本發(fā)明涉及工程無損物探檢測，特別涉及一種基于ai的探地雷達圖像自動識別的深度訓練學習方法。

背景技術(shù)：

1、城市發(fā)展與市政工程建設緊密相連，是支撐城市正常運作和居民日常生活的基礎設施。由于市政工程的施工難免會影響到周邊，道路的沉降及地下管線泄漏導致的地下空洞等地質(zhì)災害問題屢見不鮮，這些問題不僅可能引發(fā)管線泄露、路面坍塌，還可能對人們的生命和財產(chǎn)安全構(gòu)成威脅。因此，及時檢測并發(fā)現(xiàn)這些地下管線、土層沉降、土層空洞對于保障公共安全極為重要。

2、近年來，探地雷達技術(shù)因其無損檢測和高效率的特點，在市政工程的地質(zhì)探測中得到了廣泛應用。探地雷達利用電磁波在地下介質(zhì)中的傳播特性，通過分析信號的反射、散射或吸收情況，來確定地下物體的位置和特性。目前，探地雷達圖像特征的識別主要依賴于工程師的個人經(jīng)驗，這種方法存在如下缺陷：1)因其過分依賴個人的判斷，因此其準確性和識別速度無法得到保證；2)面對大量數(shù)據(jù)時，依賴人工分析判斷難以滿足實際工程的時效需求。

3、針對現(xiàn)有技術(shù)中探地雷達圖像特征的識別依賴個人經(jīng)驗存在的不足，本領域技術(shù)人員一直在尋找解決的方法。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于ai的探地雷達圖像自動識別的深度訓練學習方法，解決探地雷達圖像識別準確性低和效率低的問題。

2、為解決上述技術(shù)問題，本發(fā)明提供一種基于ai的探地雷達圖像自動識別的深度訓練學習方法，所述基于ai的探地雷達圖像自動識別的深度訓練學習方法包括：

3、s1、建立三種土層的單項樣本數(shù)據(jù)庫；其中，三種土層包括：土層異常體、土層分層、土層空洞及疏松體；

4、s2、基于三種土層的單項樣本數(shù)據(jù)庫和智能圖像分析技術(shù)，建立三種土層的ai數(shù)據(jù)庫；

5、s3、對三種土層的ai數(shù)據(jù)庫進行訓練和優(yōu)化，以形成三種土層的單項算法學習成果；

6、s4、整合三種土層的單項算法學習成果，以形成深度學習整合算法；

7、s5、建立ai綜合物探成果數(shù)據(jù)庫；

8、s6、基于深度學習整合算法對ai綜合物探成果數(shù)據(jù)庫進行深度學習，并分別進行檢驗識別、特征識別以及分類識別的訓練，以形成ai綜合物探成果診斷成果輸出；

9、s7、對ai綜合物探成果診斷成果輸出進行數(shù)據(jù)兼容和算法參數(shù)調(diào)整，以形成雷達圖像數(shù)據(jù)ai診斷模型，所述雷達圖像數(shù)據(jù)ai診斷模型能對輸入的探地雷達圖像進行識別，以生成探地雷達圖像的診斷圖像。

10、可選的，在所述的基于ai的探地雷達圖像自動識別的深度訓練學習方法中，所述s1包括：

11、s11、使用探地雷達獲取三種土層的雷達成果圖像數(shù)據(jù)，并分類形成三種土層的雷達成果圖像數(shù)據(jù)集；所述三種土層的雷達成果圖像數(shù)據(jù)集包括：土層異常體雷達成果圖像數(shù)據(jù)集、土層分層雷達成果圖像數(shù)據(jù)集、土層空洞及疏松體雷達成果圖像數(shù)據(jù)集；

12、s12、對三種土層的雷達成果圖像數(shù)據(jù)集分別進行圖像和數(shù)據(jù)的預處理，有針對性的建立每種土層的單項樣本數(shù)據(jù)庫。

13、可選的，在所述的基于ai的探地雷達圖像自動識別的深度訓練學習方法中，所述s11中，所述獲取三種土層的雷達成果圖像數(shù)據(jù)的過程如下：

14、利用探地雷達以天線的中心頻率為800mhz、采樣間隔為0.005m、時間窗口為20ns在鋼筋混凝土介質(zhì)結(jié)構(gòu)中進行掃描，獲取鋼筋分布的探地雷達圖像；

15、利用探地雷達以天線的中心頻率為600mhz、采樣間隔為0.02m、時間窗口為30ns在盾構(gòu)襯砌環(huán)上進行襯砌環(huán)后注漿效果掃描，獲取襯砌環(huán)后漿液土層分布的探地雷達圖像；

16、利用探地雷達以天線的中心頻率為400mhz、采樣間隔為0.04m、時間窗口為60ns在城市道路上進行路面掃描，獲取路面下部土層疏松、空洞情況的探地雷達圖像。

