一种基于探地雷达的根径预测及定位方法

本发明涉及一种基于探地雷达的根径预测及定位方法，属于无损检测。

背景技术：

1、根系在树木生长过程中扮演着重要角色，具有吸收水分、运输养分和固定植物体等功能。根系检测有助于了解植物生长、健康状况以及土壤中的物质循环，传统方法(例如根钻法、土壤剖面法等)多为破坏性检测，有着操作复杂以及可能造成不可逆损伤的缺点。

2、探地雷达作为一种无损检测工具，相对于其他无损检测技术(例如核磁共振法、电阻率层析成像和声学方法等)具有携带方便、操作简单、成本低廉等优点，近年来已广泛应用于浅层地下物体检测，但是由于树木根系所处复杂环境导致数据的解译仍然面临挑战。

3、探地雷达由发射天线和接收天线组成，在被检测地表以合成孔径的方式沿检测线平移，发射天线向地下发射特定频率的电磁波，而根系和周围土壤的相对介电常数分布，将导致接收天线接收到不同的反射电磁波信号。通过分析接收到的信号可以推测出地下根系的位置及根生物量等信息。但是由于天线间的耦合、地面反射直达波、地下介质随机分布的复杂性等因素，导致收集到的原始b-scan数据中存在杂波，对目标信号的分析造成严重干扰，增加了地下根系的检测和特征提取的难度。

技术实现思路

1、为了抑制b-scan数据中的杂波干扰，提升树根半径和深度的预测准确性，本发明提供了一种基于探地雷达的根径预测及定位方法，所述技术方案如下：

2、步骤1：采集树木根系的原始b-scan图像；

3、步骤2：将所述原始b-scan图像输入杂波抑制网络，得到杂波抑制后的图像；

4、步骤3：将所述杂波抑制后的图像和所述原始b-scan图像输入树根参数估计网络，得到树根半径和深度；

5、所述杂波抑制网络为：使用注意力机制改进的u-net网络，将所述注意力模块添加到跳跃连接部分；

6、所述树根参数估计网络包括：残差块和inception块，所述杂波抑制后的图像和原始b-scan图像分别通过所述残差块后，将两个通道输出的特征图拼接，并输入到多任务分支，每个分支经过一个所述inception块，最后通过全连接层输出树根半径和深度。

7、可选的，所述杂波抑制网络包括：编码器模块、解码器模块和注意力模块；

8、所述编码器模块包括多个编码块，每个编码块包括两个卷积块和一个下采样模块；

9、所述解码器模块与所述编码器模块对应，包含多个解码块，每个解码块包含两个卷积块和一个上采样模块；

10、每个注意力模块将所述编码块输出的特征和解码块输出的特征，分别经过卷积和批归一化操作后相加，再经过卷积块得到权重信息，最后将所述权重信息与所述解码块输出的特征相乘，以获得与所述编码块输出的特征相同大小和通道数的新特征。

11、可选的，所述残差块包含三个连续的卷积层，每个卷积层后是relu激活函数，卷积核大小为3×3，步幅为1，填充为1，以保持特征图大小不变。

12、可选的，所述inception块采用四分支结构，每个分支都有不同的特征感受野以实现对雷达图像中不同尺度特征的提取，最后对四个分支不同尺度的特征进行拼接。

13、可选的，所述下采样模块采用maxpooling实现。

14、可选的，所述上采样模块采用双线性插值实现。

15、可选的，所述杂波抑制网络和树根参数估计网络的训练过程包括：

16、s1：使用基于fdtd的开源软件gprmax建立树根和土壤的模型，并用探地雷达采集无根目标的真实土壤数据；

17、s2：调整模型参数，生成均质土壤下b-scan仿真数据集和异质土壤下b-scan仿真数据集；

18、s3：调整模型参数，生成与所述s2相同土壤条件下的无根目标b-scan仿真数据；

19、s4：将所述s2生成的仿真数据减去相同土壤条件下的无根目标b-scan仿真数据，得到无杂波的纯净双曲线图像集；

20、s3：将所述无杂波的纯净双曲线图像集与所述真实探地雷达土壤数据进行合成，得到合成真实数据集；

21、s5：所述均质土壤下b-scan仿真数据集、异质土壤下b-scan仿真数据集和所述合成真实数据集构成完整数据集，利用所述完整数据集对所述杂波抑制网络和树根参数估计网络进行训练。

