CN118395558A - 地下建筑结构检测模型的训练、反演方法、系统及设备 - Google Patents
地下建筑结构检测模型的训练、反演方法、系统及设备 Download PDFInfo
- Publication number
- CN118395558A CN118395558A CN202410542001.2A CN202410542001A CN118395558A CN 118395558 A CN118395558 A CN 118395558A CN 202410542001 A CN202410542001 A CN 202410542001A CN 118395558 A CN118395558 A CN 118395558A
- Authority
- CN
- China
- Prior art keywords
- building structure
- underground building
- underground
- category
- detection 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
- 238000001514 detection method Methods 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000012549 training Methods 0.000 title claims abstract description 48
- 230000005484 gravity Effects 0.000 claims abstract description 36
- 230000000149 penetrating effect Effects 0.000 claims abstract description 34
- 230000006870 function Effects 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 13
- 238000007689 inspection Methods 0.000 claims 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 13
- 238000010801 machine learning Methods 0.000 description 9
- 238000011160 research Methods 0.000 description 9
- 239000000463 material Substances 0.000 description 8
- 241000282414 Homo sapiens Species 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000004856 soil analysis Methods 0.000 description 3
- 229910001294 Reinforcing steel Inorganic materials 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 235000012434 pretzels Nutrition 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G01S13/885—Radar or analogous systems specially adapted for specific applications for ground probing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Electromagnetism (AREA)
- Marketing (AREA)
- Civil Engineering (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Architecture (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请公开了一种地下建筑结构检测模型的训练、反演方法、系统及设备，该训练方法获取多个参考地点处的地下结构信息；根据地下建筑结构对应的类别信息，确定地下建筑结构对应的类别比重数据；通过探地雷达设备采集参考地点的第一雷达数据，输入到待优化的地下建筑结构检测模型中，得到第一检测结果；根据地下结构信息和第一检测结果，确定各个地下建筑结构对应的初始损失值；根据类别信息和类别比重数据，确定各个地下建筑结构对应的调整权重；根据初始损失值和调整权重，确定目标损失值，对地下建筑结构检测模型的参数进行更新。该方法可以提高训练得到的地下建筑结构检测模型的性能，提高检测精度。本申请可广泛应用于人工智能技术领域内。
Description
技术领域
本申请涉及人工智能技术领域，尤其是一种地下建筑结构检测模型的训练、反演方法、系统及设备。
背景技术
探地雷达可以用于多种应用，包括地质勘探、土壤分析、建筑检测、考古研究、管道检测等。它能够提供关于地下物体的深度、形状、尺寸和材料特性的信息，帮助用户进行地下勘察和分析。探地雷达在工程、科学研究和其他领域中被广泛应用，为用户提供了一种非侵入式、快速和准确的地下探测方法。基于探地雷达的图像数据智能反演是一种利用人工智能技术对探地雷达的图像数据进行分析和处理，以实现地下建筑结构的自动推断和预测的方法。通过将深度学习、神经网络和图像处理技术应用于探地雷达图像数据，可以实现对地下建筑结构的智能识别和反演。该技术能够辅助地质勘探、土壤检测、建筑结构评估等领域的工作，提高数据分析的自动化程度和效率，对于处理复杂的地下结构和目标具有重要的应用价值。
