CN110988872A - 无人机载穿墙雷达探测墙体健康状态的快速识别方法 - Google Patents
无人机载穿墙雷达探测墙体健康状态的快速识别方法 Download PDFInfo
- Publication number
- CN110988872A CN110988872A CN201911358215.XA CN201911358215A CN110988872A CN 110988872 A CN110988872 A CN 110988872A CN 201911358215 A CN201911358215 A CN 201911358215A CN 110988872 A CN110988872 A CN 110988872A
- Authority
- CN
- China
- Prior art keywords
- wall
- dimensional
- layer
- neural network
- convolutional neural
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Electromagnetism (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种无人机载穿墙雷达探测墙体健康状态的快速识别方法,其包括:步骤S100:构建二维卷积神经网络作为训练模块;通过获取测试数据,进行数据预处理后生成数据集,然后通过二维卷积神经网络进行训练,从而生成二维卷积神经网络;步骤S200:通过无人机搭载穿墙雷达,穿墙雷达用来对高层建筑物外墙进行扫描,并通过采集的回波数据对墙体进行成像分析;然后利用二维卷积神经网络进行墙体健康状态的识别,最终得出墙体健康状况。本发明具有能够有效提升墙体空洞探测准确性、安全性和效率等优点。
Description
技术领域
本发明主要涉及到建筑物健康检测技术领域,特指一种无人机载穿墙雷达探测墙体健康状态的快速识别方法。
背景技术
已有建筑物不论是由于勘察、设计、施工、使用等方面造成缺陷,还是由于受到多年的气候作用、化学侵蚀等引起结构老化,均会降低建筑物的安全性和耐久性,造成安全隐患。因此,加强墙体的质量监控和检测,保证墙体质量,成为建筑工程管理中的重要环节。墙体空洞在近年来是特别容易被忽视的安全隐患之一。
瓷砖被广泛用于高层建筑的外墙上,用于装饰和对墙体起一定的保护作用。但是由于工艺差,大气污染和老化效应,预期的粘合剂寿命大大减少,导致由高层建筑物落下的瓦片引起的事故数量增加。因此,迫切需要一种有效且高效的快速方法来检查高层建筑的外部瓷砖墙。
对于高层建筑物墙体空洞的检测,以往使用较多的方法主要有和敲击法、超声波法和红外热成像法等无损检测方法。现有方法主要有以下缺点:
1、敲击法是检测者根据敲击墙体的声音而确定是否存在空洞,主要依赖于检测者的经验,主观随意性大,准确性不高且无法给出量化结果。
2、超声波检测方法由于墙体的不均匀性使其受到一定的限制。
3、红外热成像法容易受周围环境、墙体材料等因素影响,且影响程度不能确定,使对墙体的定量检测更加困难。
由此可见,现有的所有这些检测方法除了准确性不高、易受干扰外,还有检测过程繁琐、检测效率不高,人工需要在危及生命的高度工作等缺点。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种能够有效提升墙体空洞探测准确性、安全性和效率的无人机载穿墙雷达探测墙体健康状态的快速识别方法,用以实现对墙体空洞的快速识别。
为解决上述技术问题,本发明采用以下技术方案:
一种无人机载穿墙雷达探测墙体健康状态的快速识别方法,其包括:
步骤S100:构建二维卷积神经网络作为训练模块;
通过获取测试数据,进行数据预处理后生成数据集,然后通过二维卷积神经网络进行训练,从而生成二维卷积神经网络;
步骤S200:通过无人家搭载穿墙雷达,穿墙雷达用来对高层建筑物外墙进行扫描,并通过采集的回波数据对墙体进行成像分析;然后利用二维卷积神经网络进行墙体健康状态的识别,最终得出墙体健康状况。
作为本发明的进一步改进:所述步骤S100中,进行二维卷积神经网络训练包括如下步骤:
步骤S110:测试数据获取;利用雷达对已知健康墙体和非健康墙体进行探测,得到若干组不同介质健康墙体和若干组不同介质非健康墙体回波数据;测试数据为采样后得到的回波信号x[m,n],m表示回波次数,n表示采样点数;
步骤S120:数据预处理;雷达距墙体L,假设墙体厚d,雷达波传到墙体所用时间为t1,在墙体中传播时间为t2,截取在2*t1与2*t2之间的回波数据,随机从原始信号中选取信号Z(i),令Z(i),i=1,2…,q,采用时间序列转化为二维灰度图像的方法,提取时间序列的信号特征,将其包含的物理信息转化为二维灰度图像的像素强度并归一化为0至255的像素强度值,照顺序填充图像的像素,得到维度为q*q的二维像素矩阵;
步骤S130:数据集生成;对预处理后的二维像素矩阵叠加相应的墙体健康状况信息整合生成数据集;
步骤S140:二维卷积神经网络训练;
步骤S150:二维卷积神经网络生成。
