CN112859006B - 一种检测多通道探地雷达数据中金属类弯曲圆柱结构的方法 - Google Patents
一种检测多通道探地雷达数据中金属类弯曲圆柱结构的方法 Download PDFInfo
- Publication number
- CN112859006B CN112859006B CN202110032021.1A CN202110032021A CN112859006B CN 112859006 B CN112859006 B CN 112859006B CN 202110032021 A CN202110032021 A CN 202110032021A CN 112859006 B CN112859006 B CN 112859006B
- Authority
- CN
- China
- Prior art keywords
- target
- radar data
- cylindrical structure
- bscan
- dimensional
- 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.)
- Active
Links
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
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种检测多通道探地雷达数据中金属类弯曲圆柱结构的方法,包括:在待检测的区域内,获得m×c个雷达数据bscan;对任一雷达数据bscan进行预处理,并进行可视化处理;对任一雷达数据batch进行排列,并根据雷达数据batch内的雷达数据bscan的位置,得到n个bscan图像;对任一图像img_i进行二维双曲线检测,并获得k个金属类圆柱结构目标;对金属类圆柱结构目标Target_i_u进行实际的坐标转换,得到金属类圆柱结构目标Target_i_u在区域内的位置信息;记图像img_i中的金属类圆柱结构目标集合为Set_i,对第i个bscan图像进行二维双曲线检测,得到n个集合;依次遍历金属类圆柱结构目标,采用目标位置投影和面积的方式搜索二维目标,完成三维目标搜索。
Description
技术领域
本发明涉及雷达数据处理技术领域,尤其是一种检测多通道探地雷达数据中金属类弯曲圆柱结构的方法。
背景技术
在探地雷达切片图中金属类圆柱结构对应的位置呈现出明显双曲线结构,此处不区分是否钢筋还是管道(中空)。在多通道探地雷达设备上,多通道浅层探地雷达工作时挂在搭载设备上,由搭载设备多个通道同时向前推进,假设为m 通道的雷达设备,m可以大于等于1的任何整数,m为1时,为单通道探地雷达。
一般情况下,探地雷达工作是对一个区域进行全覆盖检测,其每次检测的我们将单次行进产生的m个通道雷达数据bscan,即表示为1组batch,一般来说,多通道探地雷达检测中,同一个batch内的所有bscan中包含轴向扫描数据 ascan的数量是相同的,而在全覆盖检测中,两个不同batch中的雷达数据bscan 所包含的ascan数量不一样相同,案例如图1所示。多通道探地雷达在该区域内来回检测c次,产生c组batch数据,即c×m个雷达数据bscan,即一个立方体的雷达数据,每个bscan数据由多个ascan数据组成,每个ascan由多个向下采样的数据组成,其中每个采样数据包含位置信息和雷达回波的强度信息,雷达回波则表示地下目标的情况,对单个bscan的雷达回波数据做可视化处理如图 2。
目前,现有技术中对多通道浅层探地雷达数据分析一般是对各切片图进行分析,然后综合切片图分析结果,得到真实立体的地质目标检测结果,金属类圆柱结构目标在雷达切片图中会呈现出明显的双曲线特征,如图3所示。当前,对金属类圆柱结构的地下目标的自动检测主要集中单个bscan的检测,例如毛兴鹏《一种探地雷达双曲线目标快速检测方法》,其主要对探地雷达数据(大概率是bscan数据),进行可视化处理进行边缘检测,以及对雷达信号处理之后再可视化再边缘处理,结合之后,寻找双曲线目标,此时有一簇双曲线结果,需要对双曲线结果结合介电常数信息,从一簇双曲线结果提取出,双曲线定点以及那几个双曲线是属于同一个钢筋的反射图像,得到n个钢筋及其定点位置,该方法基于的经典图像处理算法,提取bscan雷达信号中的双曲线信息,得到的,是多个二维结果,但是双曲线目标不一定是钢筋目标,探地雷达扫描地址中的一个金属螺帽螺钉(大一点的),也会在bscan图像上行程双曲线结果。
再如专利申请号为“202010493228.4”、名称为“一种基于探地雷达和深度学习的混凝土内钢筋智能定位方法”的中国发明专利,其与《一种探地雷达双曲线目标快速检测方法》的情况几乎相同,其使用了ssd这种基于深度学习目标检测的,最终也是也确定双曲的位置(顶点),以此确定双曲线目标在地底多深。
再如郝彤《面向双曲线形态的探地雷达图像识别技术综述》,该技术是对目前检测bscan图像中的双曲线目标总结,其中包含深度学习法(如“202010493228.4”),也包含基于图像处理中的方法(如一种探地雷达双曲线目标快速检测方法),但是这个还是基于bscan图像的结果,并且是二维的。
