CN109782274A - 一种基于探地雷达信号时频统计特征的水损害识别方法 - Google Patents

Abstract

本发明公开了一种基于探地雷达信号时频统计特征的水损害识别方法，1.对采样路段进行GPR数据采集，将水损害和正常数据分别标记；2.对信号滤波；确定水损害的特征；3.将信号导出为矩阵，将水损害和正常样本合并构建训练样本集和测试样本集；4.选取时域特征参数和频域特征参数并计算；5.进行分布统计，找到明显分布特性的特征作为敏感特征值；6.敏感特征值归一化处理；7.对敏感特征值进行PCA主成分分析进行降维处理；8.构建水损害的分类模型；9.利用训练好的模型对道路水损害进行识别。解决了探地雷达信号解释依靠人工经验费时费力，主观性强的问题；可以用大量的信息来评价水损害，提高水损害识别准确性，建立的水损害分类模型可以用于沥青路面水损害的智能识别，提高路面缺陷检测的效率。

Description

一种基于探地雷达信号时频统计特征的水损害识别方法

技术领域

本发明属于沥青道路质量检测领域，涉及一种基于探地雷达信号时频统计特征的水损害识别方法。

背景技术

沥青路面具有施工速度快、行车平稳舒适、通车时间短等优点，然而各种各样初期损害的出现严重影响着沥青路面的使用，其中水损害是其中常见较为严重的一项。沥青路面不可能完全隔水，当水从缝隙或其他路径进入沥青路面结构内部会使沥青粘附性减小，由于集料表面对水比对沥青有更强的吸附力，长期接触下沥青会从集料表面剥落，加上行车荷载的影响会使水产生流动，产生动水压力进而使剥落的沥青流失，被裹挟流动出沥青路面内部。随之而来的就会使路面出现松散、剥离、坑洞等病害。

在沥青路面水损害的检测方法主要有探地雷达法、红外法、超声波法等。红外检测法利用水损害区域和正常路面在阳光照射下温度差异原理来测量水损，必须在特定条件下进行，如在含水区域吸收太阳辐射能量后温度与正常路面温度不同才行，测量结果不稳定，且无法判断水损害的深度位置；超声波法穿透强，由于与地面耦合性不好，受干扰较大；探地雷达可实现沥青路面病害的无损检测，图谱显示直观，但是现有沥青路面测量大多采用空气耦合天线，向地面发射能量小，采样间距大，分辨率不高，未有成功检测出沥青路面水损害的报道，因此迫切需要建立水损害缺陷的检测方法。

目前，雷达图谱解释依靠专家经验，培养相关的专家耗费人力财力，并且人力在识别图谱时带来的是耗时耗力，现有工程中水损害检测案例以空耦天线为主，主要用于测量路面的厚度，由于空气对雷达信号的衰减，以及采样间距较大的问题，造成空耦天线的分辨率不高，导致人力对雷达图谱的解释更加困难，影响识别效果。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供一种基于探地雷达信号时频统计特征的水损害识别方法，解决了现有探地雷达信号解释依靠人工经验费时费力，主观性强的问题。

为达到上述目的，本发明采用以下技术方案予以实现：

一种基于探地雷达信号时频统计特征的水损害识别方法，包括以下步骤；

步骤一，数据采集：选取部分含水损害的路段作为采样路段，使用探地雷达对采样路段进行GPR数据采集，采集过程中，在GPR数据采集软件里对路面发生水损害的路段进行标记；

步骤二，GPR数据的预处理：对GPR数据滤波，包括扣除直流分量、静矫正切除、去背景和滑动平均；

步骤三，步骤一的标记区域且其雷达图谱的B-scan图处呈现高亮区域定义为水损害区域，将该区域作为水损害特征，用于识别其他水损害区域，其余区域为正常路面；

步骤四，数据集建立：将处理后的GPR数据导出为矩阵，矩阵元素为雷达波形数据，矩阵维数为n×m，n为GPR数据预处理后每一道波形的采样点数，m为GPR采集的总样本数量，将水损害和正常路面样本合并构建用于训练用的训练样本集和测试样本集；

步骤五，时频特征提取：从训练样本集选取若干个时域特征参数和若干个频域特征参数，从测试样本集选取相同数量的时域特征参数和频域特征参数，对特征参数进行计算，得到二维矩阵；

步骤六，敏感特征提取：对步骤四中的特征参数分别进行分布统计，找到具有明显分布特性的特征作为敏感特征值；

步骤七，归一化处理：对步骤五中的敏感特征值进行归一化处理；

步骤八，PCA主成分分析：对归一化后的敏感特征值进行PCA主成分分析进行降维处理，并取前b个贡献率之和达到95％的主要成分PCs；

步骤九，模型建立：构建分类模型，并利用PCA分析后的主成分PCs作为输入量，对分类模型进行训练，构建水损害的分类模型；

步骤十，水损害识别：将剩余道路路段的GPR数据输入至步骤四中，作为时频特征的提取对象，重复步骤四至步骤七，将步骤七中得到的主要成分数据PCs输入至训练好的模型中，对新路段的水损害进行识别，模型输出结果为正常或水损害。

