CN110736985A - 极点特征聚类的公路隐藏病害识别系统及其实施方法 - Google Patents

极点特征聚类的公路隐藏病害识别系统及其实施方法 Download PDF

Info

Publication number
CN110736985A
CN110736985A CN201910921193.7A CN201910921193A CN110736985A CN 110736985 A CN110736985 A CN 110736985A CN 201910921193 A CN201910921193 A CN 201910921193A CN 110736985 A CN110736985 A CN 110736985A
Authority
CN
China
Prior art keywords
pole
feature
platform
echo
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910921193.7A
Other languages
English (en)
Other versions
CN110736985B (zh
Inventor
周丽军
刘博�
吴宏涛
孟颖
孙贝
薛春明
周晓旭
梁玉荣
段英杰
李永胜
刘晓
霍尚斌
于明汇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanxi Transportation Research Institute Group Co.,Ltd.
Original Assignee
Shanxi Transportation Technology Research and Development Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanxi Transportation Technology Research and Development Co Ltd filed Critical Shanxi Transportation Technology Research and Development Co Ltd
Priority to CN201910921193.7A priority Critical patent/CN110736985B/zh
Publication of CN110736985A publication Critical patent/CN110736985A/zh
Application granted granted Critical
Publication of CN110736985B publication Critical patent/CN110736985B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/885—Radar or analogous systems specially adapted for specific applications for ground probing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/28—Details of pulse systems
    • G01S7/285—Receivers
    • G01S7/292—Extracting wanted echo-signals
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/411—Identification of targets based on measurements of radar reflectivity
    • G01S7/412—Identification of targets based on measurements of radar reflectivity based on a comparison between measured values and known or stored values
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification

Abstract

本发明提供了一种极点特征聚类的公路隐藏病害识别系统及其实施方法，所述识别系统包括数据采集系统、数据预处理平台、极点特征聚类分析平台和输出平台。本发明提供的极点特征聚类分析设计方案，实现了公路隐藏病害的自动识别，有效解决了地质雷达无损检测中回波数据量大、人工解读困难等问题。本发明采用奇异值分解方法对回波信号进行降维，而且去除了噪声干扰。同时，本发明通过解卷积过程获取目标的冲激响应，实现了标识目标属性的极点特征提取，对不同属性目标进行聚类分析，构建了极点特征数据库，有效识别了不同介电属性的公路隐藏病害，解决了地质雷达数据解析难以实现自动化的问题。

Description

极点特征聚类的公路隐藏病害识别系统及其实施方法
技术领域
本发明涉及信号处理技术领域，尤其涉及一种极点特征聚类的公路隐藏病害识别系统及其实施方法。
背景技术
随着我国交通基础建设的迅速发展，公路里程不断增大，而由于公路在使用过程中受荷载作用、气候条件变化、地下工程施工等的影响，使得公路出现疏松、裂缝、空洞等隐藏病害，若不引起重视，将逐步发展成道路坍塌，危害人民的生命财产安全。目前对公路下隐藏病害的无损探测主要依赖于探地雷达(GPR)技术，即向地下空间发射高频电磁波，利用地下物体与环境之间的介电差异对接收回波进行处理，提取地下介质分布情况。应用最广泛的GPR探测技术主要是基于B-Scan扫描，通常得到的扫描图像是基于同一场景的多方位多角度测量，并根据周围介电环境重构目标像从而得到目标的相对位置，但是并不能通过信号幅值或双曲线峰值区分不同材质的目标。而且仅通过B-scan图像很难对目标进行精确的解析，识别难度大，主观因素高。
近年来，开始有学者将人工智能技术用在探地雷达公路病害检测中。如建立人工神经网络多层模型，用于道路病害的自动诊断；利用深度字典学习方法处理探地雷达回波信号，区分多个不同形状的掩埋目标；将向量量化神经网络方法用于铁路路基的病害识别中；利用聚类的方法进行雷达图像异常边缘的自动识别。这些基于B-scan图像的方法还主要集中在物理模型中，多数是识别雷达图像的双曲线特征，对目标的介电属性识别方面的进展还十分有限。有学者通过不同核匹配追踪算法能有效识别水害和空洞，可识别城市道路土基病害类别，只是基于B-scan图像的检测在测线长度增加时，算法耗时也响应增加。
随着时域脉冲雷达的发展，基于雷达回波瞬态响应的目标识别方法得到了较大的发展，相比于成像技术，其优势在于仅需要目标时域测量的单个瞬态响应。根据SEM技术，目标依赖于其瞬态响应回波晚时部分的复自然谐振(CNR)，即极点特征，其分布规律只与目标属性有关，此性能能够很好的用于目标识别领域。近年来，这些技术也已经应用于GPR探测的地下目标识别，如利用极点差异识别不同形状或不同方位的目标。利用瞬态谐振现象估计与识别地下目标，往往需要得到目标的冲激响应；从时域积分方程的角度研究了目标的脉冲响应以及其所包含的内部谐振电流，并指出目标的瞬态散射特性可以完全由其脉冲响应表示；利用解卷积方法获取目标的冲激响应，并对冲激响应进行奇异值分解，获取目标晚时响应的CNR，研究半空间介电目标的谐振行为；基于瞬态响应的内、外部谐振分别研究了CNR与目标几何属性的关系。但是上述文献尚缺乏谐振与目标介电特征的深入研究。
综上所述，由于目前大多数地质雷达数据解析依赖于B-scan图像，使得数据采集过程复杂，数据量大，杂波干扰多，现行的数据解析主要是通过B-scan图像中的双曲线峰值判断目标位置，精度低；并且近利用双曲线峰值无法区分不同材质的目标，难以对不同介质目标进行识别。
发明内容
为解决现有技术存在的局限和缺陷，本发明提供一种极点特征聚类的公路隐藏病害识别系统，包括数据采集平台、数据预处理平台、极点特征聚类分析平台和输出平台；
所述数据采集平台包括地质雷达、雷达支架、数据采集控制装置，所述地质雷达通过车载方式或者悬挂方式设置在所述数据采集平台上，以使所述地质雷达与地面之间形成预设距离，所述数据采集平台形成平面波信号对病害数据进行采集；
所述数据预处理平台包括滤波模块、自适应增益调整模块、奇异值降维模块，所述数据预处理平台对所述病害数据进行初步处理，获取奇异值分解的特征向量和特征值；
所述极点特征聚类分析平台包括特征空间模型模块、聚类算法模块、极点特征数据库模块，所述极点特征聚类分析平台使用最优特征值与特征向量重构回波信号，从中提取冲激响应，根据所述冲激响应计算极点，构建极点特征空间，通过聚类算法获得不同病害的特征空间分布信息，建立极点特征数据库；
所述输出平台显示病害识别界面，输出病害在极点特征空间之中的聚类类别和介电属性。
可选的，所述数据采集平台还包括车载装置、里程标定装置，所述车载装置的内部设置有容纳空间，所述容纳空间用于放置数据采集与处理系统，各个装置之间使用螺钉进行连接与固定，所述里程标定装置固定设置在轮胎上，所述雷达支架与所述车载装置使用螺钉进行连接与固定，所述雷达支架与所述地质雷达使用塑料螺钉进行连接与固定。
可选的，所述滤波模块用于滤除高频杂波，保留中心频率附近的回波数据；
所述自适应增益调整模块用于根据整体回波能量调整回波之中各个部分的增益，增强目标回波部分的增益，减弱直达波部分的增益；
所述奇异值降维模块用于对信号进行奇异值分解，选择最优特征值和对应的特征向量。
