[发明专利]一种基于矩阵束和深度神经网络的地下管道识别方法

权利要求书

1.一种基于矩阵束和深度神经网络的地下管道识别方法，其特征在于，包括下列步骤：

仿真获取地下管道B扫数据，并基于仿真构建的地下管道目标模型和设置的异常目标确定识别类型，所述识别类型包括不同类型的地下管道目标和异常目标；

获取训练样本集：对仿真获取的地下管道B扫数据进行波形数据直达波去除，从去除直达波后的B扫数据中提取一定道数的A扫数据，再获取所提取的各道的A扫数据的特征向量，并将每道的A扫数据的特征向量作为一个样本，基于每个样本对应的目标类型标签值得到训练样本集；

其中，各道A扫数据的特征向量为：对每道A扫数据进行矩阵束MPM波形分解，获取指定采样点的频率因子和衰减因子，按照时间顺序，将每道的所有频率因子和衰减因子组成当前道的A扫数据的特征向量；

设置深度卷积神经网络模型，所述深度卷积神经网络模型的网络结构为依次连接的一个第一卷积块、多个第二卷积块、多层下采样层和至少两层全连接层，其中，第一卷积块包括顺次连接的卷积层和Relu激活，第二卷积块包括顺次连接的卷积层、Relu激活和池化层；

基于训练样本集对所述深度卷积神经网络模型进行深度学习训练，直到满足预置的训练结束条件时，停止训练，得到训练好的深度卷积神经网络模型并保存；

基于探地雷达采集待识别的目标区域的B扫数据，对所述目标区域的B扫数据进行波形数据直达波去除，获取去除直达波后的B扫数据中的任一道的A扫数据的特征向量或一定道数的A扫数据的特征向量，得到当前的待识别特征向量；将所述待识别特征向量输入训练好的深度卷积神经网络模型中获取地下管道识别的识别结果：若道数为1，则直接基于模型的前向传播输出得到识别结果；否则，基于每个待识别特征向量的前向传播输出，基于众数判决法确定地下管道识别的识别结果。

2.如权利要求1所述的方法，其特征在于，所述波形数据直达波去除为：

将B扫数据表示为维度为M×N的矩阵W_R，其中，N表示探地雷达测量的总道数，M表示任意道接收位置对应的时间采样点数；

对矩阵W_R进行奇异值分解，得到W_R＝UDV^T，其中，矩阵U和V为正交矩阵，矩阵D为对角阵，其对角元素为奇异值，并降序排列，去除最大奇异值，基于奇异值分解的逆过程，获取去除直达波后的B扫数据。

3.如权利要求1所述的方法，其特征在于，从去除直达波后的B扫数据中提取一定道数的A扫数据为：

以去除直达波后的B扫数据的水平中心位置为起始位置，从起始位置开始，在起始位置的左右两边每间隔固定道数提取一道，提取一定道数的A扫数据。

4.如权利要求1-3中任一项所述的方法，其特征在于，各道A扫数据的特征向量的获取方式为：

对当前道A扫波形数据进行滑窗处理，对每次滑窗中的A扫波形数据进行矩阵束波形分解，获取当前滑窗对应的频率因子和衰减因子，按照时间顺序，将每道的所有频率因子和衰减因子组成当前道的A扫数据的特征向量，其中滑窗的步长为A扫数据的采样时间间隔。

5.如权利要求4所述的方法，其特征在于，滑窗的长度设置为200个采样点。

6.如权利要求1所述的方法，其特征在于，模型训练时采用的损失函数为交叉熵损失函数。

7.如权利要求1所述的方法，其特征在于，训练结束条件为：误差函数值保持持续下降趋势，在后的批次训练呈上升趋势时停止，并保存上升之前的最后一次批训练所确定的网络参数。

8.如权利要求1所述的方法，其特征在于，所述第一卷积块数量为1，第二卷积块的数量为3，下采样层为池化层，且池化方式为最大值池化，下采样层数为2，全连接层的层数为3。