相关技术中，在通过探地雷达图像数据实现地下建筑结构的检测时，训练出来的模型往往检测准确度偏低，如钢筋等地下建筑结构在地下的分布较少，模型对其的检测能力偏弱，导致反演效果不佳，实用性一般。
因此，现有技术存在的问题还亟需解决和优化。
发明内容
本申请的目的在于至少一定程度上解决相关技术中存在的技术问题之一。
为此，本申请实施例的一个目的在于提供一种地下建筑结构检测模型的训练、反演方法、系统及设备。
为了达到上述技术目的，本申请实施例所采取的技术方案包括：
一方面，本申请实施例提供了一种地下建筑结构检测模型的训练方法，所述方法包括：
获取多个参考地点处的地下结构信息；所述地下结构信息包括有各个地下建筑结构的第一属性信息；
根据各个所述地下建筑结构对应的类别信息，确定每个预定类别的地下建筑结构对应的类别比重数据；
通过探地雷达设备采集各个所述参考地点的第一雷达数据；
将所述第一雷达数据输入到待优化的地下建筑结构检测模型中，通过所述地下建筑结构检测模型检测所述参考地点处的地下建筑结构，得到第一检测结果；所述第一检测结果用于表征所述地下建筑结构检测模型预测所述参考地点处的各个地下建筑结构的第二属性信息；
根据所述地下结构信息和所述第一检测结果，确定各个所述地下建筑结构对应的初始损失值；
根据所述类别信息和所述类别比重数据，确定各个所述地下建筑结构对应的调整权重；其中，所述类别比重数据和所述调整权重负相关；
根据所述初始损失值和所述调整权重，确定目标损失值，并通过所述目标损失值对所述地下建筑结构检测模型的参数进行更新，得到训练好的地下建筑结构检测模型。
另外，根据本申请上述实施例的一种地下建筑结构检测模型的训练系统，还可以具有以下附加的技术特征：
进一步地，在本申请的一个实施例中，所述方法还包括：
当所述地下建筑结构对应的类别比重数据小于或者等于第一阈值，对所述地下建筑结构对应的训练数据进行扩充处理。
进一步地，在本申请的一个实施例中，所述对所述地下建筑结构对应的训练数据进行扩充处理，包括：
对所述地下建筑结构对应的训练数据进行几何变换、色彩变换、弹性变换、添加噪声、裁剪或者填充中的至少一种处理。
进一步地，在本申请的一个实施例中，所述根据所述地下结构信息和所述第一检测结果，确定各个所述地下建筑结构对应的初始损失值，包括：
根据所述地下结构信息和所述第一检测结果，通过结构相似性指数损失函数确定各个所述地下建筑结构对应的初始损失值。
进一步地，在本申请的一个实施例中，所述地下建筑结构检测模型采用GPR-TransResNet模型。
进一步地，在本申请的一个实施例中，所述根据所述初始损失值和所述调整权重，确定目标损失值，包括：
根据对应的所述初始损失值和所述调整权重的乘积，确定第一数值；
对所述第一数值求和，得到目标损失值。
另一方面，本申请实施例提供了一种地下建筑结构的反演方法，所述方法包括：
通过探地雷达设备对待检测地点进行探测，得到第二雷达数据；
将所述第二雷达数据输入到前述训练方法训练好的地下建筑结构检测模型中，通过所述地下建筑结构检测模型检测所述待检测地点处的地下建筑结构，得到第二检测结果；所述第二检测结果用于表征所述地下建筑结构检测模型预测所述待检测地点处的各个地下建筑结构的第三属性信息；
根据所述第二检测结果，确定所述待检测地点的反演结果。
另一方面，本申请实施例提供了一种地下建筑结构的反演系统，所述系统包括：
获取单元，用于获取多个参考地点处的地下结构信息；所述地下结构信息包括有各个地下建筑结构的类别信息和第一位置信息；
计算单元，用于根据各个所述地下建筑结构对应的类别信息，确定每个预定类别的地下建筑结构对应的类别比重数据；
采集单元，用于通过探地雷达设备采集各个所述参考地点的第一雷达数据；
预测单元，用于将所述第一雷达数据输入到待优化的地下建筑结构检测模型中，通过所述地下建筑结构检测模型检测所述参考地点处的地下建筑结构，得到第一检测结果；所述第一检测结果用于表征所述地下建筑结构检测模型预测所述参考地点处的各个地下建筑结构的第二类别信息和第二位置信息；
处理单元，用于根据所述地下结构信息和所述第一检测结果，确定各个所述地下建筑结构对应的初始损失值；
调整单元，用于根据所述类别信息和所述类别比重数据，确定各个所述地下建筑结构对应的调整权重；其中，所述类别比重数据和所述调整权重负相关；
更新单元，用于根据所述初始损失值和所述调整权重，确定目标损失值，并通过所述目标损失值对所述地下建筑结构检测模型的参数进行更新，得到训练好的地下建筑结构检测模型。
另一方面，本申请实施例提供一种计算机设备，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现上述的方法。
另一方面，本申请实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，上述处理器可执行的程序在由处理器执行时用于实现上述的方法。
本申请的优点和有益效果将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到：
本申请实施例公开的一种地下建筑结构检测模型的训练方法，获取多个参考地点处的地下结构信息；所述地下结构信息包括有各个地下建筑结构的第一属性信息；根据各个所述地下建筑结构对应的类别信息，确定每个预定类别的地下建筑结构对应的类别比重数据；通过探地雷达设备采集各个所述参考地点的第一雷达数据；将所述第一雷达数据输入到待优化的地下建筑结构检测模型中，通过所述地下建筑结构检测模型检测所述参考地点处的地下建筑结构，得到第一检测结果；所述第一检测结果用于表征所述地下建筑结构检测模型预测所述参考地点处的各个地下建筑结构的第二属性信息；根据所述地下结构信息和所述第一检测结果，确定各个所述地下建筑结构对应的初始损失值；根据所述类别信息和所述类别比重数据，确定各个所述地下建筑结构对应的调整权重；其中，所述类别比重数据和所述调整权重负相关；根据所述初始损失值和所述调整权重，确定目标损失值，并通过所述目标损失值对所述地下建筑结构检测模型的参数进行更新，得到训练好的地下建筑结构检测模型。该方法可以提高训练得到的地下建筑结构检测模型的性能，提高检测精度，从而有利于提高地下建筑结构的反演效果。