作为本发明的进一步改进:所述步骤S140中,对验证样本的灰度图片测试,将其输入到训练好的二维卷积神经网络中,输出层输出一维向量,进一步确定模型中的超参数;对测试样本的灰度图片测试,将其输入到训练好的二维卷积神经网络中,输出层输出一维向量,根据网络中激活函数要求,得出输入图片所属类别,并对比理想输出结果所属类别,多次测试,统计分类精确度,评估模型的泛化能力,若精度足够则二维卷积神经网络模型生成。
作为本发明的进一步改进:所述步骤S140中对于每一次迭代中对数据集中的每一个样本或者每一批量样本进行如下操作:
S141、前向传播:从网络输入层到输出层向前依次计算每一层神经元的输出;
S142、反向传播:计算输出层的误差并反向传播至第一个隐含层,从而计算出各层的残差;
S143、计算梯度:计算网络权重和偏置的梯度;
S144、更新权重:更新网络的权重和偏置。
作为本发明的进一步改进:所述步骤S150中对验证样本的灰度图片测试,将其输入到训练好的二维卷积神经网络中,输出层输出一维向量,进一步确定模型中的超参数;对测试样本的灰度图片测试,将其输入到训练好的二维卷积神经网络中,输出层输出一维向量,根据网络中激活函数要求,得出输入图片所属类别,并对比理想输出结果所属类别,多次测试,统计分类精确度,评估模型的泛化能力,若精度足够则二维卷积神经网络模型生成。
作为本发明的进一步改进:所述二维卷积神经网络包括输入层在内,总共包含8层,分别为:输入层、C1二维卷积层、S2池化层、C3二维卷积层、S4池化层、C5二维卷积层、S6全连接层、输出层。
作为本发明的进一步改进:在所述二维卷积神经网络中灰度图像的图像尺寸为64*64,直接作为输入层图像尺寸,不做任何图像尺寸大小归一化,输入层传递特征图到C1二维卷积层进行二维卷积操作。
作为本发明的进一步改进:所述C1二维卷积层、C3二维卷积层、C5二维卷积层、S6全连接层训练时激活函数均采用ReLU函数;所述输出层是一个全连接层,并且连接一个Softmax函数,输出总共有2个节点,最终输出为一维2个元素的行向量或者列向量;所述池化层S1、池化层S2选用最大值池化方法。
作为本发明的进一步改进:所述步骤S200进行二维卷积神经网络识别包括如下步骤:
步骤S210:原始数据;扫描获取墙体回波数据;
步骤S220:墙体结构建模;根据建筑物的参数建立建筑物外墙的二维坐标模型,分别以水平方向和竖直方向为x和y轴建立墙体坐标系,控制雷达对墙体左下、左上、右上及右上进行探测,获得墙体四个角的GPS位置信息,结合原始数据中的GPS信息可得到每个探测点在墙体坐标系中的坐标,并将回波数据与相应位置坐标关联起来;
步骤S230:数据挑选;对墙体进行探测,利用原始数据中的姿态参数判别墙体回波数据的准确性;剔除雷达不平稳时的墙体回波数据,提取出一组质量较高的墙体回波数据。
步骤S240:数据预处理;
步骤S250:二维卷积神经网络识别。
作为本发明的进一步改进:所述步骤S240中,超宽带雷达距墙体L,假设墙体厚d,雷达波传到墙体所用时间为t1,在墙体中传播时间为t2,截取在2*t1与2*t2之间的回波数据,截取后的一次回波数据为x=[x1,x2,…,xp],随机从原始信号中选取信号Z(i),令Z(i),i=1,2…,q,采用时间序列转化为二维灰度图像的方法,提取时间序列的信号特征,将其包含的物理信息等,转化为二维灰度图像的像素强度并归一化为0至255的像素强度值,照顺序填充图像的像素,得到维度为q*q的二维像素矩阵;将所有探测点回波的二维像素矩阵整合形成数据集。
与现有技术相比,本发明的优点在于:
1、本发明的无人机载穿墙雷达探测墙体健康状态的快速识别方法,利用雷达探测无空洞墙体与有空洞墙体时回波的差异识别是否存在空洞。且进一步采用超宽带雷达,探测分辨率高,波束小不易受周围环境干扰。
2、本发明的无人机载穿墙雷达探测墙体健康状态的快速识别方法,工作人员在地面站即可远程操控无人机载超宽带雷达实现墙体探测,使检测过程自动化,不仅提高了建筑检查的效率,而且减少了人工在危及生命安全的高度工作的需要。安全性能和工作效率等大大提高。
3、本发明无人机载穿墙雷达探测墙体健康状态的快速识别方法,对墙体的雷达回波数据做灰度变换转为灰度图像后输入二维卷积神经网络进行识别,识别精度高且速度快。
附图说明
图1是本发明方法的流程示意图。
图2是本发明在具体应用实例中的流程示意图。
图3是本发明在具体应用实例中二维卷积神经网络的结构示意图。
图4是本发明在具体应用实例中利用无人机载超宽带雷达实施时的轨迹图。
具体实施方式
以下将结合说明书附图和具体实施例对本发明做进一步详细说明。
如图1所示,本发明的无人机载穿墙雷达探测墙体健康状态的快速识别方法,其包括:
步骤S100:构建二维卷积神经网络作为训练模块;
通过获取测试数据,进行数据预处理后生成数据集,然后通过二维卷积神经网络进行训练,从而生成二维卷积神经网络;
步骤S200:利用二维卷积神经网络进行墙体健康状态的识别;
获取实时的原始数据,通过墙体结构建模进行数据挑选,对数据预处理之后,利用二维卷积神经网络进行识别,最终得出墙体健康状况。
