(或置信度)以及检测框的坐标位置，因此共为k×(c+4)个。在SSD目标检测算法中，对于38×38大小的特征图，生成4个默认检测框，19×19、10×10、5×5大小的特征图则为6个，3×3、1×1大小的特征图则为4个，共有8732个默认检测框。
SSD目标检测算法在训练过程中，首先需要确定哪些默认检测框接近于真实检测框，再相应地进行网络训练。SSD算法中先将默认检测框和真实检测框的交并比(Intersection over Union,IoU)最大的放入候选正样本集，再将默认检测框和真实检测框的IoU大于阈值0.5的放入候选正样本集，其他的则放入负样本集。
在匹配步骤中，大多数默认检测框为负样本，导致正训练样本和负训练样本数量之间产生了显著的不平衡。SSD算法不使用所有负例，而是使用所有样本的置信度损失将样本进行排序，并挑选置信度高的样本放入候选样本集，以使得负样本和正样本数量之间的比例至多为3:1，再将所有的样本投入训练，来提高训练的效率和稳定性。
实施时，本方案优选SSD目标检测算法的总体损失函数为位置回归损失和类别置信度损失的加权和：
其中，N为匹配的默认框的数量，当N＝0时，将损失设置为0；Lconf(x,b)为位置回归损失函数，x(在具体公式中写作)为第i个默认边界框匹配到类别p的第j个实际边界框的指示器，b为置信度；Lloc(x,l,g)为类别置信度损失函数，l为预测框，g为真实框；α为权重值。
其中，训练集和验证集中预处理图像数量的比例为7:3，深度卷积神经网络的初始学习率为10-4，前4000次迭代使用10-4的学习率，再使用10-5的学习率继续训练到5000次迭代，最后使用10-6的学习率训练到最大迭代次数6000次，完成深度卷积神经网络的训练。
在步骤S4中，将验证集中数据输入深度卷积模型，得到模型的平均精度值，并判断模型的平均精度值是否小于设定阈值；若是进入步骤S5，否则进入步骤S6；
在步骤S5中，采用浅层埋藏非金属地雷正演模拟获取设定数量的二维雷达仿真图像，之后对新获得的二维雷达仿真图像进行去直达波处理后，将其与之对应的.xml文件整理至PASCAL VOC数据集，进入步骤S3；
具体地，重新获取的二维雷达仿真图像需采用主元分析去除法去除二维雷达仿真图像中的直达波得到预处理图像，在预处理图像中标识地雷目标中心回波存储在.xml文件中，之后将预处理图像与对应.xml文件整理至之前的PASCAL VOC数据集中。
在步骤S6中，将采用主元分析去除法去除直达波的实际雷达扫描图像输入深度卷积模型，输出检测框及对应置信度，并根据置信度确定检测框中的目标对象。
下面结合具体实验对本方案的非金属地雷识别方法的实验效果进行说明：
采用基于FDTD的GprMax对非金属地雷和石块进行数值建模，根据位置的不同以及非金属地雷数量的不同，生成不同的B-scan图，采用若干张B-scan彩色堆积图用于卷积神经网络训练。本实验中的图片大小都为700×400，当输入SSD算法会缩放为300×300的大小，在含有一张NVIDIAGeForce RTX2060显卡的笔记本电脑需要大约一个小时生成一张图片，共120张图片，部分图如图3所示。
图3(a)中包含了两个非金属地雷目标回波，其余五张图则为非金属地雷和石块的目标回波。由于非金属地雷位置的变化和石块大小的随机性，非金属地雷和石块回波均显示强弱不同的差异，并且非金属地雷和石块的回波还会有部分重叠现象，但非金属地雷目标回波能量集中的位置还是比较清晰，因此再使用labellmg软件对B-scan图像数据进行检测框标注时，选择能量集中的位置进行选框，确保数据的一致性，一般宽度为11～14道的检测框，生成一个.xml文件，如图4所示，最终将图片数据和.xml文件数据整理为PASCAL VOC数据集格式。
本实验平台由Ubuntu16、CUDA10.1以及Caffe框架组成，CUDA10.1是用于GPU加速，而使用Caffe框架是因为SSD算法的原始作者曾将SSD算法源码发布在github上，并使用了Caffe框架。
下面对目标检测结果评估参数(平均精度值)进行说明，平均精度值(AveragePrecision,AP)将查准率和查全率进行结合，来对目标检测所包含的定位任务和分类任务同时进行评估。
通过检测算法得到的测试样本集可分成正样本和负样本，即是否为目标类别，再根据IoU阈值的设定，来确定训练后得到的预测结果是否准确，由此可以得到如表2所示的混淆矩阵。
表2分类结果混淆矩阵
查准率定义为
查全率定义为
Recall＝TPTP+FN
查准率和查全率是一对矛盾的度量，一般来说，查准率高时，查全率往往偏低，查全率高时，查准率往往偏低。以查准率为y轴，以查全率为x轴，可以得到P-R曲线，对P-R曲线进行积分计算就得到了平均精度值。
本实验中将数据集分为训练集和验证集，并且训练集和验证集中图片数量的比例为7:3，由于内存大小的限制，将图片尺寸设置为10，初始学习率为10-4，动量为0.9，权重衰减为0.0005，前4000次迭代使用10-4的学习率，再使用10-5的学习率继续训练到5000次迭代，最后再使用10-6的学习率训练到最大迭代次数——6000次，损失值最终收敛到大约为1，迭代次数-损失值的曲线如图5所示。
对于非金属地雷检测，IoU要求较高，因此本实验将IoU阈值设为0.8，即IoU大于0.8的检测框才视为正确检测。在该情况下，验证集上AP值达到了90.2％，达到了较好的效果。另外，将置信度阈值设为0.6，基本上可以得到唯一的检测框，实际上验证集检测出的检测框置信度大多都超过了0.8，部分检测结果如图6所示，图6a为两个非金属地雷的检测结果图，图6b为一个非金属地雷的检测结果图。

