無人機航拍建筑物視圖網絡融合目標識別分析

基金項目：江西省教育廳科學技術研究項目，項目編號：GJJ2208301

城市道路坍塌事故隨著城市地下空間資源開發程度不斷增加而持續增加。通過調研得出，地下隱性病害是造成道路坍塌的主要因素，這點可通過調查大量路面質量所得^[1]。作為道路病害檢測的重要手段，無人機航拍技術可實現快速無損檢測地下介質分布，以電磁波反射作為主要依據^[2]。

李海峰等^[3]融合了GPR 與B-scan 三維數據特征，充分利用卷積神經網絡，實現高效率識別機場跑道病害。Moalla等^[4]在檢測埋藏危險物時選取視圖方向為橫斷面和縱斷面，利用GPR 三維數據以及CNN 和遞歸神經網絡CNN。目標識別方法以試圖融合為基礎，三維數據由無人機航拍獲取，視圖特征主要運用該方法提取，獲取得到3 個2DCNN 并融合，有利于促進目標識別準確率的提高。

應用視圖融合方法實現地下多目標分類主要應用3DGPR 數據。2DCNN 的輸入包含GPR 三維數據的俯視圖、側視圖及正視圖立方體，實施特征分類時需充分融合3 個2DCNN 的特征。相比于B-scan 圖像方法，現有三平面方法經實驗證明表現出的多目標分類性能更好。室內實驗數據數量較小時，GPR 實測數據集被標記的數量較少。為了對視圖融合方法性能進行驗證分析，十分有必要利用多種CNN 架構和大量實測數據。

1 視圖融合原理

作為一種通用的網絡體系結構，將2DCNN 與視圖融合方法相結合。為驗證該方法性能，2DCNN 由VGG16 和Alexnet 兩個深度神經網絡的主干網絡構成，均具有全連接層^[6]。分別按照227×227×K、224×224×K（K 為通道數）調整Alexnet 網絡、VGG16 網絡的輸入圖像大小，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卷積實現^[7]。

2 實驗方案

2.1 數據采集

步進頻連續波GPR 系統以VN A 為基礎，完成三維數據的采集實驗。設定步進頻步長為8 MHz，頻率處于（1.8~5）GHz。在干沙表面放置收發天線，高5~10 cm，中心距離為18 cm。共有5 種地下目標：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現。本次實驗中涉及的場景有14 個，深度和位置不一致，采用隨機方式在內部埋入2~3 個目標，采集的B-scan 圖像為平行狀態，共20個，231×74×20（深度× 長度× 寬度）為GPR 原始3D 數據的采集尺寸。

2.2 控制流程

Alexnet 網絡各層數據大小情況如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整輸入視圖立方體。2D 圖像的通道數在前兩個2DCNN 分支中依次為正視圖立方體寬度和側視圖立方體長度，在第3 個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 大小設置第1 個卷積層在3 個分支中的內核尺寸。FC4 層重組（Concatenation）FC1、FC2 和FC3 這3 個全連接層的輸出，經3 個2DCNN 分支獲取視圖立方體，充分融合3 種網絡分支的特征。最后利用softmax 函數在分類層輸出，FC4 通過FC5 實現。對比分析傳統方法與本文方法，按4 096 的標準設置各層神經元數量，包括FC1、FC2、FC3 及FC5，softmax層所含神經元因分類目標有5 種數量也為5。

圖1 基于Alexnet網絡的視圖融合目標識別方法示意圖

3 結果分析

對比分析基于B-scan 圖像的傳統方法與單視圖方法。評估分類性能時主要以F-score 準確度和平均值作為重要參考依據。利用Alexnet 結構調整所有方法。如表1 所示，測試集和訓練集在不同方法下顯示的數據。測試集和訓練集在選用單視圖法和視圖融合法時的數量依次為250 和750。但是當立方體寬帶為w，選用傳統方法以B-scan 圖像為基礎時，將w 乘以250 和750 作為訓練集與測試集的數量。

表1 不同寬度下的訓練集和測試集數量

3D 立方體不同寬度采用不同方法獲取的數據如下表2 所示。通過對比分析得出，不論是從F-score 還是從準確度數據結果來看，視圖融合方法顯優勢較為突出。大量信息提取方式采用視圖融合方法完成，保證分類結果更佳。相比于基于B-scan 圖像的傳統方法，在分類性能方面側視圖立方體與正視圖立方體占據更大優勢，大量目標空間信息可通過組合多個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果

4 結束語

本文開展了無人機航拍建筑物視圖網絡融合目標識別分析，研究得到如下結果：

1）不論是從F-score 還是從準確度數據結果來看，視圖融合方法顯優勢較為突出，保證分類結果更佳。

2）相比于基于B-scan 圖像的傳統方法，在分類性能方面側視圖立方體與正視圖立方體占據更大優勢。

參考文獻：

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

[2] 杜文靜, 劉慶華, 歐陽繕. 一種復塊稀疏貝葉斯無人機航拍成像算法[J].現代雷達, 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,顧君垚,等.基于1DCNN-DS的冷水機組故障診斷[J].低溫與超導,2022,50(7): 69-76.

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

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

（本文來源于《電子產品世界》雜志2023年8月期）