而在实际情况中,不管使用经典图像处理还是深度学习的办法,都是对单个bscan图像进行目标检测,由于雷达切片图是通过电磁反射波强度表示目标,而道面下的实际情况非常复杂性,存在很多假目标,在单个bscan切片图中呈现出非常明显的双曲线特征。
因此,急需要提出一种逻辑简单、准确可靠的检测多通道探地雷达数据中金属类弯曲圆柱结构的方法。
发明内容
针对上述问题,本发明的目的在于提供一种检测多通道探地雷达数据中金属类弯曲圆柱结构的方法,本发明采用的技术方案如下:
一种检测多通道探地雷达数据中金属类弯曲圆柱结构的方法,包括以下步骤:
在待检测的区域内,采用m通道探地雷达沿平行方向栅状折返检测c次,获得m×c个雷达数据bscan;m个雷达数据bscan组成一个雷达数据batch;c个雷达数据batch组成该待检测的区域的雷达数据cscan;所述雷达数据cscan等于 m×c个雷达数据bscan;所述m和c均为大于1的整数;
对任一雷达数据bscan进行预处理,并进行可视化处理;
对任一所述雷达数据batch进行排列,并根据雷达数据batch内的雷达数据 bscan的位置,对雷达数据batch内第2个雷达数据bscan至第(m-1)雷达数据 bscan进行栅状相邻两两相连,得到n个bscan图像,记任一bscan图像为img_i, 0<i≤n;
对任一图像img_i进行二维双曲线检测,并获得k个金属类圆柱结构目标,并记任一个金属类圆柱结构目标为Target_i_u,0<u≤k;
对金属类圆柱结构目标Target_i_u进行实际的坐标转换,得到金属类圆柱结构目标Target_i_u在区域内的位置信息;所述位置信息包括金属类圆柱结构目标Target_i_u在区域内的中心点坐标、高度、宽度和空间平面的向量信息;
记图像img_i中的金属类圆柱结构目标集合为Set_i,对第i个bscan图像进行二维双曲线检测,得到n个集合;
从金属类圆柱结构目标集合Set_1开始,依次遍历金属类圆柱结构目标,并将金属类圆柱结构目标集合为Set_(j-1)的金属类圆柱结构目标的位置投影至金属类圆柱结构目标集合为Set_j所在的图像中,并采用面积的方式搜索二维目标,直至任一图像img_i完成搜索,完成三维目标搜索,以得到金属类圆柱的三维结构;所述j为大于1、且所述j为大于1、且小于等于m×c的整数。
进一步地,所述从金属类圆柱结构目标集合Set_1开始,依次遍历金属类圆柱结构目标,并将金属类圆柱结构目标集合为Set_(j-1)的金属类圆柱结构目标的位置投影至金属类圆柱结构目标集合为Set_j所在的图像中,并采用面积的方式搜索二维目标,包括以下步骤:
从金属类圆柱结构目标集合Set_1开始,依次遍历任一金属类圆柱结构目标集合Set_i中的金属类圆柱结构目标,
记第j-1个金属类圆柱结构目标集合的目标为Target_(j-1)_p(j-1);p(j-1)为大于1且小于第j-1个金属类圆柱结构目标集合的目标总数的整数;所述目标 Target_(j-1)_p(j-1)在区域内对应的位置信息为Rect_(j-1)_p(j-1);
记第j个金属类圆柱结构目标集合的目标为Target_j_pj;pj为大于1且小于第j个金属类圆柱结构目标集合的目标总数的整数;所述目标Target_j_pj在区域内对应的位置信息为Rect_j_pj;
若目标Target_(j-1)_p(j-1)与目标Target_j_pj为栅状相邻,则将位置信息 Rect_j_pj投影至位置信息Rect_(j-1)_p(j-1)所在的平面,并得到投影位置信息 Rect_j_pj_proj;
求得位置信息Rect_(j-1)_p(j-1)与投影位置信息Rect_j_pj_proj的交集面积iSize;
求得位置信息Rect_(j-1)_p(j-1)与投影位置信息Rect_j_pj_proj的并集面积uSize;
求得交集面积iSize与并集面积uSize的比值ratio,若比值ratio大于预设的阈值thresh,则为同一雷达数据batch中相邻的雷达数据bscan在相同位置检测的二维目标。
更进一步地,所述三维目标搜索,包括以下步骤:
求得二维目标所在的平面的方向向量夹角angle,并归一化到0至π/2;
若归一化的方向向量夹角小于预设的角度阈值angleThresh,则记为三维目标Pip3d={Target_(j-1)_p(j-1),Target_j_pj};
直至完成三维目标搜索。
优选地,所述阈值thresh取值为0.2。
优选地,所述角度阈值angleThresh取值为
优选地,对任一雷达数据bscan进行预处理,预处理包括调节零偏、调节零点、滤波和调节增益。
优选地,对任一图像img_i采用FRCNN进行二维双曲线检测。
与现有技术相比,本发明具有以下有益效果:
(1)本发明巧妙地采用金属类圆柱结构目标的位置投影和面积占比判断,以实现搜索二维目标,其好处在于,判断分属于相邻bscan的两个二维检测目标的空间位置是否相邻,相邻即属于同一个三维目标;
(2)本发明采用二维目标所在的平面的方向向量夹角搜索三维目标,其好处在于,判断分属于相邻bscan的两个二维目标的方向是否一致,此处认为管道是连续的,不存在剧烈转弯;