Claims (7)

1.基于深度卷积神经网络的非金属地雷识别方法，其特征在于，包括：
S1、基于FDTD方法的GprMax软件进行浅层埋藏非金属地雷正演模拟得到若干二维雷达仿真图像；
S2、采用主元分析去除法去除二维雷达仿真图像B-scan中的直达波得到预处理图像，在预处理图像中标识非金属地雷目标中心回波存储在.xml文件中，之后将预处理图像与对应.xml文件整理为PASCAL VOC数据集；
S3、将PASCAL VOC数据集中信息按预设比例划分为验证集和训练集，并采用训练集对基于深度卷积神经网络的SSD目标检测算法进行训练得到深度卷积模型；
S4、将验证集中数据输入深度卷积模型，得到模型的平均精度值，并判断模型的平均精度值是否小于设定阈值；若是进入步骤S5，否则进入步骤S6；
S5、采用浅层埋藏非金属地雷正演模拟获取设定数量的二维雷达仿真图像，之后对新获得的二维雷达仿真图像进行去直达波处理后，将其与之对应的.xml文件整理至PASCALVOC数据集，进入步骤S3；
S6、将采用主元分析去除法去除直达波的探地雷达实际扫描图像输入深度卷积模型，输出检测框及对应置信度，并根据置信度确定检测框中的目标对象。
2.根据权利要求1所述的基于深度卷积神经网络的非金属地雷识别方法，其特征在于，所述步骤S1进一步包括：
A1、采用基于FDTD方法的GprMax软件分别构建Peplinski半经验土壤模型、非金属地雷模型和岩体模型；
A2、调整发射天线和接收天线的相对距离和距离地面的高度，调整非金属地雷与岩体的中心距及分别埋藏在Peplinski半经验土壤模型中的深度；
A3、以预设采样间隔及预设离散步长将发射天线和接收天线从空间域一侧移动至另一侧，扫描获取若干道数据形成二维雷达仿真图像；以及
A4、判断二维雷达仿真图像数量是否达到设定阈值，若是进入步骤S2，否则返回A2。
3.根据权利要求1所述的基于深度卷积神经网络的非金属地雷识别方法，其特征在于，所述预处理图像的获取方法包括：
对二维雷达仿真图像的每个A-scan信号去均值，之后对二维雷达仿真图像进行奇异值分解：
其中，WR为二维雷达仿真图像；U＝{UN,i}＝{u1,u2,…,ui,…,uM}∈RN×M，UN,i为矩阵U第N行第i列的元素，ui为矩阵U第i列列向量；V＝{Vm,i}＝{v1,v2,…,vi,…,vM}∈RM×M，Vm,i为矩阵V第m行第i列的元素，vi为矩阵V第i列列向量；D∈RM×M为对角阵，对角元素为其奇异值，按由大到小排列；
令σi＝Di,i，由奇异值分解的性质可知为矩阵WR的“最近”秩l矩阵，即对所有秩为l的矩阵满足：
其中，Di,i为对角阵第i列第i行的元素，WR(i,j)和分别为矩阵WR和“最近”秩l矩阵中第i行第j列的元素。
4.根据权利要求2所述的基于深度卷积神经网络的非金属地雷识别方法，其特征在于，获取二维雷达仿真图像时，根据地雷的埋藏深度计算电磁波从发射天线经土壤传播到非金属地雷并被反射回接收天线的走时：
其中，t为双程走时；d为非金属地雷的埋深；c为光速；εr为土壤的相对介电常数。
5.根据权利要求2所述的基于深度卷积神经网络的非金属地雷识别方法，其特征在于，获取二维雷达仿真图像时，预设离散步长的计算公式为：
其中，Δl为预设离散步；λ为波长；c为光速；f为频率。
6.根据权利要求1-5任一所述的基于深度卷积神经网络的非金属地雷识别方法，其特征在于，SSD目标检测算法的总体损失函数为位置回归损失和类别置信度损失的加权和：
其中，N为匹配的默认框数量，当N＝0时，将损失设置为0；Lconf(x,b)为位置回归损失函数，x为第i个默认边界框匹配到类别p的第j个实际边界框的指示器，b为置信度；Lloc(x,l,g)为类别置信度损失函数，l为预测框，g为真实框；α为权重值。
7.根据权利要求6所述的基于深度卷积神经网络的非金属地雷识别方法，其特征在于，训练集和验证集中预处理图像数量的比例为7:3，深度卷积神经网络的初始学习率为10-4，前4000次迭代使用10-4的学习率，再使用10-5的学习率继续训练到5000次迭代，最后使用10-6的学习率训练到最大迭代次数6000次，完成深度卷积神经网络的训练。
CN201910760520.5A 2019-08-16 2019-08-16 基于深度卷积神经网络的非金属地雷识别方法 Active CN110458129B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910760520.5A CN110458129B (zh) 2019-08-16 2019-08-16 基于深度卷积神经网络的非金属地雷识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910760520.5A CN110458129B (zh) 2019-08-16 2019-08-16 基于深度卷积神经网络的非金属地雷识别方法

