本发明涉及计算机人工智能及地质图像处理和图像重建，尤其涉及一种地下目标图像的识别方法、装置、电子设备及存储介质。
背景技术：
1、虽然地质雷达（gpr）技术可以高分辨率快速地探测地下结构和目标物体，但在噪声环境下，gpr目标的识别面临着一系列挑战，包括噪声干扰、复杂背景等问题。
2、在gpr图像处理领域，最初采用了时间频率转换算法，以及基于像素处理的方法来处理地质雷达探测（gpr）图像。时间频率转换算法利用数学变换从gpr图像的时间或频率域中提取信息，但可能导致图像失真和模糊。后来出现的像素处理方法，例如l1、l2损失等，旨在消除图像中的噪声并保留图像边缘和纹理信息。然而，这些方法在处理复杂背景和强噪声时的效果有限，可能导致图像失真和信息缺失。
3、现有技术存在以下缺陷：
4、（1）图像质量问题，传统处理方法容易在复杂环境和强噪声情况下导致gpr图像的模糊失真，影响了目标的准确识别和定位。这些方法尤其在处理强噪声和复杂背景时表现不佳。
5、（2）目标特征提取困难，现有算法在提取复杂目标（如双层钢筋、空洞、裂缝等）的特征方面存在限制，导致对这些目标的识别性能较差。特征提取算法在处理这些复杂目标时性能有待提升，存在一定局限性。
6、（3）数据需求问题，深度学习方法对于标注数据的依赖较高，难以适应实际场景中的数据获取限制。同时，这些方法容易受到过拟合或欠拟合等问题的影响，限制了其在实际应用中的适用性。
技术实现思路
1、本发明实施例的主要目的在于提出一种地下目标图像的识别方法、装置、电子设备及存储介质，提高了地下目标图像的识别的准确性，并得到可靠性的地下目标图像的全面视角。
2、本发明的一方面提供了一种地下目标图像的识别方法，包括：
3、根据地下目标图像识别请求，获取目标gpr图像；
4、对所述目标gpr图像采用gpr图像识别模型进行检测，得到地下目标识别结果；
5、所述gpr图像识别模型的生成步骤包括：
6、获取训练数据，对所述训练数据采用基于cyclegan的神经网络进行训练，得到第一模型；
7、根据所述第一模型确定gpr b-scan图像对，所述gpr b-scan图像对包括第一去噪图像和仿真图像；
8、对所述gpr b-scan图像对执行垂直灰度梯度搜索，得到包括有识别目标的定位信息的第一图像，所述识别目标包括单目标或多目标；
9、对所述第一图像执行聚类分析，得到包括聚类数据的第二图像；
10、对所述第二图像通过调整所述垂直灰度梯度搜索及所述聚类分析的所需参数，执行目标检测，得到目标检测结果；
11、根据所述目标检测结果对所述第一模型进行优化，得到所述gpr图像识别模型。
12、根据所述的地下目标图像的识别方法，其中对所述训练数据采用基于cyclegan的神经网络进行训练，得到第一模型，包括：
13、从数据集中提取缺陷图像和第二去噪图像，以缺陷图像和第二去噪图像作为基于cyclegan的神经网络的输入，执行无监督对抗训练，其中数据集采用gpr b-scan图像对；
14、采用cyclegan损失函数、l1损失函数及ms-ssim损失函数以完成基于cyclegan的神经网络的训练，得到所述第一模型。
15、根据所述的地下目标图像的识别方法，其中gpr b-scan图像对执行垂直灰度梯度搜索，得到包括有识别目标的定位信息的第一图像，包括：
16、对所述gpr b-scan图像对进行灰度化处理，包括对所述gpr b-scan图像对的每个像素在垂直方向的灰度梯度值进行计算，得到相邻采样点的振幅；
17、将相邻采样点的振幅与预设梯度阈值进行对比，并将满足预设梯度阈值的局部最大点进行标记；
18、将局部最大点作为潜在识别目标并执行识别处理，得到包括有梯度点的所述第一图像。
19、根据所述的地下目标图像的识别方法，其中对所述第一图像执行聚类分析，得到包括聚类数据的第二图像，包括：
20、采用基于密度的空间聚类对梯度点进行分析，确定梯度点的局部密度，根据局部密度得到聚类数据点。