22、可选的，所述杂波抑制网络和树根参数估计网络均使用均方误差作为损失函数，并采用adam最小化预测值与实际值间的均方误差，动量为0.9和权重衰减为1e-8，学习率分别为0.001和0.0008。

23、可选的，所述s1中模型的尺寸为0.6m×0.6m×0.2m，空间离散化步长为0.001m，其中树根建模为圆柱体，半径为0.005～0.03m的随机数，深度为0.05～0.3m的随机数。

24、可选的，所述s1的模型中，探地雷达天线与树根之间的介质使用peplinski提出的土壤半经验模型。

25、本发明有益效果是：

26、本发明的基于探地雷达的根径预测及定位方法，使用注意力机制改进的u-net网络构成杂波抑制网络，将将注意力模块添加到跳跃连接部分，使其能自适应地对根目标区域增大权重，降低背景区域权重，更好地保留树根反射的双曲线，有效地去除环境噪声和土壤固有异质性产生的干扰，提升了预测值的准确性。

27、在本发明的一种实施方式中，使用基于fdtd(有限差分时间域)求解麦克斯韦方程的开源软件gprmax对土壤、树根建模，模型考虑了土壤的异质性，并结合真实探地雷达数据合成真实数据，尽可能贴近真实测量场景，从而进一步提升了网络模型的预测准确性。

28、对比实验证明，本发明相比于现有方法，可以实现树根半径和深度的快速而准确的预测，进一步为古树名木和果树的养护和管理提供科学参考。

技术特征：

1.一种基于探地雷达的根径预测及定位方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于探地雷达的根径预测及定位方法，其特征在于，所述杂波抑制网络包括：编码器模块、解码器模块和注意力模块；

3.根据权利要求1所述的基于探地雷达的根径预测及定位方法，其特征在于，所述残差块包含三个连续的卷积层，每个卷积层后是relu激活函数，卷积核大小为3×3，步幅为1，填充为1，以保持特征图大小不变。

4.根据权利要求1所述的基于探地雷达的根径预测及定位方法，其特征在于，所述inception块采用四分支结构，每个分支都有不同的特征感受野以实现对雷达图像中不同尺度特征的提取，最后对四个分支不同尺度的特征进行拼接。

5.根据权利要求2所述的基于探地雷达的树根半径和深度预测方法，其特征在于，所述下采样模块采用maxpooling实现。

6.根据权利要求2所述的基于探地雷达的根径预测及定位方法，其特征在于，所述上采样模块采用双线性插值实现。

7.根据权利要求1所述的基于探地雷达的根径预测及定位方法，其特征在于，所述杂波抑制网络和树根参数估计网络的训练过程包括：

8.根据权利要求7所述的基于探地雷达的根径预测及定位方法，其特征在于，所述杂波抑制网络和树根参数估计网络均使用均方误差作为损失函数，并采用adam最小化预测值与实际值间的均方误差，动量为0.9和权重衰减为1e-8，学习率分别为0.001和0.0008。

9.根据权利要求7所述的基于探地雷达的根径预测及定位方法，其特征在于，所述s1中模型的尺寸为0.6m×0.6m×0.2m，空间离散化步长为0.001m，其中树根建模为圆柱体，半径为0.005～0.03m的随机数，深度为0.05～0.3m的随机数。

10.根据权利要求7所述的基于探地雷达的根径预测及定位方法，其特征在于，所述s1的模型中，探地雷达天线与树根之间的介质使用peplinski提出的土壤半经验模型。

技术总结
本发明公开了一种基于探地雷达的根径预测及定位方法，属于无损检测技术领域。所述方法使用注意力机制改进的U‑net网络构成杂波抑制网络去除环境噪声和土壤固有异质性产生的干扰，通过根参数估计网络实现对树根深度和半径的准确预测；本发明将将注意力模块添加到跳跃连接部分，使其能自适应地对根目标区域增大权重，降低背景区域权重，更好地保留树根反射的双曲线，有效地去除环境噪声和土壤固有异质性产生的干扰，提升了预测值的准确性。对比实验证明，本发明相比于现有方法，可以实现树根半径和深度的快速而准确的预测，进一步为古树名木和果树的养护和管理提供科学参考。

技术研发人员：李光辉,马嘉辉
受保护的技术使用者：江南大学
技术研发日：
技术公布日：2024/1/15