附图说明
为了更清楚地说明本申请实施例或者现有技术中的技术方案，下面对本申请实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员来说，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
图1为本申请实施例中提供的一种地下建筑结构的反演方法的实施环境示意图；
图2为本申请实施例中提供的一种地下建筑结构的反演方法的流程示意图；
图3为本申请实施例中提供的一种地下建筑结构的反演系统的结构示意图；
图4为本申请实施例中提供的一种计算机设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请实施例相一致的所有实施方式，它们仅是与如所附权利要求书中所详述的、本申请实施例的一些方面相一致的装置和方法的例子。
可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种概念，但除非特别说明，这些概念不受这些术语限制。这些术语仅用于将一个概念与另一个概念区分。例如，在不脱离本申请实施例范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“若”、“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本申请所使用的术语“至少一个”、“多个”、“每个”、“任一”等，至少一个包括一个、两个或两个以上，多个包括两个或两个以上，每个是指对应的多个中的每一个，任一是指多个中的任意一个。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
首先，对本申请中涉及的若干名词进行解析：
探地雷达(Ground-Penetrating Radar，GPR)是一种无损检测技术，通过发送电磁波到地下并记录回波来探测地下结构和特征。探地雷达系统通常由一个发射器和一个接收器组成，通过地面上的移动或固定测量位置来扫描地下。当电磁波遇到不同介电常数的材料界面时，部分能量会反射回来，这些反射的信号被接收器捕获并用来生成地下结构的图像和数据。探地雷达可以用于多种应用，包括地质勘探、土壤分析、建筑检测、考古研究、管道检测等。它能够提供关于地下物体的深度、形状、尺寸和材料特性的信息，帮助用户进行地下勘察和分析。探地雷达在工程、科学研究和其他领域中被广泛应用，为用户提供了一种非侵入式、快速和准确的地下探测方法。
人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
机器学习(Machine Learning，ML)：是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科，它专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，机器学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
深度学习(DL，Deep Learning)：是机器学习领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。
探地雷达可以用于多种应用，包括地质勘探、土壤分析、建筑检测、考古研究、管道检测等。它能够提供关于地下物体的深度、形状、尺寸和材料特性的信息，帮助用户进行地下勘察和分析。探地雷达在工程、科学研究和其他领域中被广泛应用，为用户提供了一种非侵入式、快速和准确的地下探测方法。基于探地雷达的图像数据智能反演是一种利用人工智能技术对探地雷达的图像数据进行分析和处理，以实现地下建筑结构的自动推断和预测的方法。通过将深度学习、神经网络和图像处理技术应用于探地雷达图像数据，可以实现对地下建筑结构的智能识别和反演。该技术能够辅助地质勘探、土壤检测、建筑结构评估等领域的工作，提高数据分析的自动化程度和效率，对于处理复杂的地下结构和目标具有重要的应用价值。
相关技术中，在通过探地雷达图像数据实现地下建筑结构的检测时，训练出来的模型往往检测准确度偏低，如钢筋等地下建筑结构在地下的分布较少，模型对其的检测能力偏弱，导致反演效果不佳，实用性一般。
有鉴于此，本申请实施例中提供一种地下建筑结构检测模型的训练方法，该方法可以提高训练得到的地下建筑结构检测模型的性能，提高检测精度，从而有利于提高地下建筑结构的反演效果。
下面，首先介绍本申请实施例中提供的一种地下建筑结构的反演方法所涉及的实施环境。参照图1，图1给出了一种地下建筑结构的反演方法的实施环境示意图，该实施环境的软硬件主体主要包括终端设备110和服务器120，终端设备110与服务器120通信连接。其中，该一种地下建筑结构的反演方法可以配置在终端设备110侧，也可以配置在服务器120侧。例如，该一种地下建筑结构的反演方法配置在终端设备110侧时，可以单独依赖终端设备110实现一种地下建筑结构的反演的应用；该一种地下建筑结构的反演方法配置在服务器120侧时，可以通过终端设备110和服务器120的交互实现一种地下建筑结构的反演的应用。
具体地，本申请中的终端设备110可以包括但不限于智能手表、智能手机、电脑、个人数字助理(Personal Digital Assistant，PDA)、智能语音交互设备、智能家电或者车载终端中的任意一种或者多种。服务器120可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content DeliveryNetwork，内容分发网络)以及大数据和人工智能平台等基础云计算服务的云服务器。终端设备110与服务器120之间可以通过无线网络或有线网络建立通信连接，该无线网络或有线网络使用标准通信技术和/或协议，网络可以设置为因特网，也可以是其它任何网络，例如包括但不限于局域网(Local Area Network，LAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合。
