(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 202210839427.5 (22)申请日 2022.07.18 (71)申请人 湖南大学 地址 410082 湖南省长 沙市岳麓区麓山 南 路1号 (72)发明人 姚伟　周旭　谭光华　杨圣洪　 (74)专利代理 机构 武汉臻诚专利代理事务所 (普通合伙) 42233 专利代理师 宋业斌 (51)Int.Cl. G06T 7/73(2017.01) G01S 13/89(2006.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 基于3D任务并行网络的地下塌陷隐患实时 检测方法和系统 (57)摘要 本发明公开了一种基于3D任务并行网络的 地面塌陷隐患实时检测方法， 其特征在于， 包括： 获取探地雷达数据集， 对探地雷达数据集进行预 处理， 以得到预处理后的探地雷达数据集， 将预 处理后的探地雷达数据集中的每一幅探地雷达 图像依次输入训练好的3D 任务并行网络中， 以得 到该探地雷达图像的隐患位置信息。 本发明能够 解决现有利用探地雷达图像进行地面塌陷隐患 检测的方法中采用的基于人工手段的解译方法 工作量较大和耗时长， 从而不能满足实时探测需 要的技术问题， 以及采用的基于人工手段的解译 方法由于高度依赖操作员的技术和专业水平导 致得出不同的解译结果， 从而影 响地面塌陷隐患 检测结果的准确率的技 术问题。 权利要求书6页 说明书14页 附图1页 CN 115239812 A 2022.10.25 CN 115239812 A 1.一种基于3D任务并行网络的地面塌陷隐患实时检测方法， 其特征在于， 包括以下步 骤： (1)获取探地雷达数据集； (2)对步骤(1)得到的探地雷达数据集进行预处理， 以得到预处理后的探地雷达数据 集。 (3)将步骤(2)预处理后的探地雷达数据集中的每一幅探地雷达图像依次输入训练好 的3D任务并行网络中， 以得到该探地雷达图像的隐患位置信息 。 2.根据权利要求1所述的基于3D任务并行网络的地面塌陷隐患实时检测方法， 其特征 在于， 步骤(1)是通过SPIDAR阵列式探地雷达从道路获取多个探地雷达数据构成的探地雷 达数据集， 且探地雷达数据包括五种： 脱空数据、 疏松体数据、 管道数据、 空洞数据、 背景类 数据， 以及专业 技术人员标注的隐患位置信息 。 3.根据权利要求1或2所述的基于3D任务并行网络的地面塌陷隐患实时检测方法， 其特 征在于， 步骤(2)对步骤(1)获取的数据集进 行预处理的方法包括以下过程： 首先， 删除探地 雷达数据集中与探地雷达设备相关的冗余信息， 然后， 对删除了冗余信息以后的探地雷达 数据集使用双边滤波法进 行去噪处理， 并使用线性函数对去噪处理后的探地雷达数据集进 行归一化处理， 以得到归一化后的探地雷达数据集， 最后， 对归一化后的探底雷达数据集进 行数据扩增操作， 以得到数据扩增后的探底雷达数据集作为预处 理后的探地雷达数据集。 4.根据权利要求1至3中任意一项所述的基于3D任务并行网络的地面塌陷隐患实时检 测方法， 其特征在于， 3D任务并行网络包括顺次连接的3D ‑Resnet特征提取网络、 3D特征融 合网络、 以及任务协同网络 。 5.根据权利要求1所述的基于3D任务并行网络的地面塌陷隐患实时检测方法， 其特征 在于， 3D‑Resnet特 征提取网络的架构如下： 第一层是输入层： 其输入为大小为512* 512*512*1的矩阵； 第二层是第一卷积层， 其接收来自输入层的图像， 该层卷积核 的大小为7*7*7， 步长为 2， 卷积核数量为64， 该层采用SAME方式填充， 后面接入RELU激活函数和批量正则 化(Batch   Normalization， 简称BN)， 该层输出 大小为25 6*256*256*64的矩阵； 第三层是最大池化层， 池化窗口尺寸为3*3*3， 步长为(2， 2， 2)， 该层输出大小为128* 128*128* 64的矩阵。 第四层是第二卷积层， 其接收来自第三层输出的大小为128*128*128*64的矩阵， 该层 卷积核大小为1*1*1， 步长为1， 卷积核数量为256， 该层采用SAME方式填充， 后面接入BN， 该 层输出大小为128*128*128*25 6的矩阵； 第五层是第一瓶颈层， 其接收来自第三层输出的大小为128*128*128*64的矩阵， 该层 包括三个子卷积层， 其中第一层卷积核的大小为1*1*1， 步长为1， 卷积核数量为64.