本發(fā)明涉及探地雷達(dá)探測(cè)應(yīng)用，特別是涉及一種基于半監(jiān)督學(xué)習(xí)的地下病害數(shù)據(jù)增強(qiáng)與快速識(shí)別方法。

背景技術(shù)：

1、隨著城市化進(jìn)程加速，地下病害問(wèn)題（如空洞、脫空和管線老化等）對(duì)基礎(chǔ)設(shè)施的安全性和穩(wěn)定性構(gòu)成了重大威脅。探地雷達(dá)（gpr）作為一種高效的非破壞性檢測(cè)技術(shù)，廣泛應(yīng)用于地下病害的探測(cè)。然而，傳統(tǒng)的探地雷達(dá)數(shù)據(jù)分析方法依賴(lài)于人工標(biāo)注和經(jīng)驗(yàn)判斷，數(shù)據(jù)量少且質(zhì)量參差不齊，尤其是在地下病害類(lèi)別的數(shù)據(jù)上更是嚴(yán)重不足。這種數(shù)據(jù)不平衡問(wèn)題不僅限制了現(xiàn)有機(jī)器學(xué)習(xí)模型的訓(xùn)練效果，還導(dǎo)致模型在實(shí)際工程應(yīng)用中的識(shí)別準(zhǔn)確率和泛化能力難以滿(mǎn)足需求。因此，如何有效擴(kuò)充地下病害數(shù)據(jù)集并提高識(shí)別模型的性能，成為當(dāng)前研究的熱點(diǎn)和難點(diǎn)。

2、近年來(lái)，半監(jiān)督學(xué)習(xí)和數(shù)據(jù)增強(qiáng)技術(shù)在目標(biāo)檢測(cè)領(lǐng)域展現(xiàn)出了巨大的潛力。通過(guò)結(jié)合數(shù)值模擬和生成對(duì)抗網(wǎng)絡(luò)（gan），可以在有限的真實(shí)數(shù)據(jù)基礎(chǔ)上生成大量高質(zhì)量的模擬數(shù)據(jù)，從而彌補(bǔ)數(shù)據(jù)匱乏的短板。同時(shí)，輕量化目標(biāo)檢測(cè)模型（如yolov8）因其高效的計(jì)算性能和良好的檢測(cè)精度，逐漸成為工程實(shí)踐中的優(yōu)選。然而，現(xiàn)有方法仍存在模擬數(shù)據(jù)與真實(shí)數(shù)據(jù)匹配度不足、數(shù)據(jù)增強(qiáng)效果有限以及模型結(jié)構(gòu)優(yōu)化不夠的問(wèn)題，因此亟需提出一種更適合地下病害識(shí)別的新方法。

技術(shù)實(shí)現(xiàn)思路

1、鑒于背景技術(shù)存在的不足，本發(fā)明所要解決的技術(shù)問(wèn)題是提供一種基于半監(jiān)督學(xué)習(xí)的地下病害數(shù)據(jù)增強(qiáng)與快速識(shí)別方法。該方法解決道路地下病害數(shù)據(jù)匱乏和不平衡等問(wèn)題，同時(shí)優(yōu)化識(shí)別模型結(jié)構(gòu)，提高模型實(shí)際應(yīng)用的準(zhǔn)確率和效率。

2、本發(fā)明是采取如下技術(shù)方案來(lái)完成的：一種基于半監(jiān)督學(xué)習(xí)的地下病害數(shù)據(jù)增強(qiáng)與快速識(shí)別方法，步驟如下：

3、s1.通過(guò)數(shù)值模擬方法生成地下病害雷達(dá)圖像的模擬數(shù)據(jù)，并將模擬數(shù)據(jù)與真實(shí)檢測(cè)數(shù)據(jù)集進(jìn)行融合，構(gòu)建初步地下病害數(shù)據(jù)集；

