买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：湖南大学

摘要：本发明公开了一种基于混合网络的地面塌陷隐患智能检测方法，包括以下步骤：获取探地雷达数据集，对得到的探地雷达数据集进行预处理，以得到预处理后的探地雷达数据集，将预处理后的探地雷达数据集中的每一幅探地雷达图像依次输入训练好的混合网络中，以得到该探地雷达图像的置信系数，根据得到的每个探地雷达图像的置信系数获取地面塌陷的评判结果。本发明能够解决现有基于人工解译的方法工作量较大和耗时长、以及由于高度依赖操作员的技术和专业水平导致得出不同的解译结果，从而影响地面塌陷隐患检测结果的准确率的技术问题，以及现有利用探地雷达图像进行地面塌陷隐患检测的方法无法完全依靠人工手段的技术问题。

主权项：1.一种基于混合网络的地面塌陷隐患智能检测方法，其特征在于，包括以下步骤：1获取探地雷达数据集；2对步骤1得到的探地雷达数据集进行预处理，以得到预处理后的探地雷达数据集；3将步骤2预处理后的探地雷达数据集中的每一幅探地雷达图像依次输入训练好的混合网络中，以得到该探地雷达图像的置信系数；混合网络模型包括顺次连接的LBP特征提取层、基于迁移学习的卷积神经网络、全连接层以及Softmax分类器；LBP特征提取层的工作流程如下：首先，针对探地雷达图像中的第一列第一行的像素点而言，将该中心像素点作为圆心、相邻像素点距离为半径的圆形区域所覆盖的8个像素点中像素值小于等于该中心像素点的像素点设为0，将像素值大于该中心像素点的像素点设为1，从而得到该第一行第一列的像素点对应的局部二值编码；然后，针对探地雷达图像中的剩余像素点而言，重复上述步骤，从而得到探地雷达图像中所有像素点对应的局部二维编码构成的探地雷达LBP特征图；基于迁移学习的卷积神经网络的架构如下：第一层是输入层：其输入为大小为512*512*3的探地雷达LBP特征图；第二层是第一卷积层，其接收来自输入层的图像，该层卷积核的大小为7*7，步长为2，卷积核数量为64，该层采用SAME方式填充，后面接入RELU激活函数和批量正则化BatchNormalization，简称BN，该层输出大小为256*256*64的矩阵；第三层是最大池化层，池化窗口尺寸为3*3，步长为2，2，该层输出大小为128*128*64的矩阵；第四层是第二卷积层，其接收来自第三层输出的大小为128*128*64的矩阵，该层卷积核大小为1*1，步长为1，卷积核数量为256，该层采用SAME方式填充，后面接入BN，该层输出大小为128*128*256的矩阵；第五层是第一瓶颈层，其接收来自第三层输出的大小为128*128*64的矩阵，该层包括三个子卷积层，其中第一层卷积核的大小为1*1，步长为1，卷积核数量为64.采用SAME方式填充，后面接入BN和RELU激活函数；第二层卷积核大小为3*3，步长为1，卷积核数量为64，采用SAME方式填充，后面接入BN和RELU激活函数；第三层卷积核的大小为1*1，步长为1，卷积核数量为256.采用SAME方式填充，后面接入BN，该层输出大小为128*128*256的矩阵；第六层是相加层，把第四层的结果和第五层的结果进行相加，后面接入RELU激活函数，输出大小为128*128*256的矩阵；第七层是第二瓶颈层，其接收来自第六层输出的大小为128*128*256的矩阵，该层包括三个子卷积层，其中第一层卷积核的大小为1*1，步长为1，卷积核数量为64.采用SAME方式填充，后面接入BN和RELU激活函数；第二层卷积核大小为3*3，步长为1，卷积核数量为64，采用SAME方式填充，后面接入BN和RELU激活函数；第三层卷积核的大小为1*1，步长为1，卷积核数量为256.