Publications (2)

Publication Number Publication Date
CN110458129A true CN110458129A (zh) 2019-11-15
CN110458129B CN110458129B (zh) 2020-06-23

Family

ID=68487295

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910760520.5A Active CN110458129B (zh) 2019-08-16 2019-08-16 基于深度卷积神经网络的非金属地雷识别方法

Country Status (1)

Country Link
CN (1) CN110458129B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111323764A (zh) * 2020-01-21 2020-06-23 山东大学 一种基于探地雷达的地下工程目标体智能识别方法及***
CN111445522A (zh) * 2020-03-11 2020-07-24 上海大学 被动式夜视智能探雷***及智能探雷方法
CN111445515A (zh) * 2020-03-25 2020-07-24 中南大学 基于特征融合网络的地下圆柱体目标半径估算方法及***
CN112462346A (zh) * 2020-11-26 2021-03-09 西安交通大学 一种基于卷积神经网络的探地雷达路基病害目标检测方法
CN112666214A (zh) * 2020-12-24 2021-04-16 上海大学 一种基于计算机视觉的红外超时相地雷探测***和方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7841982B2 (en) * 1995-06-22 2010-11-30 Techniscan, Inc. Apparatus and method for imaging objects with wavefields
CN105242267A (zh) * 2015-09-29 2016-01-13 合肥工业大学 一种使用探地雷达实现非金属管道内堵塞点的定位方法
CN106446919A (zh) * 2016-11-04 2017-02-22 深圳市航天华拓科技有限公司 一种探地雷达双曲线目标快速检测方法
CN107402386A (zh) * 2017-08-02 2017-11-28 中南大学 一种基于bp神经网络的地下金属圆管半径和埋深的估计方法
CN108182450A (zh) * 2017-12-25 2018-06-19 电子科技大学 一种基于深度卷积网络的机载探地雷达目标识别方法
CN109685011A (zh) * 2018-12-25 2019-04-26 北京华航无线电测量研究所 一种基于深度学习的地下管线检测识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7841982B2 (en) * 1995-06-22 2010-11-30 Techniscan, Inc. Apparatus and method for imaging objects with wavefields
CN105242267A (zh) * 2015-09-29 2016-01-13 合肥工业大学 一种使用探地雷达实现非金属管道内堵塞点的定位方法
CN106446919A (zh) * 2016-11-04 2017-02-22 深圳市航天华拓科技有限公司 一种探地雷达双曲线目标快速检测方法
CN107402386A (zh) * 2017-08-02 2017-11-28 中南大学 一种基于bp神经网络的地下金属圆管半径和埋深的估计方法
CN108182450A (zh) * 2017-12-25 2018-06-19 电子科技大学 一种基于深度卷积网络的机载探地雷达目标识别方法
CN109685011A (zh) * 2018-12-25 2019-04-26 北京华航无线电测量研究所 一种基于深度学习的地下管线检测识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
成艳: "探地雷达线性逆散射成像算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
杨洁 等: "基于SSD卷积网络的视频目标检测研究", 《南华大学学报（自然科学版）》 *
肖虎: "浅层埋藏地雷GPR目标回波信号处理研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111323764A (zh) * 2020-01-21 2020-06-23 山东大学 一种基于探地雷达的地下工程目标体智能识别方法及***
CN111323764B (zh) * 2020-01-21 2022-03-25 山东大学 一种基于探地雷达的地下工程目标体智能识别方法及***
CN111445522A (zh) * 2020-03-11 2020-07-24 上海大学 被动式夜视智能探雷***及智能探雷方法
CN111445522B (zh) * 2020-03-11 2023-05-23 上海大学 被动式夜视智能探雷***及智能探雷方法
CN111445515A (zh) * 2020-03-25 2020-07-24 中南大学 基于特征融合网络的地下圆柱体目标半径估算方法及***
CN112462346A (zh) * 2020-11-26 2021-03-09 西安交通大学 一种基于卷积神经网络的探地雷达路基病害目标检测方法
CN112462346B (zh) * 2020-11-26 2023-04-28 西安交通大学 一种基于卷积神经网络的探地雷达路基病害目标检测方法
CN112666214A (zh) * 2020-12-24 2021-04-16 上海大学 一种基于计算机视觉的红外超时相地雷探测***和方法

