一种基于探地雷达与深度学习的地下目标智能实时识别与定位方法
技术领域
本发明涉及探地雷达的检测技术，具体涉及一种基于探地雷达与深度学习的地下目标智能实时识别与定位方法。
背景技术
探地图像检测是电磁学领域的一个热门研究方向，农业机械在作业的时候容易受到耕作土壤中的硬质异物影响。目前尚无有效的手段对农田土壤中的物体进行实时预警。
对于农田土壤中的物体检测，通常在探地雷达图像中表现为抛物线状的电磁波。目前对大部分工程实例对探地雷达实测资料的解析主要是依靠经验分析或者人工判断，这无疑是容易产生精确度不高的检测结果，而且不能做到实时分析检测结果。所以针对电磁波信号的定性分析是目前研究难题，特别是电磁波信号在土壤介质中发生畸变或者衰变后。
发明内容
针对现有技术中存在的技术问题，本发明的目的是：提供一种基于探地雷达与深度学习的地下目标智能实时识别与定位方法，能够大大提高探地雷达实时分析探测结果。
为了达到上述目的，本发明采用如下技术方案：
一种基于探地雷达与深度学习的地下目标智能实时识别与定位方法，其特征在于：包括如下步骤：步骤一.收集探地雷达图像样本，然后利用标签生成器进行图像标记；步骤二.将图像标记的真实框尺寸结果进行K-means筛选；步骤三.利用改进的非极大值抑制原理以及YOLO v3算法进行识别框估计；步骤四.将算法封装好并导入视觉系统，最后进行探地雷达图像的识别与定位。
作为一种优选，步骤一中，根据探地雷达图像特征，将目标体的电磁波状抛物线顶点作为检测与定位的主要特征点进行波形的位姿估计；然后利用K-means方法对出现频率较高的抛物线波形进行筛选训练后得出最佳的矩形识别框尺寸；然后将探地雷达中具有电磁波震荡信号或者波形重叠的案例，用震荡信号相似性(Intersection over Union)IoU合并原理(Vibration IoU)V-IoU进行非极大值抑制；最后输入到YOLO v3框架进行训练与输出模型；最后将IoU阈值模块以及YOLO v3训练好的模型导入用户计算机中，待用户在预先编译好的图形用户界面选择完适合的参数，将该界面软件端口利用USB接口连接到移动设置的摄像-计算机系统进行实时地检测工作。其中，利用K-means方法对出现频率较高的抛物线波形进行筛选训练后得出最佳的矩形识别框尺寸，频率较高指的是在样本中抛物线在矩形框被框选长宽比出现次最多的一类尺寸；待用户选择完适合的参数，适合的参数指的是能够完成当前实际工况的IoU阈值以及判断为目标物体的概率衡量值，例如逻辑回归计算中，大于0.5的概率自动被算法认为是目标体。
作为一种优选，步骤二中，在深度学习训练前通过以下方式进行探地雷达图像的收集：农田土壤中的硬质异物的物理性质对于电磁波敏感，在探地雷达图像中表现为开口向下的抛物线；探地雷达在土壤表面通过高频无线电波，在短时间内产生非常高分辨率的雷达数据；探地雷达沿着测线移动并不断收集一系列轨迹A-scan形成电磁波图像。
作为一种优选，深度学习经典识别算法YOLO v3卷积层的整体框架图中，在3个不同的阶段输出特征图，快速的对不同大小的探地雷达图像进行识别与定位。
作为一种优选，步骤三中，对于探地雷达图像特征提取的结构，首先将输入的探地雷达图像尺寸转换为规定值，那么原图将会被默认的计算机参数划分为13×13的固定大小；探地雷达图像中的抛物线顶点所在的划分单元格责对目标进行预测；在对探地雷达图像样本进行标注的时候，将预测框矩形长方形A1B1C1D1对应于抛物线顶点位置，图2(a)中的矩形框包含抛物线状的电磁波顶点；图2(b)展示了YOLO v3的样本编码方式，A点为首先是定义矩形框的左上角顶点，tx以及ty为A点在然后定义该点在雷达图像的像素位置；Cx以及Cy然后根据分别为每个元胞单元的像素宽度以及高度值对探地雷达图像的抛物线进行位置信息的描述。B1D1的宽度度为tx以及C1D1的高度为th.图2(c)；最后将检测目标的种类以及位置信息转化为遵循类似one hot的编码方式。
作为一种优选，探地雷达图像针对波形仅为抛物线。
作为一种优选，步骤四中，非极大值抑制，在探地雷达图像中，对于同一个土壤目标体，都会存在大量的预测矩形框相互交叉或者包含抛物线中心点的情况；非极大值抑制方法的目标就是去除多余的检测框并保留最好的一个；IoU图像类别分割问题的标准性能度量；对于给定的一组图像，IoU给出了预测框和真实框的交集与并集的比值；算法中，非极大值抑制算法对于候选区域的矩形框列表以及置信度进行计算与排序，选出具有最大得分的检验框；然后计算除了最大得分的检验框分框与当前框的IoU系数，如果IoU大于设定的阈值就进行删除，这就是一次迭代的过程，然后第二次迭代就会在剩下的框再选取得分最大的并删除那些超过设定的IoU阈值，直到将图像中的所有可能的目标得到。假设在土壤深度方向上某个强导电的目标体产生的3个抛物线；算法会识别为3个相邻的目标，但是这仅仅是一个目标，尽管它们的IoU阈值已经包含在预先设定的范围。基于GPR图像的震荡信号相似性V-IoU合并原理。明显地，我们设置一个横向临界值β，使得；同时再设置一个纵向临界值α，当在土壤深度上的N,P以及Q点也就是抛物线的中点位置满足横向临界值以及纵向临界值，这个时候算法将会解放IoU阈值的限制而进行预测框的合并。