可选的，所述平面波到达地面的覆盖面积的计算公式如下：
s＝(a+2×0.7×tan θ)×(b+2×0.7×tan θ) (1)
其中，a为雷达的长，b为雷达的宽，θ为雷达天线波瓣角度。
可选的，所述地质雷达与地面之间的预设距离为29厘米至50厘米，或者所述地质雷达与地面之间的预设距离为70厘米至79厘米。
本发明还提供一种极点特征聚类的公路隐藏病害识别系统的实施方法，所述识别系统包括数据采集平台、数据预处理平台、极点特征聚类分析平台和输出平台，所述数据采集平台包括地质雷达、雷达支架、数据采集控制装置，所述数据预处理平台包括滤波模块、自适应增益调整模块、奇异值降维模块，所述极点特征聚类分析平台包括特征空间模型模块、聚类算法模块、极点特征数据库模块；
所述实施方法包括：
所述地质雷达通过车载方式或者悬挂方式设置在所述数据采集平台上，以使所述地质雷达与地面之间形成预设距离，所述数据采集平台形成平面波信号对病害数据进行采集；
所述数据预处理平台对所述病害数据进行初步处理，获取奇异值分解的特征向量和特征值；
所述极点特征聚类分析平台使用最优特征值与特征向量重构回波信号，从中提取冲激响应，根据所述冲激响应计算极点，构建极点特征空间，通过聚类算法获得不同病害的特征空间分布信息，建立极点特征数据库；
所述输出平台显示病害识别界面，输出病害在极点特征空间之中的聚类类别和介电属性。
可选的，所述数据预处理平台对所述病害数据进行初步处理，获取奇异值分解的特征向量和特征值的步骤包括：
所述滤波模块滤除高频杂波，保留中心频率附近的回波数据；
所述自适应增益调整模块根据整体回波能量调整回波之中各个部分的增益，增强目标回波部分的增益，减弱直达波部分的增益；
所述奇异值降维模块对信号进行奇异值分解，选择最优特征值和对应的特征向量。
可选的，所述数据采集平台形成平面波信号对病害数据进行采集的步骤之前包括：
调整所述地质雷达的方位角，直至回波峰值最大，以使雷达天线与隐藏病害处于共极化方向，所述方位角的计算公式如下：
Figure BDA0002217603580000041
可选的，所述奇异值降维模块对信号进行奇异值分解，选择最优特征值和对应的特征向量的步骤包括：
所述奇异值降维模块对信号进行奇异值分解，以获得特征值，所述特征值的计算公式如下：
Figure BDA0002217603580000051
其中，对回波数据y(t)构造Hankel矩阵Y，对角矩阵Σ由Y的特征值组成；
根据从大到小的顺序对特征值进行排列，获得每个特征值和最大特征值的比值；
选择比值大于0.01的特征值，确定大特征值的个数；
根据确定的大特征值获得对应的特征向量。
可选的，所述极点特征聚类分析平台使用最优特征值与特征向量重构回波信号，从中提取冲激响应，根据所述冲激响应计算极点，构建极点特征空间的步骤包括：
采集没有目标的背景回波信号；
使用解卷积法提取冲激响应，卷积过程如下：
yb(t)*h(t)＝yt(t) (4)
其中，背景回波信号为yb(t)，目标回波响应为yt(t)，冲激响应为h(t)；
将冲激响应h(t)写成如下形式：
Figure BDA0002217603580000052
其中，hop(t)表示冲激响应的早时响应，上式右边第二部分则是冲激响应的晚时响应，t0为晚时响应的开始时刻，Ri表示第i个谐振态的复幅值，si＝αi+j2πfi表示第i个谐振态的极点，αi与fi分别为衰减因子和谐振频率；
根据衰减因子αi与谐振频率fi形成极点特征空间如下：
[A，F]＝{(α1，f1)，(α2，f2)，...，(αM，fM)} (6)
其中，M为重构数据获得的可用极点个数。
本发明具有下述有益效果：
本发明提供了一种极点特征聚类的公路隐藏病害识别系统及其实施方法，所述识别系统包括数据采集系统、数据预处理平台、极点特征聚类分析平台和输出平台。本发明提供的极点特征聚类分析设计方案，实现了公路隐藏病害的自动识别，有效解决了地质雷达无损检测中回波数据量大、人工解读困难等问题。本发明采用奇异值分解方法对回波信号进行降维，而且去除了噪声干扰。同时，本发明通过解卷积过程获取目标的冲激响应，实现了标识目标属性的极点特征提取，对不同属性目标进行聚类分析，构建了极点特征数据库，有效识别了不同介电属性的公路隐藏病害，解决了地质雷达数据解析难以实现自动化的问题。
附图说明
图1为本发明实施例一提供的极点特征聚类的公路隐藏病害识别系统的结构示意图。
图2为本发明实施例一提供的极点特征聚类的公路隐藏病害识别系统的整体搭建示意图。
图3为本发明实施例一提供的极点特征聚类的公路隐藏病害识别系统的空气裂缝重构回波的误差分布图。