如图2所示,在具体应用实例中,本发明的快速识别方法用于训练学习样本的二维卷积神经网络包括输入层在内,包括输入层在内,总共包含8层,分别为输入层、C1二维卷积层、S2池化层、C3二维卷积层、S4池化层、C5二维卷积层、S6全连接层、输出层。灰度图像的图像尺寸为64*64,直接作为输入层图像尺寸,不做任何图像尺寸大小归一化,输入层传递特征图到C1二维卷积层进行二维卷积操作。C1二维卷积层、C3二维卷积层、C5二维卷积层、S6全连接层训练时激活函数均采用ReLU函数。输出层是一个全连接层,并且连接一个Softmax函数,输出总共有2个节点,最终输出为一维2个元素的行向量或者列向量。池化层S1、池化层S2选用最大值池化方法。
其中:
C1二维卷积层参数:二维卷积核大小为3*3,二维卷积核个数为32个。输出的feature map大小为62*62,个数为32。
S2池化层参数:下采样区域为2*2,输出Feature Map大小为31*31,个数为32。
C3二维卷积层参数设置:二维卷积核大小为3*3,输出Feature Map大小为29*29,个数为64。
S4池化层:下采样区域为:2*2,输出Feature Map大小为14*14,个数为64。
C5层二维卷积层参数:二维卷积核大小为3*3,特征图输出大小为12*12,个数为64。
F6全连接层64个节点,后面连接另外一个全连接层作为输出层。输出层节点为2。
在具体应用实例中,本发明采用超宽带雷达的工作频率由电磁波穿透介质的能力决定。电磁波的波长越长,穿透能力越好。根据超宽带雷达的应用场景,***设计的重点应当聚焦于墙体穿透能力。因此,在工作频率选择上,应当选择低频工作频段。电磁波穿透不同介质的损耗与其频率有关,1-10GHz的低频电磁破穿透介质衰减较小,随着频率降低,其衰减也减小,频谱在250MHz-3GHz的电磁波能有效穿透目前市面上的建筑材料。
在具体应用实例中,本发明所采用的二维卷积神经网络,二维卷积神经网络(convolutional neural network)由输入层、二维卷积层(convolutional layer)、下采样层(也称为池化层—pooling layer)、全连接层和输出层等基本结构组成二维卷积层通过二维卷积核对输入的原始图像的特征面进行二维卷积操作,通过一系列非线性运算得到新的特征图,传入到下一层降采样层。每个二维卷积层包含多个特征面,多个神经元构成一个特征面。二维卷积核的每一个神经元通过一组权值局部连接到上一层输入的特征面,用来学习局部特征,具有权值共享的特点,达到减少网络训练参数的效果。二维卷积层通过二维卷积操作提取输入特征图的不同特征,用于获取输入数据的有效特征表达。
下采样层又称池化层,原始图经过二维卷积层的二维卷积运算之后,得到新的特征图,特征图的数量与二维卷积核的数量相同,直接用这些特征图去分类,会增加计算复杂度,因此,有必要采用下采样层对特征图进行下采样。二维卷积层的特征面与下采样层的特征面唯一对应,输入层与下采样层局部连接,池化层不仅可以降低特征图的维度,减小网络的计算复杂度,还具有保持特征尺度不变形的功能,减少过拟合现象。全连接层的作用是对下采样层的特征图进行分类。
在具体应用实例中,根据实际需要,二维卷积神经网络训练时采用优化方法为带动量的梯度下降法。
在具体应用实例中,根据实际需要,二维卷积神经网络训练时为了评价二维卷积神经网络的实际输出值与目标值的关系选择的损失函数为交叉熵损失函数。
在具体应用实例中,本发明的快速识别方法,在所述步骤S100中,进行二维卷积神经网络训练包括如下步骤:
步骤S110:地面测试数据获取;
利用无人机载超宽带雷达对已知健康墙体和非健康墙体进行探测,得到1000组不同介质健康墙体和1000组不同介质非健康墙体回波数据。超宽带雷达距墙体5米,地面测试数据为采样后得到的回波信号x[m,n]。m表示回波次数,n表示采样点数。
步骤S120:数据预处理;
超宽带雷达距墙体L,假设墙体厚d,雷达波传到墙体所用时间为t1,在墙体中传播时间为t2,截取在2*t1与2*t2之间的回波数据以降低运算量,截取后的一次回波数据为x=[x1,x2,…,xp],随机从原始信号中选取信号Z(i),令Z(i),i=1,2…,q,采用时间序列转化为二维灰度图像的方法,提取时间序列的信号特征,将其包含的物理信息,如幅度等,转化为二维灰度图像的像素强度并归一化为0至255的像素强度值,照顺序填充图像的像素,得到维度为q*q的二维像素矩阵。
步骤S130:数据集生成;
对预处理后的二维像素矩阵叠加相应的墙体健康状况信息整合生成数据集。数据集分为训练集(带标签)、验证集(带标签)和测试集,其比例为6:3:1。
步骤S140:二维卷积神经网络训练;
将带有标签的训练集输入二维卷积神经网络对其进行训练,训练样本进行训练,经过各层特征图传递,由全连接层得到一个一维向量,通过输出层输出实际向量,输出向量与理想向量的对比得到代价误差,代价误差反向传播,并不断更新各网络层的参数值和调整网络。如此重复,直到代价函数达到迭代要求,整个网络训练完成,得到合适的网络模型。
对于每一次迭代中对数据集中的每一个样本或者每一批量样本进行如下操作:
S141、前向传播:从网络输入层到输出层向前依次计算每一层神经元的输出。
S142、反向传播:计算输出层的误差并反向传播至第一个隐含层,从而计算出各层的残差。
S143、计算梯度:计算网络权重和偏置的梯度。
S144、更新权重:更新网络的权重和偏置。
步骤S150:二维卷积神经网络生成;