综上所述,本发明具有逻辑简单、准确可靠等优点,在雷达数据处理技术领域具有很高的实用价值和推广价值。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需使用的附图作简单介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对保护范围的限定,对于本领域技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为现有技术中的探地检测雷达数据图。
图2为现有技术中的达回波数据图。
图3为现有技术中的双曲线特征图。
图4为本发明的目标位置信息图。
图5为本发明的投影图像。
图6为本发明的二维目标搜索示意图。
具体实施方式
为使本申请的目的、技术方案和优点更为清楚,下面结合附图和实施例对本发明作进一步说明,本发明的实施方式包括但不限于下列实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
实施例
如图4至图6所示,本实施例提供了一种检测多通道探地雷达数据中金属类弯曲圆柱结构的方法,包括以下步骤:
第一步,在待检测的区域内,采用m通道探地雷达沿平行方向栅状折返检测c次,获得m×c个雷达数据bscan;m个雷达数据bscan组成一个雷达数据batch; c个雷达数据batch组成该待检测的区域的雷达数据cscan;所述雷达数据cscan 等于m×c个雷达数据bscan;所述m和c均为大于1的整数;在本实施例中,m取值为7。
第二步,对任一雷达数据bscan进行预处理(调节零偏、调节零点、滤波和调节增益),并进行可视化处理,在本实施例中,信号预处理和可视化为通用方案,不做叙述。
第三步,对任一所述雷达数据batch进行排列,并根据雷达数据batch内的雷达数据bscan的位置,对雷达数据batch内第2个雷达数据bscan至第(m-1)雷达数据bscan进行栅状相邻两两相连,得到n个bscan图像,记任一bscan图像为img_i,0<i≤n;在此处不区分是否batch内,整个检测数据的bscan都参与,栅状相邻排列。
第四步,对任一图像img_i进行二维双曲线检测,并获得k个金属类圆柱结构目标,并记任一个金属类圆柱结构目标为Target_i_u,0<u≤k;在本实施例中,二维双曲线检测可以采用经典图像处理算法(如《一种探地雷达双曲线目标快速检测方法》),也可以采用深度学习方式,不做限制,我们的实验中,我们使用FRCNN,对已有的雷达切片图的各类型样本图片进行训练,然后使用训练好的模型,对img_i进行识别,取其中为金属类圆柱的类型的结果。
第五步,对金属类圆柱结构目标Target_i_u进行实际的坐标转换,得到金属类圆柱结构目标Target_i_u在区域内的位置信息;所述位置信息包括金属类圆柱结构目标Target_i_u在区域内的中心点坐标、高度、宽度和空间平面的向量信息。在本实施例中,目标在bscan图像检测的,初始只有在图像上的位置,即一个框,该框包括起点和宽高,由于bscan图像实际是由一个bscan雷达数据做可视化处理得到,所以每个图像坐标都多赢bscan雷达数据的真实坐标,此处就是把检测结果转换到真实坐标系。
第六步,记图像img_i中的金属类圆柱结构目标集合为Set_i,对第i个bscan 图像进行二维双曲线检测,得到m个集合;
第七步,从金属类圆柱结构目标集合Set_1开始,依次遍历金属类圆柱结构目标,并将金属类圆柱结构目标集合为Set_(j-1)的金属类圆柱结构目标的位置投影至金属类圆柱结构目标集合为Set_j所在的图像中,并采用面积的方式搜索二维目标,直至任一图像img_i完成搜索,完成三维目标搜索,以得到金属类圆柱的三维结构;具体来说,搜索二维目标,包括以下步骤:
(11)从金属类圆柱结构目标集合Set_1开始,依次遍历任一金属类圆柱结构目标集合Set_i中的金属类圆柱结构目标,
(12)记第j-1个金属类圆柱结构目标集合的目标为Target_(j-1)_p(j-1); p(j-1)为大于1且小于第j-1个金属类圆柱结构目标集合的目标总数的整数;所述目标Target_(j-1)_p(j-1)在区域内对应的位置信息为Rect_(j-1)_p(j-1);
(13)记第j个金属类圆柱结构目标集合的目标为Target_j_pj;pj为大于 1且小于第j个金属类圆柱结构目标集合的目标总数的整数;所述目标 Target_j_jp在区域内对应的位置信息为Rect_j_pj;
(14)将位置信息Rect_j_pj投影至位置信息Rect_(j-1)_p(j-1)所在的平面,并得到投影位置信息Rect_j_pj_proj;
(15)求得位置信息Rect_(j-1)_p(j-1)与投影位置信息Rect_j_pj_proj的交集面积iSize;
(16)求得位置信息Rect_(j-1)_p(j-1)与投影位置信息Rect_j_pj_proj的并集面积uSize;
(17)求得交集面积iSize与并集面积uSize的比值ratio,若比值ratio大于预设的阈值thresh,则为同一雷达数据batch中相邻的雷达数据bscan在相同位置检测的二维目标。在本实施例中,阈值thresh取值为0.2,以适应曲线管道和曲线任务,相邻bscan的二维目标重合面积较小也可以。