当然，可以理解的是，图1中的实施环境只是本申请实施例中提供的一种地下建筑结构的反演方法一种可选的应用场景，实际的应用并不固定为图1所示出的软硬件环境。下面结合图1示出的实施环境，对本申请实施例中提供的一种地下建筑结构的反演方法进行详细说明。
请参照图2，图2是本申请实施例提供的一种地下建筑结构的反演方法的流程示意图，参照图2，本申请提供的一种地下建筑结构的反演方法包括但不限于：
步骤210、获取多个参考地点处的地下结构信息；所述地下结构信息包括有各个地下建筑结构的第一属性信息；
步骤220、根据各个所述地下建筑结构对应的类别信息，确定每个预定类别的地下建筑结构对应的类别比重数据；
步骤230、通过探地雷达设备采集各个所述参考地点的第一雷达数据；
步骤240、将所述第一雷达数据输入到待优化的地下建筑结构检测模型中，通过所述地下建筑结构检测模型检测所述参考地点处的地下建筑结构，得到第一检测结果；所述第一检测结果用于表征所述地下建筑结构检测模型预测所述参考地点处的各个地下建筑结构的第二属性信息；
步骤250、根据所述地下结构信息和所述第一检测结果，确定各个所述地下建筑结构对应的初始损失值；
步骤260、根据所述类别信息和所述类别比重数据，确定各个所述地下建筑结构对应的调整权重；其中，所述类别比重数据和所述调整权重负相关；
步骤270、根据所述初始损失值和所述调整权重，确定目标损失值，并通过所述目标损失值对所述地下建筑结构检测模型的参数进行更新，得到训练好的地下建筑结构检测模型。
本申请实施例中，提供一种地下建筑结构检测模型的训练方法，该方法有望在建筑工程、桥梁检测、地质勘探等领域发挥重要作用，为工程领域提供智能化、高效化的地下建筑结构的反演手段，推动工程质量和安全管理水平的进一步提升。
本申请实施例中，在训练地下建筑结构检测模型时，可以先确定多个参考地点，然后获取参考地点处的地下结构信息，具体地，本申请实施例中，地下结构信息包括有参考地点处各个地下建筑结构的属性信息，属性信息包括有地下建筑结构的类别、形态、大小、位置和材质等信息，但不局限于此。本申请实施例中，将参考地点处地下建筑结构的属性信息记为第一属性信息。
本申请实施例中，可以根据第一属性信息，确定出各个地下建筑结构对应的类别信息，并且确定出每个预定类别下地下建筑结构对应的类别比重数据。类别比重数据指的是在所有的地下建筑结构上，某种类别的地下建筑结构所占的比例数值。一般来说，在地下建筑结构中，混凝土的占比较多，而钢筋等地下建筑结构的占比偏少。
本申请实施例中，通过探地雷达设备探测，得到参考地点对应的雷达数据，将其记为第一雷达数据。然后，可以将第一雷达数据输入到地下建筑结构检测模型中，通过地下建筑结构检测模型来检测参考地点处的地下建筑结构，得到的检测结果记为第一检测结果。这里的第一检测结果用来表征地下建筑结构检测模型预测参考地点处的各个地下建筑结构的属性信息，本申请实施例中，将其记为第二属性信息。在得到第一检测结果后，可以根据地下结构信息和第一检测结果来评估地下建筑结构检测模型的预测准确度，从而方便对地下建筑结构检测模型的参数进行迭代更新。具体地，可以根据地下结构信息和第一检测结果来确定一个损失值，本申请实施例中，将其记为初始损失值。可以理解的是，本申请实施例中的初始损失值可以在各个地下建筑结构的维度上确定，因此，各个地下建筑结构均有对应的初始损失值。
具体地，对于人工智能领域的各类模型来说，它预测的准确性可以通过损失函数(Loss Function)来衡量，损失函数是定义在单个训练数据上的，用于衡量一个训练数据的预测误差，具体是通过单个训练数据的标签和模型对该训练数据的预测结果确定该训练数据的损失值。而实际训练时，一个训练数据集中包括有很多训练数据，因此一般采用代价函数(Cost Function)来衡量训练数据集的整体误差，代价函数是定义在整个训练数据集上的，用于计算所有训练数据的预测误差的平均值，能够更好地衡量出模型的预测效果。对于一般的机器学习模型来说，基于前述的代价函数，再加上衡量模型复杂度的正则项即可作为训练的目标函数，基于该目标函数便能求出整个训练数据集的损失值。常用的损失函数种类有很多，例如0-1损失函数、平方损失函数、绝对损失函数、对数损失函数、交叉熵损失函数等均可以作为机器学习模型的损失函数，在此不再一一阐述。
本申请实施例中，使用的损失函数可以为结构相似性指数损失函数，结构相似性(SSIM)是一种用于测量两幅图像之间相似度的图像质量评价指标。SSIM的计算考虑了亮度、对比度和结构三个方面，相较于传统的均方误差(MSE)等评价方法，SSIM更能反映人眼对图像质量的感知。SSIM的计算包括亮度相似性(Luminance Similarity)、对比度相似性(Contrast Similarity)以及结构相似性(Structure Similarity)三个部分。亮度相似性考虑图像的平均亮度和对比度信息，对比度相似性衡量了图像对比度的一致性，而结构相似性则关注图像纹理和结构的一致性。SSIM值的范围在[-1,1]之间，1表示两幅图像完全一致，0表示无相似性。在实际应用中，SSIM常用于图像处理、视频编解码以及图像质量评估等领域，能够提供更全面的图像相似性比较，更符合人眼对图像品质的感知。
需要说明的是，本申请实施例中，训练数据集中每个预定类别的地下建筑结构对应的类别比重数据是存在差异的，比如说，可能混凝土类别的地下建筑结构很多，钢筋类别的地下建筑结构很少。因此，本申请实施例中，可以设计加权的损失函数。具体地，本申请实施例中，可以根据类别信息和类别比重数据，确定各个地下建筑结构对应的调整权重，此处，类别比重数据越高，则其对应的调整权重越小，类别比重数据越低，则其对应的调整权重越大，即类别比重数据和调整权重负相关。
本申请实施例中，可以根据初始损失值和调整权重，确定目标损失值，具体地，可以对每种初始损失值乘以对应的调整权重，将得到的数值记为第一数值，然后可以对第一数值进行求和，得到目标损失值。通过目标损失值，可以对地下建筑结构检测模型的参数进行更新，得到训练好的地下建筑结构检测模型。
