(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 202210215384.3 (22)申请日 2022.03.07 (71)申请人 无锡科若斯科技有限公司 地址 214174 江苏省无锡市惠山区惠山大 道88号明都大厦1-2 205 (72)发明人 周东国　汪滨波　 (74)专利代理 机构 北京汇泽知识产权代理有限 公司 11228 专利代理师 吴静 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G01S 13/89(2006.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于曲线知识和深度学习的地下线缆雷达 图像检测方法 (57)摘要 基于曲线知识和深度学习的地下线缆雷达 图像检测方法， 包括： 提取B ‑scan雷达图像的边 缘， 制作边缘图像； 计算边缘图像各边缘点的曲 率， 制作曲率图像； 制作标签数据， 将边缘图像、 曲率图像和标签数据作为神经网络的输入输出 数据对， 将所有数据按一定的概率随机分为训练 数据和测试数据； 利用训练数据调整网络模型中 的参数， 直到获得损失函数最小意义上的最低 解； 将测试数据集代入训练得到的模型中， 验证 训练得到的模型的性能， 反复上述步骤， 直到训 练次数达到给定的次数或者误差精度达到给定 的精度； 确定测试数据集上检测精度最高的模型 参数为最终结果。 本发明使神经网络重点关注图 像中的边缘信号， 减小需要求取的参数量， 降低 对训练数据量的需求。 权利要求书2页 说明书5页 附图2页 CN 114581677 A 2022.06.03 CN 114581677 A 1.一种基于曲线知识和深度学习的地下线缆雷达图像 检测方法， 其特 征在于， 包括： S100.提取B‑scan雷达图像的边 缘， 制作边 缘图像； S200.计算边缘图像各边 缘点的曲率， 制作曲率图像； S300.制作标签数据， 将边缘图像、 曲率图像和标签数据作为神经网络的输入输出数据 对， 将所有数据按一定的概 率随机分为训练数据和 测试数据； S400.利用训练数据调整网络模型中的参数， 直到获得损失函数最小意 义上的最低解； S500.将测试数据集代入训练得到的模型中， 验证训练得到的模型的性能， 反复步骤 S400到S500， 直到达到一定条件停止训练； S600.确定测试 数据集上检测精度最高的模型参数为 最终结果。 2.如权利要求1所述的一种基于曲线知识和深度学习的地下线缆雷达图像检测方法， 其特征在于， S100中， 提取B ‑scan雷达图像的边缘的方法为基于一阶导的方法、 基于二阶导 的方法， 或者基于模型的方法 之一。 3.如权利要求1所述的一种基于曲线知识和深度学习的地下线缆雷达图像检测方法， 其特征在于， S100中， 提取B ‑scan雷达图像的边缘采用的边缘阈值比普通边缘检测算法低； 图像边缘检测的方法包括但不仅限于Rober ts、 Prewitt、 Sobel算子。 4.如权利要求1所述的一种基于曲线知识和深度学习的地下线缆雷达图像检测方法， 其特征在于， S20 0中， 计算各边 缘点的曲率， 制作曲率图像， 具体方法为： S201： 检测边 缘图像的边 缘点； S202： 然后将边 缘点进行细化； S203： 连接边 缘图像中的断点； S204： 计算各边 缘点的曲率； S205： 并令非边 缘点处的曲率 为0。 5.如权利要求4所述的一种基于曲线知识和深度学习的地下线缆雷达图像检测方法， 其特征在于， S204中， 对 数字图像中的边缘曲线， 将边缘曲线 上的点从一端到另一端依次从 小到大编号， 第i个点 坐标(xi,yi)， 计算各边 缘点的曲率的公式为： k＝ΔxiΔ2yi‑ΔyiΔ2xi   (1) 其中， 权　利　要　求　书 1/2 页 2 CN 114581677 A 2其中， (xi‑1,yi‑1)、 (xi,yi)和(xi+1,yi+1)分别表示边缘曲线上的点从一端到另一端依次 从小到大编号， 第i ‑1、 i和i+1个点的坐标。 6.如权利要求1所述的一种基于曲线知识和深度学习的地下线缆雷达图像检测方法， 其特征在于， S500中， 直到达到一定条件停止训练， 包括： 训练次数达到给定的次数或者误 差精度达 到给定的精度。权　利　要　求　书 2/2 页 3 CN 114581677 A 3