采用SAME方式填充，后面接入BN，该层输出大小为128*128*256的矩阵；第八层是相加层，把第六层的结果和第七层的结果进行相加，后面接入RELU激活函数，输出大小为128*128*256的矩阵；第九层是第三瓶颈层，其接收来自第八层输出的大小为128*128*256的矩阵，该层包括三个子卷积层，其中第一层卷积核的大小为1*1，步长为1，卷积核数量为64.采用SAME方式填充，后面接入BN和RELU激活函数；第二层卷积核大小为3*3，步长为1，卷积核数量为64，采用SAME方式填充，后面接入BN和RELU激活函数；第三层卷积核的大小为1*1，步长为1，卷积核数量为256.采用SAME方式填充，后面接入BN，该层输出大小为128*128*256的矩阵；第十层是相加层，把第八层的结果和第九层的结果进行相加，后面接入RELU激活函数，输出大小为128*128*256的矩阵；第十一层是第三卷积层，其接收来自第十层输出的大小为128*128*256的矩阵，该层卷积核大小为1*1，步长为2，卷积核数量为512，该层采用SAME方式填充，后面接入BN，该层输出大小为64*64*512的矩阵；第十二层是第四瓶颈层，其接收来自第十层输出的大小为128*128*256的矩阵，该层包括三个子卷积层，其中第一层卷积核的大小为1*1，步长为1，卷积核数量为128.采用SAME方式填充，后面接入BN和RELU激活函数；第二层卷积核大小为3*3，步长为2，卷积核数量为128，采用SAME方式填充，后面接入BN和RELU激活函数；第三层卷积核的大小为1*1，步长为1，卷积核数量为512.采用SAME方式填充，后面接入BN，该层输出大小为64*64*512的矩阵；第十三层是相加层，把第十一层的结果和第十二层的结果进行相加，后面接入RELU激活函数，输出大小为64*64*512的矩阵；第十四层是第五瓶颈层，其接收来自第十三层输出的大小为64*64*512的矩阵，该层包括三个子卷积层，其中第一层卷积核的大小为1*1，步长为1，卷积核数量为128.采用SAME方式填充，后面接入BN和RELU激活函数；第二层卷积核大小为3*3，步长为1，卷积核数量为128，采用SAME方式填充，后面接入BN和RELU激活函数；第三层卷积核的大小为1*1，步长为1，卷积核数量为512.采用SAME方式填充，后面接入BN，该层输出大小为64*64*512的矩阵；第十五层是相加层，把第十三层的结果和第十四层的结果进行相加，后面接入RELU激活函数，输出大小为64*64*512的矩阵；第十六层是第六瓶颈层，其接收来自第十五层输出的大小为64*64*512的矩阵，该层包括三个子卷积层，其中第一层卷积核的大小为1*1，步长为1，卷积核数量为128.采用SAME方式填充，后面接入BN和RELU激活函数；第二层卷积核大小为3*3，步长为1，卷积核数量为128，采用SAME方式填充，后面接入BN和RELU激活函数；第三层卷积核的大小为1*1，步长为1，卷积核数量为512.采用SAME方式填充，后面接入BN，该层输出大小为64*64*512的矩阵；第十七层是相加层，把第十五层的结果和第十六层的结果进行相加，后面接入RELU激活函数，输出大小为64*64*512的矩阵；第十八层是第七瓶颈层，其接收来自第十七层输出的大小为64*64*512的矩阵，该层包括三个子卷积层，其中第一层卷积核的大小为1*1，步长为1，卷积核数量为128.采用SAME方式填充，后面接入BN和RELU激活函数；第二层卷积核大小为3*3，步长为1，卷积核数量为128，采用SAME方式填充，后面接入BN和RELU激活函数；第三层卷积核的大小为1*1，步长为1，卷积核数量为512.采用SAME方式填充，后面接入BN，该层输出大小为64*64*512的矩阵；第十九层是相加层，把第十七层的结果和第十八层的结果进行相加，后面接入RELU激活函数，输出大小为64*64*512的矩阵；第二十层是第四卷积层，其接收来自第十九层输出的大小为64*64*512的矩阵，该层卷积核大小为1*1，步长为2，卷积核数量为1024，该层采用SAME方式填充，后面接入BN，该层输出大小为32*32*1024的矩阵；第二十一层是第八瓶颈层，其接收来自第十九层输出的大小为64*64*512的矩阵，该层包括三个子卷积层，其中第一层卷积核的大小为1*1，步长为1，卷积核数量为256.