CN115343703B 一种基于自训练的3d-cnn探地雷达三维图像的管线识别方法 （哈尔滨工业大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115343703B(45)授权公告日2025.07.01

(21)申请号202210881029.X

(22)申请日2022.07.26

(65)同一申请的已公布的文献号申请公布号CN115343703A

(43)申请公布日2022.11.15

(73)专利权人哈尔滨工业大学

地址150001黑龙江省哈尔滨市南岗区西

大直街92号

专利权人大连中睿科技发展有限公司

(72)发明人白旭温志涛魏守明郭士增

刘金龙栗昱昊张天祥崔海涛

(74)专利代理机构哈尔滨奥博专利代理事务所(普通合伙)23220

专利代理师桑林艳

(51)Int.CI.

G01S13/88(2006.01)

G01S7/41(2006.01)

GO6V10/82(2022.01)

GO6V10/774(2022.01)

GO6V10/764(2022.01)

GO6N3/0464(2023.01)

GO6N3/045(2023.01)

GO6N3/0895(2023.01)

(56)对比文件

冯鹏飞.基于半监督3D-CNN的探地雷达管线识别研究.硕士论文电子期刊.2024,全文.

审查员马宁

权利要求书2页说明书8页附图4页

(54)发明名称

一种基于自训练的3D-CNN探地雷达三维图像的管线识别方法

(57)摘要

CN115343703B本发明提出一种基于自训练的3D-CNN探地雷达三维图像的管线识别方法。所述方法包括对所获得的探地雷达三维回波图像进行预处理；将探地雷达三维回波图像划分成训练集和验证集，对验证集中的全部数据以及训练集中的一部分数据进行人工标注；利用训练集对结合注意力机制的3D-CNN的神经网络模型进行自训练，得到训练好的权重模型；利用训练好的神经网络模型，对探地雷达三维回波图像进行管线目标识别。本发明解决了传统的神经网络依赖于大量、准确的标记样本的问题，仅用少量的标记样本和大量的无标记样本使得识别准确率有了较大的提高，同时也节省了人工标注样本的时间，提高了效

CN115343703B

对探地雷达的实际三维回波图像进行预处理，包括利用均值

对探地雷达的实际三维回波图像进行预处理，包括利用均值滤波

进行直达波滤除、利用极值包络法对滤除直达波后的图像进行增

益处理

将经过预处理后的探地雷达三维回波图象随机划分为训练集和验证集，并对验证集的全部数据和训练集的部分数据进行人工标注，作为有标签样本，训练集中其余的数据作为无标签样本

对添加注意力机制的3D-CNN的神经网络模型进行自训练，获得训练好的神经网络模型

利用训练完成

的神经网络模型，对探地雷达三维图像进行管线识别

CN115343703B权利要求书1/2页

2

1.一种基于自训练的3D-CNN探地雷达三维图像的管线识别方法，其特征在于，所述方法具体包括：

步骤1:对所获得的探地雷达三维回波图像进行预处理，所述预处理包括利用均值滤波进行直达波滤除以及利用极值包络法对滤除直达波后的图像进行增益处理；

步骤2:将步骤1得到的探地雷达三维回波图像随机划分成训练集和验证集，对验证集中的全部数据以及训练集中的一部分数据进行人工标注，分别为管线、空洞和无目标三类，作为有标签样本，训练集中的其余数据作为无标签样本；

步骤3:利用步骤2得到的训练集对结合注意力机制的3D-CNN的神经网络模型A-3D-CNN进行自训练，得到训练好的权重模型；所述自训练是通过对无标签样本分配伪标签来对A-3D-CNN网络进行训练的；网络训练过程分为两个阶段，第一个阶段中首先用有标签样本集L对A-3D-CNN充分预训练；第二个阶段中首先使用训练后的A-3D-CNN对无标签样本集U进行预测，将预测结果中概率最大的类设为该样本的伪标签，将拥有伪标签的无标签数据视为有标签的数据，共同参与对A-3D-CNN的训练；

步骤4:利用步骤3获得的训练好的神经网络模型，对探地雷达三维回波图像进行管线目标识别；

所述训练过程中的损失函数为：

(1)

(2)

(3)

公式(1)中第一项是监督学