用于协同磁目标定位与模式识别的理论引导双流交互网络
《Engineering Applications of Artificial Intelligence》:Theory-guided dual-stream axial interactive network for collaborative magnetic target localization and pattern recognition
【字体:
大
中
小
】
时间:2026年09月19日
来源:Engineering Applications of Artificial Intelligence 9.0
编辑推荐:
# 摘要
磁异常检测被广泛应用于未爆弹药识别、地质勘探、生物医学等领域。现有研究通常将目标定位和模式识别(包括形状和姿态)作为独立任务处理。每项任务的研究也面临两个共同挑战:基于物理模型的解析反演方法在存在环境干扰时面临困难,而纯数据驱动模型很少融入经典理论指导。为解决这些
# 摘要
磁异常检测被广泛应用于未爆弹药识别、地质勘探、生物医学等领域。现有研究通常将目标定位和模式识别(包括形状和姿态)作为独立任务处理。每项任务的研究也面临两个共同挑战:基于物理模型的解析反演方法在存在环境干扰时面临困难,而纯数据驱动模型很少融入经典理论指导。为解决这些问题,本文提出了一种整合理论分析与深度学习的新方法。首先,通过理论分析,我们揭示了磁梯度张量和磁张量收缩对目标位置和模式识别的不同响应机制,两者都与目标的主轴方向密切相关。在这种结构化理论洞察的指导下,设计了一种双流轴向交互网络。该网络采用双流架构分别处理磁梯度张量和磁张量收缩。通过沿每个主轴方向独立编码和初步提取数据特征,网络有效避免了轴向混淆。此外,引入双向交叉注意力交互网络,在两个子网络特征之间建立动态的、内容感知的信息交换通道,使网络能够学习两类数量之间的非线性耦合关系,并最终将它们融合成具有判别力的联合特征表示。基于此联合特征表示,模型可以同时输出三维目标位置和模式识别信息。真实数据的实验结果表明了所提方法的竞争性性能,并进一步表明将领域知识与深度学习相结合具有实际应用潜力。
# 引言
磁异常检测(MAD)是一种被动地球物理遥感技术(Ghiasi等人,2023),通过感知铁磁性目标引起的地磁场畸变并提取磁场矢量(Yang等人,2024)、磁梯度张量(Wang和Chen,2024)和张量不变量(Yan等人,2024)等关键物理参数,实现非接触式目标检测。该技术已从传统的地质勘探(Zhou等人,2024)扩展到安全关键领域(Pan等人,2024),如油气管道磁通泄漏检测(B. Liu等人,2025)、水下目标检测(Zhang等人,2024)和未爆弹药清除(Yan等人,2025),并进一步延伸到生物医学(Alanazi等人,2025)等跨学科前沿领域,包括精确的脑肿瘤分类(Bernard等人,2025)和磁共振成像重建(Hou等人,2026)。
磁目标定位和模式识别构成了MAD技术框架中的两个核心任务。前者旨在确定目标的精确空间坐标,而后者专注于区分和识别目标的形状类别和姿态类别。然而,当前研究通常孤立地处理这两个任务,缺乏能够协同解决定位和识别问题的集成感知框架。这一局限性限制了MAD技术的整体感知能力和应用效果。
传统的磁目标定位方法主要分为三类。基于物理模型的解析方法通过建立测量磁参数与目标位置之间的明确解析关系来定位磁源。例如,Nara等人(2006)使用齐次函数的Euler反演推导了解析定位公式,提出同时采用磁梯度张量和磁场矢量来求解目标位置;Wiegert等人(2008)提出了一种基于磁梯度张量不变量空间变化的磁目标定位方法;Clark(2013)研究了使用归一化源强方法的磁目标定位技术,利用磁梯度张量的旋转变量求解目标位置;Liu等人(2022)使用两次独立测量的磁梯度张量数据实现了磁目标定位。然而,在实际检测场景中,测量环境常受时变干扰影响,导致磁参数与目标位置之间的真实关系呈现非线性特征。因此,直接应用基于理想假设的线性或简化解析模型可能会引入建模误差,从而影响定位精度。
非线性回归和迭代优化方法通过建立磁场参数与目标位置之间的非线性映射模型来实现定位。例如,Roger Alimi等人(2015)提出了一种基于遗传算法的磁目标定位算法。G. Liu等人(2025)利用张量不变量,并采用拟牛顿优化算法求解目标位置。然而,此类方法的表现严重依赖于优化初值的选择。
近年来,深度学习方法(Wang等人,2024)被引入MAD领域,利用其非线性拟合和自动特征提取能力(Shang等人,2025)。研究人员相继探索了卷积神经网络(CNNs)(Fan等人,2022)、双向长短期记忆网络(Chen等人,2024)和Transformers(Yuan等人,2025)等主流架构。这些模型对噪声和模型误差具有鲁棒性。然而,大多数现有方法采用纯数据驱动的方法,其网络架构融入的理论指导有限。
磁目标模式识别的核心任务是区分目标的形状类别和姿态类别。与定位任务类似,其技术发展也经历了物理解析方法、传统机器学习和深度学习方法等阶段。物理分析方法利用物理模型从测量的磁参数(如磁场矢量或磁梯度张量)中推断目标的固有属性,如磁矩和空间范围。这些推断出的属性通常与现有知识库结合以进行分类。例如,Yin和Zhang(2019)利用磁梯度张量系统的二维网格数据进行边缘检测以推断目标几何形状;Wiegert(2009)基于标量三角化和磁张量收缩的旋转不变性实现了目标分类。然而,在现实环境中,外部干扰导致目标磁场与观测参数之间的非线性映射关系,这使得基于简化物理模型的解析方法难以获得稳定准确的显式解。
为克服上述非线性反演挑战,引入了机器学习方法以增强模型拟合能力,实现了优于传统物理方法的识别性能(Bai等人,2026)。例如,Zheng等人(2019)将支持向量机应用于磁梯度张量特征进行磁目标分类。Q. Li等人(2022)采用核极限学习机进行磁目标模式识别,并分析了与目标形状和姿态相关的信息。然而,此类方法的表现严重依赖于人工设计的特征。特征构建过程不仅需要深入的领域专业知识,还会引入设计者的主观性。
利用其非线性拟合和特征学习能力(L. Li等人,2022),深度学习方法也被应用于目标模式识别任务。在磁目标模式识别方面,Han等人(2022)使用18层残差神经网络(ResNet-18)实现了磁目标分类;Wang等人(2022)将一维数据转换为二维表示,并采用基于区域的卷积神经网络对磁图像目标进行端到端分类;Wen等人(2024)采用双传感器差分策略抑制模型输入中的背景磁场干扰,并使用ResNet-50进行磁目标分类,获得了结果。然而,与磁目标定位任务类似,这些识别网络的设计也融入的理论指导有限。
综上所述,现有研究面临两个共同挑战。首先,大多数现有工作将目标定位和模式识别(形状分类/姿态估计)作为独立任务处理,仍然缺乏能够同时协同处理它们的统一框架。其次,基于磁偶极子模型(Hart等人,2001)的传统物理分析方法虽然计算方便,但可能无法完全捕捉由目标纵横比和几何形状等因素引起的高阶场分量(Han等人,2021),使得难以直接从信号中反演目标类别和方向(Mu等人,2020)。同时,深度学习方法可以自动发现复杂的非线性模式。然而,大多数现有的磁检测深度学习方法遵循纯数据驱动范式,其网络架构往往缺乏理论指导。
为应对上述挑战,本研究提出了一种理论指导的双流轴向交互网络。首先,从理论上分析了磁梯度张量和磁张量收缩对目标位置和模式(形状和姿态)的差异化、轴向依赖的响应机制。这种结构化的理论洞察被用作模型设计的原则。具体而言,该模型采用双流并行主干网络:磁梯度张量和磁张量收缩由独立的子网络处理,允许两种信息源被分离。此外,在提出的轴向理论指导下,在每个子网络中设计了方向特征提取子网络,每个方向子网络专门处理来自特定主轴方向(即±X、±Y和±Z)的输入数据分量。每个方向子网络沿其指定的空间轴进行特征分解和提取,这有助于避免异构特征的混淆,并允许模型专注于从每个方向学习具有判别力的模式信息。这种理论指导的双流解耦和轴向分解设计为后续特征交互提供了干净的特征表示。
随后,为了实现两个子网络之间的交互协作,设计了一个双向交叉注意力交互网络。该网络旨在在磁梯度张量子网络和磁张量收缩子网络的特征之间建立动态的、内容感知的信息交换通道。这种双向迭代交叉注意力机制不仅使两个子网络的特征能够相互验证和精化,还促进了两类数据之间非线性相关性的发现。最终,网络输出的联合特征表示具有高信息完整性和大幅增强的判别能力,为目标定位和模式识别提供了可靠的决策依据。本研究建立了一种整合理论指导和数据交互的新型协同感知方法,将结构化的理论洞察明确嵌入到网络架构中,并利用双向注意力交互网络实现异构特征的深度交互。因此,模型能够学习与经典磁场理论一致的映射关系,同时充分利用深度学习的非线性拟合和特征能力。
