一种基于改进YOLOv5的探地雷达地下排水管网图像检测方法

本发明涉及深度学习神经网络与地球物理勘探的交叉学科领域，具体涉及一种基于改进yolov5的探地雷达地下排水管网图像检测方法

背景技术：

1、在城市的发展与地下管线密不可分，作为基础设施建设的重要组成部分，地下管线对于城市功能的正常运转和人们生活质量的提高有着重要的作用。截止2020年，我国的大中城市排水管道总长度已达63万公里,供水管道总长度已达79万公里。由于地下空间信息不完善、更新不及时，以及管网运营维护过程中的损耗和磨损，地下管线可能会出现材料老化、路线改变、挖掘错误等问题，而公路工程也有可能出现脱空、疏松、隐蔽裂缝等问题。这些问题不仅会对城市功能产生不利影响，还可能导致火灾、爆炸等严重事故。因此，如何提高地下管线探测的精度和速度，采取合理实用的探测识别方法，对于全面勘察、记录和系统管理地下管线而言，至关重要。

2、探地雷达(ground penetrating radar,简称gpr)是一种高分辨率、高效的地球物理无损勘测手段，主要利用电磁波传输过程中在两种不同介电常数介质分界面发生反射的原理，现已广泛应用于管线普查、公路隐蔽病害检测等物探应用中。在探测过程中，电磁波理论、gpr原理结合起来进行判断，可以推断出地下管线的雷达回波信号接近双曲线。对于管线的双曲线特征识别的方法研究，主要分为两种：人工方法、自动检测方法。但是人工解释雷达图像是一项具有挑战性的任务，由专业的技术人员对gpr图像数据进行人工判读是极其耗时的；自动检测方法主要包括霍夫(hough)变换法、最小二乘(ls)法、机器学习方法等，大多数输入特征需要由人工识别，特征的质量直接决定了检测分类的结果。数据量增加后，效率和准确率难以保证。

3、因此，针对采用探地雷达进行地下排水管线探测的复杂性，准确性和时效性等问题，本发明使用深度学习方法，以卷积神经网络为基础，建立地下管线智能识别网络模型，能够较好地提高地下管线检测识别精度，且算法运行效率较高，特征提取能力强。本发明可大幅提高探地雷达探测地下管线的效率，为健全管线普查数据库提供支持。

技术实现思路

1、本发明所要解决的技术问题是提供一种基于改进yolov5的探地雷达地下排水管网图像检测方法，其包括四个主要部分，即输入端、骨干网络、neck部分和head检测网络，该方法检测效率快，准确度高，泛化能力强，鲁棒性更好。

2、为解决上述技术问题，本发明所采用的技术方案是：

3、一种基于改进yolov5的探地雷达地下排水管网图像检测方法，其特征在于：包含以下步骤：

4、s1、采集探地雷达地下排水管网图像，构建地下排水管网雷达图像原始数据集；

5、s2、对s1中的原始数据集进行图像预处理，通过数据增强方法增加数据量，标注生成地下排水管网的标签文件，并按一定比例分为训练集，验证集和测试集；

6、s3、构建改进的yolov5卷积神经网络模型；

7、s4、初始化网络模型，将训练集导入模型，设置超参数，进行模型的训练；

8、s5、模型调参，根据网络模型的训练效果和性能表现，调整各个超参数，得到最优模型；

9、s6、模型测试，训练获得性能最优模型，引入测试集对模型进行测试，输出各项检测数值指标，判断是否达到预期值；

10、s7、现场检测，判断是否达到预期值。

11、优选的，所述步骤s1中，所述采集探地雷达地下排水管网图像，构建地下排水管网雷达图像原始数据集包括：真实雷达图像和模拟试验雷达图像，雷达图像由经验丰富的专业人员筛选，保留存在良好地下排水管网特征的图像；使用图像处理程序，对于图像四周空白等附加的无用信息，直接剪裁删去。

12、优选的，所述步骤s2中，利用开源图像标注工具标注雷达图像中的地下排水管网特征，将标定后的jpg格式的图片和生成的txt格式的标注信息结合，建立地下管线雷达图像数据库；由于采集到的地下排水管网数量难以满足深度学习网络训练要求，为了解决过拟合现象，本发明采用几何变换、随机剪裁、颜色调整、伽马矫正、加入高斯噪声和少量椒盐噪声等数据增强方法扩充数据量，增加样本多样性。将地下排水管网雷达图像数据库按6：2：2的比例分为训练集，验证集和测试集。

13、优选的，所述步骤s3中改进的yolov5卷积神经网络模型包括输入端、主干网络、neck部分和head检测网络。所述输入端通过mosaic-8数据增强来丰富数据集，对硬件设备要求低，计算成本低；所述主干网络中使用c3cbam模块替换掉原来的c3模块，从而增强特征；所述neck部分中使用fpn和路径聚合网络(panet)来聚合该阶段的图像特征；最后，所述检测网络中单独加入cbam模块，这可以让网络更加关注待检测目标，提高检测效果，之后网络进行目标预测并通过预测输出。

14、优选的，所述步骤s4中超参数为配置文件yaml的选择、训练图片的大小、学习率、总迭代次数、批大小。

15、优选的，所述步骤s5中得到最优模型具体包括：按顺序调整超参数，根据模型在验证集上的检测表现，准确率上升曲线的最大值和模型损失值下降曲线的平稳度和收敛性，得到最优超参数，得到最优模型。