另外,三维目标搜索,包括以下步骤:
(21)求得二维目标所在的平面的方向向量夹角angle(即根据空间平面的向量信息求得方向向量夹角angle),并归一化到0至π/2;
(22)若归一化的方向向量夹角小于预设的角度阈值angleThresh,则记为三维目标Pip3d={Target_(j-1)_p(j-1),Target_j_pj};其中,角度阈值angleThresh取值为
(23)直至完成三维目标搜索。
上述实施例仅为本发明的优选实施例,并非对本发明保护范围的限制,但凡采用本发明的设计原理,以及在此基础上进行非创造性劳动而作出的变化,均应属于本发明的保护范围之内。
Claims (5)
1.一种检测多通道探地雷达数据中金属类弯曲圆柱结构的方法,其特征在于,包括以下步骤:
在待检测的区域内,采用m通道探地雷达沿平行方向栅状折返检测c次,获得m×c个雷达数据bscan;m个雷达数据bscan组成一个雷达数据batch;c个雷达数据batch组成该待检测的区域的雷达数据cscan;所述雷达数据cscan等于m×c个雷达数据bscan;所述m和c均为大于1的整数;
对任一雷达数据bscan进行预处理,并进行可视化处理;
对任一所述雷达数据batch进行排列,并根据雷达数据batch内的雷达数据bscan的位置,对雷达数据batch内第2个雷达数据bscan至第(m-1)雷达数据bscan进行栅状相邻两两相连,得到n个bscan图像,记任一bscan图像为img_i,0<i≤n;
对任一图像img_i进行二维双曲线检测,并获得k个金属类圆柱结构目标,并记任一个金属类圆柱结构目标为Target_i_u,0<u≤k;
对金属类圆柱结构目标Target_i_u进行实际的坐标转换,得到金属类圆柱结构目标Target_i_u在区域内的位置信息;所述位置信息包括金属类圆柱结构目标Target_i_u在区域内的中心点坐标、高度、宽度和空间平面的向量信息;
记图像img_i中的金属类圆柱结构目标集合为Set_i,对第i个bscan图像进行二维双曲线检测,得到n个集合;
从金属类圆柱结构目标集合Set_1开始,依次遍历金属类圆柱结构目标,并将金属类圆柱结构目标集合为Set_(j-1)的金属类圆柱结构目标的位置投影至金属类圆柱结构目标集合为Set_j所在的图像中,并采用面积的方式搜索二维目标,直至任一图像img_i完成搜索,完成三维目标搜索,以得到金属类圆柱的三维结构;所述j为大于1、且小于等于m×c的整数;
采用面积的方式搜索二维目标,包括以下步骤:
从金属类圆柱结构目标集合Set_1开始,依次遍历任一金属类圆柱结构目标集合Set_i中的金属类圆柱结构目标,
记第j-1个金属类圆柱结构目标集合的目标为Target_(j-1)_p(j-1);p(j-1)为大于1且小于第j-1个金属类圆柱结构目标集合的目标总数的整数;所述目标Target_(j-1)_p(j-1)在区域内对应的位置信息为Rect_(j-1)_p(j-1);
记第j个金属类圆柱结构目标集合的目标为Target_j_pj;pj为大于1且小于第j个金属类圆柱结构目标集合的目标总数的整数;所述目标Target_j_pj在区域内对应的位置信息为Rect_j_pj;
若目标Target_(j-1)_p(j-1)与目标Target_j_pj为栅状相邻,则将位置信息Rect_j_pj投影至位置信息Rect_(j-1)_p(j-1)所在的平面,并得到投影位置信息Rect_j_pj_proj;
求得位置信息Rect_(j-1)_p(j-1)与投影位置信息Rect_j_pj_proj的交集面积iSize;
求得位置信息Rect_(j-1)_p(j-1)与投影位置信息Rect_j_pj_proj的并集面积uSize;
求得交集面积iSize与并集面积uSize的比值ratio,若比值ratio大于预设的阈值thresh,则为同一雷达数据batch中相邻的雷达数据bscan在相同位置检测的二维目标;
所述三维目标搜索,包括以下步骤:
求得二维目标所在的平面的方向向量夹角angle,并归一化到0至π/2;
若归一化的方向向量夹角小于预设的角度阈值angleThresh,则记为三维目标Pip3d={Target_(j-1)_p(j-1),Target_j_pj};
直至完成三维目标搜索。
2.根据权利要求1所述的一种检测多通道探地雷达数据中金属类弯曲圆柱结构的方法,其特征在于,所述阈值thresh取值为0.2。
3.根据权利要求1所述的一种检测多通道探地雷达数据中金属类弯曲圆柱结构的方法,其特征在于,所述角度阈值angleThresh取值为
4.根据权利要求1所述的一种检测多通道探地雷达数据中金属类弯曲圆柱结构的方法,其特征在于,对任一雷达数据bscan进行预处理,预处理包括调节零偏、调节零点、滤波和调节增益。