在一些实施例中，所述方法还包括：
当所述地下建筑结构对应的类别比重数据小于或者等于第一阈值，对所述地下建筑结构对应的训练数据进行扩充处理。
本申请实施例中，如果某种类别的地下建筑结构的类别比重数据过小，可以对其对应的训练数据进行扩充处理。此处，训练数据指的是地下建筑结构对应的雷达数据和第一属性信息。要判断地下建筑结构的类别比重数据是否过小，可以事先设定一个阈值，记为第一阈值。然后将各个地下建筑结构的类别比重数据和第一阈值进行比较，如果地下建筑结构对应的类别比重数据小于或者等于第一阈值，可以对其进行扩充处理；如果地下建筑结构对应的类别比重数据大于第一阈值，可以不对其进行扩充处理。
具体地，本申请实施例中，对地下建筑结构对应的训练数据进行扩充处理，可以包括有以下几种方式中的至少一种：
几何变换(Geometric Transformation)：包括平移、旋转、缩放、镜像翻转等几何变换操作。通过对图像进行这些变换，可以生成具有多样性的样本，有助于提升模型的泛化能力。
色彩变换(Color Transformation)：调整图像的色彩、亮度、对比度等属性，可以生成具有不同色彩特征的样本。这有助于让模型更好地适应各种光照条件下的目标识别。
弹性变换(Elastic Transformation)：将图像进行弹性变形，模拟真实世界中物体形变的情况。这有助于生成更真实的图像样本，增加少数类别数据的多样性。
添加噪声(Adding Noise)：向图像中添加随机噪声，如高斯噪声、椒盐噪声等，可以模拟真实世界中的噪声情况，从而提高模型的鲁棒性。
裁剪和填充(Cropping and Padding)：对图像进行裁剪和填充操作，从原始图像中截取不同区域并填充到不同大小的图像中，可以增加数据样本的多样性。
在一些实施例中，所述地下建筑结构检测模型采用GPR-TransResNet模型。
本申请实施例中，设计一种深度学习模型用于探地雷达图像反演，结合Transformer和残差连接的思想构建了一种高效且有效的模型，这种模型称为GPR-TransResNet，其设计思路如下：
Transformer Encoder层：Transformer模块由多个Encoder层组成，每个Encoder层具有多头自注意力机制和前馈神经网络。自注意力机制允许模型在处理探地雷达图像时关注不同位置之间的依赖关系，从而更好地捕捉图像中的时空特征。前馈神经网络则用于对特征进行非线性变换和建模。
残差连接：在每个Transformer Encoder层之间添加残差连接，这可以帮助减轻深层网络训练过程中的梯度消失问题。残差连接通过将输入特征与经过非线性变换后的特征相加，使得网络更易于训练和优化，并且有助于保持图像特征的细节。
因此，GPR-TransResNet首先输入批量的探地雷达数据扫描图(B-Scan)，维度大小为[T,R]，T代表雷达波步长，R代表雷达波的迹线数。通过多个Transformer Encoder层和残差连接，网络能够更好地反演出重构的介电常数映射图。通过充分利用Transformer的全局建模能力和残差连接的特点，提高了模型的表现力和泛化能力，GPR-TransResNet成为一种高性能的深度学习模型，用于解决探地雷达图像的反演问题。
本申请实施例中，还提供了一种地下建筑结构的反演方法，所述方法包括：
通过探地雷达设备对待检测地点进行探测，得到第二雷达数据；
将所述第二雷达数据输入到前述训练方法训练好的地下建筑结构检测模型中，通过所述地下建筑结构检测模型检测所述待检测地点处的地下建筑结构，得到第二检测结果；所述第二检测结果用于表征所述地下建筑结构检测模型预测所述待检测地点处的各个地下建筑结构的第三属性信息；
根据所述第二检测结果，确定所述待检测地点的反演结果。
本申请实施例中，在进行地下建筑结构的反演时，可以通过探地雷达设备对待检测地点进行探测，将得到的雷达数据记为第二雷达数据。然后，将第二雷达数据输入到训练好的地下建筑结构检测模型中，通过地下建筑结构检测模型来检测待检测地点下的建筑结构，得到的结果记为第二检测结果，第二检测结果用于表征待检测地点处的各个地下建筑结构的第三属性信息。根据第二检测结果，可以确定出待检测地点的反演结果。
可以理解的是，本申请实施例中，使用探地雷达设备采集真实场景下的雷达数据，标注雷达数据的标签，接着针对数据不平衡的问题对数据进行增强；并且提出了一种类别权重SSIM损失函数，通过为类别赋予适当的权重，使得在计算SSIM loss时，少数且重要的类别样本赋予更大的权重。本申请实施例中，还提出了一种反演模型GPR-TransResNet模型，充分利用了Transformer的全局建模能力和残差连接的特点，能够有效地处理探地雷达图像的反演任务。
参照图3，本申请实施例中提出的一种地下建筑结构检测模型的训练系统，包括：
获取单元，用于获取多个参考地点处的地下结构信息；所述地下结构信息包括有各个地下建筑结构的类别信息和第一位置信息；
计算单元，用于根据各个所述地下建筑结构对应的类别信息，确定每个预定类别的地下建筑结构对应的类别比重数据；
采集单元，用于通过探地雷达设备采集各个所述参考地点的第一雷达数据；
预测单元，用于将所述第一雷达数据输入到待优化的地下建筑结构检测模型中，通过所述地下建筑结构检测模型检测所述参考地点处的地下建筑结构，得到第一检测结果；所述第一检测结果用于表征所述地下建筑结构检测模型预测所述参考地点处的各个地下建筑结构的第二类别信息和第二位置信息；
处理单元，用于根据所述地下结构信息和所述第一检测结果，确定各个所述地下建筑结构对应的初始损失值；
调整单元，用于根据所述类别信息和所述类别比重数据，确定各个所述地下建筑结构对应的调整权重；其中，所述类别比重数据和所述调整权重负相关；
更新单元，用于根据所述初始损失值和所述调整权重，确定目标损失值，并通过所述目标损失值对所述地下建筑结构检测模型的参数进行更新，得到训练好的地下建筑结构检测模型。