4、s2.將s1中構(gòu)建的初步地下病害數(shù)據(jù)集輸入輕量化yolov8模型中進(jìn)行訓(xùn)練，獲得初步訓(xùn)練模型；

5、s3.使用cyclegan圖像轉(zhuǎn)換模型對(duì)真實(shí)檢測(cè)數(shù)據(jù)集進(jìn)行增強(qiáng)，生成病害增強(qiáng)圖像數(shù)據(jù)集；

6、s4.基于s2中初步訓(xùn)練模型對(duì)s3中生成的病害增強(qiáng)圖像數(shù)據(jù)集進(jìn)行偽標(biāo)簽標(biāo)注，獲得帶有偽標(biāo)簽的cyclegan增強(qiáng)數(shù)據(jù)集；

7、s5.結(jié)合s4中帶有偽標(biāo)簽的cyclegan增強(qiáng)數(shù)據(jù)集和s1中初步地下病害數(shù)據(jù)集，獲得最終的增強(qiáng)數(shù)據(jù)集；

8、s6.將s5中最終的增強(qiáng)數(shù)據(jù)集輸入輕量化yolov8模型進(jìn)行訓(xùn)練，獲得滿(mǎn)足工程實(shí)際需求的病害識(shí)別模型。

9、進(jìn)一步的，s1中數(shù)值模擬方法是基于gprmax開(kāi)源軟件的正演模擬數(shù)據(jù)，模擬過(guò)程中根據(jù)實(shí)測(cè)數(shù)據(jù)的地層條件進(jìn)行模擬，且目標(biāo)物參數(shù)和雷達(dá)參數(shù)均隨機(jī)設(shè)置，生成相同地層條件下病害的差異性圖像。

10、進(jìn)一步的，?所述s2和s6中，輕量化yolov8模型是對(duì)yolov8模型進(jìn)行輕量化改進(jìn)，并引入cbam注意力機(jī)制、focal?loss損失函數(shù)。

11、進(jìn)一步的，yolov8模型進(jìn)行輕量化改進(jìn)將mobilenetv3-small結(jié)構(gòu)替代yolov8的backbone結(jié)構(gòu)，mobilenetv3-small結(jié)構(gòu)運(yùn)用高效的特征提取層和更輕量化的網(wǎng)絡(luò)結(jié)構(gòu)。

12、進(jìn)一步的，所述cbam注意力機(jī)制結(jié)合通道注意力和空間注意力模塊。

13、進(jìn)一步的，所述s3中在cyclegan圖像轉(zhuǎn)換模型輸入不同包含目標(biāo)物的圖像、地下病害和結(jié)構(gòu)物進(jìn)行圖像域風(fēng)格轉(zhuǎn)換，生成內(nèi)容相似且具有不同風(fēng)格的目標(biāo)物圖像，完成真實(shí)檢測(cè)數(shù)據(jù)集增強(qiáng)，生成病害增強(qiáng)圖像數(shù)據(jù)集。

14、進(jìn)一步的，cyclegan圖像轉(zhuǎn)換模型在轉(zhuǎn)換過(guò)程中，添加對(duì)抗損失函數(shù)和循環(huán)一致性損失函數(shù)，將兩個(gè)不同域內(nèi)的圖像風(fēng)格進(jìn)行轉(zhuǎn)換，對(duì)抗損失函數(shù)的公式如下：