5.根据权利要求1所述的一种检测多通道探地雷达数据中金属类弯曲圆柱结构的方法,其特征在于,对任一图像img_i采用FRCNN进行二维双曲线检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110032021.1A CN112859006B (zh) | 2021-01-11 | 2021-01-11 | 一种检测多通道探地雷达数据中金属类弯曲圆柱结构的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110032021.1A CN112859006B (zh) | 2021-01-11 | 2021-01-11 | 一种检测多通道探地雷达数据中金属类弯曲圆柱结构的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112859006A CN112859006A (zh) | 2021-05-28 |
CN112859006B true CN112859006B (zh) | 2023-08-29 |
Family
ID=76002449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110032021.1A Active CN112859006B (zh) | 2021-01-11 | 2021-01-11 | 一种检测多通道探地雷达数据中金属类弯曲圆柱结构的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112859006B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113655477B (zh) * | 2021-06-11 | 2023-09-01 | 成都圭目机器人有限公司 | 一种采用浅层对地雷达自动检测地质病害的方法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012024133A2 (en) * | 2010-08-20 | 2012-02-23 | Niitek, Inc. | Metal detector and ground-penetrating radar hybrid head and manufacturing method thereof |
CN106291494A (zh) * | 2016-07-21 | 2017-01-04 | 深圳大学 | 基于微分特征增强的sar欺骗干扰目标标识方法及*** |
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 |
WO2017120897A1 (zh) * | 2016-01-15 | 2017-07-20 | 武汉武大卓越科技有限责任公司 | 基于线扫描三维点云的物体表面变形特征提取方法 |
CN107346023A (zh) * | 2017-07-04 | 2017-11-14 | 山东工商学院 | 一种基于矩特征的探地雷达双曲波显著性映射方法 |
CN107358617A (zh) * | 2017-08-07 | 2017-11-17 | 中南大学 | 一种探地雷达记录剖面中目标顶点的检测方法 |
CN107621626A (zh) * | 2017-10-09 | 2018-01-23 | 中国矿业大学(北京) | 基于深度卷积神经网络的雷达信号铁路路基病害检测方法 |
CN108037490A (zh) * | 2017-11-30 | 2018-05-15 | 中煤航测遥感集团有限公司 | 探地雷达定位精度检测方法及*** |
CN108153306A (zh) * | 2017-12-19 | 2018-06-12 | 成都圭目机器人有限公司 | 一种机器人***自主道路无损检测方法 |
CN108665530A (zh) * | 2018-04-25 | 2018-10-16 | 厦门大学 | 基于单张图片的三维建模实现方法 |
EP3525000A1 (en) * | 2018-02-09 | 2019-08-14 | Bayerische Motoren Werke Aktiengesellschaft | Methods and apparatuses for object detection in a scene based on lidar data and radar data of the scene |
CN110866545A (zh) * | 2019-10-30 | 2020-03-06 | 中国地质大学(武汉) | 一种探地雷达资料中管线目标的自动识别方法及*** |
CN111027401A (zh) * | 2019-11-15 | 2020-04-17 | 电子科技大学 | 一种摄像头和激光雷达融合的端到端目标检测方法 |
CN111551927A (zh) * | 2020-05-19 | 2020-08-18 | 上海圭目机器人有限公司 | 一种基于三维探地雷达的地下管道管径测量方法 |
CN111582256A (zh) * | 2020-04-26 | 2020-08-25 | 智慧互通科技有限公司 | 一种基于雷达和视觉信息的停车管理方法及装置 |