图4为本发明实施例一提供的极点特征聚类的公路隐藏病害识别系统的充水裂缝重构回波的误差分布图。
图5为本发明实施例二提供的极点特征聚类的公路隐藏病害识别系统的极点特征空间分布图。
图6为本发明实施例二提供的极点特征聚类的公路隐藏病害识别系统的极点聚类分布与测试样本聚类结果图。
其中，附图标记为：1、车载装置；2、地质雷达；3、里程标定装置；4、数据采集控制系统；5、雷达支架；6、数据预处理系统；7、极点特征聚类分析平台；8、输出平台；9、背景的极点分布；10、空气裂缝的极点分布；11、充水裂缝的极点分布；12、聚类的类别①；13、聚类的类别②；14、聚类的类别③；15、聚类的类别④；16、属于类别①的极点；17、属于类别②的极点；18、属于类别③的极点；19、属于类别④的极点；20、测试样本空气裂缝的极点分布；21、测试样本充水裂缝的极点分布。
具体实施方式
为使本领域的技术人员更好地理解本发明的技术方案，下面结合附图对本发明提供的极点特征聚类的公路隐藏病害识别系统及其实施方法进行详细描述。
实施例一
本实施例提供一种极点特征聚类的公路隐藏病害识别系统，包括数据采集平台、数据预处理平台、极点特征聚类分析平台、输出平台。数据采集平台由地质雷达、雷达支架、数据采集控制装置组成，通过车载或悬挂方式使得雷达离地29厘米至50厘米形成平面波信号对病害数据进行采集。数据预处理平台由滤波模块、自适应增益调整模块、奇异值降维模块组成，对采集到的数据进行初步处理，获取奇异值分解的特征向量与特征值。极点特征聚类分析平台由特征空间模型模块、聚类算法模块、极点特征数据库模块组成，利用奇异值分解获得的大特征值重构回波信号，从中提取冲激响应，计算极点构建特征空间模型，通过聚类算法获得不同病害的特征空间分布信息，建立极点特征数据库。输出平台显示病害识别界面，输出病害在极点特征空间之中的聚类类别和介电属性。本实施例采用瞬态电磁散射回波方式实现了公路隐藏病害的自动识别，结合奇异值分解算法与极点特征聚类算法解决了现有探地雷达公路隐藏病害识别技术中数据量大、B-scan图像解析困难、不同病害识别难度大等技术问题。
本实施例提供的识别系统由数据采集平台、数据预处理平台、极点特征聚类分析平台和输出平台组成，所述数据采集平台包括车载装置1、地质雷达2、里程标定装置3、数据采集控制装置4与雷达支架5组成，车载装置1需有足够空间放置数据采集与处理系统。各装置之间使用螺钉进行连接与固定。里程标定装置3平稳固定在轮胎上，且不与轮胎产生摩擦。雷达支架5与车载装置1使用螺钉进行连接与固定，与地质雷达2使用塑料螺钉进行连接与固定。
本实施例中，所述数据预处理平台6包括滤波模块、自适应增益调整模块、奇异值降维模块，上述三个模块依次通过数据线与专用接口连接。滤波模块能滤除高频杂波，并有效保留中心频率附近的回波数据。自适应增益调整模块能根据整体回波能量自动调整回波各部分的增益，使得目标回波部分增益增强，直达波部分增益减弱。奇异值降维模块能对信号进行奇异值分解，并最优选择有效特征值与相应的特征向量，既能恢复目标信号，又能对回波进行降维以节省存储空间与降低计算复杂度。
本实施例中，所述极点特征聚类分析平台7包括特征空间模型模块、聚类算法模块、极点特征数据库模块组成，能够通过筛选出的最优特征值与特征向量重构回波信号，并提取冲激响应。通过计算冲激响应的极点构建极点特征空间。通过聚类算法获得不同病害的极点特征分布建立极点特征数据库。所述输出平台能显示病害识别界面，输出新测得病害在极点特征空间中的聚类类别以及所属介电属性。
本实施例对公路隐藏的空气病害与充水病害进行检测。车载或悬挂方式搭载的雷达距离地面70厘米至79厘米，以形成近似平面波信号。采集前期调整雷达方位角，直至回波峰值最大，使雷达天线与隐藏病害处于共极化方向。对采集数据进行预处理，预处理过程为滤波、自适应增益调整、奇异值降维。建立极点特征聚类分析平台，包括特征空间模型模块、聚类算法模块、极点特征数据库模块。本实施例提供的极点特征聚类分析设计方案，实现了公路隐藏病害的自动识别，有效解决了地质雷达无损检测中回波数据量大、人工解读困难等问题。本实施例采用奇异值分解方法对回波信号进行降维，而且去除了噪声干扰。
本实施例的目的在于解决现有技术中公路隐藏病害精确解析困难、识别难度大、主观因素高的技术问题，进而提供一种极点特征聚类的公路隐藏病害识别系统，能通过瞬态响应回波的解析与聚类方法，有效自动识别不同介电材质的公路隐藏裂缝，搭建自动识别系统。