15、

16、

17、循環(huán)一致性損失函數(shù)的公式如下：

18、

19、通過(guò)將兩者進(jìn)行結(jié)合獲得最終的損失函數(shù)如下：

20、

21、其中，e是數(shù)學(xué)中的符號(hào)，表示期望值；pdata(x)和pdata(y)表示從域x和y中采樣的真實(shí)數(shù)據(jù)分布；g和 f表示兩個(gè)生成器，g表示第一生成器，用于將x目標(biāo)域轉(zhuǎn)換到y(tǒng)目標(biāo)域； f表示第二生成器，將y目標(biāo)域轉(zhuǎn)換到x目標(biāo)域； d表示鑒別器，dx判斷生成圖像g(y)是否來(lái)自目標(biāo)域x，dy用于判斷生成圖像g(x)是否來(lái)自目標(biāo)域y；gy(y)表示y目標(biāo)域的鑒別器對(duì)真實(shí)圖像y的鑒別，dx(x)表示x目標(biāo)域的鑒別器對(duì)真實(shí)圖像x的鑒別；dy(g(x))表示y目標(biāo)域的鑒別器對(duì)x圖像生成器的鑒別，dx(g(y))表示x目標(biāo)域的鑒別器對(duì)y圖像生成器的鑒別；f(g(x))表示將x通過(guò)生成器g轉(zhuǎn)換到目標(biāo)域y，再通過(guò)生成器 f轉(zhuǎn)換回源域x的結(jié)果；g(f(y))表示將y通過(guò)生成器f轉(zhuǎn)換到目標(biāo)域x，再通過(guò)生成器g轉(zhuǎn)換回源域y的結(jié)果；加權(quán)因子λ控制著圖像域轉(zhuǎn)換過(guò)程中的擬合程度。

22、進(jìn)一步的，s5中最終的增強(qiáng)數(shù)據(jù)集包括模擬數(shù)據(jù)、真實(shí)數(shù)據(jù)和偽標(biāo)簽數(shù)據(jù)。

23、進(jìn)一步的，s4中偽標(biāo)簽標(biāo)注通過(guò)s2中初步訓(xùn)練模型自動(dòng)生成的標(biāo)注。

24、本發(fā)明中，通過(guò)數(shù)值模擬和圖像生成模型增強(qiáng)雷達(dá)地下病害數(shù)據(jù)，在半監(jiān)督學(xué)習(xí)流程中有序地引入增強(qiáng)數(shù)據(jù)，減少人工標(biāo)注成本并提高模型精度。同時(shí)，引入輕量化結(jié)構(gòu)、cbam和focal?loss優(yōu)化yolov8模型，確保高精度識(shí)別、減少模型參數(shù)量，并提高推理速度。

技術(shù)特征：

1.一種基于半監(jiān)督學(xué)習(xí)的地下病害數(shù)據(jù)增強(qiáng)與快速識(shí)別方法，其特征是：步驟如下：

2.根據(jù)權(quán)利要求1所述的一種基于半監(jiān)督學(xué)習(xí)的地下病害數(shù)據(jù)增強(qiáng)與快速識(shí)別方法，其特征是：s1中數(shù)值模擬方法是基于gprmax開(kāi)源軟件的正演模擬數(shù)據(jù)，模擬過(guò)程中根據(jù)實(shí)測(cè)數(shù)據(jù)的地層條件進(jìn)行模擬，且目標(biāo)物參數(shù)和雷達(dá)參數(shù)均隨機(jī)設(shè)置，生成相同地層條件下病害的差異性圖像。

3.根據(jù)權(quán)利要求1所述的一種基于半監(jiān)督學(xué)習(xí)的地下病害數(shù)據(jù)增強(qiáng)與快速識(shí)別方法，其特征是：?所述s2和s6中，輕量化yolov8模型是對(duì)yolov8模型進(jìn)行輕量化改進(jìn)，并引入cbam注意力機(jī)制和focal?loss損失函數(shù)。

4.根據(jù)權(quán)利要求3所述的一種基于半監(jiān)督學(xué)習(xí)的地下病害數(shù)據(jù)增強(qiáng)與快速識(shí)別方法，其特征是：yolov8模型進(jìn)行輕量化改進(jìn)將mobilenetv3-small結(jié)構(gòu)替代yolov8的backbone結(jié)構(gòu)，mobilenetv3-small結(jié)構(gòu)運(yùn)用高效的特征提取層和更輕量化的網(wǎng)絡(luò)結(jié)構(gòu)。