Also Published As

Publication number Publication date
CN110458129B (zh) 2020-06-23

Similar Documents

Publication Publication Date Title
CN110458129A (zh) 基于深度卷积神经网络的非金属地雷识别方法
Tronicke et al. Multivariate analysis of cross‐hole georadar velocity and attenuation tomograms for aquifer zonation
Zenone et al. Preliminary use of ground-penetrating radar and electrical resistivity tomography to study tree roots in pine forests and poplar plantations
Stoffa et al. Nonlinear multiparameter optimization using genetic algorithms: Inversion of plane-wave seismograms
Busch et al. Quantitative conductivity and permittivity estimation using full-waveform inversion of on-ground GPR data
Yang et al. Three-dimensional inversion of airborne time-domain electromagnetic data with applications to a porphyry deposit
Parry et al. Evaluating approaches for estimating peat depth
Lambot et al. Estimating soil electric properties from monostatic ground‐penetrating radar signal inversion in the frequency domain
Lu et al. Feature extraction and automatic material classification of underground objects from ground penetrating radar data
CN106772641A (zh) 估测平均土壤含水量和层间土壤含水量的方法
Rossi et al. Coupled inverse modeling of a controlled irrigation experiment using multiple hydro-geophysical data
Lelièvre et al. Integrated imaging for mineral exploration
CN103777248A (zh) 一种适用于不规则发射回线的tem一维正演方法
Bostanudin Computational methods for processing ground penetrating radar data
Ball et al. Probabilistic categorical groundwater salinity mapping from airborne electromagnetic data adjacent to California's Lost Hills and Belridge oil fields
Yang et al. 3D inversion of total magnetic intensity data for time-domain EM at the Lalor massive sulphide deposit
Dafflon et al. Simulated-annealing-based conditional simulation for the local-scale characterization of heterogeneous aquifers
CN109581492A (zh) 基于地震波模拟的岩石物理参数计算方法及***
Tobely et al. Position detection of unexploded ordnance from airborne magnetic anomaly data using 3-D self organized feature map
US9020205B2 (en) Methods of multinary inversion for imaging objects with discrete physical properties
Weiss Techniques for estimating fracture size: A comparison of methods
Jafrasteh et al. Automatic extraction of geometrical characteristics hidden in ground‐penetrating radar sectional images using simultaneous perturbation artificial bee colony algorithm
Savita et al. Modeling of GPR Using gprMax Simulation
Ley-Cooper et al. Inversion of legacy airborne electromagnetic datasets to inform the hydrogeological understanding of the northern Eyre Peninsula, South Australia
Cui et al. Numerical modeling of an enhanced very early time electromagnetic (VETEM) prototype system

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
GR01 Patent grant
GR01 Patent grant