为了实现上述目的，本实施例搭建数据采集系统，通过车载或悬挂方式使得雷达离地70厘米至79厘米形成近似平面波信号对病害数据进行采集，调整雷达方位角，直至回波的峰值最大，使雷达天线与隐藏病害处于共极化方向。建立数据预处理平台，此平台由滤波模块、自适应增益调整模块、奇异值降维模块组成，对回波数据进行高、低频滤波，去除噪声干扰，自适应调整回波增益，降低直达波增益，提高目标区域增益，对回波数据进行奇异值分解处理，获得分解后的特征向量与特征值，筛选出大特征值与其对应的特征向量。
本实施例提供极点特征聚类分析平台，此平台由特征空间模型模块、聚类算法模块、极点特征数据库模块组成，通过筛选出的特征向量与特征值重构回波信号，从中提取冲激响应，计算冲激响应的极点，并构建极点特征空间，通过聚类算法获得不同病害的极点特征分布信息，建立极点特征数据库。输出平台，此平台能显示病害识别界面，具体过程为对新测得的病害回波数据进行上述处理，在输出平台将显示新测得病害在极点特征空间中的聚类类别以及所属介电属性。
本实施例形成的近似平面波到达地面的覆盖面积可计算得到：
＝(a+2×0.7×tan θ)×(b+2×0.7×tan θ)
其中，a为雷达的长，b为雷达的宽，θ为雷达天线波瓣角度。
图1为本发明实施例一提供的极点特征聚类的公路隐藏病害识别系统的结构示意图。图2为本发明实施例一提供的极点特征聚类的公路隐藏病害识别系统的整体搭建示意图。如图1-2所示，本实施例使用SIR-20系列天线对地下空气裂缝，充水裂缝进行实验分析，为了模拟空气裂缝与充水裂缝，分别取空PVC管与充满水的PVC管进行试验，管长为1m，直径为4cm。天线的中心频率为1GHz，维度为49.5cm×21cm×55.6cm。为了将发射信号近似成平面波，预先对天线放置高度进行经验值估算，在天线架高70cm时，可以近似形成面积范围102cm×130cm的平面波区域，即目标在此区域内其入射波可近似为平面波，后向接收回波为瞬态响应回波。
本实例分别获取30组背景雷达回波信号、50组空气裂缝雷达回波信号、50组充水裂缝雷达回波信号作为极点特征空间训练样本，再各取5组空气裂缝与充水裂缝回波作为测试样本。
图3为本发明实施例一提供的极点特征聚类的公路隐藏病害识别系统的空气裂缝重构回波的误差分布图。图4为本发明实施例一提供的极点特征聚类的公路隐藏病害识别系统的充水裂缝重构回波的误差分布图。如图3-4所示，本实施例首先对回波数据进行奇异值分解，选取合适的特征值重构原始信号，这里精度取0.01，使得重构信号既能完整的表征目标信息，又能去除冗余与噪声。50组空气裂缝雷达回波样本与50组充水裂缝雷达回波样本的主要特征值个数及重构信号与原始信号的误差均在0.01之内。
本实施例提供了一种极点特征聚类的公路隐藏病害识别系统，所述识别系统包括数据采集系统、数据预处理平台、极点特征聚类分析平台和输出平台。本实施例提供的极点特征聚类分析设计方案，实现了公路隐藏病害的自动识别，有效解决了地质雷达无损检测中回波数据量大、人工解读困难等问题。本实施例采用奇异值分解方法对回波信号进行降维，而且去除了噪声干扰。本实施例通过解卷积过程获取目标的冲激响应，实现了标识目标属性的极点特征提取，对不同属性目标进行聚类分析，构建了极点特征数据库，有效识别了不同介电属性的公路隐藏病害，解决了地质雷达数据解析难以实现自动化的问题。
实施例二
本实施例提供一种极点特征聚类的公路隐藏病害识别系统的实施方法，包括以下步骤：对采集回波进行高频与低频滤波，去除噪声干扰；自适应调整回波增益，降低直达波增益，提高目标区域增益；对回波数据进行奇异值分解处理，获得分解后的特征向量与特征值；筛选出大特征值与其对应的特征向量。本实施例通过解卷积过程获取目标的冲激响应，实现了标识目标属性的极点特征提取，对不同属性目标进行聚类分析，构建了极点特征数据库，有效识别了不同介电属性的公路隐藏病害，解决了地质雷达数据解析难以实现自动化的问题。
本实施例通过筛选出的特征向量与特征值重构回波信号，从中提取冲激响应，计算冲激响应的极点，并构建极点特征空间，通过聚类算法获得不同病害的极点特征分布信息，建立极点特征数据库。大特征值的筛选方法是按照特征值从大到小顺序排列，比较每个特征值和最大特征值的比值大于0.01，以此确定大特征值的个数；取确定后的大特征值对应的特征向量。
为了计算冲激响应，本实施例采集没有目标时的背景回波信号，冲激响应的提取方法为解卷积法，极点特征空间包含由衰减因子与谐振频率组成的特征空间。聚类算法采用模糊C均值聚类方法，为了使聚类中心趋于稳定，调整优化背景、空气病害、充水病害的模糊C均值初始聚类中心。
本实施例中，雷达天线与隐藏病害处于共极化时的最佳方位角可用以下方式获得：
Figure BDA0002217603580000111
因此，调整雷达方位角，使得回波峰值最大。