对验证样本的灰度图片测试,将其输入到训练好的二维卷积神经网络中,输出层输出一维向量,进一步确定模型中的超参数;对测试样本的灰度图片测试,将其输入到训练好的二维卷积神经网络中,输出层输出一维向量,根据网络中激活函数要求,得出输入图片所属类别,并对比理想输出结果所属类别,多次测试,统计分类精确度,评估模型的泛化能力,若精度足够则二维卷积神经网络模型生成。
在具体应用实例中,本发明的快速识别方法中所述步骤S200进行二维卷积神经网络识别,包括如下步骤:
步骤S210:原始数据;
飞行控制***控制无人机载超宽带雷达对墙体进行“Z”字形扫描获取墙体回波数据。设超宽带雷达波束角为2*θ,无人机与墙面距离为L,则超宽带雷达在墙体上的探测半径R=L*tan θ,当无人机每行进悬停一次时可实现对墙体体无死角的探测且效率很高。最终数据形式如下:
第1-3列为每次探测时无人机的GPS模块测得的无人机所在位置经度、纬度和高,第3-6列为每次探测时无人机的姿态信息(俯仰角、偏航角和滚转角),后n列为墙体回波数据。
步骤S220:墙体结构建模;
飞行控制***控制无人机搭载超宽带雷达对墙体进行探测,如图3所示,根据合作方提供的建筑物的相关参数(比如建筑物的高度,外墙的宽度等信息),建立建筑物外墙的二维坐标模型,分别以水平方向和竖直方向为x和y轴建立墙体坐标系,控制无人机搭载超宽带雷达对墙体左下、左上、右上及右上进行探测,获得墙体四个角的GPS位置信息,结合原始数据中的GPS信息可得到每个探测点在墙体坐标系中的坐标,并将回波数据与相应位置坐标关联起来。
步骤S230:数据挑选;
无人机搭载超宽带雷达探测墙体空洞***在无人机悬停时对墙体进行探测,利用原始数据中的姿态参数可以判别墙体回波数据的准确性。剔除无人机姿态不平稳时的墙体回波数据,提取出一组质量较高的墙体回波数据。
步骤S240:数据预处理;
超宽带雷达距墙体L,假设墙体厚d,雷达波传到墙体所用时间为t1,在墙体中传播时间为t2,截取在2*t1与2*t2之间的回波数据以降低运算量,截取后的一次回波数据为x=[x1,x2,…,xp],随机从原始信号中选取信号Z(i),令Z(i),i=1,2…,q,采用时间序列转化为二维灰度图像的方法,提取时间序列的信号特征,将其包含的物理信息,如幅度等,转化为二维灰度图像的像素强度并归一化为0至255的像素强度值,照顺序填充图像的像素,得到维度为q*q的二维像素矩阵。将所有探测点回波的二维像素矩阵整合形成数据集。
步骤S250:二维卷积神经网络识别;
将带有标签的训练集输入二维卷积神经网络对其进行识别,得到识别结果,将识别结果与墙体上坐标关联,用于确定存在墙体缺陷处的位置,最终结果形式如下:
(xn,yn)为墙体探测点坐标,(On1,On2)为(xn,yn)点处探测结果。最后利用画图命令可清楚的得到墙体坐标系下墙体缺陷的具***置。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (10)
1.一种无人机载穿墙雷达探测墙体健康状态的快速识别方法,其特征在于,包括:
步骤S100:构建二维卷积神经网络作为训练模块;
通过获取测试数据,进行数据预处理后生成数据集,然后通过二维卷积神经网络进行训练,从而生成二维卷积神经网络;
步骤S200:通过无人机搭载穿墙雷达,穿墙雷达用来对高层建筑物外墙进行扫描,并通过采集的回波数据对墙体进行成像分析;然后利用二维卷积神经网络进行墙体健康状态的识别,最终得出墙体健康状况。
2.根据权利要求1所述的无人机载穿墙雷达探测墙体健康状态的快速识别方法,其特征在于,所述步骤S100中,进行二维卷积神经网络训练包括如下步骤:
步骤S110:测试数据获取;利用雷达对已知健康墙体和非健康墙体进行探测,得到若干组不同介质健康墙体和若干组不同介质非健康墙体回波数据;测试数据为采样后得到的回波信号x[m,n],m表示回波次数,n表示采样点数;
步骤S120:数据预处理;雷达距墙体L,假设墙体厚d,雷达波传到墙体所用时间为t1,在墙体中传播时间为t2,截取在2*t1与2*t2之间的回波数据,随机从原始信号中选取信号Z(i),令Z(i),i=1,2…,q,采用时间序列转化为二维灰度图像的方法,提取时间序列的信号特征,将其包含的物理信息转化为二维灰度图像的像素强度并归一化为0至255的像素强度值,照顺序填充图像的像素,得到维度为q*q的二维像素矩阵;
步骤S130:数据集生成;对预处理后的二维像素矩阵叠加相应的墙体健康状况信息整合生成数据集;
步骤S140:二维卷积神经网络训练;
步骤S150:二维卷积神经网络生成。
3.根据权利要求2所述的无人机载穿墙雷达探测墙体健康状态的快速识别方法,其特征在于,所述步骤S140中,对验证样本的灰度图片测试,将其输入到训练好的二维卷积神经网络中,输出层输出一维向量,进一步确定模型中的超参数;对测试样本的灰度图片测试,将其输入到训练好的二维卷积神经网络中,输出层输出一维向量,根据网络中激活函数要求,得出输入图片所属类别,并对比理想输出结果所属类别,多次测试,统计分类精确度,评估模型的泛化能力,若精度足够则二维卷积神经网络模型生成。
4.根据权利要求3所述的无人机载穿墙雷达探测墙体健康状态的快速识别方法,其特征在于,所述步骤S140中对于每一次迭代中对数据集中的每一个样本或者每一批量样本进行如下操作:
S141、前向传播:从网络输入层到输出层向前依次计算每一层神经元的输出;
S142、反向传播:计算输出层的误差并反向传播至第一个隐含层,从而计算出各层的残差;
S143、计算梯度:计算网络权重和偏置的梯度;
S144、更新权重:更新网络的权重和偏置。
5.根据权利要求3所述的无人机载穿墙雷达探测墙体健康状态的快速识别方法,其特征在于,所述步骤S150中对验证样本的灰度图片测试,将其输入到训练好的二维卷积神经网络中,输出层输出一维向量,进一步确定模型中的超参数;对测试样本的灰度图片测试,将其输入到训练好的二维卷积神经网络中,输出层输出一维向量,根据网络中激活函数要求,得出输入图片所属类别,并对比理想输出结果所属类别,多次测试,统计分类精确度,评估模型的泛化能力,若精度足够则二维卷积神经网络模型生成。
6.根据权利要求1-5中任意一项所述的无人机载穿墙雷达探测墙体健康状态的快速识别方法,其特征在于,所述二维卷积神经网络包括输入层在内,总共包含8层,分别为:输入层、C1二维卷积层、S2池化层、C3二维卷积层、S4池化层、C5二维卷积层、S6全连接层、输出层。
7.根据权利要求6所述的无人机载穿墙雷达探测墙体健康状态的快速识别方法,其特征在于,在所述二维卷积神经网络中灰度图像的图像尺寸为64*64,直接作为输入层图像尺寸,不做任何图像尺寸大小归一化,输入层传递特征图到C1二维卷积层进行二维卷积操作。
8.根据权利要求6所述的无人机载穿墙雷达探测墙体健康状态的快速识别方法,其特征在于,所述C1二维卷积层、C3二维卷积层、C5二维卷积层、S6全连接层训练时激活函数均采用ReLU函数;所述输出层是一个全连接层,并且连接一个Softmax函数,输出总共有2个节点,最终输出为一维2个元素的行向量或者列向量;所述池化层S1、池化层S2选用最大值池化方法。
9.根据权利要求1-5中任意一项所述的无人机载穿墙雷达探测墙体健康状态的快速识别方法,其特征在于,所述步骤S200进行二维卷积神经网络识别包括如下步骤:
步骤S210:原始数据;扫描获取墙体回波数据;
步骤S220:墙体结构建模;根据建筑物的参数建立建筑物外墙的二维坐标模型,分别以水平方向和竖直方向为x和y轴建立墙体坐标系,控制雷达对墙体左下、左上、右上及右上进行探测,获得墙体四个角的GPS位置信息,结合原始数据中的GPS信息可得到每个探测点在墙体坐标系中的坐标,并将回波数据与相应位置坐标关联起来;
步骤S230:数据挑选;对墙体进行探测,利用原始数据中的姿态参数判别墙体回波数据的准确性;剔除雷达不平稳时的墙体回波数据,提取出一组质量较高的墙体回波数据。
步骤S240:数据预处理;
步骤S250:二维卷积神经网络识别。
10.根据权利要求8所述的无人机载穿墙雷达探测墙体健康状态的快速识别方法,其特征在于,所述步骤S240中,超宽带雷达距墙体L,假设墙体厚d,雷达波传到墙体所用时间为t1,在墙体中传播时间为t2,截取在2*t1与2*t2之间的回波数据,截取后的一次回波数据为x=[x1,x2,…,xp],随机从原始信号中选取信号Z(i),令Z(i),i=1,2…,q,采用时间序列转化为二维灰度图像的方法,提取时间序列的信号特征,将其包含的物理信息等,转化为二维灰度图像的像素强度并归一化为0至255的像素强度值,照顺序填充图像的像素,得到维度为q*q的二维像素矩阵;将所有探测点回波的二维像素矩阵整合形成数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911358215.XA CN110988872B (zh) | 2019-12-25 | 2019-12-25 | 无人机载穿墙雷达探测墙体健康状态的快速识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911358215.XA CN110988872B (zh) | 2019-12-25 | 2019-12-25 | 无人机载穿墙雷达探测墙体健康状态的快速识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110988872A true CN110988872A (zh) | 2020-04-10 |
CN110988872B CN110988872B (zh) | 2023-10-03 |
Family
ID=70075537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911358215.XA Active CN110988872B (zh) | 2019-12-25 | 2019-12-25 | 无人机载穿墙雷达探测墙体健康状态的快速识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110988872B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111537996A (zh) * | 2020-06-02 | 2020-08-14 | 西安石油大学 | 一种基于卷积神经网络的穿墙雷达成像方法 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000206098A (ja) * | 1999-01-13 | 2000-07-28 | Mitsubishi Electric Corp | 建築物の壁構造検査装置 |
