本公开属于隧道探测，尤其涉及一种探地雷达空洞识别方法、系统、训练方法、设备和介质。
背景技术：
1、隧道衬砌结构在施工和服役阶段在重力、荷载、沉降、环境等因素的作用下会出现裂缝、空洞等多种伤损类型。当隧道衬砌结构出现空洞，衬砌结构的受力与围岩的应力状态都将发生改变，会导致隧道结构渗水、失稳、掉块、脱落，严重时还会发生突发性崩塌。空洞的存在给隧道的安全运营带来极大的安全隐患，及时发现与识别隧道衬砌空洞位置与范围对于保障隧道结构安全、稳定地服役具有重要意义。
2、地质雷达是一种通过向地下发射高频电磁波并接收反射回来的信号来探测地下结构的方法，对同一位置的回波信号是a-scan时序信号，多道a-scan时序信号堆叠组成探地雷达的b-scan时空信号。在隧道检测中，地下目标在b-scan时空信号中呈现双曲线、三振相等代表性形态特征。利用这些特性，可以使用图像分析、数学建模、机器学习、以及深度学习等方法来解译雷达数据中空洞的位置和大小。
3、雷达b-scan时空信号包含了a-scan时序特征和沿b-scan方向的空间特征，并且在b-scan方向上存在长程特征。只有充分挖掘数据的时空特征，并有效捕获长程特征，才能准确解译雷达数据中的空洞信息。
4、深度学习的方法在雷达数据分析任务中，可以把雷达b-scan数据按照矩阵建模（图像识别）的方式[1]，使用卷积算子进行特征提取。但是，卷积运算是局部感受野特征提取算子，无法捕获数据长程特征，不完全适配雷达数据分析任务。
5、对雷达数据的分析也可以按照序列数据建模方法，采用rnn、lstm、transformer等循环神经网络算法进行特征提取。但是，按照序列数据建模的方式提取时空特征效果有限，并且序列数据建模方法需要有良好的序列单元编码方法。现有的模型驱动编码（如小波变换法），因地下介质的介电常数不规则，各种电磁干扰等原因，无法准确进行数学建模，效果受限。
6、更进一步，实际隧道检测的雷达数据，包含空洞的数据样本稀少，空洞识别面临长尾问题。若深度学习采用标签监督的方法训练模型，因训练样本对解空间的覆盖严重不足，导致模型泛化能力有限，实际工程应用鲁棒性差。使用电磁仿真或者生成式方法产生模拟数据，可以缓解该问题。但模拟数据无法全面覆盖各种复杂场景，不能真正解决问题。
7、可见，隧道空洞检测是一个具有挑战性的问题，需要充分考虑雷达数据的时空特征和长程特征挖掘，还要应对少样本问题。
技术实现思路
1、本公开的目的就在于为了解决上述问题而提供一种探地雷达空洞识别方法、系统、训练方法、设备和介质。
2、本公开通过以下技术方案来实现上述目的：
3、一种探地雷达空洞识别方法，包括以下步骤：
4、在雷达数据的b-scan方向，预设处理窗口，对处理窗口内的a-scan数据进行编码，提取时序信息，得到编码后的特征符号；
5、将所述编码后的特征符号沿b-scan方向进行序列建模，捕获长程特征，采用oneclass异常检测法，得到空洞粗略位置信息；
6、将所述空洞粗略位置信息的局部区域，采用深度卷积，准确提取空洞位置信息。
7、作为本公开的进一步优化方案，在雷达数据的b-scan方向，预设处理窗口，对处理窗口内的a-scan数据进行编码，提取时序信息，得到编码后的特征符号具体包括：
8、抽取每道a-scan数据，增加w权重参数及偏移，由神经网络自适应确认每道a-scan数据参与度，公式如下：
9、；
10、对每道a-scan增加维度表达，将参与度中的每个数值通过全连接映射到大小为n的高维空间向量表示，公式如下：
11、；
12、其中，为映射结果表达；
13、将高维空间向量进行自注意力机制处理，得到自注意力数据；
14、将所述自注意力数据映射到大小为1xv的特征向量，得到编码后的特征符号。
15、作为本公开的进一步优化方案，将所述编码后的特征符号沿b-scan方向进行序列建模，捕获长程特征，采用oneclass异常检测法，得到空洞粗略位置信息具体包括：
16、对所述编码后的特征符号沿b-scan方向进行序列建模后提取序列特征，包括长程特征；
17、对提取的序列特征进行稠密采样和稀疏采样，得到采样数据，将所述采样数据和所述序列特征采用oneclass异常检测法进行映射得到概率密度分布；
18、基于所述概率密度分布归纳出空洞粗略位置信息。
19、作为本公开的进一步优化方案，将所述空洞粗略位置信息的局部区域，采用深度卷积，准确提取空洞位置信息具体包括：
20、对所述空洞粗略位置信息进行转置卷积运算，得到空间识别概率图，所述空间识别概率图的形状和输入数据形状相同，所述空间识别概率图的每个数值表示对应位置的空洞概率，由此可计算出空洞位置和大小。
21、一种探地雷达空洞识别系统，包括：
22、编码模块，用于在雷达数据的b-scan方向，预设处理窗口，对处理窗口内的a-scan数据进行编码，提取时序信息，得到编码后的特征符号；
23、符号序列异常检测模块，用于将所述编码后的特征符号沿b-scan方向进行序列建模，捕获长程特征，采用oneclass异常检测法，得到空洞粗略位置信息；
24、局部空间定位检测模块，用于将所述空洞粗略位置信息的局部区域，采用深度卷积，准确提取空洞位置信息。
25、作为本公开的进一步优化方案，所述编码模块包括窗口选择模块，特征升维模块，自注意力模块，输出模块；
26、所述窗口选择模块抽取每道a-scan数据，增加w权重参数及偏移，由神经网络自适应确认每道a-scan数据参与度，公式如下：
27、；
28、所述特征升维模块对每道a-scan增加维度表达，将参与度中的每个数值通过全连接映射到大小为n的高维空间向量表示，公式如下：
29、；
30、其中，为映射结果表达；
31、所述自注意力模块将高维空间向量进行自注意力机制处理，得到自注意力数据；
32、所述输出模块将所述自注意力数据映射到大小为1xv的特征向量，得到编码后的特征符号。
33、作为本公开的进一步优化方案，所述符号序列异常检测模块包括序列特征提取模块和归一化流模块；
34、所述序列特征提取模块对所述编码后的特征符号沿b-scan方向进行序列建模后提取序列特征，包括长程特征；
35、所述归一化流模块对提取的序列特征进行稠密采样和稀疏采样，得到采样数据，将所述采样数据和所述序列特征采用oneclass异常检测法进行映射得到概率密度分布；基于所述概率密度分布归纳出空洞粗略位置信息。
36、作为本公开的进一步优化方案，所述局部空间定位检测模块包括定位卷积块和转置卷积；
37、所述定位卷积块和所述转置卷积对所述空洞粗略位置信息进行运算，得到空间识别概率图，所述空间识别概率图的形状和输入数据形状相同，所述空间识别概率图的每个数值表示对应位置的空洞概率，由此可计算出空洞位置和大小。
38、一种探地雷达空洞识别系统的训练方法，包括以下步骤：
39、编码模块的训练方法包括：
40、对雷达b-scan数据沿测线方向，使用m大小的滑动窗口，截取雷达b-scan数据块，截取结果记，其中单个数据块的形状为，其中，n表示a-scan数据采样点数，m表示截取a-scan数据数量；
41、对做数据增强操作，包括上下平移，随机噪声和drop操作，得到增强数据；
42、编码网络模型采用自监督对比学习训练方式，从input_b和input_b+取训练样本作为编码器网络的输入，其中bi与自身增强数据b+i构成正样本，bi与其他样本构成负样本；
43、对输出模块映射出向量，编码模块的损失函数公式如下：
44、；
45、其中，为调节参数；
46、符号序列异常检测模块训练方法包括：
47、采用异常检测one-class架构，模型训练只有正样本，不包含空洞；样本依赖于编码模型统一生成，再截取为l*v大小数据块；数据块使用随机截取，drop及随机自复制插入数据的数据增强方法；符号序列异常检测模型采用半监督概率密度分布训练方法；对输出模块映射出向量，符号序列异常检测模块损失函数公式如下：
48、；
49、局部空间定位检测模块训练方法包括：
50、数据集使用只包含空洞的数据样本，对训练样本采用包括随机裁剪、旋转、随机噪声数据增强方法；局部空间定位检测模型使用监督学习的训练方式，损失函数如下所示：
51、；
52、其中，p(x)是模型输出，y是真实标签。
53、一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；
54、存储器，用于储存计算机程序；
55、处理器，用于执行存储器所储存的程序时，实现探地雷达空洞识别方法。
56、一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现探地雷达空洞识别方法。
57、本公开的有益效果在于：
58、本公开充分考虑探地雷达空洞识别数据时空特征提取、长程特征提取以及少样本学习问题的特点，精确识别空洞具体位置。
1.一种探地雷达空洞识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种探地雷达空洞识别方法，其特征在于，在雷达数据的b-scan方向，预设处理窗口，对处理窗口内的a-scan数据进行编码，提取时序信息，得到编码后的特征符号具体包括：
3.根据权利要求1所述的一种探地雷达空洞识别方法，其特征在于，将所述编码后的特征符号沿b-scan方向进行序列建模，捕获长程特征，采用oneclass异常检测法，得到空洞粗略位置信息具体包括：
4.根据权利要求1所述的一种探地雷达空洞识别方法，其特征在于，将所述空洞粗略位置信息的局部区域，采用深度卷积，准确提取空洞位置信息具体包括：
5.一种探地雷达空洞识别系统，其特征在于，包括：
6.根据权利要求5所述的一种探地雷达空洞识别系统，其特征在于，所述编码模块包括窗口选择模块，特征升维模块，自注意力模块，输出模块；
7.根据权利要求5所述的一种探地雷达空洞识别系统，其特征在于，所述符号序列异常检测模块包括序列特征提取模块和归一化流模块；
8.根据权利要求5所述的一种探地雷达空洞识别系统，其特征在于，所述局部空间定位检测模块包括定位卷积块和转置卷积；
9.一种探地雷达空洞识别系统的训练方法，其特征在于，包括以下步骤：
10.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；
11.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-4中任一项所述的探地雷达空洞识别方法。