可以理解的是，上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
参照图4，本申请实施例提供了一种计算机设备，包括：
至少一个处理器410；
至少一个存储器420，用于存储至少一个程序；
当至少一个程序被至少一个处理器410执行时，使得至少一个处理器410实现上述的方法实施例。
同理，上述方法实施例中的内容均适用于本计算机设备实施例中，本计算机设备实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本申请实施例还提供了一种计算机可读存储介质，其中存储有处理器410可执行的程序，处理器410可执行的程序在由处理器410执行时用于执行上述的一种地下建筑结构的反演方法或者地下建筑结构的反演方法。
本申请实施例还公开了一种计算机可读存储介质，其中存储有处理器可执行的程序，处理器可执行的程序在由处理器执行时用于实现如上述的方法实施例。
可以理解的是，如上述的方法实施例中的内容均适用于本计算机可读存储介质实施例中，本计算机可读存储介质实施例所具体实现的功能与如上述的方法实施例相同，并且达到的有益效果与如上述的方法实施例所达到的有益效果也相同。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或方框有时能以相反顺序被执行。此外，在本申请的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本申请，但应当理解的是，除非另有相反说明，功能和/或特征中的一个或多个可以被集成在单个物理系统和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理系统或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本申请是不必要的。更确切地说，考虑到在本文中公开的系统中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本申请。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本申请的范围，本申请的范围由所附权利要求书及其等同方案的全部范围来决定。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、系统或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、系统或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、系统或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、系统或设备或结合这些指令执行系统、系统或设备而使用的系统。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子系统)，便携式计算机盘盒(磁系统)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤系统，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本申请的实施方式，本领域的普通技术人员可以理解：在不脱离本申请的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本申请的范围由权利要求及其等同物限定。
以上是对本申请的较佳实施进行了具体说明，但本申请并不限于实施例，熟悉本领域的技术人员在不违背本申请精神的前提下可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内
在本说明书的描述中，参考术语“一个实施方式”、“另一实施方式”或“某些实施方式”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本申请的实施方式，本领域的普通技术人员可以理解：在不脱离本申请的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本申请的范围由权利要求及其等同物限定。
Claims (10)
1.一种地下建筑结构检测模型的训练方法，其特征在于，所述方法包括：
获取多个参考地点处的地下结构信息；所述地下结构信息包括有各个地下建筑结构的第一属性信息；
根据各个所述地下建筑结构对应的类别信息，确定每个预定类别的地下建筑结构对应的类别比重数据；
通过探地雷达设备采集各个所述参考地点的第一雷达数据；
将所述第一雷达数据输入到待优化的地下建筑结构检测模型中，通过所述地下建筑结构检测模型检测所述参考地点处的地下建筑结构，得到第一检测结果；所述第一检测结果用于表征所述地下建筑结构检测模型预测所述参考地点处的各个地下建筑结构的第二属性信息；
根据所述地下结构信息和所述第一检测结果，确定各个所述地下建筑结构对应的初始损失值；
根据所述类别信息和所述类别比重数据，确定各个所述地下建筑结构对应的调整权重；其中，所述类别比重数据和所述调整权重负相关；
根据所述初始损失值和所述调整权重，确定目标损失值，并通过所述目标损失值对所述地下建筑结构检测模型的参数进行更新，得到训练好的地下建筑结构检测模型。
2.根据权利要求1所述的一种地下建筑结构的反演方法，其特征在于，所述方法还包括：
当所述地下建筑结构对应的类别比重数据小于或者等于第一阈值，对所述地下建筑结构对应的训练数据进行扩充处理。
3.根据权利要求2所述的一种地下建筑结构检测模型的训练方法，其特征在于，所述对所述地下建筑结构对应的训练数据进行扩充处理，包括：
对所述地下建筑结构对应的训练数据进行几何变换、色彩变换、弹性变换、添加噪声、裁剪或者填充中的至少一种处理。
4.根据权利要求1所述的一种地下建筑结构检测模型的训练方法，其特征在于，所述根据所述地下结构信息和所述第一检测结果，确定各个所述地下建筑结构对应的初始损失值，包括：