CN111932617A (zh) * | 2020-07-15 | 2020-11-13 | 中国科学院上海微***与信息技术研究所 | 一种对规则物体实现实时检测定位方法和*** |
CN112130132A (zh) * | 2020-09-11 | 2020-12-25 | 广州大学 | 基于探地雷达和深度学习的地下管线探测方法和*** |
-
2021
- 2021-01-11 CN CN202110032021.1A patent/CN112859006B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012024133A2 (en) * | 2010-08-20 | 2012-02-23 | Niitek, Inc. | Metal detector and ground-penetrating radar hybrid head and manufacturing method thereof |
WO2017120897A1 (zh) * | 2016-01-15 | 2017-07-20 | 武汉武大卓越科技有限责任公司 | 基于线扫描三维点云的物体表面变形特征提取方法 |
CN106291494A (zh) * | 2016-07-21 | 2017-01-04 | 深圳大学 | 基于微分特征增强的sar欺骗干扰目标标识方法及*** |
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 |
CN107346023A (zh) * | 2017-07-04 | 2017-11-14 | 山东工商学院 | 一种基于矩特征的探地雷达双曲波显著性映射方法 |
CN107358617A (zh) * | 2017-08-07 | 2017-11-17 | 中南大学 | 一种探地雷达记录剖面中目标顶点的检测方法 |
CN107621626A (zh) * | 2017-10-09 | 2018-01-23 | 中国矿业大学(北京) | 基于深度卷积神经网络的雷达信号铁路路基病害检测方法 |
CN108037490A (zh) * | 2017-11-30 | 2018-05-15 | 中煤航测遥感集团有限公司 | 探地雷达定位精度检测方法及*** |
CN108153306A (zh) * | 2017-12-19 | 2018-06-12 | 成都圭目机器人有限公司 | 一种机器人***自主道路无损检测方法 |
EP3525000A1 (en) * | 2018-02-09 | 2019-08-14 | Bayerische Motoren Werke Aktiengesellschaft | Methods and apparatuses for object detection in a scene based on lidar data and radar data of the scene |
CN108665530A (zh) * | 2018-04-25 | 2018-10-16 | 厦门大学 | 基于单张图片的三维建模实现方法 |
CN110866545A (zh) * | 2019-10-30 | 2020-03-06 | 中国地质大学(武汉) | 一种探地雷达资料中管线目标的自动识别方法及*** |
CN111027401A (zh) * | 2019-11-15 | 2020-04-17 | 电子科技大学 | 一种摄像头和激光雷达融合的端到端目标检测方法 |
CN111582256A (zh) * | 2020-04-26 | 2020-08-25 | 智慧互通科技有限公司 | 一种基于雷达和视觉信息的停车管理方法及装置 |
CN111551927A (zh) * | 2020-05-19 | 2020-08-18 | 上海圭目机器人有限公司 | 一种基于三维探地雷达的地下管道管径测量方法 |
CN111932617A (zh) * | 2020-07-15 | 2020-11-13 | 中国科学院上海微***与信息技术研究所 | 一种对规则物体实现实时检测定位方法和*** |
CN112130132A (zh) * | 2020-09-11 | 2020-12-25 | 广州大学 | 基于探地雷达和深度学习的地下管线探测方法和*** |
Non-Patent Citations (1)
Title |
---|
面向双曲线形态的探地雷达图像识别技术综述;郝彤;《电子学报》;第47卷(第6期);1369-1373 * |
Also Published As
Publication number | Publication date |
---|---|
CN112859006A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Detection and localization of rebar in concrete by deep learning using ground penetrating radar | |
