CN111007464B - 基于最优加权的道路地下空洞识别方法、装置及系统 - Google Patents

基于最优加权的道路地下空洞识别方法、装置及系统 Download PDF

Info

Publication number
CN111007464B
CN111007464B CN201911164435.9A CN201911164435A CN111007464B CN 111007464 B CN111007464 B CN 111007464B CN 201911164435 A CN201911164435 A CN 201911164435A CN 111007464 B CN111007464 B CN 111007464B
Authority
CN
China
Prior art keywords
weight
value
reflected wave
optimal
area
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.)
Active
Application number
CN201911164435.9A
Other languages
English (en)
Other versions
CN111007464A (zh
Inventor
王继伟
王子墨
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.)
Beijing Zhongke blueprints Technology Co.,Ltd.
Zhongke yuntu Technology Co., Ltd
Original Assignee
Beijing Zhongke Blueprints Technology 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 Beijing Zhongke Blueprints Technology Co ltd filed Critical Beijing Zhongke Blueprints Technology Co ltd
Priority to CN201911164435.9A priority Critical patent/CN111007464B/zh
Publication of CN111007464A publication Critical patent/CN111007464A/zh
Application granted granted Critical
Publication of CN111007464B publication Critical patent/CN111007464B/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
    • 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
    • G01S7/35—Details of non-pulse systems
    • G01S7/352—Receivers
    • G01S7/354—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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Genetics & Genomics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供一种基于最优加权的道路地下空洞识别方法、装置及系统，该方法包括：获取道路上各区域的探地雷达的感测数据；根据感测数据，计算各区域的反射波能量值，并确定反射波能量值大于预设阈值的第一区域；根据第一区域的感测数据，计算反射波的能量值、幅度值、反射系数以及傅里叶频谱幅值；利用第一权重、第二权重、最优值、第四权重的最优值分别对第一区域内的能量值、幅度值、反射系数以及傅里叶频谱幅值进行加权求和计算得到反射波的空洞响应值；将空洞响应值大于响应基准的最优值的第一区域对应的位置判定为地下空洞；各权重的最优值以及响应基准的最优值为遗传算法收敛时确定。本发明能提高道路地下空洞检测的准确率以及可靠性。