CN204142684U (zh) * | 2014-10-10 | 2015-02-04 | 南京信息工程大学 | 一种用于墙体空鼓质量检测的旋翼无人机 |
CN105606150A (zh) * | 2015-12-22 | 2016-05-25 | 中国矿业大学(北京) | 一种基于线结构光和地质雷达的道路综合检测方法及*** |
CN105954502A (zh) * | 2016-05-25 | 2016-09-21 | 中国林业科学研究院木材工业研究所 | 一种古建筑木柱内部缺陷的雷达波无损检测方法 |
CN106228201A (zh) * | 2016-06-20 | 2016-12-14 | 电子科技大学 | 一种基于阴影特性的合成孔径雷达抗欺骗式干扰方法 |
CN106501316A (zh) * | 2016-11-24 | 2017-03-15 | 李北海 | 一种建筑物外墙体质量检测装置及其检测方法 |
CN106558097A (zh) * | 2016-10-15 | 2017-04-05 | 合肥市勘察院有限责任公司 | 一种基于车载式三维探地雷达和道路测绘技术的地下环境透视三维模型建立方法 |
CN107220606A (zh) * | 2017-05-22 | 2017-09-29 | 西安电子科技大学 | 基于一维卷积神经网络的雷达辐射源信号的识别方法 |
CN108195933A (zh) * | 2017-12-16 | 2018-06-22 | 商洛学院 | 一种检测建筑外墙质量缺陷的检测*** |
CN108241024A (zh) * | 2018-01-25 | 2018-07-03 | 上海众材工程检测有限公司 | 一种基于墙体的空鼓检测方法及*** |
CN108318499A (zh) * | 2018-01-05 | 2018-07-24 | 株洲时代电子技术有限公司 | 一种桥梁巡检方法 |
CN108490030A (zh) * | 2018-03-30 | 2018-09-04 | 吉林建筑大学 | 基于无人机红外热成像的建筑围护结构热工性能检测方法 |
US20180313950A1 (en) * | 2017-05-01 | 2018-11-01 | Farrokh Mohamadi | CNN-Based Remote Locating and Tracking of Individuals Through Walls |
CN109298417A (zh) * | 2018-09-30 | 2019-02-01 | 湖南华诺星空电子技术有限公司 | 一种基于雷达信号处理的建筑物内部结构探测方法及装置 |
CN109407067A (zh) * | 2018-10-13 | 2019-03-01 | 中国人民解放军海军航空大学 | 基于时频图卷积神经网络的雷达动目标检测与分类一体化方法 |
CN109948532A (zh) * | 2019-03-19 | 2019-06-28 | 桂林电子科技大学 | 基于深度卷积神经网络的超宽带雷达人体动作识别方法 |
CN110044964A (zh) * | 2019-04-25 | 2019-07-23 | 湖南科技大学 | 基于无人飞机热成像视频的建筑饰面层脱粘缺陷识别方法 |
WO2019153016A1 (en) * | 2018-02-05 | 2019-08-08 | Metawave Corporation | Method and apparatus for object detection using a beam steering radar and convolutional neural network system |
CN110245642A (zh) * | 2019-06-21 | 2019-09-17 | 北京市市政工程研究院 | 一种基于深度学习的雷达图谱识别方法及*** |
AU2019101133A4 (en) * | 2019-09-30 | 2019-10-31 | Bo, Yaxin MISS | Fast vehicle detection using augmented dataset based on RetinaNet |
-
2019
- 2019-12-25 CN CN201911358215.XA patent/CN110988872B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000206098A (ja) * | 1999-01-13 | 2000-07-28 | Mitsubishi Electric Corp | 建築物の壁構造検査装置 |
CN204142684U (zh) * | 2014-10-10 | 2015-02-04 | 南京信息工程大学 | 一种用于墙体空鼓质量检测的旋翼无人机 |