本实施例使用奇异值分解方法对回波信号进行处理，既可以对数据降维，又可以出去噪声干扰。本实施例对回波数据y(t)构造Hankel矩阵Y，对Y进行奇异值分解以获得特征矢量及特征值：Y＝U∑VH，上述公式之中，矩阵U、V分别为Y的左奇异矩阵和右奇异矩阵，由矩阵YYH、YHY的特征矢量组成，上标H表示共轭转置。对角矩阵Σ由Y的特征值组成：
由于对角矩阵中σc(c＝1,2,...,N-L)按照从大到小顺序排列，比较每个σc和最大奇异值的比值直至满足σc/σmax＞＞10-p(P代表精度，默认值为采样数据的小数位数)，即可确定M的取值。取Σ的前M列Σ′，重新构造数据，显然重构数据维数远低于原始数据。由此得到的数据去除了噪声干扰，突出了目标信号信息。
本实施例首先测量背景信号，即没有目标时的回波响信号yb(t)，再测量有目标时的目标回波响应yt(t)，设目标的冲激响应为h(t)，则卷积过程可以写成：
yb(t)*h(t)＝yt(t)
即可以通过解卷积过程得到目标的冲激响应h(t)。
本实施例中，目标的冲激响应h(t)可以写成如下形式：
Figure BDA0002217603580000121
其中，hop(t)表示冲激响应的早时响应，上式右边第二部分则是冲激响应的晚时响应，t0为晚时响应的开始时刻，Ri表示第i个谐振态的复幅值，si＝αi+j2πfi表示第i个谐振态的极点，αi与fi分别为衰减因子和谐振频率；
根据衰减因子αi与谐振频率fi形成极点特征空间如下：
[A，F]＝{(α1，f1)，(α2，f2)，...，(αM，fM)} (6)
其中，M为重构数据获得的可用极点个数。
本实施例将前M个谐振态的极点分布在二维极点特征空间，能得到不同目标冲激响应的特征分布，从而通过极点特征进一步识别不同目标。本实施例使用的聚类方法为模糊C均值聚类，对训练样本的极点进行聚类学习，按照聚类类别建立极点特征数据库。
图5为本发明实施例二提供的极点特征聚类的公路隐藏病害识别系统的极点特征空间分布图。如图5所示，根据SEM算法对重构信号计算极点，得到极点的衰减因子与谐振频率分布，沙地背景的极点分布如“□”(9)所示，主要分布在0.2GHz，0.8-1GHz，1.3GHz附近。空气裂缝的极点分布如“○”(10)所示，主要分布在1GHz以上，即高频分量较多。充水裂缝的极点分布如“*”(11)所示，其中一部分与空气裂缝中的高频分量类似，而另一部分则出现在0.3-1GHz之间，相比于背景，出现了较多的高频成分，相比于空气裂缝，出现了较多的低频成分。这一部分极点正是区分空气裂缝与充水裂缝的关键特征信息。
图6为本发明实施例二提供的极点特征聚类的公路隐藏病害识别系统的极点聚类分布与测试样本聚类结果图。如图6所示，对上述极点特征空间进行模糊C均值聚类得到的聚类结果。本实施例使用模糊C均值聚类方法将极点特征空间分成4类，即聚类类别①(12)，且属于①(12)的极点由“■”(16)表示；聚类类别②(13)，且属于②(13)的极点由“★”(17)表示；聚类类别③(14)，且属于③(14)的极点由“●”(18)表示；聚类类别④(15)，且属于④(15)的极点由“◆”(19)表示。
本实施例对获得的分类结果可以按照如下规则进行判断：
对于极点p，如果满足p∈①，p∈②，且
Figure BDA0002217603580000131
则属于空气裂缝；对于极点p，如果满足p∈③，则属于充水裂缝。
本实施例分别取5组空气裂缝与充水裂缝雷达回波信号的测试样本，如图6中“+”(20)与“△”(21)所示。图6中“+”(20)的极点主要分布在①(12)与②(13)区域，并且没有极点分布在③(14)区域，根据上述规则可判定为空气裂缝，而“△”(21)的极点大多分布在①(12)与③(14)区域，根据上述规则，凡是出现在③(14)区域的极点，可判定为充水裂缝的极点。
本实施例提供了一种极点特征聚类的公路隐藏病害识别系统的实施方法，所述识别系统包括数据采集系统、数据预处理平台、极点特征聚类分析平台和输出平台。本实施例提供的极点特征聚类分析设计方案，实现了公路隐藏病害的自动识别，有效解决了地质雷达无损检测中回波数据量大、人工解读困难等问题。本实施例采用奇异值分解方法对回波信号进行降维，而且去除了噪声干扰。本实施例通过解卷积过程获取目标的冲激响应，实现了标识目标属性的极点特征提取，对不同属性目标进行聚类分析，构建了极点特征数据库，有效识别了不同介电属性的公路隐藏病害，解决了地质雷达数据解析难以实现自动化的问题。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (10)