21、根据所述的地下目标图像的识别方法，其中对所述第二图像通过调整所述垂直灰度梯度搜索及所述聚类分析的所需参数，执行目标检测，包括：
22、对单目标或多目标进行目标检测时，通过调整参数权重，完成单目标的目标检测，得到目标检测结果，其中参数权重包括垂直灰度梯度搜索的阈值、聚类分析的区域半径和采样点个数。
23、根据所述的地下目标图像的识别方法，其中根据所述目标检测结果对所述第一模型进行优化，得到所述gpr图像识别模型，包括：
24、对目标检测结果进行评价指标，得到评价结果，通过评价结果对所述第一模型进行循环优化，得到gpr图像识别模型。
25、本发明实施例的另一方面提供了一种地下目标图像的识别装置，包括：
26、图像识别单元及模型生成单元，所述图像识别单元包括第一模块及第二模块，所述模型生成单元包括第三模块、第四模块、第五模块、第六模块、第七模块及第八模块；
27、所述第一模块用于根据地下目标图像识别请求，获取目标gpr图像；
28、所述第二模块用于对所述目标gpr图像采用gpr图像识别模型进行检测，得到地下目标识别结果；
29、所述模型生成单元用于执行gpr图像识别模型的训练：
30、所述第三模块用于获取训练数据，对所述训练数据采用基于cyclegan的神经网络进行训练，得到第一模型；
31、所述第四模块用于根据所述第一模型确定gpr b-scan图像对，所述gpr b-scan图像对包括第一去噪图像和仿真图像；
32、所述第五模块对所述gpr b-scan图像对执行垂直灰度梯度搜索，得到包括有识别目标的定位信息的第一图像，所述识别目标包括单目标或多目标；
33、所述第六模块用于对所述第一图像执行聚类分析，得到包括聚类数据的第二图像；
34、所述第七模块用于对所述第二图像通过调整所述垂直灰度梯度搜索、所述聚类分析及所述分割的所需参数，执行目标检测，得到目标检测结果；
35、所述第八模块根据所述目标检测结果对所述第一模型进行优化，得到所述gpr图像识别模型。
36、本发明实施例的另一方面提供了一种电子设备，包括处理器以及存储器；
37、所述存储器用于存储程序；
38、所述处理器执行所述程序实现如前文所描述的方法。
39、本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前文所描述的方法。
40、本发明的有益效果为：采用基于cyclegan的无监督网络，并基于cyclegan损失、l1损失及ms-ssim损失结合，对于地下检测图像的亮度、对比度和结构等多个因素进行考虑，提高了图像的识别质量，采用多特征聚类分析方法对图像进行垂直灰度梯度搜索、聚类分析及多目标检测等处理，提高了图像中目标检索效率及定位精度，且降低了虚警率。
1.一种地下目标图像的识别方法，其特征在于，包括：
2.根据权利要求1所述的地下目标图像的识别方法，其特征在于，所述对所述训练数据采用基于cyclegan的神经网络进行训练，得到第一模型，包括：
3.根据权利要求1所述的地下目标图像的识别方法，其特征在于，所述对所述gpr b-scan图像对执行垂直灰度梯度搜索，得到包括有识别目标的定位信息的第一图像，包括：
4.根据权利要求3所述的地下目标图像的识别方法，其特征在于，所述对所述第一图像执行聚类分析，得到包括聚类数据的第二图像，包括：
5.根据权利要求1所述的地下目标图像的识别方法，其特征在于，所述对所述第二图像通过调整所述垂直灰度梯度搜索及所述聚类分析的所需参数，执行目标检测，包括：
6.根据权利要求5所述的地下目标图像的识别方法，其特征在于，所述根据所述目标检测结果对所述第一模型进行优化，得到所述gpr图像识别模型，包括：
7.一种地下目标图像的识别装置，其特征在于，包括：
8.一种电子设备，其特征在于，包括处理器以及存储器；
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1-6中任一项所述的地下目标图像的识别方法。
