一种基于深度学习和探地雷达的地下管线参数检测方法

本申请涉及探地雷达检测领域，尤其涉及一种基于深度学习和探地雷达的地下管线参数检测方法。

背景技术：

1、在地下管线检测领域，由于地下管线具有隐蔽性和敷设条件复杂等特点，获取的地下管线资料成本较高，随着无损检测技术的发展和城市地下管线管理需求的提高，无损检测技术逐渐引入到地下管线探测中。无损检测方法包括电磁感应法、探地雷达法、浅层地震法、高密度电阻率法等。

2、(1)以地下管线定位仪为代表的电磁感应法对于地下金属管线的检测具有高精度、低成本的优点，但对于pe材质和混凝土材质的地下管线，电磁感应法无法检测。

3、(2)探地雷达法对于不同材质地下管线的检测具有良好的效果，但进行探地雷达数据进行分析时，对于地下管线的材质、埋深和管径等具体参数结果严重依赖于操作人员的测量经验。

4、(3)使用探地雷达采集数据后，操作人员无法在检测现场实时看到检测结果，需要依靠计算机对采集得到的数据进行处理和分析。对出现问题的检测区域进行二次验证时，会存在定位误差问题。

5、中国专利申请cn112130132a公开了一种基于探地雷达和深度学习的地下管线探测方法和系统，该系统包括地下管线检测与地下管线定位两个阶段。在地下管线检测阶段，通过已知地下管线样本集训练yolov3模型，并通过训练后的yolov3模型检测实测雷达图像中的地下管线目标；在地下管线定位阶段，通过使用rtk测量仪，对管道位置进行精准定位置。然而上述方法与系统在对于地下管线参数的检测中，无法获取地下管线的材质、埋深和管径等参数，且已知的地下管线样本集会影响模型的检测准确率。

6、因此需要一种端到端的探地雷达检测方法，实现对于探地雷达地下管线数据精准实时解译，获取地下管线的参数信息，同时降低检测人员的工作量。

技术实现思路

1、本申请的目的在于解决常规的探地雷达检测方法，难以实现对于探地雷达地下管线数据精准实时解译，获取地下管线的参数信息，同时降低检测人员的工作量的技术问题，提供一种基于深度学习和探地雷达的地下管线参数检测方法。

2、本申请的上述目的是通过以下技术方案得以实现的：

3、s1：根据现有的地下管线的分布图和已知的实际开挖数据，整理得到已知材质参数、埋深参数和管径参数的地下管线；对已知的地下管线进行扫描和检测，获取所述地下管线实测雷达剖面图像并对所述实测雷达剖面图像进行预处理；将已知的地下管线的材质参数、埋深参数和管径参数、与所述地下管线实测雷达剖面图像进行对应；

4、s2：使用探地雷达正演软件对所述地下管线进行建模，生成所述地下管线的原始仿真雷达剖面图像；

5、s3：对所述原始仿真雷达剖面图像进行所述预处理，生成预处理后的所述仿真雷达剖面图像；

6、s4：对所述仿真雷达剖面图像进行翻转、剪裁以及引入椒盐噪声，增加可供训练的数据数量，生成所述地下管线的目标检测训练数据集并进行标签处理，具体如下：

7、对建模的地下管线模型中的材质参数进行统计，将建模的地下管线模型中的材质参数与所述目标检测训练数据集进行对应；将所述目标检测训练数据集中的双曲线图像的顶端部分打上材质标签；

8、对建模的地下管线模型中的埋深参数进行统计，将统计后的所述埋深参数与所述目标检测训练数据集进行对应；将所述目标检测训练数据集中的双曲线图像的顶端部分以及上方区域打上埋深标签；

9、对建模的地下管线模型中的管径参数进行统计，将统计后的所述管径参数与所述目标检测训练数据集进行对应；将所述目标检测训练数据集中的双曲线图像的整体部分打上管径标签；