本发明的原理是：在具有卷积神经网络算法上进行改进，将探地雷达图像实时传输到具有摄像功能的移动设备上，在通过USB接口连接到用户计算机上，然后通过用户设置的检测目标类型，进行实时地识别与框选出呈现为抛物线状电磁波的目标。最后完成人机交互以及输出探地雷达探测结果的过程。
本发明相对于现有技术具有如下优点：
1.原理技术成熟，可以获取多个电磁波的相互位置关系，从而快速定位于区分雷达图像中目标体。
2.算法框架YOLO v3可以在不同特征图中进行采样，所以尽管探地雷达图像中包含尺寸大小不同的目标也能进行识别与定位。
3.仅仅将移动端接入或者带有摄像功能的计算机就可以完成实时输入输出的框架流程。
4.针对多个物体的探测，该方法还可以推广至不同形状的物体，只要通过计算能够得电磁波在其表面的传播规律的对象，该方法都可以高效率并且准确地进行物体几何特征提取。
附图说明
图1为深度学习检测算法YOLO v3实时识别框架图。
图2a-2c为抛物线电磁波信号的样本编码示意图，其中图2a为YOLO v3特征提取图，图2b为真实框示意图，图2c为编码方式。
图3为非极大值抑制方法在探地雷达图像的结构设计图。
图4为整体实现系统流程图。
图5为识别与定位实现效果图。
具体实施方式
下面将结合具体实施方式来对本发明做进一步详细的说明。
一种基于探地雷达与深度学习的地下目标智能实时识别与定位方法，具体包括如下步骤：
步骤1：根据探地雷达图像特征，将目标体的电磁波状抛物线顶点作为检测与定位的主要特征点进行波形的位姿估计；然后利用K-means方法对出现频率较高的抛物线波形进行筛选训练后得出最佳的矩形识别框尺寸；然后将探地雷达中具有电磁波震荡信号或者波形重叠的案例，用震荡信号相似性IoU合并原理(V-IoU)进行非极大值抑制；最后输入到YOLO v3框架进行训练与输出模型；最后将IoU阈值模块以及YOLO v3训练好的模型导入用户计算机中，待用户选择完适合的参数，即可连接到移动设置的摄像系统进行实时地检测工作。
步骤2：利用探地雷达沿着测线移动，因为农田土壤中的硬质异物的物理性质往往对于电磁波敏感，在探地雷达图像中大多数表现为开口向下的抛物线，所以雷达控制器可以不断收集一系列轨迹(A-scan)形成电磁波图像。将收集到的雷达图像(rd3或者rd7格式)进行标记与分类，然后利用以抛物线特征点为中点的矩形标记方式进行编码。
步骤3：输入的探地雷达图像尺寸转换为规定值,那么原图将会被默认的计算机参数划分为13×13的固定大小，如图2a所示；GPR图像中的抛物线顶点M所在的cell就负责对目标进行预测。在对GPR图像样本进行标注的时候，将长方形A1B1C1D1对应于抛物线顶点位置。图2a中的矩形框包含抛物线状的电磁波顶点；图2b展示了YOLO v3的样本编码方式，A点为矩形框的左上角顶点，tx以及ty为A点在雷达图像的像素位置；Cx以及Cy分别为每个元胞单元的像素宽度以及高度值。B1D1的宽度度为tx以及C1D1的高度为th。图2c遵循类似one hot的编码方式，本专利针对的探地雷达图像针对波形仅为抛物线。
步骤4：利用非极大值抑制去除多余的检测框并保留最好的一个。IoU(Intersection over Union)图像类别分割问题的标准性能度量。对于给定的一组图像，IoU给出了预测框和真实框的交集与并集的比值。在本专利实现的算法中，NMS对于候选区域的矩形框列表以及置信度进行计算与排序，选出具有最大得分的检验框；然后计算其他得分框与当前框的IoU系数，如果IoU大于设定的阈值就进行删除。这就是一次迭代的过程，然后第二次迭代就会在剩下的框再选取得分最大的并删除那些超过设定的IoU阈值，直到将图像中的所有可能的目标得到。如图3所示，N，P以及Q分别代表在土壤深度方向上某个强导电的目标体产生的3个抛物线；算法会识别为3个相邻的目标，但是这仅仅是一个目标，尽管它们的IoU阈值已经包含在预先设定的范围。基于GPR图像的震荡信号相似性V-IoU合并原理。明显地，我们设置一个横向临界值β，使得；同时再设置一个纵向临界值α，当在土壤深度上的N,P以及Q点也就是抛物线的中点位置满足横向临界值以及纵向临界值，这个时候算法将会解放IoU阈值的限制而进行预测框的合并。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