1.一种极点特征聚类的公路隐藏病害识别系统，其特征在于，包括数据采集平台、数据预处理平台、极点特征聚类分析平台和输出平台；
所述数据采集平台包括地质雷达、雷达支架、数据采集控制装置，所述地质雷达通过车载方式或者悬挂方式设置在所述数据采集平台上，以使所述地质雷达与地面之间形成预设距离，所述数据采集平台形成平面波信号对病害数据进行采集；
所述数据预处理平台包括滤波模块、自适应增益调整模块、奇异值降维模块，所述数据预处理平台对所述病害数据进行初步处理，获取奇异值分解的特征向量和特征值；
所述极点特征聚类分析平台包括特征空间模型模块、聚类算法模块、极点特征数据库模块，所述极点特征聚类分析平台使用最优特征值与特征向量重构回波信号，从中提取冲激响应，根据所述冲激响应计算极点，构建极点特征空间，通过聚类算法获得不同病害的特征空间分布信息，建立极点特征数据库；
所述输出平台显示病害识别界面，输出病害在极点特征空间之中的聚类类别和介电属性。
2.根据权利要求1所述的极点特征聚类的公路隐藏病害识别系统，其特征在于，所述数据采集平台还包括车载装置、里程标定装置，所述车载装置的内部设置有容纳空间，所述容纳空间用于放置数据采集与处理系统，各个装置之间使用螺钉进行连接与固定，所述里程标定装置固定设置在轮胎上，所述雷达支架与所述车载装置使用螺钉进行连接与固定，所述雷达支架与所述地质雷达使用塑料螺钉进行连接与固定。
3.根据权利要求1所述的极点特征聚类的公路隐藏病害识别系统，其特征在于，所述滤波模块用于滤除高频杂波，保留中心频率附近的回波数据；
所述自适应增益调整模块用于根据整体回波能量调整回波之中各个部分的增益，增强目标回波部分的增益，减弱直达波部分的增益；
所述奇异值降维模块用于对信号进行奇异值分解，选择最优特征值和对应的特征向量。
4.根据权利要求1所述的极点特征聚类的公路隐藏病害识别系统，其特征在于，所述平面波到达地面的覆盖面积的计算公式如下：
s＝(a+2×0.7×tanθ)×(b+2×0.7tanθ) (1)
其中，a为雷达的长，b为雷达的宽，θ为雷达天线波瓣角度。
5.根据权利要求1所述的极点特征聚类的公路隐藏病害识别系统，其特征在于，所述地质雷达与地面之间的预设距离为29厘米至50厘米，或者所述地质雷达与地面之间的预设距离为70厘米至79厘米。
6.一种极点特征聚类的公路隐藏病害识别系统的实施方法，其特征在于，所述识别系统包括数据采集平台、数据预处理平台、极点特征聚类分析平台和输出平台，所述数据采集平台包括地质雷达、雷达支架、数据采集控制装置，所述数据预处理平台包括滤波模块、自适应增益调整模块、奇异值降维模块，所述极点特征聚类分析平台包括特征空间模型模块、聚类算法模块、极点特征数据库模块；
所述实施方法包括：
所述地质雷达通过车载方式或者悬挂方式设置在所述数据采集平台上，以使所述地质雷达与地面之间形成预设距离，所述数据采集平台形成平面波信号对病害数据进行采集；
所述数据预处理平台对所述病害数据进行初步处理，获取奇异值分解的特征向量和特征值；
所述极点特征聚类分析平台使用最优特征值与特征向量重构回波信号，从中提取冲激响应，根据所述冲激响应计算极点，构建极点特征空间，通过聚类算法获得不同病害的特征空间分布信息，建立极点特征数据库；
所述输出平台显示病害识别界面，输出病害在极点特征空间之中的聚类类别和介电属性。
7.根据权利要求6所述的极点特征聚类的公路隐藏病害识别系统的实施方法，其特征在于，所述数据预处理平台对所述病害数据进行初步处理，获取奇异值分解的特征向量和特征值的步骤包括：
所述滤波模块滤除高频杂波，保留中心频率附近的回波数据；
所述自适应增益调整模块根据整体回波能量调整回波之中各个部分的增益，增强目标回波部分的增益，减弱直达波部分的增益；
所述奇异值降维模块对信号进行奇异值分解，选择最优特征值和对应的特征向量。
8.根据权利要求6所述的极点特征聚类的公路隐藏病害识别系统的实施方法，其特征在于，所述数据采集平台形成平面波信号对病害数据进行采集的步骤之前包括：
调整所述地质雷达的方位角，直至回波峰值最大，以使雷达天线与隐藏病害处于共极化方向，所述方位角的计算公式如下：
Figure FDA0002217603570000031
9.根据权利要求7所述的极点特征聚类的公路隐藏病害识别系统的实施方法，其特征在于，所述奇异值降维模块对信号进行奇异值分解，选择最优特征值和对应的特征向量的步骤包括：
所述奇异值降维模块对信号进行奇异值分解，以获得特征值，所述特征值的计算公式如下：
Figure FDA0002217603570000041
其中，对回波数据y(t)构造Hankel矩阵Y，对角矩阵Σ由Y的特征值组成；
根据从大到小的顺序对特征值进行排列，获得每个特征值和最大特征值的比值；
选择比值大于0.01的特征值，确定大特征值的个数；
根据确定的大特征值获得对应的特征向量。
10.根据权利要求6所述的极点特征聚类的公路隐藏病害识别系统的实施方法，其特征在于，所述极点特征聚类分析平台使用最优特征值与特征向量重构回波信号，从中提取冲激响应，根据所述冲激响应计算极点，构建极点特征空间的步骤包括：
采集没有目标的背景回波信号；
使用解卷积法提取冲激响应，卷积过程如下：
yb(t)*h(t)＝yt(t) (4)
其中，背景回波信号为yb(t)，目标回波响应为yt(t)，冲激响应为h(t)；
将冲激响应h(t)写成如下形式：
Figure FDA0002217603570000042
其中，hop(t)表示冲激响应的早时响应，上式右边第二部分则是冲激响应的晚时响应，t0为晚时响应的开始时刻，Ri表示第i个谐振态的复幅值，si＝αi+j2πfi表示第i个谐振态的极点，αi与fi分别为衰减因子和谐振频率；
根据衰减因子αi与谐振频率fi形成极点特征空间如下：
[A，F]＝{(α1，f1)，(α2，f2)，…，(αM，fM)} (6)
其中，M为重构数据获得的可用极点个数。
CN201910921193.7A 2019-09-27 2019-09-27 极点特征聚类的公路隐藏病害识别系统及其实施方法 Active CN110736985B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910921193.7A CN110736985B (zh) 2019-09-27 2019-09-27 极点特征聚类的公路隐藏病害识别系统及其实施方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910921193.7A CN110736985B (zh) 2019-09-27 2019-09-27 极点特征聚类的公路隐藏病害识别系统及其实施方法