Hou et al. | Improved Mask R-CNN with distance guided intersection over union for GPR signature detection and segmentation | |
CN112700429B (zh) | 基于深度学习的机场道面地下结构病害自动检测方法 | |
Gamba et al. | Improving urban road extraction in high-resolution images exploiting directional filtering, perceptual grouping, and simple topological concepts | |
Dinh et al. | Migration-based automated rebar picking for condition assessment of concrete bridge decks with ground penetrating radar | |
Wang et al. | Semi-automatic detection of buried rebar in GPR data using a genetic algorithm | |
CN107563370B (zh) | 一种基于视觉注意机制的海上红外目标检测方法 | |
CN111445515B (zh) | 基于特征融合网络的地下圆柱体目标半径估算方法及*** | |
CN113359101B (zh) | 一种地下目标探测方法、***及计算机存储介质 | |
WO2023035119A1 (zh) | 一种探地雷达图像双曲波提取方法及*** | |
Barkataki et al. | A CNN model for predicting size of buried objects from GPR B-Scans | |
Potin et al. | An abrupt change detection algorithm for buried landmines localization | |
CN112859006B (zh) | 一种检测多通道探地雷达数据中金属类弯曲圆柱结构的方法 | |
CN112580542A (zh) | 一种基于目标检测的钢筋计数方法 | |
Wahab et al. | Interpretation of Ground Penetrating Radar (GPR) image for detecting and estimating buried pipes and cables | |
Ristić et al. | Verification of algorithm for point extraction from hyperbolic reflections in GPR data | |
Zhang et al. | Vector phase symmetry for stable hyperbola detection in ground-penetrating radar images | |
CN109887034B (zh) | 一种基于深度图像的人体定位方法 | |
Shihab et al. | Image processing and neural network techniques for automatic detection and interpretation of ground penetrating radar data | |
Bugarinović et al. | Automated data extraction from synthetic and real radargrams of complex structures | |
Tantum et al. | Comparison of algorithms for land mine detection and discrimination using ground penetrating radar | |
CN112859005B (zh) | 一种检测多通道探地雷达数据中金属类直圆柱结构的方法 | |
Zhang et al. | Intelligent recognition and parameter acquisition of blastholes in rock tunnel based on improved Faster R-CNN | |
Gader et al. | Applications of hidden Markov models to detecting land mines with ground-penetrating radar | |
Wang et al. | Improved SSD Framework for Automatic Subsurface Object Indentification for GPR Data Processing |
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 |