采用SAME方式填充，后面接入BN和RELU激活函数；第二层卷积核大小为3*3，步长为2，卷积核数量为256，采用SAME方式填充，后面接入BN和RELU激活函数；第三层卷积核的大小为1*1，步长为1，卷积核数量为1024.采用SAME方式填充，后面接入BN，该层输出大小为32*32*1024的矩阵；第二十一层是相加层，把第二十层的结果和第二十一层的结果进行相加，后面接入RELU激活函数，输出大小为32*32*1024的矩阵；第二十二层是第九瓶颈层，其接收来自第二十一层输出的大小为32*32*1024的矩阵，该层包括三个子卷积层，其中第一层卷积核的大小为1*1，步长为1，卷积核数量为256.采用SAME方式填充，后面接入BN和RELU激活函数；第二层卷积核大小为3*3，步长为1，卷积核数量为256，采用SAME方式填充，后面接入BN和RELU激活函数；第三层卷积核的大小为1*1，步长为1，卷积核数量为1024.采用SAME方式填充，后面接入BN，该层输出大小为32*32*1024的矩阵；第二十三层是相加层，把第二十一层的结果和第二十二层的结果进行相加，后面接入RELU激活函数，输出大小为32*32*1024的矩阵；第二十四层是第十瓶颈层，其接收来自第二十三层输出的大小为32*32*1024的矩阵，该层包括三个子卷积层，其中第一层卷积核的大小为1*1，步长为1，卷积核数量为256.采用SAME方式填充，后面接入BN和RELU激活函数；第二层卷积核大小为3*3，步长为1，卷积核数量为256，采用SAME方式填充，后面接入BN和RELU激活函数；第三层卷积核的大小为1*1，步长为1，卷积核数量为1024.采用SAME方式填充，后面接入BN，该层输出大小为32*32*1024的矩阵；第二十五层是相加层，把第二十三层的结果和第二十四层的结果进行相加，后面接入RELU激活函数，输出大小为32*32*1024的矩阵；第二十六层是第十一瓶颈层，其接收来自第二十五层输出的大小为32*32*1024的矩阵，该层包括三个子卷积层，其中第一层卷积核的大小为1*1，步长为1，卷积核数量为256.采用SAME方式填充，后面接入BN和RELU激活函数；第二层卷积核大小为3*3，步长为1，卷积核数量为256，采用SAME方式填充，后面接入BN和RELU激活函数；第三层卷积核的大小为1*1，步长为1，卷积核数量为1024.采用SAME方式填充，后面接入BN，该层输出大小为32*32*1024的矩阵；第二十七层是相加层，把第二十五层的结果和第二十六层的结果进行相加，后面接入RELU激活函数，输出大小为32*32*1024的矩阵；第二十八层是第十二瓶颈层，其接收来自第二十七层输出的大小为32*32*1024的矩阵，该层包括三个子卷积层，其中第一层卷积核的大小为1*1，步长为1，卷积核数量为256.采用SAME方式填充，后面接入BN和RELU激活函数；第二层卷积核大小为3*3，步长为1，卷积核数量为256，采用SAME方式填充，后面接入BN和RELU激活函数；第三层卷积核的大小为1*1，步长为1，卷积核数量为1024.采用SAME方式填充，后面接入BN，该层输出大小为32*32*1024的矩阵；第二十九层是相加层，把第二十七层的结果和第二十八层的结果进行相加，后面接入RELU激活函数，输出大小为32*32*1024的矩阵；第三十层是第十三瓶颈层，其接收来自第二十九层输出的大小为32*32*1024的矩阵，该层包括三个子卷积层，其中第一层卷积核的大小为1*1，步长为1，卷积核数量为256.