根据所述地下结构信息和所述第一检测结果，通过结构相似性指数损失函数确定各个所述地下建筑结构对应的初始损失值。
5.根据权利要求1所述的一种地下建筑结构检测模型的训练方法，其特征在于，所述地下建筑结构检测模型采用GPR-TransResNet模型。
6.根据权利要求1所述的一种地下建筑结构检测模型的训练方法，其特征在于，所述根据所述初始损失值和所述调整权重，确定目标损失值，包括：
根据对应的所述初始损失值和所述调整权重的乘积，确定第一数值；
对所述第一数值求和，得到目标损失值。
7.一种地下建筑结构的反演方法，其特征在于，所述方法包括：
通过探地雷达设备对待检测地点进行探测，得到第二雷达数据；
将所述第二雷达数据输入到如权利要求1-6中任一项所述训练方法训练好的地下建筑结构检测模型中，通过所述地下建筑结构检测模型检测所述待检测地点处的地下建筑结构，得到第二检测结果；所述第二检测结果用于表征所述地下建筑结构检测模型预测所述待检测地点处的各个地下建筑结构的第三属性信息；
根据所述第二检测结果，确定所述待检测地点的反演结果。
8.一种地下建筑结构检测模型的训练系统，其特征在于，所述系统包括：
获取单元，用于获取多个参考地点处的地下结构信息；所述地下结构信息包括有各个地下建筑结构的类别信息和第一位置信息；
计算单元，用于根据各个所述地下建筑结构对应的类别信息，确定每个预定类别的地下建筑结构对应的类别比重数据；
采集单元，用于通过探地雷达设备采集各个所述参考地点的第一雷达数据；
预测单元，用于将所述第一雷达数据输入到待优化的地下建筑结构检测模型中，通过所述地下建筑结构检测模型检测所述参考地点处的地下建筑结构，得到第一检测结果；所述第一检测结果用于表征所述地下建筑结构检测模型预测所述参考地点处的各个地下建筑结构的第二类别信息和第二位置信息；
处理单元，用于根据所述地下结构信息和所述第一检测结果，确定各个所述地下建筑结构对应的初始损失值；
调整单元，用于根据所述类别信息和所述类别比重数据，确定各个所述地下建筑结构对应的调整权重；其中，所述类别比重数据和所述调整权重负相关；
更新单元，用于根据所述初始损失值和所述调整权重，确定目标损失值，并通过所述目标损失值对所述地下建筑结构检测模型的参数进行更新，得到训练好的地下建筑结构检测模型。
9.一种计算机设备，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于：所述处理器可执行的程序在由处理器执行时用于实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410542001.2A CN118395558A (zh) | 2024-04-30 | 2024-04-30 | 地下建筑结构检测模型的训练、反演方法、系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410542001.2A CN118395558A (zh) | 2024-04-30 | 2024-04-30 | 地下建筑结构检测模型的训练、反演方法、系统及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118395558A true CN118395558A (zh) | 2024-07-26 |
Family
ID=91984280
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410542001.2A Pending CN118395558A (zh) | 2024-04-30 | 2024-04-30 | 地下建筑结构检测模型的训练、反演方法、系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118395558A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111191685A (zh) * | 2019-12-13 | 2020-05-22 | 山东众阳健康科技集团有限公司 | 一种损失函数动态加权的方法 |
| CN116229262A (zh) * | 2023-02-23 | 2023-06-06 | 以见科技(上海)有限公司 | 一种建筑信息模型的建模方法及装置 |
| WO2023207104A1 (zh) * | 2022-04-26 | 2023-11-02 | 云南航天工程物探检测股份有限公司 | 基于自监督学习的探地雷达隧道衬砌质量检测方法 |
| CN117726911A (zh) * | 2023-11-30 | 2024-03-19 | 中国电波传播研究所（中国电子科技集团公司第二十二研究所） | 一种基于深度学习的探地雷达采集及目标检测系统和方法 |
-
2024
- 2024-04-30 CN CN202410542001.2A patent/CN118395558A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111191685A (zh) * | 2019-12-13 | 2020-05-22 | 山东众阳健康科技集团有限公司 | 一种损失函数动态加权的方法 |
| WO2023207104A1 (zh) * | 2022-04-26 | 2023-11-02 | 云南航天工程物探检测股份有限公司 | 基于自监督学习的探地雷达隧道衬砌质量检测方法 |
| CN116229262A (zh) * | 2023-02-23 | 2023-06-06 | 以见科技(上海)有限公司 | 一种建筑信息模型的建模方法及装置 |
| CN117726911A (zh) * | 2023-11-30 | 2024-03-19 | 中国电波传播研究所（中国电子科技集团公司第二十二研究所） | 一种基于深度学习的探地雷达采集及目标检测系统和方法 |
