1.一种基于多尺度卷积网络的探地雷达双参数实时反演方法,其特征是,包括如下步骤:
2.如权利要求1所述基于多尺度卷积网络的探地雷达双参数实时反演方法,其特征是,所述计算机视觉语义分割网络采用deeplabv3+网络。
3.如权利要求1所述基于多尺度卷积网络的探地雷达双参数实时反演方法,其特征是,步骤a1中,合成双参数模型包含4-14个随机地层,每层相对介电常数和电阻率的参数范围分布在3-36和50-5000之间;当地层中含水或空气时会导致参数范围分布出现极端值,双参数范围分别扩展至1-81和10-10000。
4.如权利要求1所述基于多尺度卷积网络的探地雷达双参数实时反演方法,其特征是,步骤a2中,使用滑动平均方法获得合成初始双参数模型;
5.如权利要求1所述基于多尺度卷积网络的探地雷达双参数实时反演方法,其特征是,步骤b中,数据特征提取子网络是基于xception网络进行改进,具体使用深度可分离卷积配合残差连接,提取数据有效特征;模型特征提取子网络采用编码器结构,具体是使用三层卷积和最大池化网络压缩模型特征,提取模型有效信息,并在每个卷积层中均采用随即丢弃以避免网络训练过程中出现过拟合;电性参数解码子网络采用解码器结构,具体包括四层卷积和三层上采样网络,其中卷积网络用于将分布于多通道的特征融合,上采样网络用于输出具有与合成初始模型相同时间采样长度的双参数模型。
6.如权利要求1所述基于多尺度卷积网络的探地雷达双参数实时反演方法,其特征是,步骤b中,空洞空间卷积池化金字塔模块是具有多个平行分支的结构,分别采用空洞率为1、4、6和12的卷积网络以及平均池化网络以感知特征图的多尺度信息;再由不同分支获取的特征图沿通道方向进行拼接并重新通过卷积网络进行聚合,将聚合后的多尺度特征紧密级联在一起,由此获得具有不同感知野的信息。
7.如权利要求1所述基于多尺度卷积网络的探地雷达双参数实时反演方法,其特征是,步骤c中,采用开源库tensorflow和kears中支持的adam优化算法实施网络的训练。
8.如权利要求1所述基于多尺度卷积网络的探地雷达双参数实时反演方法,其特征是,步骤d对网络反演性能进行评估,具体是根据合成双参数模型与网络预测结果之间的均方根百分比误差以及其对应的探地雷达正演响应的均方根百分比误差,进行定量评估。
9.如权利要求1所述基于多尺度卷积网络的探地雷达双参数实时反演方法,其特征是,网络训练过程中,采用模型均方根百分比误差rmspemodel监测网络反演效果随训练周期的变化情况,并统计不同训练集规模下完成网络训练的耗时;rmspemodel定义为:
10.如权利要求9所述基于多尺度卷积网络的探地雷达双参数实时反演方法,其特征是,步骤d中,采用信号均方根百分比误差rmspesignal评价探地雷达响应数据的拟合程度,表示为: