一种地质雷达图像自动反演方法与装置与流程

本发明涉及地质雷达探测，特别涉及一种地质雷达图像自动反演方法与装置。

背景技术：

1、长久以来，隧道工程建设、尤其是岩溶隧道建设过程中常遭受突水突泥、软弱夹层等不良地质体影响，严重制约着隧道施工工期、造价，并给人员财产安全带来严重威胁。探地雷达(ground penetrating radar,gpr)通过向地下发射电磁波并接收散射回波来确定地下探测区域的目标分布。因其具有分辨率高、结果直观、扫描速度快等其他地球物理方法无法比拟的优势，因此近年来已成为隧道超前地质预报中主要短距离物探手段。但受隧道探测空间狭小、环境干扰、岩溶地质的复杂性以及解译技术(目前解译主要通过对图像定性特征进行识别，进而做出相关的不良地质解译)制约，导致探地雷达的数据具有一定的多解性，在工程地质条件复杂隧道应用时难以取得满意的效果。

2、为克服上述有关探地雷达解译的各种困难机器，目前研究趋势正在向自动反演解译方向发展。因为不同介质的物体在雷达电磁波对应着不同的介电常数，进而通过介电常数可以判断前方物体的性质，如岩石或空气等，自动反演围绕着“介电常数”这一核心展开；传统的自动反演方法，如全波形反演、逆时偏移等方法通常存在计算难度大、准确度第和可靠性不足等问题，通常只能在简单理想工况下取得一定的效果。近年来，随着人工智能技术的快速发展，基于深度学习的雷达图像反演研究成为焦点，但受制于物探信号数据的可变性，己有的基于深度学习的方法通常存在特征提取困难等缺陷，成果大多停留在衬砌检测(深度1～2m)雷达图像反演，隧道开挖过程中的超前地质雷达图像自动反演少有相关研究，成为实际工程中的一大迫切需求。

3、解释说明物探信号数据的可变性：深度学习模型处理图像识别问题时，需要准确获取被识别物体的图像特征，常规的图像识别问题同一物体在不同位置的图像特征不会发生太大变化，较容易提取特征进而实现较好的识别效果。而物探数据图像存在病害特征可变形，即同一病害，比如一个同样大小的圆形空洞在不同深度下反映出的图像特征是不同的，如图1所示。而衬砌检测深度通常只有1～2m以内，这种可变形造成的影响较小，隧道地质雷达的探测深度在20～30m，随着深度的增加，病害图像特征提取将越发困难，进而难以取得满意的反演效果。

技术实现思路

1、本发明的目的在于克服当前传统数学方法以及常规深度学习模型的计算复杂、特征提取困难以及反演效果不佳的问题，提供一种地质雷达图像自动反演方法。

2、为了实现上述发明目的，本发明提供了以下技术方案：

3、一种地质雷达图像自动反演方法，所述方法包括以下步骤：

4、s1提取雷达探测数据，得到探测数据集；

5、s2将所述探测数据集导入训练好的所述反演模型，得到反演结果；

6、所述反演模型通过训练数据集进行训练，并进行反演效果评估；

7、所述训练数据集基于雷达探测结果b-scan灰度图a1、能量特征图像a2和介电常数建模图b构建；其中，所述a1和所述b通过正演仿真计算得到，所述a2通过基于所述a1进行先验物理信息提取，并进行聚类可视化得到。

8、所述正演仿真计算采用gprmax进行雷达正演仿真计算，基于maxwell方程组和时域有限差分法，得到所述电常数建模图b和所述雷达探测结果b-scan灰度图a1。

9、所述先验物理信息提取基于hilbert变换，对瞬时振幅进行定量提取；所述聚类可视化基于k-means++算法。

10、所述k-means++算法包括以下步骤：

11、从数据集合x中随机取一个点作为第一个聚类中心c1；

12、计算每个数据样本的密度，并按密度大小排序，将密度最大的数据样本点与其最接近样本点的中点作为初始聚类中心，最后使用圆域进行划分；

13、选取一个种子点，计算检测节点与最近种子节点间的距离d(xi,yi)，求取sum(d(xi,yi))，再取落在sum(d(xi,yi))中的随机值random，计算random-＝d(xi,yi)，直至random<0，此时的点即为新的簇中心点，重复操作直到全部选取出k个种子节点。

14、所述聚类可视化包括以下步骤：

15、提取所述b-scan灰度图a1的原始探测数据，进行hilbert变换后提取信号瞬时振幅；

16、设聚类数量k＝2，对提取的所述瞬时振幅数据进行k-means++聚类，进而将所述瞬时振幅数据转换为“1”和“2”的聚类标签；

17、设聚类标签1＝gray，标签2＝white，生成能量特征图像a2。

18、所述反演模型训练数据集包括生成器g和判别器d，其中将所述a1输入所述生成器g得到所述a2，将所述a1和所述a2合并为b2输入所述判别器d，将所述b输入所述判别器d，得到输入图像为真实图像的概率值。

19、所述反演模型训练数据集采用pix2pix框架，所述pix2pix的损失函数包括cgan损失和l1损失，计算公式为：

20、

21、其中，λ表示l1损失函数在整个损失函数中的比例系数；rn表示随机噪声；ex,y[logd(x,y)]表示logd(x,y)的数学期望；ex,rn[log(1-d(x,g(x,rn)))]表示log(1-d(x,g(x,rn))的数学期望；ex,rn,y[||y-g(x,rn)||1]表示||y-g(x,rn)||1的数学期望。

22、采用ssim评估指标对所述反演效果进行评估，计算公式为：

23、

24、其中，ux是x的平均值，是y的方差，uy是y的平均值，是y的方差，σxy是x，y的协方差；c1＝(k1l)2，c2＝(k2l)2是两个用于维持稳定的常数，l为像素值的范围。

25、一种地质雷达图像自动反演装置，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的方法。

26、与现有技术相比，本发明的有益效果：

27、1.本发明基于原始雷达探测数据，通过希尔伯特变换与聚类分析，提取了原始雷达探测数据的瞬时振幅并可视化为能量特征图。以该图为先验物理信息约束，结合pix2pix模型构建了自动反演模型，该模型可以自动生成介电常数分布图像，进而对各类物体介质的位置、形态进行可视化表征。

28、2.通过对模型反演效果进行评估，以及工程实施例应用，本发明所提出的反演模型具有良好的反演效果，相比常规技术人员人工解译，在保证反演效果的同时，一方面可以大大提高解译效率，另一方面以图像形式对隧道掌子面前方未开挖岩体病害分布及形态进行了直观形象展示，具有良好的工程应用价值。

技术特征：

1.一种地质雷达图像自动反演方法，其特征在于，所述方法包括以下步骤：s1提取雷达探测数据，得到探测数据集；

2.根据权利要求1所述的一种地质雷达图像自动反演方法，其特征在于，所述正演仿真计算采用gprmax进行，所述gprmax基于maxwell方程组和时域有限差分法。

3.根据权利要求1所述的一种地质雷达图像自动反演方法，其特征在于，所述先验物理信息提取基于hilbert变换，对瞬时振幅进行定量提取；所述聚类可视化基于k-means++算法。

4.根据权利要求3所述的一种地质雷达图像自动反演方法，其特征在于，所述k-means++算法包括以下步骤：

5.根据权利要求3所述的一种地质雷达图像自动反演方法，其特征在于，所述聚类可视化包括以下步骤：

6.根据权利要求1所述的一种地质雷达图像自动反演方法，其特征在于，所述反演模型训练数据集包括生成器g和判别器d，其中将所述a1输入所述生成器g得到所述a2，将所述a1和所述a2合并为b2输入所述判别器d，将所述b输入所述判别器d，得到输入图像为真实图像的概率值。

7.根据权利要求6所述的一种地质雷达图像自动反演方法，其特征在于，所述反演模型训练数据集采用pix2pix框架，所述pix2pix的损失函数包括cgan损失和l1损失，计算公式为：

8.根据权利要求1所述的一种地质雷达图像自动反演方法，其特征在于，采用ssim评估指标对所述反演效果进行评估，计算公式为：

9.一种地质雷达图像自动反演装置，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至8任一项所述的方法。

技术总结
本发明涉及地质雷达探测技术领域，特别涉及一种地质雷达图像自动反演方法与装置，所述方法包括S1提取雷达探测数据，得到探测数据集；S2将所述探测数据集导入训练好的所述反演模型，得到反演结果；所述反演模型通过训练数据集进行训练，并进行反演效果评估；所述训练数据集基于雷达探测结果B‑scan灰度图A1、能量特征图像A2和介电常数建模图B构建；其中，所述A1和所述B通过正演仿真计算得到，所述A2通过基于所述A1进行先验物理信息提取，并进行聚类可视化得到。基于原始雷达探测数据，该模型可以自动生成介电常数分布图像，进而对各类物体介质的位置、形态进行可视化表征。同时，本发明所提出的反演模型具有良好的反演效果。

技术研发人员：吕中玉,彭浩,梁铭,宋冠先,朱孟龙,黄能豪,吴梦岚,韩玉,解威威,吴雄华,蒋玮,胡圣辉,赵婷婷,陈孝强
受保护的技术使用者：广西路桥工程集团有限公司
技术研发日：
技术公布日：2024/3/24