采用 SAME方式填充， 后面接入BN和RELU激活函数； 第二层卷积核大小为3*3*3， 步长为1， 卷积核 数量为64， 采用SAME方式填充， 后面接入BN和RELU激活函数； 第三层卷积核的大小为1*1*1， 步长为1， 卷积核数量为256.采用SAME方式填充， 后面接入BN， 该层输出大小为128*128* 128*256的矩阵； 第六层是相加层， 把第四层的结果和第五层的结果进行相加， 后面接入RELU激活函数， 输出大小为128*128*128*25 6的矩阵；权　利　要　求　书 1/6 页 2 CN 115239812 A 2第七层是第二瓶颈层， 其接收来自第六层输出的大小为128*128*128*256的矩阵， 该层 包括三个子卷积层， 其中第一层卷积核的大小为1*1*1， 步长为1， 卷积核数量为64.采用 SAME方式填充， 后面接入BN和RELU激活函数； 第二层卷积核大小为3*3*3， 步长为1， 卷积核 数量为64， 采用SAME方式填充， 后面接入BN和RELU激活函数； 第三层卷积核的大小为1*1*1， 步长为1， 卷积核数量为256.采用SAME方式填充， 后面接入BN， 该层输出大小为128*128* 128*256的矩阵； 第八层是相加层， 把第六层的结果和第七层的结果进行相加， 后面接入RELU激活函数， 输出大小为128*128*128*25 6的矩阵； 第九层是第三瓶颈层， 其接收来自第八层输出的大小为128*128*128*256的矩阵， 该层 包括三个子卷积层， 其中第一层卷积核的大小为1*1*1， 步长为1， 卷积核数量为64.采用 SAME方式填充， 后面接入BN和RELU激活函数； 第二层卷积核大小为3*3*3， 步长为1， 卷积核 数量为64， 采用SAME方式填充， 后面接入BN和RELU激活函数； 第三层卷积核的大小为1*1*1， 步长为1， 卷积核数量为256.采用SAME方式填充， 后面接入BN， 该层输出大小为128*128* 128*256的矩阵； 第十层是相加层， 把第八层的结果和第九层的结果进行相加， 后面接入RELU激活函数， 输出大小为128*128*128*25 6的矩阵； 第十一层是第三卷积层， 其接收来自第 十层输出的大小为128*128*128*256的矩阵， 该 层卷积核大小为1*1*1， 步长为2， 卷积核数量为512， 该层采用SAME方式填充， 后面接入BN， 该层输出 大小为64* 64*64*512的矩阵； 第十二层是第四瓶颈层， 其接收来自第 十层输出的大小为128*128*128*256的矩阵， 该 层包括三个子卷积层， 其中第一层卷积核的大小为1*1*1， 步长为1， 卷积核 数量为128.采用 SAME方式填充， 后面接入BN和RELU激活函数； 第二层卷积核大小为3*3*3， 步长为2， 卷积核 数量为128， 采用SAME方式填充， 后面接入BN和RELU激活函数； 第三层卷积核的大小为1*1* 1， 步长为1， 卷积核数量为512.采用SAME方式填充， 后面接入BN， 该层输出大小为64*64*64* 512的矩阵； 第十三层是相加层， 把第十一层的结果和第十二层的结果进行相加， 后面接入RELU激 活函数， 输出 大小为64* 64*512的矩阵； 第十四层是第五瓶颈层， 其接收来自第十三层输出的大小为64*64*64*512的矩阵， 该 层包括三个子卷积层， 其中第一层卷积核的大小为1*1*1， 步长为1， 卷积核 数量为128.采用 SAME方式填充， 后面接入BN和RELU激活函数； 第二层卷积核大小为3*3*3， 步长为1， 卷积核 数量为128， 采用SAME方式填充， 后面接入BN和RELU激活函数； 第三层卷积核的大小为1*1* 1， 步长为1， 卷积核数量为512.采用SAME方式填充， 后面接入BN， 该层输出大小为64*64*64* 512的矩阵； 第十五层是相加层， 把第十三层的结果和第十四层的结果进行相加， 后面接入RELU激 活函数， 输出 大小为64* 64*64*512的矩阵； 第十六层是第六瓶颈层， 其接收来自第十五层输出的大小为64*64*64*512的矩阵， 该 层包括三个子卷积层， 其中第一层卷积核的大小为1*1*1， 步长为1， 卷积核 数量为128.采用 SAME方式填充， 后面接入BN和RELU激活函数； 第二层卷积核大小为3*3*3， 步长为1， 卷积核 数量为128， 采用SAME方式填充， 后面接入BN和RELU激活函数； 第三层卷积核的大小为1*1*权　利　要　求　书 2/6 页 3 CN 115239812 A 3