公开(公告)号：CN119723279A

公开(公告)日：2025-03-28

申请号：CN202411622928.3

申请日：2024-11-14

Applicant: 中南大学

Inventor： 侯斐斐 ,  孙铖浩 ,  崔广炎 ,  王艳辉 ,  张泰

IPC: G06V10/82 ,  G01S13/88 ,  G06N3/0464 ,  G06N3/08

Abstract: 基于双输入与图像可分离卷积的U‑Net网络构建方法，基于图像可分离卷积改进的双输入Unet（DIWSUnet）来实现用探地雷达（Ground‑penetating radar,GPR）数据成像，反演得到地下实物物体。首先基于探地雷达得到的GPR数据生成B‑Scan扫描图像，再用GPR数据进行频率波数偏移（Frequency‑Wavenumber Shift,FK）处理，实现B‑Scan扫描图像加FK偏移图像双输入反演得到最后的实物图像；采用双彩色输入（6通道）和彩色输出（3通道）以区分不同实物，反演实物物体地下位置的同时判断物体的类别；基于深度可分离卷积模型得到启发，改进原有输入模块为图像可分离卷积模块IWS(Image Wise Seperable Convolution)模块，仅用少量参数增加使得性能得到大幅度提升。

公开(公告)号：CN118097122B

公开(公告)日：2024-11-22

申请号：CN202410494809.8

申请日：2024-04-24

Applicant: 中南大学

Inventor： 侯斐斐 ,  方孟奇 ,  王艳辉 ,  董健 ,  崔广炎

IPC: G06V10/25 ,  G06N3/0475 ,  G06N3/088 ,  G06N3/094 ,  G06V10/22 ,  G06V10/762 ,  G06V10/82

Abstract: 本发明提供一种地下目标图像的识别方法、装置、电子设备及存储介质，该地下目标图像的识别方法包括：根据地下目标图像识别请求，获取目标GPR图像；对目标GPR图像采用GPR图像识别模型进行检测，得到地下目标识别结果；其中GPR图像识别模型采用基于CycleGAN的无监督网络，基于CycleGAN损失、L1损失和MS‑SSIM损失结合，以及，使用多特征聚类分析方法优化训练得到。本发明的有益效果为：提高了图像中目标检索效率及定位精度，且降低了虚警率。

公开(公告)号：CN118097122A

公开(公告)日：2024-05-28

申请号：CN202410494809.8

申请日：2024-04-24

Applicant: 中南大学

Inventor： 侯斐斐 ,  方孟奇 ,  王艳辉 ,  董健 ,  崔广炎

IPC: G06V10/25 ,  G06N3/0475 ,  G06N3/088 ,  G06N3/094 ,  G06V10/22 ,  G06V10/762 ,  G06V10/82

Abstract: 本发明提供一种地下目标图像的识别方法、装置、电子设备及存储介质，该地下目标图像的识别方法包括：根据地下目标图像识别请求，获取目标GPR图像；对目标GPR图像采用GPR图像识别模型进行检测，得到地下目标识别结果；其中GPR图像识别模型采用基于CycleGAN的无监督网络，基于CycleGAN损失、L1损失和MS‑SSIM损失结合，以及，使用多特征聚类分析方法优化训练得到。本发明的有益效果为：提高了图像中目标检索效率及定位精度，且降低了虚警率。

公开(公告)号：CN118736186A

公开(公告)日：2024-10-01

申请号：CN202410710748.4

申请日：2024-06-04

Applicant: 中南大学

Inventor： 侯斐斐 ,  彭应昊 ,  董健 ,  樊欣宇 ,  王艳辉

IPC: G06V10/25 ,  G01S13/89 ,  G01V3/12 ,  G06V10/22 ,  G06V10/40 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/044 ,  G06N3/084

Abstract: 探地雷达数据关键点检测与目标定位方法，首先，在YOLOv8框架中引入全局注意力机制，通过减少信息损失和放大全局交互表示，提高深度神经网络的性能；其次，结合空间特征增强的子网和深度递归网络，引入多头自注意力机制，实现地下结构的高分辨率映射；最后，在损失函数中引入广义交并比损失和完全交并比损失，通过增加对包围框外部区域、目标检测框中心点距离和长宽比的考量，优化非重叠和重叠问题下的检测精度。本方法首先，基于YOLOv8‑GSI网络进行GPR目标检测，获得候选目标所在区域；然后，第一阶段的部分训练权重被共享并传递到第二阶段，后者在此基础上训练第二阶段YOLOv8‑GSI网络，从候选目标特征中获取精确的关键点检测，从而实现地下目标的自动化定位。