优选的，步骤一中，采用地面耦合高频天线进行路面无损探伤，探地雷达的地面耦合天线频率≥1.6GHz，采样间距≤50mm/道。

优选的，步骤二中，对雷达数据进行一维滤波进行去直流漂移；

静矫正切除仅扣除地面以上的信号，取路面直达波的第一个最大峰值；

背景去除采用去均值法，取各采样位置上同一时刻的采样点得均值作为背景杂波信息从原始波形中去除。

优选的，步骤三中，提取出a道A-scan数据，训练集和测试集各a/2道，其中每部分包含水损害和正常数据各a/4道。

进一步，步骤四中，以单道A-scan为识别单位，对步骤三中的数据集其进行时频域统计量计算，选取16个时域特征参数P1-P16，和12个频域特征参数P17-P28，计算公式下所示；

P₃＝max(|xi|)

P₉＝max(x)-min(x)

得到一个28×a的二维矩阵，其中x(i)是时域信号序列，i＝1，2，…，n，n是预处理后的单道采样点数；s(k)是信号x(i)的频谱，k＝1，2，…，M，M是谱线总数；f_k是第k条谱线的频率值。

再进一步，步骤五中，每一个特征值对应a个数据，对计算的28个特征值各自进行分布直方图统计，找到具有明显分布特征的特征值。

再进一步，步骤六中，将步骤五中的敏感特征值归一化到0和1之间。

再进一步，步骤八中，正常数据标定为0，水损害数据标定为1，将a道A-scan数据按照1:1分为两部分，其中训练集a/2道数据，测试集a/2道数据。

再进一步，将模型预测结果0和1按照雷达图谱的原采样点坐标，以雷达图谱为背景基础，进行绘图，其中1代表了水损害，0代表了正常，最终在雷达图谱上表现为若干线框，线框区域与水损害区域重合部分越多，则模型的可行性以及准确性越高。

优选的，根据正常数据实际测试集与预测测试集之比，和水损害数据的实际测试集与预测测试集之比，得到正常数据的识别率和水损害数据的识别率，取平均值为总体识别率，当总体识别率越高，表明模型得到的结果越精确。

与现有技术相比，本发明具有以下有益效果：

本发明提出探地雷达信号的时频统计特征提取方法，并借助统计特征方法筛选了敏感特征，建立分类模型，可用于直接评价沥青路面水损，解决了现有探地雷达信号解释依靠人工经验费时费力，主观性强的问题；另外，本方法可以用大量的信息来评价水损害，提高水损害识别准确性。建立的水损害分类模型可以实现沥青路面水损害区域的自动识别，为路面缺陷智能化检测提供基础。同时，本发明提出的分类模型建立方法，可以为GPR在其他领域的智能化检测提供基础。

进一步，本发明提出用大于1.6GHz的地面耦合高频天线检测路面水损害，相比空气耦合天线，能发射更强的能量进入路面，且吸收更强的反射信号；同时以更密的采样间距增强信号特征，实现了沥青路面水损害的检测，实现了水损害区域(长度和深度)的无损检测，可以为养护部门的路面预养护和精准养护提供依据；

附图说明

图1是本发明算法流程图；

图2是含水位置雷达图谱；

图3是P7特征分布直方图；

图4是PCA分析累计贡献率曲线图；

图5是kmeans聚类分析结果图；

图6是BP神经网络预测结果图；

图7是预测结果在雷达谱图上的具现图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

参见图1所示，本发明所述方法为以下步骤：

步骤一，数据采集：选取部分含水损害的路段作为采样路段，使用探地雷达对采样路段进行GPR数据采集，具体为采用地面耦合高频天线进行路面无损探伤，探地雷达的地面耦合天线频率≥1.6GHz，采样间距≤50mm/道，采集过程中，在GPR数据采集软件里对路面发生水损害的路段进行标记。

步骤二，GPR数据的预处理：对数据滤波，包括扣除直流分量、静矫正切除、去背景和滑动平均。

由于GPR系统电路偏移以及接受的波为周围物体反射波的叠加，会导致波形发生零漂，所以对雷达数据进行一维滤波进行去直流漂移。

静矫正切除也叫做去除空气层，由于探地雷达是根据反射波信号的延时来确定目标体深度的，反射波信号的时间计算影响了深度计算的精度，所以非常有必要对信号的零点进行调整，也就是对地面的初至波进行定位，根据地面表层厚度及下层的电阻率和电导率而定，本实施例优选直达波的第一个最大峰值。

