<meter id="pryje"><nav id="pryje"><delect id="pryje"></delect></nav></meter>
          <label id="pryje"></label>

          新聞中心

          EEPW首頁 > 設(shè)計(jì)應(yīng)用 > 無人機(jī)航拍建筑物視圖網(wǎng)絡(luò)融合目標(biāo)識(shí)別分析

          無人機(jī)航拍建筑物視圖網(wǎng)絡(luò)融合目標(biāo)識(shí)別分析

          作者:郭麗虹(江西新能源科技職業(yè)學(xué)院光伏發(fā)電學(xué)院,江西新余 338029) 時(shí)間:2023-08-22 來源:電子產(chǎn)品世界 收藏
          編者按:為了提高無人機(jī)航拍目標(biāo)識(shí)別精度,提出一種基于視圖融合的目標(biāo)識(shí)別方法,該方法利用3個(gè)2DCNN分別提取無人機(jī)航拍3D體數(shù)據(jù)3個(gè)視圖的特征,本文方法有效性主要采取室內(nèi)實(shí)測(cè)數(shù)據(jù)進(jìn)行驗(yàn)證。研究結(jié)果表明:不論是從F-score還是從準(zhǔn)確度數(shù)據(jù)來看,視圖融合方法顯優(yōu)勢(shì)較為突出,保證分類結(jié)果更佳。相比于基于B-scan圖像的傳統(tǒng)方法,在分類性能方面?zhèn)纫晥D立方體與正視圖立方體占據(jù)更大優(yōu)勢(shì)。本文提出的目標(biāo)識(shí)別方法以視圖融合為理論基礎(chǔ),實(shí)驗(yàn)結(jié)果顯示無人機(jī)航拍目標(biāo)識(shí)別精度得到進(jìn)一步提升。

          基金項(xiàng)目:江西省教育廳科學(xué)技術(shù)研究項(xiàng)目,項(xiàng)目編號(hào):GJJ2208301

          本文引用地址:http://www.ex-cimer.com/article/202308/449837.htm

          城市道路坍塌事故隨著城市地下空間資源開發(fā)程度不斷增加而持續(xù)增加。通過調(diào)研得出,地下隱性病害是造成道路坍塌的主要因素,這點(diǎn)可通過調(diào)查大量路面質(zhì)量所得[1]。作為道路病害檢測(cè)的重要手段,無人機(jī)航拍技術(shù)可實(shí)現(xiàn)快速無損檢測(cè)地下介質(zhì)分布,以電磁波反射作為主要依據(jù)[2]。

          李海峰等[3]融合了GPR 與B-scan 三維數(shù)據(jù)特征,充分利用卷積神經(jīng)網(wǎng)絡(luò),實(shí)現(xiàn)高效率識(shí)別機(jī)場(chǎng)跑道病害。Moalla等[4]在檢測(cè)埋藏危險(xiǎn)物時(shí)選取視圖方向?yàn)闄M斷面和縱斷面,利用GPR 三維數(shù)據(jù)以及CNN 和遞歸神經(jīng)網(wǎng)絡(luò)CNN。方法以試圖融合為基礎(chǔ),三維數(shù)據(jù)由無人機(jī)航拍獲取,視圖特征主要運(yùn)用該方法提取,獲取得到3 個(gè)2DCNN 并融合,有利于促進(jìn)準(zhǔn)確率的提高。

          應(yīng)用方法實(shí)現(xiàn)地下多目標(biāo)分類主要應(yīng)用3DGPR 數(shù)據(jù)。2DCNN 的輸入包含GPR 三維數(shù)據(jù)的俯視圖、側(cè)視圖及正視圖立方體,實(shí)施特征分類時(shí)需充分融合3 個(gè)2DCNN 的特征。相比于B-scan 圖像方法,現(xiàn)有三平面方法經(jīng)實(shí)驗(yàn)證明表現(xiàn)出的多目標(biāo)分類性能更好。室內(nèi)實(shí)驗(yàn)數(shù)據(jù)數(shù)量較小時(shí),GPR 實(shí)測(cè)數(shù)據(jù)集被標(biāo)記的數(shù)量較少。為了對(duì)方法性能進(jìn)行驗(yàn)證分析,十分有必要利用多種CNN 架構(gòu)和大量實(shí)測(cè)數(shù)據(jù)。