采用SAME方式填充，后面接入BN和RELU激活函数；第二层卷积核大小为3*3，步长为1，卷积核数量为256，采用SAME方式填充，后面接入BN和RELU激活函数；第三层卷积核的大小为1*1，步长为1，卷积核数量为1024.采用SAME方式填充，后面接入BN，该层输出大小为32*32*1024的矩阵；第三十一层是相加层，把第二十九层的结果和第三十层的结果进行相加，后面接入RELU激活函数，输出大小为32*32*1024的矩阵；第三十二层是第五卷积层，其接收来自第三十一层输出的大小为32*32*1024的矩阵，该层卷积核大小为1*1，步长为2，卷积核数量为2048，该层采用SAME方式填充，后面接入BN，该层输出大小为16*16*2048的矩阵；第三十三层是第十四瓶颈层，其接收来自第三十一层输出的大小为32*32*1024的矩阵，该层包括三个子卷积层，其中第一层卷积核的大小为1*1，步长为1，卷积核数量为512.采用SAME方式填充，后面接入BN和RELU激活函数；第二层卷积核大小为3*3，步长为2，卷积核数量为512，采用SAME方式填充，后面接入BN和RELU激活函数；第三层卷积核的大小为1*1，步长为1，卷积核数量为2048.采用SAME方式填充，后面接入BN，该层输出大小为16*16*2048的矩阵；第三十四层是相加层，把第三十二层的结果和第三十三层的结果进行相加，后面接入RELU激活函数，输出大小为16*16*2048的矩阵；第三十五层是第十五瓶颈层，其接收来自第三十四层输出的大小为16*16*2048的矩阵，该层包括三个子卷积层，其中第一层卷积核的大小为1*1，步长为1，卷积核数量为512.采用SAME方式填充，后面接入BN和RELU激活函数；第二层卷积核大小为3*3，步长为1，卷积核数量为512，采用SAME方式填充，后面接入BN和RELU激活函数；第三层卷积核的大小为1*1，步长为1，卷积核数量为2048.采用SAME方式填充，后面接入BN，该层输出大小为16*16*2048的矩阵；第三十六层是相加层，把第三十四层的结果和第三十五层的结果进行相加，后面接入RELU激活函数，输出大小为16*16*2048的矩阵；第三十七层是第十六瓶颈层，其接收来自第三十五层输出的大小为16*16*2048的矩阵，该层包括三个子卷积层，其中第一层卷积核的大小为1*1，步长为1，卷积核数量为512.采用SAME方式填充，后面接入BN和RELU激活函数；第二层卷积核大小为3*3，步长为1，卷积核数量为512，采用SAME方式填充，后面接入BN和RELU激活函数；第三层卷积核的大小为1*1，步长为1，卷积核数量为2048.采用SAME方式填充，后面接入BN，该层输出大小为16*16*2048的矩阵；第三十八层是相加层，把第三十六层的结果和第三十七层的结果进行相加，后面接入RELU激活函数，输出大小为16*16*2048的矩阵；第三十九层是全局平均池化层，其接收来自第三十八层输出的大小为16*16*2048的矩阵，输出大小为1*1*2048的矩阵第四十层是全连接层其接收来自第三十九层输出的大小为1*1*2048的特征矩阵，其输出节点个数为6，后接入随机失活操作，防止过拟合；6个节点表示当前探地雷达图像中的隐患位置；4根据步骤3得到的每个探地雷达图像的置信系数获取地面塌陷的评判结果；步骤4中对得到的隐患信息进行评判具体为：对于检测到置信系数大于0.8对应的探地雷达图像，则输出“该探地雷达图像对应区域有地面塌陷隐患”以及隐患的类别；对于检测到置信系数大于0.6且小于0.8的探地雷达图像，输出“该探地雷达图像对应的区域可能有地面塌陷隐患”的结果；对于未检测到任何置信系数大于0.6的探地雷达图像，输出“该探地雷达图像对应的区域没有地面塌陷隐患”的结果。

全文数据：

权利要求：

百度查询： 湖南大学 一种基于混合网络的地面塌陷隐患智能检测方法和系统