背景去除采用去均值法，取各采样位置上同一时刻的采样点得均值作为背景杂波信息从原始波形中去除，这样做可以对直达波以及其他杂波进行抑制，凸显目标信号。

滑动平均主要是为了去除高频白点噪声，属于一种图像处理技术。

步骤三，依据现场采集水损害的比较确定水损害的特征，根据GPR雷达波传输机理，GPR波经过水损害区域后会产生强烈反射，增大GPR波幅值，水损害区域的一般幅值为正，在B-scan图中出现高亮区域，同时通过步骤一的标记区域与雷达图谱高亮区域对应，确定雷达图谱上水损害的特征，两者重合区域为水损害区域，据此区分水损害区域和正常路面，筛选水损害样本和正常路面的样本集，用于分类模型的训练。

步骤四，数据集建立：将处理后的GPR信号导出为矩阵，矩阵元素为雷达波形数据，矩阵维数为n×m，n为GPR数据预处理后每一道波形的采样点数，m为GPR采集的总样本数量，将水损害和正常样本合并构建用于分类模型训练用的训练样本集和测试样本集。

提取出a道A-scan数据，训练集和测试集各a/2道，其中每部分包含水损害和正常数据各a/4道，本实施例以提取出6600道A-scan数据为示例，训练集和测试集各3300道，其中每部分包含水损害和正常数据各1650道。

步骤五，时频特征提取：以单道A-scan为识别单位，从训练样本集选取若干个时域特征参数和若干个频域特征参数，从测试样本集选取相同数量的时域特征参数和频域特征参数，本实施例优选的选取16个时域特征参数P1-P16，和12个频域特征参数P17-P28，计算公式如表1所示。

表1

其中x(i)是时域信号序列，i＝1，2，…，n，n是单道采样点数；s(k)是信号x(i)的频谱，k＝1，2，…，M，M是谱线数；f_k是第k条谱线的频率值。

步骤六，敏感特征提取：对步骤四中的特征参数分别进行分布统计，每一个特征值对应6600个数据，对计算的28个特征值各自进行分布直方图统计，找到具有明显分布特性的特征作为敏感特征值，如图3所示为一个敏感特征，通过分析得到11个敏感特征。

步骤七，归一化处理：归一化处理是十分有必要的，大的特征量会将小的特征量所掩盖，因此对步骤五中的敏感特征值进行归一化处理，本实施例中将11个敏感特征归一化到0和1之间。

步骤八，PCA主成分分析：对归一化后的敏感特征值进行PCA主成分分析进行降维处理，并取前b个贡献率之和达到95％的主要成分PCs，本实施例中得到主分量为5个。

步骤九，模型建立：构建分类模型，分类模型既可以为BP神经网络分类器，还可以用于其他分类模型，比如支持向量机(SVM)等其余模型。

本实施例以BP神经网络分类模型为例，利用PCA分析后的主要成分PCs作为输入量对分类模型进行训练，构建水损害的分类模型；正常数据标定为0，水损害数据标定为1作为模型输出量，将6600道A-scan数据按照1:1分为两部分，其中训练集3300道数据，测试集3300道数据。

步骤十，水损害识别：将剩余道路路段的GPR数据输入至步骤四中，作为时频特征的提取对象，重复步骤四至步骤七，将步骤七中得到的主要成分数据PCs输入至训练好的模型中，对新路段的水损害进行识别，模型输出结果为正常或水损害。

对模型输出结果进行验证，根据正常数据实际测试集与预测测试集之比，和水损害数据的实际测试集与预测测试集之比，得到正常数据的识别率和水损害数据的识别率，取平均值为总体识别率，当总体识别率越高，表明模型得到的结果越精确，从而对模型结果的准确率进行判断；如图6所示，本实施例结果显示，正常数据的识别率达到97.2％，为1604/1650，水损害数据的识别率达到99.6％，为1645/1650，总体识别率达到98.45％。

此外利用主分量重构特征集，对其进行Kmeans聚类分析，如图5所示，可以发现利用本发明筛选后的特征可以对水损害和正常数据进行很好的区分。

将bp神经网络预测结果0、1按照雷达图谱的原采样点坐标，以雷达图谱为背景基础，进行绘图，其中1代表了水损害，0代表了正常，最终在雷达图谱上表现为若干线框。如图7所示，图中高亮区域已知为水损害，模型判定为1，灰色背景区域已知为正常，模型判断为0，线框区域与高亮区域基本重合，由此说明了本发明识别方法的可行性以及准确性是有保障的。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (10)

1.一种基于探地雷达信号时频统计特征的水损害识别方法，其特征在于，包括以下步骤；

步骤一，数据采集：选取部分含水损害的路段作为采样路段，使用探地雷达对采样路段进行GPR数据采集，采集过程中，在GPR数据采集软件里对路面发生水损害的路段进行标记；