16、优选的，所述步骤s6中，检测数值指标主要包括准确率，召回率，map值，f1分数，检测效率。

17、优选的，所述步骤s7中，所述的现场检测，判断评价指标能否达到所需要求具体是指：现场检测实时获得的地下排水管网雷达图像数据，所得检测数值指标能否达到所需要求。

18、相较于现有技术，一种基于改进yolov5的探地雷达地下排水管网图像检测方法，具有以下效果：

19、1.本发明建立真实雷达图像数据集，并对数据集进行预处理，通过数据扩增获得大量高质量雷达图像数据，解决出现过拟合现象，提升了模型的鲁棒性和泛化能力，同时提升网络检测结果。

20、2.本发明把yolov5本身使用的c3模块替换成c3cbam模块，增强目标特征，并在检测网络中增加单独的cbam模块，这可以让网络更加关注待检测目标。改进后的yolov5算法与原算法相比，模型检测的map可达0.93，同时受图像大小、旋转角度等干扰较小，能够较好地提高地下管线检测识别精度，且算法运行效率较高，特征提取能力强。

技术特征：

1.一种基于改进yolov5的探地雷达地下排水管网图像检测方法，其特征在于：包含以下步骤：

2.按照权利要求1所述的一种基于改进yolov5的探地雷达地下排水管网图像检测方法，其特征在于：在步骤s1中，所述采集探地雷达地下排水管网图像，构建地下排水管网雷达图像原始数据集包括：真实雷达图像和模拟试验雷达图像，雷达图像由经验丰富的专业人员筛选，保留存在良好地下排水管网特征的图像；使用图像处理程序，对于图像四周空白等附加的无用信息，直接剪裁删去。

3.按照权利要求1所述的一种基于改进yolov5的探地雷达地下排水管网图像检测方法，其特征在于：在步骤s2中，利用开源图像标注工具标注雷达图像中的地下排水管网特征，将标定后的jpg格式的图片和生成的txt格式的标注信息结合，建立地下管线雷达图像数据库；由于采集到的地下排水管网数量难以满足深度学习网络训练要求，为了解决过拟合现象，本发明采用几何变换、随机剪裁、颜色调整、伽马矫正、加入高斯噪声和少量椒盐噪声等数据增强方法扩充数据量，增加样本多样性。将地下排水管网雷达图像数据库按6：2：2的比例分为训练集，验证集和测试集。

4.按照权利要求1所述的一种基于改进yolov5的探地雷达地下排水管网图像检测方法，其特征在于：在步骤s3中改进的yolov5卷积神经网络模型包括输入端、主干网络、neck部分和head检测网络。所述输入端通过mosaic-8数据增强来丰富数据集，对硬件设备要求低，计算成本低；所述主干网络中使用c3cbam模块替换掉原来的c3模块，从而增强特征；所述neck部分中使用fpn和路径聚合网络(panet)来聚合该阶段的图像特征；最后，所述检测网络中单独加入cbam模块，这可以让网络更加关注待检测目标，提高检测效果，之后网络进行目标预测并通过预测输出。

5.按照权利要求1所述的一种基于改进yolov5的探地雷达地下排水管网图像检测方法，其特征在于：在步骤s4中超参数为配置文件yaml的选择、训练图片的大小、学习率、总迭代次数、批大小。

6.按照权利要求1所述的一种基于改进yolov5的探地雷达地下排水管网图像检测方法，其特征在于：在步骤s5中得到最优模型具体包括：按顺序调整超参数，根据模型在验证集上的检测表现，准确率上升曲线的最大值和模型损失值下降曲线的平稳度和收敛性，得到最优超参数，得到最优模型。

7.按照权利要求1所述的一种基于改进yolov5的探地雷达地下排水管网图像检测方法，其特征在于：在步骤s6中，检测数值指标主要包括准确率，召回率，map值，f1分数，检测效率。

8.按照权利要求1所述的一种基于改进yolov5的探地雷达地下排水管网图像检测方法，其特征在于：在步骤s7中，所述的现场检测，判断评价指标能否达到所需要求具体是指：现场检测实时获得的地下排水管网雷达图像数据，所得检测数值指标能否达到所需要求。

技术总结
本发明涉及一种基于改进YOLOv5的探地雷达地下排水管网图像检测方法，包括如下步骤：S1、采集探地雷达地下排水管网图像，构建地下排水管网雷达图像原始数据集；S2、对S1中的原始数据集进行图像预处理，通过数据增强方法增加数据量，标注生成地下排水管网的标签文件，并按一定比例分为训练集，验证集和测试集；S3、构建改进的YOLOv5卷积神经网络模型，初始化网络模型，将训练集导入模型，设置超参数，进行模型的训练；S4、模型调参，根据网络模型的训练效果和性能表现，调整各个超参数，得到最优模型；S5、模型测试，训练获得性能最优模型，引入测试集对模型进行测试，输出各项检测数值指标，判断是否达到预期值；S6、现场检测，判断是否达到预期值。改进的YOLOv5卷积神经网络模型算法用于探地雷达地下排水管网特征的目标检测，基于雷达图像大数据进行模型训练，提高模型的鲁棒性和泛化能力，并优化主干网络，提高模型检测的准确率，实现地下排水管网的自动检测。

技术研发人员：张泽希,宋留洋,王念念,陈镇铧,乔磊,段懿航,邵一帆
受保护的技术使用者：郑州大学
技术研发日：
技术公布日：2024/1/13