Publications (2)

Publication Number Publication Date
CN110736985A true CN110736985A (zh) 2020-01-31
CN110736985B CN110736985B (zh) 2021-05-14

Family

ID=69269653

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910921193.7A Active CN110736985B (zh) 2019-09-27 2019-09-27 极点特征聚类的公路隐藏病害识别系统及其实施方法

Country Status (1)

Country Link
CN (1) CN110736985B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113281401A (zh) * 2021-04-29 2021-08-20 同济大学 无砟轨道隐蔽病害的检测方法、系统与装置
WO2021174857A1 (zh) * 2020-03-03 2021-09-10 长安大学 沥青路面水损害识别模型构建方法、识别方法及系统
CN113655477A (zh) * 2021-06-11 2021-11-16 成都圭目机器人有限公司 一种采用浅层对地雷达自动检测地质病害的方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955923A (zh) * 2014-04-18 2014-07-30 南京理工大学 一种快速的基于图像的路面病害检测方法
US20160018517A1 (en) * 2012-05-30 2016-01-21 Trimble Navigation Limited Detecting an underground object
CN109100165A (zh) * 2018-07-06 2018-12-28 哈尔滨工业大学（深圳） 桥梁运营模态分析方法、装置、终端与计算机可读存储介质
US10241201B1 (en) * 2015-07-27 2019-03-26 State Farm Mutual Automobile Insurance Company Subsurface imaging system and method for inspecting the condition of a structure
CN109782274A (zh) * 2019-01-31 2019-05-21 长安大学 一种基于探地雷达信号时频统计特征的水损害识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160018517A1 (en) * 2012-05-30 2016-01-21 Trimble Navigation Limited Detecting an underground object
CN103955923A (zh) * 2014-04-18 2014-07-30 南京理工大学 一种快速的基于图像的路面病害检测方法
US10241201B1 (en) * 2015-07-27 2019-03-26 State Farm Mutual Automobile Insurance Company Subsurface imaging system and method for inspecting the condition of a structure
CN109100165A (zh) * 2018-07-06 2018-12-28 哈尔滨工业大学（深圳） 桥梁运营模态分析方法、装置、终端与计算机可读存储介质
CN109782274A (zh) * 2019-01-31 2019-05-21 长安大学 一种基于探地雷达信号时频统计特征的水损害识别方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021174857A1 (zh) * 2020-03-03 2021-09-10 长安大学 沥青路面水损害识别模型构建方法、识别方法及系统
CN113281401A (zh) * 2021-04-29 2021-08-20 同济大学 无砟轨道隐蔽病害的检测方法、系统与装置
CN113655477A (zh) * 2021-06-11 2021-11-16 成都圭目机器人有限公司 一种采用浅层对地雷达自动检测地质病害的方法
CN113655477B (zh) * 2021-06-11 2023-09-01 成都圭目机器人有限公司 一种采用浅层对地雷达自动检测地质病害的方法

Also Published As

Publication number Publication date
CN110736985B (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
CN110736985B (zh) 极点特征聚类的公路隐藏病害识别系统及其实施方法
Savelyev et al. Investigation of time–frequency features for GPR landmine discrimination
WO2023123568A1 (zh) 一种探地雷达图像人工智能识别方法及装置
CN110717478B (zh) 一种基于微波的物体检测系统及方法
Lu et al. Feature extraction and automatic material classification of underground objects from ground penetrating radar data
CN102495402B (zh) 在钢筋强反射回波干扰下的道面灾害目标检测识别方法
CN113009447B (zh) 基于深度学习和探地雷达的道路地下空洞检测预警方法
Williams et al. Breast surface estimation for radar-based breast imaging systems
CN107133648B (zh) 基于自适应多尺度融合稀疏保持投影的一维距离像识别方法
CN114237046B (zh) 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法
Ali et al. Feature extraction based on empirical mode decomposition for shapes recognition of buried objects by ground penetrating radar
CN107358162B (zh) 基于深度堆栈网络的极化sar影像变化检测方法
Liu et al. Diagnosis of significant liver fibrosis by using a DCNN model with fusion of features from US B-mode image and Nakagami parametric map: An animal study
Kontos et al. Fast and effective characterization for classification and similarity searches of 2D and 3D spatial region data
Eskandari et al. Simultaneous microwave imaging and parameter estimation using modified level-set method
Li et al. 3D ground penetrating radar road underground target identification algorithm using time-frequency statistical features of data
Ali et al. Classification of different materials for underground object using artificial neural network
CN113901878A (zh) 一种基于cnn+rnn算法的三维探地雷达图像地下管线识别方法
CN110135280A (zh) 一种基于稀疏表征分类的多视图sar自动目标识别方法
Guo et al. Research on tunnel lining image target recognition method based on YOLOv3
Tingdahl et al. Semi-automatic detection of faults in 3-D seismic signals
CN111513715B (zh) 一种磁声耦合成像的电导率重建方法及相关设备
CN113780362B (zh) 一种基于隐马尔可夫模型的探地雷达地下空洞目标自动识别方法
Gao et al. An Improved Variational Born Iterative Method for Targets Buried in the Three-Dimensional Half-Space
Li et al. Research on Target Recognition Method of Tunnel Lining Image Based on Deep Learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20220107

Address after: 030032 No.27, Wuluo street, Taiyuan City, Shanxi Province

Patentee after: Shanxi Transportation Research Institute Group Co.,Ltd.

Address before: 030032 No.27, Wuluo street, economic and Technological Park, Xiaodian District, Taiyuan City, Shanxi Province

Patentee before: Shanxi Transportation Technology Research and Development Co.,Ltd.

TR01 Transfer of patent right