10、s5：使用标签处理后的所述目标检测训练数据集对通过coco数据集对预训练后的目标检测网络进行训练，生成地下管线检测网络；

11、s6：使用处理后的地下管线的实测雷达剖面图像对所述地下管线检测网络进行准确率验证和速度验证，生成验证结果；

12、将所述验证结果，与已知管线的材质、埋深和管径参数进行对比，确定对比结果；

13、根据所述对比结果，对所述地下管线检测网络的学习率以及权重衰减参数进行调整，对所述地下管线检测网络的结构进行优化，完成所述地下管线检测网络的训练；

14、s7：获取待测地下管线，通过训练完成后的所述地下管线检测网络，对所述待测地下管线进行检测。

15、可选的，所述探地雷达设备为固定频率的探地雷达设备，所述固定频率的范围为200mhz至600mhz。

16、可选的，步骤s1包括：

17、对图像的所述预处理步骤为：对图像进行零时校正处理、平滑滤波处理以及格式转化处理，生成512像素*512像素大小的图像；

18、所述零时校正处理具体包括：将所述图像的左侧刻度的时间参数调整为深度参数，单位为米，并规定第一次分层处为零点；

19、所述平滑滤波处理具体包括：将所述图像的直达波信号通过平滑滤波进行消除，获得更加清晰的地下管线双曲线反射信号；

20、所述格式转化处理具体包括：对所述图像进行转换，得到所述图像的灰度图，在对所述灰度图进行二值化处理。

21、可选的，所述探地雷达正演软件为gprmax3d；

22、所述材质参数包括：金属、聚乙烯pe以及混凝土；

23、所述仿真雷达剖面图像的大小为512像素*512像素。

24、可选的，步骤s4包括：

25、对建模的地下管线模型中的0.1m至1m的埋深参数，以0.1m的间隔进行统计；

26、对建模的地下管线模型中的0.1m至0.2m的管径参数，以0.05m的间隔进行统计。

27、所述地下管线的目标检测网络center-net将hourglass网络作为特征提取网络。

28、可选的，步骤s7包括：

29、通过探地雷达采集待测地下管线的雷达剖面图像；

30、将所述待测地下管线的雷达剖面图像输入至训练完成后的所述地下管线检测网络；

31、所述地下管线检测网络输出所述待测地下管线的材质参数、埋深参数和管径参数。

32、本申请提供的技术方案带来的有益效果是：

33、通过探地雷达采集包含地下管线双曲线反射目标的实测雷达剖面图像，并对图像数据进行零时校正、滤波平滑和格式转换预处理；使用探地雷达正演软件模拟地下管线模型并得到仿真雷达剖面图像；对仿真雷达剖面图像进行处理和分类标注并使用深度学习目标检测网络center-net进行训练；使用实测雷达剖面图像进行验证和网络参数调整。本发明通过结合深度学习和探地雷达技术对地下管线的材质和参数进行检测，能够快速获取地下管线的类别和埋深管径参数。

技术特征：

1.一种基于深度学习和探地雷达的地下管线参数检测方法，其特征在于方法包括以下步骤：

2.如权利要求1的一种基于深度学习和探地雷达的地下管线参数检测方法，其特征在于，所述探地雷达设备为固定频率的探地雷达设备，所述固定频率的范围为200mhz至600mhz。

3.如权利要求1的一种基于深度学习和探地雷达的地下管线参数检测方法，其特征在于，步骤s1包括：

4.如权利要求1的一种基于深度学习和探地雷达的地下管线参数检测方法，其特征在于，所述探地雷达正演软件为gprmax；

5.如权利要求1的一种基于深度学习和探地雷达的地下管线参数检测方法，其特征在于，步骤s4还包括：

6.如权利要求1的一种基于深度学习和探地雷达的地下管线参数检测方法，其特征在于，所述地下管线的目标检测网络center-net将hourglass网络作为特征提取网络。

7.如权利要求1的一种基于深度学习和探地雷达的地下管线参数检测方法，其特征在于，步骤s7包括：

技术总结
本申请提供了一种基于深度学习和探地雷达的地下管线参数检测方法，包括：根据现有的地下管线的分布图和已知的实际开挖数据，整理得到已知材质参数、埋深参数和管径参数的地下管线；对已知的地下管线进行扫描和检测，获取地下管线实测雷达剖面图像并对实测雷达剖面图像进行预处理，使用探地雷达正演软件对地下管线进行建模，获取仿真雷达剖面图像并进行处理，根据地下管线参数，对仿真雷达剖面图像的材质、埋深以及管径进行处理和标注标签，使用仿真雷达剖面图像对预训练的目标检测网络进行训练，生成地下管线检测网络，对地下管线检测网络进行参数调整和优化；通过优化后的地下光线检测网络输出地下管线的参数信息。

技术研发人员：周峰,王贤齐
受保护的技术使用者：中国地质大学（武汉）
技术研发日：
技术公布日：2024/1/22