Description

基于最优加权的道路地下空洞识别方法、装置及系统
技术领域
本发明涉及道路检测领域，尤其涉及一种基于最优加权的道路地下空洞识别方法、装置及系统。
背景技术
由于车辆振动、路面渗水和地下管线漏水等原因，导致城市道路频繁发生开裂、变形、沉降和塌陷等问题。通过物探方法，定期开展城市道路检测，可以提前预警道路塌陷隐患。探地雷达法是能同时满足快速、无损和高分辨率的道路检测物探方法。
目前，雷达道路检测数据依靠人工方式解译，面对道路快速检测产生的海量数据，人工方法效率低不能及时提交解译结果，且不同人员之间解译准确率存在较大差异，可靠性不高。
发明内容
本发明旨在提供一种基于最优加权的道路地下空洞识别方法、装置以及系统，以改善现有技术雷达道路检测数据依靠人工方式解译准确率不高以及可靠性不高的问题。
根据本发明的第一方面，一种基于最优加权的道路地下空洞识别方法，包括：获取道路上各区域的探地雷达的感测数据；所述感测数据用于表征基于探地雷达的反射波的幅度；根据所述探地雷达的感测数据，计算各区域的反射波能量值，并确定反射波能量值大于预设阈值的第一区域；根据所述第一区域的感测数据，计算所述第一区域内反射波的能量值、反射波的幅度值、反射波的反射系数以及反射波的傅里叶频谱幅值；利用第一权重的最优值、第二权重的最优值、第三权重的最优值、第四权重的最优值分别对所述第一区域内反射波的能量值、反射波的幅度值、反射波的反射系数以及反射波的傅里叶频谱幅值进行加权求和计算得到所述第一区域内反射波的空洞响应值；将空洞响应值大于响应基准的最优值的第一区域对应的位置判定为地下空洞；其中，所述第一权重的最优值、第二权重的最优值、第三权重的最优值、第四权重的最优值以及所述响应基准的最优值为遗传算法收敛时确定，所述遗传算法的每个个体为所述第一权重、第二权重、第三权重、第四权重以及响应基准的取值，所述遗传算法的适应度函数为根据各个个体对预设的用于训练学习的探地雷达的感测数据训练样本的道路地下空洞识别准确度确定。
进一步地，所述第一权重的最优值、第二权重的最优值、第三权重的最优值、第四权重的最优值以及所述响应基准的最优值为遗传算法收敛时确定，具体包括：确定用于训练学习的探地雷达的感测数据训练样本，所述感测数据训练样本包括道路上各区域的探地雷达的感测数据以及各区域是否为地下空洞的类别数据，所述类别数据包括用于指示道路的区域为地下空洞的第一类别数据以及用于指示道路的区域为非地下空洞的第二类别数据；利用遗传算法随机产生一个种群，每个个体为5维数组，数组中的数值分别为所述第一权重、第二权重、第三权重、第四权重以及响应基准的取值；对应每个个体计算各个所述感测数据训练样本的反射波的空洞响应值，并比较所述个体对应的空洞响应值与所述个体中响应基准的取值之间的大小，得到对应感测数据训练样本是否为道路地下空洞的识别结果；针对每一个体，在遍历所有所述感测数据训练样本时，得到每个个体对应的识别精度；根据每一个体对应的识别精度评价遗传算法每一个体的适应度以进化遗传算法的种群，直至所有的个体的适应度都排在第一位，得到的个体为所述第一权重的最优值、第二权重的最优值、第三权重的最优值、第四权重的最优值以及所述响应基准的最优值。
进一步地，所述遗传算法为NSGA-Ⅱ算法；根据各个个体对应的识别精度评价遗传算法各个个体的适应度以进化遗传算法的种群的步骤包括：
用识别的错误率作为评价遗传算法每一个体的适应度函数，所述识别的错误率等于1减去每一个体对应的识别精度。
进一步地，所述获取道路上各区域的探地雷达的感测数据的步骤之后包括：对所述获取探地雷达的感测数据进行滤波处理。
进一步地，所述反射波能量值E的计算方式如下：
Figure GDA0002537533540000031
其中，N为采样点数，Pi为第i个采样点的反射波的幅度值；
所述反射系数R的计算方式如下：
Figure GDA0002537533540000032
其中，P0为直达波的峰值；所述反射波的傅里叶频谱幅值F(ω)的计算方式如下：
Figure GDA0002537533540000033
f(t)为反射波的幅度的时域信号，ω为反射波的幅度信号频率，t为反射波的幅度信号采样时间；所述反射波的空洞响应值K的计算方式如下：K＝aE+bPi+cR+dF(ω)，a为第一权重，b为第二权重，c为第三权重，d为第四权重。
根据本发明的第二方面，一种基于最优加权的道路地下空洞识别装置，包括：获取模块，用于获取道路上各区域的探地雷达的感测数据；所述感测数据用于表征基于探地雷达的反射波的幅度；处理模块，用于根据所述探地雷达的感测数据，计算各区域的反射波能量值，并确定反射波能量值大于预设阈值的第一区域；根据所述第一区域的感测数据，计算所述第一区域内反射波的能量值、反射波的幅度值、反射波的反射系数以及反射波的傅里叶频谱幅值；利用第一权重的最优值、第二权重的最优值、第三权重的最优值、第四权重的最优值分别对所述第一区域内反射波的能量值、反射波的幅度值、反射波的反射系数以及反射波的傅里叶频谱幅值进行加权求和计算得到所述第一区域内反射波的空洞响应值；识别模块，用于将空洞响应值大于响应基准的第一区域对应的位置判定为地下空洞；其中，所述第一权重的最优值、第二权重的最优值、第三权重的最优值、第四权重的最优值以及所述响应基准的最优值为遗传算法收敛时确定，所述遗传算法的每个个体为所述第一权重、第二权重、第三权重、第四权重以及响应基准的取值，所述遗传算法的适应度函数为根据各个个体对预设的用于训练学习的探地雷达的感测数据训练样本的道路地下空洞识别准确度确定。