公开(公告)号：CN118735857A

公开(公告)日：2024-10-01

申请号：CN202410710751.6

申请日：2024-06-04

Applicant: 中南大学

Inventor： 侯斐斐 ,  聂子善 ,  王艳辉 ,  樊欣宇 ,  董健

IPC: G06T7/00 ,  G01S13/89 ,  G01V3/12 ,  G06V20/10 ,  G06V10/25 ,  G06V10/764 ,  G06V10/766 ,  G06V10/774 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提出了基于轻量化网络的探地雷达充气充水空洞病害的识别方法，针对道路空洞GPR图像样本稀缺的问题，采用时域有限差分法对随机数量和位置的充气空洞和充水空洞病害进行正演模拟，生成仿真图像，同时附加道路场景下的真实图像，构建混合数据集。改进的轻量化网络利用MobileNetV3精简PP‑YOLOE主干，在MobileNetV3的主干结构中引入协同注意力模块以优化空间、坐标和通道信息的融合，同时结合路径聚合网络和变焦损失、分布焦点损失函数，实现了探地雷达道路充气与充水空洞病害的自动识别，解决了传统GPR图像检测方法在检测精度和速度上的不足。

公开(公告)号：CN118709524A

公开(公告)日：2024-09-27

申请号：CN202410710752.0

申请日：2024-06-04

Applicant: 中南大学

Inventor： 侯斐斐 ,  钱星宇 ,  王艳辉 ,  董健 ,  樊欣宇

IPC: G06F30/27 ,  G01S13/89 ,  G01S7/41 ,  G01R27/26 ,  G01V3/12 ,  G06F18/214 ,  G06F18/24 ,  G06N3/0475 ,  G06N3/0464 ,  G06N3/09 ,  G06N3/0455

Abstract: 本发明提出了基于多尺度有监督生成对抗网络的探地雷达数据反演方法，改进基于pix2pixGan的深度学习框架，加入多尺度卷积模块和EMA注意力模块，以便更加准确的捕获B‑scan图像中多个双曲波形以及杂波特征；结合数据集中地下介电常数分布图像存在背景像素和反演目标像素数量不平衡的特点改进原有的L1误差损失函数为焦点加权均方误差函数，同时加入SSIM损失函数。使用gprMax+paraview仿真软件生成模拟GPR B‑scan波形图像和对应地下介电常数分布图像，以建立用于训练的B‑scan—介电常数分布配对数据集；训练pix2pixGan，将训练后的U‑net生成器对B‑scan图像进行反演转换得到地下介电常数分布图，最终实现GPR数据反演。

公开(公告)号：CN118628452A

公开(公告)日：2024-09-10

申请号：CN202410710750.1

申请日：2024-06-04

Applicant: 中南大学

Inventor： 侯斐斐 ,  张智轩 ,  樊欣宇 ,  王艳辉 ,  董健

IPC: G06T7/00 ,  G06V10/44 ,  G06V10/82 ,  G06V10/774 ,  G06V10/24 ,  G06V10/34 ,  G06V10/52 ,  G06V10/771 ,  G06N3/0455 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/0985 ,  G06N3/096

Abstract: 本发明提出了基于GPR数据的隧道衬砌内部空腔和不密实缺陷的检测方法，对于采集到的实测图像，改进基于End‑to‑End Object Detection with Transformers的深度学习框架，在原架构上嵌入了一种新颖的高效多尺度注意力模块—Multi‑Scale Convolutional Block Attention Module模块，允许模型根据任务需求和内容上下文动态地关注于最有用的特征，从而改善DETR模型的收敛速度和对小目标的检测准确率，实现端到端的隧道衬砌内部缺陷的自动检测；使用LabelImg软件进行标记，并利用两种隧道构件的实测数据集进行迁移学习，以建立用于训练的隧道构件—缺陷数据集；结合传统数据增强方法对GPR数据集进行随机镜像翻转、高斯模糊、明亮变换、尺度变换和添加噪声等扩增操作，进一步提高模型的泛化能力，增加样本的多样性。