(19)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 202210598764.X (22)申请日 2022.05.30 (71)申请人 大连理工大 学 地址 116024 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 专利代理师 盖小静 (51)Int.Cl. G06F 30/23(2020.01) G06F 30/27(2020.01) G06V 20/64(2022.01)G06V 10/44(2022.01) G06V 10/74(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(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 内部缺陷三维识别方法 (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三维识别方法， 包括： 构 建多个地下结构三维介电常数数值模 型， 通过跨 孔雷达时域波形图和介电常数体素模 型， 得到数 值模拟数据集； 将所述数值模拟数据集输入到深 度学习三维缺陷识别网络中， 使网络自动学习跨 孔雷达数据和介电常数分布数据之间的映射关 系， 获得经过训练的深度学习缺陷识别模型； 使 用所述深度学习缺陷识别模型对实时采集的跨 孔雷达数据进行反演， 获取对应的缺陷介电常数 三维分布结果， 即得到三维介电常数体素预测模 型。 本发明深度学习三维缺陷识别网络可以凭借 跨孔雷达数据自动反演出地下结构及其内部缺 陷的体素预测模型， 并且实现高精度、 高速度反 演。 权利要求书2页 说明书6页 附图3页 CN 115034105 A 2022.09.09 CN 115034105 A 1.一种基于跨孔雷达和深度学习的地下结构内部缺陷三维识别方法， 其特征在于， 包 括： 构建多个地下结构三维介电常数数值模型， 基于电磁场 时域有限差分法， 对所述数值 模型进行正演模拟， 获得跨孔雷达时域波形图； 同时对所述数值模型进行体素转化得到介 电常数体素模型， 并为缺陷体素值赋予权重； 通过所述跨孔雷达时域波形图和介电常数体 素模型， 得到数值模拟数据集； 将所述数值模拟数据集输入到深度 学习三维缺陷识别网络 中， 使网络自动学习跨孔雷 达数据和介电常数分布数据之间的映射关系， 并更新网络的权重参数， 获得经过训练的深 度学习缺陷识别模型； 使用所述深度 学习缺陷识别模型对实时采集的跨孔雷达数据进行反演， 获取对应的缺 陷介电常数三维分布结果， 即得到三维介电常数体素 预测模型。 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三维识别方 法， 其特征在于， 所述地下结构三 维介电常数数值模型包括背 景介质及缺陷， 任一模型内缺 陷的种类、 位置、 大小、 填充介质均为随机 选取。 3.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三维识别方 法， 其特征在于， 正演模拟时利用电磁场时域有限差 分法， 在地下结构三 维介电常数数值模 型中布置模拟雷达波源与接收点， 在模 型空间内激发电磁波， 获得跨孔雷达数据， 所述跨孔 雷达数据是电磁波传播过程的时域波形图。 4.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三维识别方 法， 其特征在于， 所述深度学习三 维缺陷识别网络架构包括： 用于提取跨孔雷达时域波形图 全局特征数据的网络结构， 用于对介电常数体素模型进行三维反演的网络结构， 用于评估 介电常数体素模型真实程度的三维鉴别器网络结构。 5.根据权利要求4所述一种基于跨孔雷达和深度学习的地下结构内部缺陷三维识别方 法， 其特征在于， 所述用于提取跨孔雷达时域波形图全局特征数据的网络结构包括全连接 层和ResNet101  V2卷积层， 所述全连接层用于提取跨孔雷达数据内的全局低阶特征信息， 所述ResNet101  V2卷积层用于 接收全局低阶特 征信息并进一 步提取其高阶特 征。 6.根据权利要求4所述一种基于跨孔雷达和深度学习的地下结构内部缺陷三维识别方 法， 其特征在于， 所述用于对介电常数体素模型进行三维反演的网络结构包括多层级联三 维反卷积层和 三维最大池化层， 所述多层级联三维反卷积层通过正向连接， 利用高阶特征 映射重建三维介电常数体素预测模型， 并逐渐放大重建出的三维介电常数体素预测模型尺 寸； 所述三维最大池化层用来过 滤掉冗余数据。 7.根据权利要求4所述一种基于跨孔雷达和深度学习的地下结构内部缺陷三维识别方 法， 其特征在于， 所述用于评估三维介电常数体素预测模型真实程度的三维鉴别器网络结 构包括全连接层和多层级联三维卷积层， 所述全连接层和多层级联三维卷积层在判断重建 出的三维介电常数体素 预测模型的真实程度后为 其赋予真或假的标签。 8.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三维识别方 法， 其特征在于， 在得到所述缺陷介电常数三 维分布结果后， 使用对数均方根误差MSLE评估 反演结果相较于 真实数据介电常数分布的准确程度， 使用结构相似度SSIM评估反演结果与 真实数据间的相似程度； 使用Canny边缘检测自动提取缺陷轮廓体素点的三 维空间位置， 用权　利　要　求　书 1/2 页 2 CN 115034105 A 2来评估反演出缺陷的位置准确度。 9.根据权利要求8所述一种基于跨孔雷达和深度学习的地下结构内部缺陷三维识别方 法， 其特征在于， 使用对数均方根误差MSLE评估反演结果相较于真实数据介电常数分布的 准确程度， 具体为： 其中， Ppre为体素预测模型， Preal为体素真实模型， ppre,i为体素预测模型内第i个体素 值， preal,i为体素真实模型内第i个 体素值， m为体素 预测模型内总的体素个数； 使用结构相似度S SIM评估反演结果与真实数据间的相似程度， 具体为： 其中， μpre为体素预测模型内体素的均值， μreal为体素真实模型内体素的均值， σpre为体 素预测模型内体素的方差， σreal为体素真实模型内体素的方差， σpre,real为体素预测模型和 体素真实模型之间的协方差； C1、 C2、 C3均为避免分母 出现零值的常数； α、 β 、 γ为所取系数， α ×β×γ＝1； 使用Canny边缘检测自动提取缺陷轮廓体素点的三维空间位置， 用来评估反演出缺陷 的位置准确度， 具体为： 其中， n为Canny算子识别出的总的轮廓体素点个数， Cxi(Ppre)为体素预测模型内缺陷轮 廓第i个体素点的在x轴上的坐 标值， Cyi(Ppre)为体素预测模型内缺陷轮廓第i个体素点的在 y轴上的坐标值， Czi(Ppre)为体素预测模型内缺陷轮廓第i个体素点的在z轴上的坐标值， Cxi (Preal)为体素真实模型内缺陷轮廓第i个体素点的在x轴上的坐标值， Cyi(Preal)为体素真实 模型内缺陷轮廓第i个体素点的在y轴上的坐标值， Czi(Preal)为体素真实模 型内缺陷轮廓第 i个体素点的在z轴上的坐标值。权　利　要　求　书 2/2 页 3 CN 115034105 A 3