本文的主要贡献总结如下:
1. **理论指导的建模方法**:从理论上分析了磁梯度张量和磁张量收缩对目标参数(位置/姿态)的轴向响应机制。这些机制被明确编码为双流和方向子网络的设计原则,为联合学习任务提供了理论基础。
2. **基于双流交互架构的方法设计**:提出了一种理论指导的双流轴向交互网络。该架构包括用于特征解耦的方向子网络和用于深度交互的双向注意力交互网络。这些设计有助于联合特征表示的信息完整性和判别能力。
3. **联合任务集成和全面实验验证**:所提出的网络框架能够同时准确估计目标位置、形状和姿态。真实测量数据的实验结果验证了联合任务模型在准确性方面的优越性。
本文其余部分组织如下:
第2节介绍了本文的理论基础和网络架构。本节首先明确了磁梯度张量和磁张量收缩分别与目标位置和目标模式的关系,从而建立了理论基础。然后详细阐述了理论指导的双流轴向交互网络模型的整体结构。
第3节描述了实验设置。本节介绍了测量系统的配置、实验场景的设计和性能评价指标的定义。
第4节展示了实验结果和分析。本节对提出的方法性能进行了系统评估,并对实验结果进行了深入分析和讨论。
第5节总结全文。
本节总结了本研究开展的工作,并突出主要研究贡献与创新点。
**各小节摘要**
**磁梯度张量在目标定位与模式识别中的判别机制**
根据毕奥-萨伐尔定律,位于位置 r 处的磁偶极子产生的磁场矢量 B 可表示为:
B = (μ?/4π) · [3(M·r?)r? ? M] / r2
其中 M 为偶极子的磁矩矢量,μ? 为真空磁导率。
磁梯度张量定义为磁场矢量 B 沿正交方向的空间变化率,包含九个分量(Liu et al., 2024)。磁梯度张量矩阵 G 可表示为:
G = ?B = [[?B_x/?x, ?B_x/?y, ?B_x/?z], [?B_y/?x, ?B_y/?y, ?B_y/?z], [?B_z/?x, ?B_z/?y, ?B_z/?z]]
**实验装置与数据采集**
磁传感阵列由八个三轴磁强计(华顺 HS-MAG03MS)组成,以立方体构型排列,传感器间距为30 cm。每个磁强计的模拟电压输出连接至六个 National Instruments(NI)9239 模块,这些模块安装在 NI CompactDAQ 9189 以太网机箱内。每个 NI 9239 模块提供24位模数转换。CompactDAQ 9189 机箱通过以太网与主机计算机连接。
**联合任务综合性能评估**
在包含所有目标类型的测试集上,所提出的模型实现了7.2 cm的平均绝对误差(MAE)和8.6 cm的均方根误差(RMSE)。为进一步验证模型的定位鲁棒性,各目标形状的结果列于表2。
三种目标类型的MAE变化范围在1.2 cm以内,RMSE变化范围在1.5 cm以内。这表明所提出的模型在不同几何形状的目标上均保持了稳定的定位精度,未观察到因目标差异导致的显著性能下降。
**结论**
本研究建立了一个融合理论引导与特征交互的协同感知框架,在此基础上提出了一种理论引导的双子网络轴向交互网络。该方法的核心在于将结构化理论知识显式嵌入网络架构以提供引导,同时利用双向注意力交互网络实现异质特征间的交互。这使得模型能够学习映射关系。
**CRediT作者贡献声明**
韩明伟:撰写—初稿、方法论、形式分析、概念设计。张英子:软件、资源、项目管理。李路扬:验证、软件、形式分析。赵亮:验证、软件、形式分析。白瑞军:可视化、软件、数据管理。刘文毅:撰写—审稿与编辑、监督、资源、项目管理。
**利益冲突声明**
作者声明不存在可能影响本文所述工作的已知竞争性经济利益或个人关系。
**致谢**
本研究由山西省基础研究计划(编号:202503021211116)、国家自然科学基金(编号:U24A20288)、山西省基础研究计划(编号:20210302124622)、中国国家自然科学基金创新研究群体项目(编号:51821003)以及山西省研究生创新项目(编号:2024KY586)资助。
韩明伟 | 张英子 | 李路扬 | 赵亮 | 白瑞军 | 刘文毅
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号