CN105606150A (zh) * | 2015-12-22 | 2016-05-25 | 中国矿业大学(北京) | 一种基于线结构光和地质雷达的道路综合检测方法及*** |
CN105954502A (zh) * | 2016-05-25 | 2016-09-21 | 中国林业科学研究院木材工业研究所 | 一种古建筑木柱内部缺陷的雷达波无损检测方法 |
CN106228201A (zh) * | 2016-06-20 | 2016-12-14 | 电子科技大学 | 一种基于阴影特性的合成孔径雷达抗欺骗式干扰方法 |
CN106558097A (zh) * | 2016-10-15 | 2017-04-05 | 合肥市勘察院有限责任公司 | 一种基于车载式三维探地雷达和道路测绘技术的地下环境透视三维模型建立方法 |
CN106501316A (zh) * | 2016-11-24 | 2017-03-15 | 李北海 | 一种建筑物外墙体质量检测装置及其检测方法 |
US20180313950A1 (en) * | 2017-05-01 | 2018-11-01 | Farrokh Mohamadi | CNN-Based Remote Locating and Tracking of Individuals Through Walls |
CN107220606A (zh) * | 2017-05-22 | 2017-09-29 | 西安电子科技大学 | 基于一维卷积神经网络的雷达辐射源信号的识别方法 |
CN108195933A (zh) * | 2017-12-16 | 2018-06-22 | 商洛学院 | 一种检测建筑外墙质量缺陷的检测*** |
CN108318499A (zh) * | 2018-01-05 | 2018-07-24 | 株洲时代电子技术有限公司 | 一种桥梁巡检方法 |
CN108241024A (zh) * | 2018-01-25 | 2018-07-03 | 上海众材工程检测有限公司 | 一种基于墙体的空鼓检测方法及*** |
WO2019153016A1 (en) * | 2018-02-05 | 2019-08-08 | Metawave Corporation | Method and apparatus for object detection using a beam steering radar and convolutional neural network system |
CN108490030A (zh) * | 2018-03-30 | 2018-09-04 | 吉林建筑大学 | 基于无人机红外热成像的建筑围护结构热工性能检测方法 |
CN109298417A (zh) * | 2018-09-30 | 2019-02-01 | 湖南华诺星空电子技术有限公司 | 一种基于雷达信号处理的建筑物内部结构探测方法及装置 |
CN109407067A (zh) * | 2018-10-13 | 2019-03-01 | 中国人民解放军海军航空大学 | 基于时频图卷积神经网络的雷达动目标检测与分类一体化方法 |
CN109948532A (zh) * | 2019-03-19 | 2019-06-28 | 桂林电子科技大学 | 基于深度卷积神经网络的超宽带雷达人体动作识别方法 |
CN110044964A (zh) * | 2019-04-25 | 2019-07-23 | 湖南科技大学 | 基于无人飞机热成像视频的建筑饰面层脱粘缺陷识别方法 |
CN110245642A (zh) * | 2019-06-21 | 2019-09-17 | 北京市市政工程研究院 | 一种基于深度学习的雷达图谱识别方法及*** |
AU2019101133A4 (en) * | 2019-09-30 | 2019-10-31 | Bo, Yaxin MISS | Fast vehicle detection using augmented dataset based on RetinaNet |
Non-Patent Citations (3)
Title |
---|
DEGUI YANG: "Vital Sign Signal Extraction Method Based on Permutation Entropy and EEMD Algorithm for Ultra-Wideband Radar", ACCESS, vol. 7, pages 178879 - 178890, XP011761626, DOI: 10.1109/ACCESS.2019.2958600 * |
刘蓓等: "地质雷达在挡土墙无损检测中的应用", 《广州建筑》, vol. 41, no. 01, pages 27 - 31 * |
