公开(公告)号：CN116050279A

公开(公告)日：2023-05-02

申请号：CN202310133390.9

申请日：2023-02-20

Applicant: 桂林电子科技大学

Inventor： 刘庆华 ,  黎仁节 ,  李世行 ,  叶金才

IPC: G06F30/27 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明公开一种一维卷积神经网络(FCN)的地下介质反演方法U1DNet，首先，由于介电常数值难以量化，本发明提出通过电磁波电磁速度作为A‑Scan反演介电常数的中间量，根据地下介质介电常数范围随机生成一维电磁速度和A‑Scan数据对。然后，对U‑Net网络改进为U1DNet，将原本应用于二维数据的网络模型根据A‑scan一维数据特点，改变卷积核大小及维度，使其能够学习A‑Scan和电磁速度的隐藏关系，再通过上采样进行解译。最后，将预测所得的结果转化为二维数据图，将不同介电常数值以颜色标记。实验表明本发明依据电磁波物理特性并结合深度学习方法，提出的地下介质反演方法U1DNet具有良好的性能和理论依据，能通过A‑Scan数据反演得到电磁速度进而得到介电常数值，并直观展示。

公开(公告)号：CN115656952A

公开(公告)日：2023-01-31

申请号：CN202211270648.1

申请日：2022-10-16

Applicant: 桂林电子科技大学

Inventor： 刘庆华 ,  黎仁节 ,  李世行 ,  廖可非

IPC: G01S7/41 ,  G06V10/26 ,  G06V10/762 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82

Abstract: 本发明公开一种基于U型多维多尺度融合神经网络的地下目标多分类检测方法(RIUNet)。首先采用编码‑解码(Encoder‑Decoder)的模型框架将地下目标与后景分割。然后，在不同维度中使用不同多尺度融合方法保留不同分辨率下的像素级细节，补足传统方法无法充分利用原始特征图信息的缺点。在编码层的骨干网络(Backbone)采取跳层连接将原始特征图信息与特征提取信息相结合；在特征拼接层提取不同感受野信息进行聚类，在编码‑解码层与层之间将编码层特征信息添加到解码层丰富转置卷积上采样时的解码信息。最后，利用形态学处理输出图像信息，得到结果框选图。本发明所述模型体积小容易，在硬件中部署只需少量图像进行训练即可得到较好的效果。

公开(公告)号：CN114758230A

公开(公告)日：2022-07-15

申请号：CN202210355701.1

申请日：2022-04-06

Applicant: 桂林电子科技大学

Inventor： 刘庆华 ,  李世行 ,  廖可非 ,  谢宁波 ,  王海涛

IPC: G06V20/10 ,  G06V10/774 ,  G06V10/764 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及人工智能技术领域，尤其涉及一种基于注意力机制的地下目标体分类识别方法，首先采集探地雷达B‑scan图像数据，预处理后获得探地雷达B‑scan图像数据集，再搭建基于CBAM注意力机制和残差结构的卷积神经网络模型，使用探地雷达B‑scan图像数据集对卷积神经网络模型进行迭代训练，训练好的卷积神经网络模型更关注目标体重要的特征而抑制不重要的特征，有效提高模型对目标体的识别精度，使用训练后的卷积神经网络模型进行图像分类识别避免了传统机器学习方法中人工设计特征的步骤，同时增强了深度学习方法中卷积神经网络的特征提取能力。