          1 原理

          作為一種通用的網(wǎng)絡(luò)體系結(jié)構(gòu),將2DCNN 與視圖融合方法相結(jié)合。為驗(yàn)證該方法性能,2DCNN 由VGG16 和Alexnet 兩個(gè)深度神經(jīng)網(wǎng)絡(luò)的主干網(wǎng)絡(luò)構(gòu)成,均具有全連接層[6]。分別按照227×227×K、224×224×K(K 為通道數(shù))調(diào)整Alexnet 網(wǎng)絡(luò)、VGG16 網(wǎng)絡(luò)的輸入圖像大小,為減少特征圖尺寸和提取特征,需要通過池化層和利用連續(xù)卷積實(shí)現(xiàn)[7]。

          2 實(shí)驗(yàn)方案

          2.1 數(shù)據(jù)采集

          步進(jìn)頻連續(xù)波GPR 系統(tǒng)以VN A 為基礎(chǔ),完成三維數(shù)據(jù)的采集實(shí)驗(yàn)。設(shè)定步進(jìn)頻步長為8 MHz,頻率處于(1.8~5)GHz。在干沙表面放置收發(fā)天線,高5~10 cm,中心距離為18 cm。共有5 種地下目標(biāo):無埋地物背景、多芯電力電纜4 根、含水量不同的塑料瓶、聚氯乙烯(PVC)塑料管1 根、金屬管共2 根。模含水地下空洞選用含水塑料瓶實(shí)現(xiàn)。本次實(shí)驗(yàn)中涉及的場(chǎng)景有14 個(gè),深度和位置不一致,采用隨機(jī)方式在內(nèi)部埋入2~3 個(gè)目標(biāo),采集的B-scan 圖像為平行狀態(tài),共20個(gè),231×74×20(深度× 長度× 寬度)為GPR 原始3D 數(shù)據(jù)的采集尺寸。

          2.2 控制流程

          Alexnet 網(wǎng)絡(luò)各層數(shù)據(jù)大小情況如1 所示。首先,依次按照227×227×60、227×227×30 及227×227×5尺寸采用雙線性插值法調(diào)整輸入視圖立方體。2D 圖像的通道數(shù)在前兩個(gè)2DCNN 分支中依次為正視圖立方體寬度和側(cè)視圖立方體長度,在第3 個(gè)2DCNN 分支中是俯視圖立方體深度。然后再依次按照11×11×60、11×11×30 和11×11×5 大小設(shè)置第1 個(gè)卷積層在3 個(gè)分支中的內(nèi)核尺寸。FC4 層重組(Concatenation)FC1、FC2 和FC3 這3 個(gè)全連接層的輸出,經(jīng)3 個(gè)2DCNN 分支獲取視圖立方體,充分融合3 種網(wǎng)絡(luò)分支的特征。最后利用softmax 函數(shù)在分類層輸出,F(xiàn)C4 通過FC5 實(shí)現(xiàn)。對(duì)比分析傳統(tǒng)方法與本文方法,按4 096 的標(biāo)準(zhǔn)設(shè)置各層神經(jīng)元數(shù)量,包括FC1、FC2、FC3 及FC5,softmax層所含神經(jīng)元因分類目標(biāo)有5 種數(shù)量也為5。

          1692695005188362.png

          圖1 基于Alexnet網(wǎng)絡(luò)的視圖融合方法示意圖

          3 結(jié)果分析

          對(duì)比分析基于B-scan 圖像的傳統(tǒng)方法與單視圖方法。評(píng)估分類性能時(shí)主要以F-score 準(zhǔn)確度和平均值作為重要參考依據(jù)。利用Alexnet 結(jié)構(gòu)調(diào)整所有方法。如表1 所示,測(cè)試集和訓(xùn)練集在不同方法下顯示的數(shù)據(jù)。測(cè)試集和訓(xùn)練集在選用單視圖法和視圖融合法時(shí)的數(shù)量依次為250 和750。但是當(dāng)立方體寬帶為w,選用傳統(tǒng)方法以B-scan 圖像為基礎(chǔ)時(shí),將w 乘以250 和750 作為訓(xùn)練集與測(cè)試集的數(shù)量。