贾勇等: "穿墙雷达多视角建筑布局成像", 《电子与信息学报》, vol. 35, no. 5, pages 1114 - 1119 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111537996A (zh) * | 2020-06-02 | 2020-08-14 | 西安石油大学 | 一种基于卷积神经网络的穿墙雷达成像方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110988872B (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110988839B (zh) | 基于一维卷积神经网络的墙体健康状况的快速识别方法 | |
Park et al. | Concrete crack detection and quantification using deep learning and structured light | |
Dorafshan et al. | Evaluation of bridge decks with overlays using impact echo, a deep learning approach | |
Tong et al. | Innovative method for recognizing subgrade defects based on a convolutional neural network | |
Dorafshan et al. | Deep learning models for bridge deck evaluation using impact echo | |
CN111639747B (zh) | 一种基于bp神经网络的gnss-r海面风速反演方法及*** | |
CN111639746B (zh) | 一种基于cnn神经网络的gnss-r海面风速反演方法及*** | |
CN103353988B (zh) | 异源sar景象特征匹配算法性能评估方法 | |
CN106228201A (zh) | 一种基于阴影特性的合成孔径雷达抗欺骗式干扰方法 | |
CN114266892A (zh) | 一种多源数据深度学习的路面病害识别方法及*** | |
Mohamed et al. | Steel crack depth estimation based on 2D images using artificial neural networks | |
Jiang et al. | A deep neural networks approach for pixel-level runway pavement crack segmentation using drone-captured images | |
CN111359913A (zh) | 一种通过激光雷达分选矿石的方法 | |
CN110988872B (zh) | 无人机载穿墙雷达探测墙体健康状态的快速识别方法 | |
Vy et al. | Damage localization using acoustic emission sensors via convolutional neural network and continuous wavelet transform | |
Kuchipudi et al. | Automated detection and segmentation of internal defects in reinforced concrete using deep learning on ultrasonic images | |
CN110779477B (zh) | 一种用于实时识别物体形状的声学方法 | |
Choobbasti et al. | Mapping of soil layers using artificial neural network (case study of Babol, northern Iran) | |
CN108919236B (zh) | 一种空间碎片激光测距效果仿真分析方法和装置 | |
CN116399813A (zh) | 基于深度置信网络的多波段aod反演方法及*** | |
CN112711873B (zh) | 基于兰姆波和神经网络进行损伤定位的方法及***、介质 | |
Dunphy et al. | Autonomous crack detection approach for masonry structures using artificial intelligence | |
CN114755302A (zh) | 一种基于超声相控阵的裂纹表征方法及装置 | |
Dinh et al. | Improved GPR-based condition assessment of reinforced concrete bridge decks using artificial neural network | |
Lavadiya et al. | Deep learning models for analysis of non‐destructive evaluation data to evaluate reinforced concrete bridge decks: A survey |
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 |