步骤二，GPR数据的预处理：对GPR数据滤波，包括扣除直流分量、静矫正切除、去背景和滑动平均；

步骤三，步骤一的标记区域且其雷达图谱的B-scan图处呈现高亮区域定义为水损害区域，将该区域作为水损害特征，用于识别其他水损害区域，其余区域为正常路面；

步骤四，数据集建立：将处理后的GPR数据导出为矩阵，矩阵元素为雷达波形数据，矩阵维数为n×m，n为GPR数据预处理后每一道波形的采样点数，m为GPR采集的总样本数量，将水损害和正常路面样本合并构建用于训练用的训练样本集和测试样本集；

步骤五，时频特征提取：从训练样本集选取若干个时域特征参数和若干个频域特征参数，从测试样本集选取相同数量的时域特征参数和频域特征参数，对特征参数进行计算，得到二维矩阵；

步骤六，敏感特征提取：对步骤四中的特征参数分别进行分布统计，找到具有明显分布特性的特征作为敏感特征值；

步骤七，归一化处理：对步骤五中的敏感特征值进行归一化处理；

步骤八，PCA主成分分析：对归一化后的敏感特征值进行PCA主成分分析进行降维处理，并取前b个贡献率之和达到95％的主要成分PCs；

步骤九，模型建立：构建分类模型，并利用PCA分析后的主成分PCs作为输入量，对分类模型进行训练，构建水损害的分类模型；

步骤十，水损害识别：将剩余道路路段的GPR数据输入至步骤四中，作为时频特征的提取对象，重复步骤四至步骤七，将步骤七中得到的主要成分数据PCs输入至训练好的模型中，对新路段的水损害进行识别，模型输出结果为正常或水损害。

2.根据权利要求1所述的一种基于探地雷达信号时频统计特征的水损害识别方法，其特征在于，步骤一中，采用地面耦合高频天线进行路面无损探伤，探地雷达的地面耦合天线频率≥1.6GHz，采样间距≤50mm/道。

3.根据权利要求1所述的一种基于探地雷达信号时频统计特征的水损害识别方法，其特征在于，步骤二中，对雷达数据进行一维滤波进行去直流漂移；

静矫正切除仅扣除地面以上的信号，取路面直达波的第一个最大峰值；

背景去除采用去均值法，取各采样位置上同一时刻的采样点得均值作为背景杂波信息从原始波形中去除。

4.根据权利要求1所述的一种基于探地雷达信号时频统计特征的水损害识别方法，其特征在于，步骤三中，提取出a道A-scan数据，训练集和测试集各a/2道，其中每部分包含水损害和正常数据各a/4道。

5.根据权利要求4所述的一种基于探地雷达信号时频统计特征的水损害识别方法，其特征在于，步骤四中，以单道A-scan为识别单位，对步骤三中的数据集其进行时频域统计量计算，选取16个时域特征参数P1-P16，和12个频域特征参数P17-P28，计算公式下所示；

P₃＝max(|x_i|)

P₉＝max(x)-min(x)

得到一个28×a的二维矩阵，其中x(i)是时域信号序列，i＝1，2，…，n，n是预处理后的单道采样点数；s(k)是信号x(i)的频谱，k＝1，2，…，M，M是谱线总数；f_k是第k条谱线的频率值。

6.根据权利要求5所述的一种基于探地雷达信号时频统计特征的水损害识别方法，其特征在于，步骤五中，每一个特征值对应a个数据，对计算的28个特征值各自进行分布直方图统计，找到具有明显分布特征的特征值。

7.根据权利要求6所述的一种基于探地雷达信号时频统计特征的水损害识别方法，其特征在于，步骤六中，将步骤五中的敏感特征值归一化到0和1之间。

8.根据权利要求7所述的一种基于探地雷达信号时频统计特征的水损害识别方法，其特征在于，步骤八中，正常数据标定为0，水损害数据标定为1，将a道A-scan数据按照1:1分为两部分，其中训练集a/2道数据，测试集a/2道数据。

9.根据权利要求8所述的一种基于探地雷达信号时频统计特征的水损害识别方法，其特征在于，将模型预测结果0和1按照雷达图谱的原采样点坐标，以雷达图谱为背景基础，进行绘图，其中1代表了水损害，0代表了正常，最终在雷达图谱上表现为若干线框，线框区域与水损害区域重合部分越多，则模型的可行性以及准确性越高。

10.根据权利要求1所述的一种基于探地雷达信号时频统计特征的水损害识别方法，其特征在于，根据正常数据实际测试集与预测测试集之比，和水损害数据的实际测试集与预测测试集之比，得到正常数据的识别率和水损害数据的识别率，取平均值为总体识别率，当总体识别率越高，表明模型得到的结果越精确。