(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111115157.5 (22)申请日 2021.09.23 (71)申请人 大连理工大 学 地址 116023 辽宁省大连市甘井 子区凌工 路2号 申请人 大连理工大 学深圳研究院 (72)发明人 覃晖　张东昊　唐玉　耿铁锁　 王峥峥　潘盛山　石磊　谭岩斌　 (74)专利代理 机构 大连智高专利事务所(特殊 普通合伙) 2123 5 代理人 盖小静 (51)Int.Cl. G06F 30/27(2020.01) G06V 10/774(2022.01) G06V 10/82(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 7/13(2017.01) G06T 17/00(2006.01) G01S 13/88(2006.01) G06F 111/10(2020.01) (54)发明名称 一种基于跨孔雷达和深度学习的地下结构 内部缺陷识别方法 (57)摘要 本发明公开了一种基于跨孔雷达和深度学 习的地下结构内部缺陷识别方法， 包括： 建立数 值模拟数据集， 所述数值模拟数据集包括若干组 二维跨孔雷达时域波形图与模型剖面介电常数 分布图的数据对； 以所述数值模拟数据集作为学 习样本， 训练基于深度学习的缺陷识别模型； 使 用所述基于深度学习的缺陷识别模型对实时采 集的跨孔雷达数据进行反演， 进而得到对应的缺 陷介电常数分布预测图像。 本发 明提出的方法可 以应用于使用跨孔雷达探测地下连续墙、 桩基 础、 工程地质勘察等实际工程场景， 实现对地下 结构内部缺陷的准确、 高分辨 率和快速识别。 权利要求书2页 说明书9页 附图4页 CN 114021422 A 2022.02.08 CN 114021422 A 1.一种基于跨 孔雷达和深度学习的地下 结构内部缺陷识别方法， 其特 征在于， 包括： 建立数值模拟数据集， 所述数值模拟数据集包括若干组二维跨孔雷达时域波形图与模 型剖面介电常数分布图的数据对； 以所述数值模拟数据集作为学习样本， 训练基于深度学习的缺陷识别模型； 使用所述基于深度学习的缺陷识别模型对实时采集的跨孔雷达数据进行反演， 进而得 到对应的缺陷介电常数分布预测图像。 2.根据权利要求1所述一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法， 其特征在于， 所述数值模拟数据集的构建方法为： 建立地下结构三维数值模拟介电常数模型， 该介电常数模型包括背景介质及缺陷， 且 在任一单独的模 型内缺陷种类、 形状、 位置、 大小、 填充均为随机 分布， 对所述介电常数模型 进行正演模拟， 得到跨孔雷达时域波形图， 然后与其对应的二维介电常数模型剖面图进行 组合， 得到多组跨 孔雷达时域波形图与介电常数模型剖面图的数据对。 3.根据权利要求2所述一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法， 其特征在于， 所述跨孔雷达时域波形图获取方式为： 使用N个模拟雷达波源对所述介电常数 模型进行正演模拟得到模型N道对应的雷达时域波 形图， 然后以每张时域波形图的宽W作为 第一维， 高H作为第二 维， 测量道数N作为第三 维， 将N道雷达波 形图在第三 维上叠加起来， 形 成一个W×H×N的三维数据块。 4.根据权利要求2所述一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法， 其特征在于， 所述二维介电常数模型剖面图由三维介电常数模型进行纵向剖面， 并对缺陷 位置像素值乘上一个权 重系数w后得到 。 5.根据权利要求1所述一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法， 其特征在于， 所述基于深度学习的缺陷识别模型包括： 用于提取跨孔雷达时域波形数据图 全局特征 的网络结构， 用于对介电常数分布图进行低分辨率反演的网络结构， 用于评估低 分辨率介电常数分布图真实程度的鉴别器网络结构， 用于提取低分辨率重 建的介电常数分 布图高分辨率特征的网络结构， 用于对低分辨率重 建的介电常数分布图进 行分辨率增强重 建的网络结构， 用于 评估经增强后高分辨 率介电常数分布图真实程度的鉴别器网络结构。 6.根据权利要求5所述一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法， 其特征在于， 所述基于深度学习的缺陷识别模型的优化目标函数为： 其中， 该函数表示为低分辨率生成器GL与低分辨率鉴别器DL进行对抗训练， 高分辨率生 成器GH与高分辨率鉴别 器DH进行对抗训练， 直至低分辨率生成器和高分辨率生成器生成的 预测图像数据分布越来越接近于真实 图像的数据分布； 即优化 目标函数V的取值达到最大 值。 7.根据权利要求1所述一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法， 其特征在于， 在所述得到对应的缺陷介电常数分布预测图像后， 通过均方根误差、 结构相似 度评估形状、 填充指标与实际情况之间的识别准确程度， 使用Canny边缘检测评估缺陷识别权　利　要　求　书 1/2 页 2 CN 114021422 A 2模型输出的缺陷与实际情况之间的位置确定准确程度。 8.根据权利要求7所述一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法， 其特征在于， 所述预测图像和真实图像之间的均方根 误差为： 其中， Ppre为预测图像， Preal为真实图像， ppre,i为预测图像内第i个像素值， preal,i为真实 图像内第i个 像素值， m为图像内总的像素个数。 9.根据权利要求7所述一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法， 其特征在于， 所述预测图像和真实图像之间的结构相似度为： 其中， μpre为预测图像内像素的均值， μreal为真实图像内像素的均值， σpre为预测图像内 像素的方差， σreal为真实图像内像素的方差， σpre,real为预测图像和真实图像 之间的协方差； C1、 C2、 C3均为避免分母出现零 值的正常数； α 、 β 、 γ为所 取系数。 10.根据权利要求7所述一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法， 其特征在于， 所述预测图像和真实图像之间的缺陷形心位置回归误差为： 其中， n为Canny算子识别出的总的轮廓像素点个数， Cxi(Ppre)为预测图像内缺陷轮廓第 i个像素点在x轴上的坐标值， Cyi(Ppre)为预测图像内缺陷轮廓第i个像素点在 y轴上的坐标 值， Cxi(Preal)为真实图像内缺陷轮廓第i个像素点在x轴上的坐标值， Cyi(Preal)为真实图像 内缺陷轮廓 第i个像素点在y轴上的坐标值。权　利　要　求　书 2/2 页 3 CN 114021422 A 3