5.根據(jù)權(quán)利要求3或4所述的一種基于半監(jiān)督學(xué)習(xí)的地下病害數(shù)據(jù)增強(qiáng)與快速識(shí)別方法，其特征是：所述cbam注意力機(jī)制結(jié)合通道注意力和空間注意力模塊。

6.根據(jù)權(quán)利要求1所述的一種基于半監(jiān)督學(xué)習(xí)的地下病害數(shù)據(jù)增強(qiáng)與快速識(shí)別方法，其特征是：所述s3中在cyclegan圖像轉(zhuǎn)換模型輸入不同包含目標(biāo)物的圖像、地下病害和結(jié)構(gòu)物進(jìn)行圖像域風(fēng)格轉(zhuǎn)換，生成內(nèi)容相似且具有不同風(fēng)格的目標(biāo)物圖像，完成真實(shí)檢測(cè)數(shù)據(jù)集增強(qiáng)，生成病害增強(qiáng)圖像數(shù)據(jù)集。

7.根據(jù)權(quán)利要求6所述的一種基于半監(jiān)督學(xué)習(xí)的地下病害數(shù)據(jù)增強(qiáng)與快速識(shí)別方法，其特征是：cyclegan圖像轉(zhuǎn)換模型在轉(zhuǎn)換過(guò)程中，添加對(duì)抗損失函數(shù)和循環(huán)一致性損失函數(shù)，將兩個(gè)不同域內(nèi)的圖像風(fēng)格進(jìn)行轉(zhuǎn)換，對(duì)抗損失函數(shù)的公式如下：

8.根據(jù)權(quán)利要求1所述的一種基于半監(jiān)督學(xué)習(xí)的地下病害數(shù)據(jù)增強(qiáng)與快速識(shí)別方法，其特征是：s5中最終的增強(qiáng)數(shù)據(jù)集包括模擬數(shù)據(jù)、真實(shí)數(shù)據(jù)和偽標(biāo)簽數(shù)據(jù)。

9.根據(jù)權(quán)利要求1所述的一種基于半監(jiān)督學(xué)習(xí)的地下病害數(shù)據(jù)增強(qiáng)與快速識(shí)別方法，其特征是：s4中偽標(biāo)簽標(biāo)注通過(guò)s2中初步訓(xùn)練模型自動(dòng)生成的標(biāo)注。

技術(shù)總結(jié)
本發(fā)明涉及一種基于半監(jiān)督學(xué)習(xí)的地下病害數(shù)據(jù)增強(qiáng)與快速識(shí)別方法，步驟如下，S1.構(gòu)建初步地下病害數(shù)據(jù)集；S2.獲得初步訓(xùn)練模型；S3.使用CycleGAN圖像轉(zhuǎn)換模型對(duì)真實(shí)檢測(cè)數(shù)據(jù)集進(jìn)行增強(qiáng)，生成病害增強(qiáng)圖像數(shù)據(jù)集；S4.獲得帶有偽標(biāo)簽的CycleGAN增強(qiáng)數(shù)據(jù)集；S5.結(jié)合S4中帶有偽標(biāo)簽的CycleGAN增強(qiáng)數(shù)據(jù)集和S1中初步地下病害數(shù)據(jù)集，獲得最終的增強(qiáng)數(shù)據(jù)集；S6.將S5中最終的增強(qiáng)數(shù)據(jù)集輸入輕量化YOLOv8模型進(jìn)行訓(xùn)練，獲得滿(mǎn)足工程實(shí)際需求的病害識(shí)別模型。該方法顯著提高半監(jiān)督學(xué)習(xí)中的偽標(biāo)簽準(zhǔn)確性，解決了數(shù)據(jù)不平衡問(wèn)題，實(shí)現(xiàn)滿(mǎn)足實(shí)際需求的輕量化模型。

技術(shù)研發(fā)人員：陶袁欽,王耿鑫,曾少翔,孫宏磊,陳愷越,蔡靖
受保護(hù)的技術(shù)使用者：浙江工業(yè)大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/4/28