          表1 不同寬度下的訓(xùn)練集和測(cè)試集數(shù)量

          1692695106356516.png

          3D 立方體不同寬度采用不同方法獲取的數(shù)據(jù)如下表2 所示。通過對(duì)比分析得出,不論是從F-score 還是從準(zhǔn)確度數(shù)據(jù)結(jié)果來看,視圖融合方法顯優(yōu)勢(shì)較為突出。大量信息提取方式采用視圖融合方法完成,保證分類結(jié)果更佳。相比于基于B-scan 圖像的傳統(tǒng)方法,在分類性能方面?zhèn)纫晥D立方體與正視圖立方體占據(jù)更大優(yōu)勢(shì),大量目標(biāo)空間信息可通過組合多個(gè)D-scan 圖像與B-scan 圖像獲取。

          表2 各方法在不同寬度下的分類結(jié)果

          1692695175204568.png

          4 結(jié)束語

          本文開展了無人機(jī)航拍建筑物視圖網(wǎng)絡(luò)融合目標(biāo)識(shí)別分析,研究得到如下結(jié)果:

          1)不論是從F-score 還是從準(zhǔn)確度數(shù)據(jù)結(jié)果來看,視圖融合方法顯優(yōu)勢(shì)較為突出,保證分類結(jié)果更佳。

          2)相比于基于B-scan 圖像的傳統(tǒng)方法,在分類性能方面?zhèn)纫晥D立方體與正視圖立方體占據(jù)更大優(yōu)勢(shì)。

          參考文獻(xiàn):

          [1] 張力文, 聶俊麗. 利用改進(jìn)的f-k濾波方法壓制無人機(jī)航拍中的線性干擾[J].電子學(xué)報(bào), 2022, 50(6): 1444-1450.

          [2] 杜文靜, 劉慶華, 歐陽繕. 一種復(fù)塊稀疏貝葉斯無人機(jī)航拍成像算法[J].現(xiàn)代雷達(dá), 2022, 44(5): 33-39.

          [3] LI H,LI N,WU R,et al.GPR-RCNN: an algorithm of subsurface defect detection for airport runway based on GPR[J].IEEE Robotics and Automation Letters,2021,6(2):3001-3008.

          [4] MOALLA M, FRIGUI H, KAREM A, et al. Application of convolutional and recurrent neural networks for buried threat detection using ground penetrating radar data[J].IEEE Transactions on Geoscience and Remote Sensing,2020,58(10):7022-7034.

          [5] 丁曉雯,丁強(qiáng),顧君垚,等.基于1DCNN-DS的冷水機(jī)組故障診斷[J].低溫與超導(dǎo),2022,50(7): 69-76.

          [6] 金守峰,侯一澤,焦航,等.基于改進(jìn)AlexNet模型的抓毛織物質(zhì)量檢測(cè)方法[J].紡織學(xué)報(bào),2022,43(6):133-139.

          [7] 杜翠,王寧,劉杰,等.無人機(jī)航拍鐵路檢測(cè)大數(shù)據(jù)多線程并行處理方法[J].鐵道建筑,2022,62(4):126-129.

          (本文來源于《電子產(chǎn)品世界》雜志2023年8月期)



          評(píng)論


          相關(guān)推薦

          技術(shù)專區(qū)

          關(guān)閉
          看屁屁www成人影院,亚洲人妻成人图片,亚洲精品成人午夜在线,日韩在线 欧美成人 (function(){ var bp = document.createElement('script'); var curProtocol = window.location.protocol.split(':')[0]; if (curProtocol === 'https') { bp.src = 'https://zz.bdstatic.com/linksubmit/push.js'; } else { bp.src = 'http://push.zhanzhang.baidu.com/push.js'; } var s = document.getElementsByTagName("script")[0]; s.parentNode.insertBefore(bp, s); })();