[发明专利]一种基于卷积神经网络的沙漠地区管道泄漏目标识别方法在审
申请号: | 202110522573.0 | 申请日: | 2021-05-13 |
公开(公告)号: | CN113392705A | 公开(公告)日: | 2021-09-14 |
发明(设计)人: | 赵青;兰馨雨;刘爽 | 申请(专利权)人: | 电子科技大学 |
主分类号: | G06K9/00 | 分类号: | G06K9/00;G06K9/20;G06K9/32;G06K9/62;G06N3/04;G06N3/08;G06F30/27;G06F113/14 |
代理公司: | 成都东恒知盛知识产权代理事务所(特殊普通合伙) 51304 | 代理人: | 罗江 |
地址: | 610000 四川省成*** | 国省代码: | 四川;51 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 卷积 神经网络 沙漠 地区 管道 泄漏 目标 识别 方法 | ||
1.一种基于卷积神经网络的沙漠地区管道泄漏目标识别方法,其特征在于,包括如下步骤:
S1、利用探地雷达采集目标数据;
S2、对数据进行预处理;
S3、构建卷积神经网络;
S4、对卷积神经网络进行训练与测试。
2.根据权利要求1所述的基于卷积神经网络的沙漠地区管道泄漏目标识别方法,其特征在于:所述步骤S1中的利用探地雷达采集目标数据具体包括:
S11、划定测量区域:根据地图和管道走向图对探测区域进行划分,分别选取沿管道方向探测以及垂直管道方向测线进行探测和采集;
S12、对测线进行探测:根据踏勘和设计的线路进行探测和采集,采用连续探测模式沿着测线某一方向平稳前行,探测过程中实时读取雷达剖面异常,记录下存在异常处的横坐标,将其当做目标物的横坐标,做好标记,记录在班报中;
S13、模拟泄漏探测:对于泄漏管道的模拟,选择在管道上方挖坑,并在坑中倒入水使之自然渗透,待完全渗透后进行填埋,再按照步骤S12中的探测步骤对该区域进行探测和采集。
3.根据权利要求1所述的基于卷积神经网络的沙漠地区管道泄漏目标识别方法,其特征在于:所述步骤S2中的对数据进行预处理具体包括:
S21、对数据进行横向数据插值以及时间子采样:对在时间方向上的数据进行时间子采样,对在横向组上的横向数据进行插值,使两个维度的数据量处于一个量级。
S22、对数据进行滑动滤波去除背景;
S23、根据步骤S12所标记的目标物横坐标位置对整幅数据标上“泄漏”或“未泄漏”的标签,并对数据进行数据切分,按相等横坐标长度将整幅数据划分为多个模块;
S24、将切分后的数据与标签对应,作为卷积神经网络的输入。
4.根据权利要求3所述的基于卷积神经网络的沙漠地区管道泄漏目标识别方法,其特征在于:所述步骤S21中的时间子采样数学表达式为:
A′i[m,n]=Ai[m,tsamplen];
横轴数据插值的数学表达式为:
5.根据权利要求3所述的基于卷积神经网络的沙漠地区管道泄漏目标识别方法,其特征在于:所述步骤S23中的数据的标签由目标水平位置,即管道泄漏处或管道未泄漏处是否处于收发天线水平位置之间决定,数学表达式为:
6.根据权利要求1所述的基于卷积神经网络的沙漠地区管道泄漏目标识别方法,其特征在于:所述步骤S3中的卷积神经网络包括4层卷积层,2个池化层,3个Dropout层,1个Flatten层和3个全连接层;所述Flatten层能将数据集打平变为一位数据输入进入全连接层。
7.根据权利要求1所述的基于卷积神经网络的沙漠地区管道泄漏目标识别方法,其特征在于:所述步骤S4中的训练步骤具体包括:
S41、设置训练步数n、学习率lr、以及训练样本大小batch_size;
S42、将数据及标签输入到卷积神经网络进行训练;
S43、调整训练参数使得代价函数,损失率接近于0,准确率接近于1;
S44、保存卷积层参数,训练完成后得到适用于沙漠管道判别的卷积神经网络权值文件并保存;
所述的测试步骤具体是:将测试数据输入到训练完成后获得的卷积神经网络模型中,通过网络读取保存的权值文件得到预测结果。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于电子科技大学,未经电子科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202110522573.0/1.html,转载请声明来源钻瓜专利网。