Non-Patent Citations (2)
| Title |
|---|
| 冯德山;杨子龙;: "基于深度学习的隧道衬砌结构物探地雷达图像自动识别", 地球物理学进展, no. 04 * |
| 杨必胜;宗泽亮;陈驰;孙文鹿;米晓新;吴唯同;黄荣刚;: "车载探地雷达地下目标实时探测法", 测绘学报, vol. 49, no. 07, 15 July 2020 (2020-07-15), pages 874 - 882 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Giannakis et al. | A machine learning scheme for estimating the diameter of reinforcing bars using ground penetrating radar | |
| Alvarez et al. | Application of deep learning image-to-image transformation networks to GPR radargrams for sub-surface imaging in infrastructure monitoring | |
| Zhang et al. | A GANs-based deep learning framework for automatic subsurface object recognition from ground penetrating radar data | |
| Ozkaya et al. | Deep dictionary learning application in GPR B-scan images | |
| Huang et al. | A deep learning framework based on improved self‐supervised learning for ground‐penetrating radar tunnel lining inspection | |
| CN112198556A (zh) | 信号处理方法、装置、终端设备及存储介质 | |
| Barkataki et al. | Classification of soil types from GPR B scans using deep learning techniques | |
| Zhang et al. | Earthquake magnitude prediction using a VMD-BP neural network model | |
| CN117242454A (zh) | 通过查询嵌入在潜在嵌入集上的交叉注意力来生成神经网络输出 | |
| Zhu et al. | Evaluating the optimised YOLO-based defect detection method for subsurface diagnosis with ground penetrating radar | |
| Patsia et al. | GPR full-waveform inversion with deep-learning forward modeling: A case study from non-destructive testing | |
| Almaimani | Classifying GPR images using convolutional neural networks | |
| Hajipour et al. | A novel method for GPR imaging based on neural networks and dictionary learning | |
| CN118395558A (zh) | 地下建筑结构检测模型的训练、反演方法、系统及设备 | |
| Qian et al. | Deep Learning-Augmented Stand-off Radar Scheme for Rapidly Detecting Tree Defects | |
| CN107657615A (zh) | 基于增量cae的高分辨sar图像变化检测方法 | |
| CN116106880B (zh) | 基于注意力机制和多尺度融合的水下声源测距方法和装置 | |
| CN116893412A (zh) | 探地雷达反演方法、装置、电子设备及存储介质 | |
| CN117612603A (zh) | 一种蛋白质突变效应预测方法、装置、设备及介质 | |
| CN117496463A (zh) | 一种提高道路感知精度的学习方法及系统 | |
| Zhang et al. | A deep learning method for rough surface clutter reduction in GPR image | |
| Mallik et al. | EME-GAN: A conditional generative adversarial network based indoor EMF exposure map reconstruction | |
| Momtaz Dargahi et al. | NDE data correlation using encoder–decoder networks with wavelet scalogram images | |
| Yang et al. | An adaptive clutter-immune method for pipeline detection with GPR | |
| CN118297932A (zh) | 一种钢筋检测方法、系统、设备及存储介质 |
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 |