17、可選的，在所述的基于ai的探地雷達圖像自動識別的深度訓練學習方法中，所述s12包括：

18、數(shù)據(jù)的預處理，包括：靜校正切除、濾波及增益；

19、圖像的預處理，包括：圖像縮放、平移及剪裁。

20、可選的，在所述的基于ai的探地雷達圖像自動識別的深度訓練學習方法中，所述s2包括：

21、s21、對三種土層的單項樣本數(shù)據(jù)庫分別進行人工標注土層信息，以建立三種土層的標注圖庫；所述三種土層的標注圖庫包括：土層異常體標注圖庫、土層分層標注圖庫及土層空洞及疏松體標注圖庫；

22、s22、將三種土層的標注圖庫分別導入ai數(shù)據(jù)庫，并基于智能圖像分析技術(shù)建立三種土層的ai數(shù)據(jù)庫。

23、可選的，在所述的基于ai的探地雷達圖像自動識別的深度訓練學習方法中，所述s3包括：

24、s31、對每種土層的ai數(shù)據(jù)庫進行單項強化訓練和人工干預強化訓練，以修正每種土層的ai數(shù)據(jù)庫；

25、s32、針對修正后的每種土層的ai數(shù)據(jù)庫，基于調(diào)整ai解譯圖庫數(shù)據(jù)量進行解譯率和正確率的統(tǒng)計，同時收集錯誤數(shù)據(jù)以建立每種土層的錯誤數(shù)據(jù)集合庫；

26、s33、基于每種土層的集合庫數(shù)據(jù)優(yōu)化算法再完善修正后的每種土層的ai數(shù)據(jù)庫，針對再完善修正后的每種土層的ai數(shù)據(jù)庫進行解譯率和正確率的統(tǒng)計，直至解譯率和正確率的統(tǒng)計結(jié)果滿足預定標準為止，將滿足預定標準的每種土層的ai數(shù)據(jù)庫作為一階段的單項算法學習成果?；谏疃葘W習的空洞檢測算法，實現(xiàn)對地下空洞的自動識別和定位；基于深度學習的異常體檢測算法，實現(xiàn)對異常體數(shù)量、位置等參數(shù)的自動識別；基于深度學習的土層分層檢測算法，實現(xiàn)對土層結(jié)構(gòu)進行自動識別分層。

27、可選的，在所述的基于ai的探地雷達圖像自動識別的深度訓練學習方法中，所述s32中，所述基于調(diào)整ai解譯圖庫數(shù)據(jù)量進行解譯率和正確率的統(tǒng)計包括：

28、調(diào)整ai解譯圖庫數(shù)據(jù)量分別以500張圖、1000張圖、2000張圖為節(jié)點進行解譯率和正確率統(tǒng)計。

29、可選的，在所述的基于ai的探地雷達圖像自動識別的深度訓練學習方法中，所述s32中，所述預定標準為：解譯率為95％，正確率為90％。

30、可選的，在所述的基于ai的探地雷達圖像自動識別的深度訓練學習方法中，所述s5包括：

31、s51、使用探地雷達獲取綜合土層雷達成果圖像數(shù)據(jù)；

32、s52、對綜合土層雷達成果圖像數(shù)據(jù)進行圖像和數(shù)據(jù)的預處理，以建立綜合土層樣本數(shù)據(jù)庫；

33、s53、對綜合土層樣本數(shù)據(jù)庫進行人工標注土層信息，以建立綜合成果標注圖庫；

34、s54、將綜合成果標注圖庫導入ai數(shù)據(jù)庫，并基于智能圖像分析技術(shù)建立ai綜合物探成果數(shù)據(jù)庫。

35、可選的，在所述的基于ai的探地雷達圖像自動識別的深度訓練學習方法中，所述s52包括

36、數(shù)據(jù)的預處理，包括：靜校正切除、濾波及增益；

37、圖像的預處理，包括：圖像縮放、平移及剪裁。

38、在本發(fā)明所提供的基于ai的探地雷達圖像自動識別的深度訓練學習方法中，通過在一階段深度學習階段中，建立三種土層的ai數(shù)據(jù)庫，基于對三種土層的ai數(shù)據(jù)庫進行訓練和優(yōu)化，完成對各單項特征圖像解譯要求，以及ai數(shù)據(jù)庫中數(shù)據(jù)準確率的合理優(yōu)化，以有效節(jié)省后期二階段深度學習ai綜合物探成果數(shù)據(jù)庫中探地雷達圖像的檢驗識別、特征識別以及分類識別的識別時間，有效提高了探地雷達圖像的識別效率和診斷結(jié)果的準確性?；谕ㄟ^對大規(guī)模的探地雷達探測數(shù)據(jù)訓練，ai大模型可以幫助建設方、施工方在地下工程施工時提供土層相關(guān)信息，并對后續(xù)施工提供有效的施工依據(jù)，提高施工措施決策的準確性和效率。