进一步地，基于最优加权的道路地下空洞识别装置，还包括最优权值确定模块，用于确定用于训练学习的探地雷达的感测数据训练样本，所述感测数据训练样本包括道路上各区域的探地雷达的感测数据以及各区域是否为地下空洞的类别数据，所述类别数据包括用于指示道路的区域为地下空洞的第一类别数据以及用于指示道路的区域为非地下空洞的第二类别数据；利用遗传算法随机产生一个种群，每个个体为5维数组，数组中的数值分别为所述第一权重、第二权重、第三权重、第四权重以及响应基准的取值；对应每个个体计算各个所述感测数据训练样本的反射波的空洞响应值，并比较所述个体对应的空洞响应值与所述个体中响应基准的取值之间的大小，得到对应感测数据训练样本是否为道路地下空洞的识别结果；针对每一个体，在遍历所有所述感测数据训练样本时，得到每个个体对应的识别精度；根据每一个体对应的识别精度评价遗传算法每一个体的适应度以进化遗传算法的种群，直至所有的个体的适应度都排在第一位，得到的个体为所述第一权重的最优值、第二权重的最优值、第三权重的最优值、第四权重的最优值以及所述响应基准的最优值。
进一步地，所述遗传算法为NSGA-Ⅱ算法；所述最优权值确定模块还用于用识别的错误率作为评价遗传算法每一个体的适应度函数，所述识别的错误率等于1减去每一个体对应的识别精度。
进一步地，所述反射波能量值E的计算方式如下：
Figure GDA0002537533540000051
其中，N为采样点数，Pi为第i个采样点的反射波的幅度值；
所述反射系数R的计算方式如下：
Figure GDA0002537533540000052
其中，P0为直达波的峰值；所述反射波的傅里叶频谱幅值F(ω)的计算方式如下：
Figure GDA0002537533540000053
f(t)为反射波的幅度的时域信号，ω为反射波的幅度信号频率，t为反射波的幅度信号采样时间；所述反射波的空洞响应值K的计算方式如下：K＝aE+bPi+cR+dF(ω)，a为第一权重，b为第二权重，c为第三权重，d为第四权重。
根据本发明的第三方面，一种基于最优加权的道路地下空洞识别系统包括如上述的基于最优加权的道路地下空洞识别装置以及探地雷达，所述基于最优加权的道路地下空洞识别装置与探地雷达通信连接。
本发明提出的一种道基于最优加权的道路地下空洞识别方法、装置及系统，通过确定探地雷达感测数据的能量累加值大于预设阈值的第一区域，并利用第一权重的最优值、第二权重的最优值、第三权重的最优值、第四权重的最优值分别对所述第一区域内反射波的能量值、反射波的幅度值、反射波的反射系数以及反射波的傅里叶频谱幅值进行加权求和计算得到所述第一区域内反射波的空洞响应值，并将空洞响应值大于响应基准的最优值的第一区域对应的位置判定为地下空洞，所述第一权重的最优值、第二权重的最优值、第三权重的最优值、第四权重的最优值以及所述响应基准的最优值为遗传算法收敛时确定，各权重以及响应基准的最优值根据识别精度最高确定的全局最优参数，同时结合地下空洞分界面处空洞和周围介质物理性质差异分析，提高雷达道路检测数据解译的准确率和可靠性。
参照附图来阅读对于示例性实施例的以下描述，本发明的其他特性特征和优点将变得清晰。
附图说明
并入到说明书中并且构成说明书的一部分的附图示出了本发明的实施例，并且与描述一起用于解释本发明的原理。在这些附图中，类似的附图标记用于表示类似的要素。下面描述中的附图是本发明的一些实施例，而不是全部实施例。对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他的附图。
图1为本发明一种基于最优加权的道路地下空洞识别方法实施例的流程图；
图2中虚线标注处为空洞在雷达图像中的特征示意图；
图3为图2中虚线所示区域的傅里叶幅度频谱示意图，其中，横坐标200-400之间的波峰为空洞在傅里叶频谱中的特征；
图4中虚线标注处为地下均匀介质在雷达图像中的特征示意图；
图5为图4中虚线所示区域的傅里叶幅度频谱示意图，其中，横坐标200-400之间的波峰为非空洞在傅里叶频谱中的特征；
图6为本发明一种基于最优加权的道路地下空洞识别装置实施例的结构框图；
图7为本发明一种基于最优加权的道路地下空洞识别系统实施例的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
本发明研究发现：在地下空洞分界面处空洞和周围介质物理性质差异巨大，电磁波传播时产生强烈反射，该强反射以高频成分为主，在频谱中会形成一个高频峰值。电磁波在均匀介质中传播时，不会产生强反射，在频谱中不会有相应的高频频率响应。空洞与周围介质电磁物理性质差异巨大，此处计算得到的反射系数会大于正常区域，同时结合傅里叶频谱可以准确识别道路地下空洞。以下结合各图所示实施例进行详细解释说明。
如图1所示，本发明一种基于最优加权的道路地下空洞识别方法，包括：
步骤101：获取道路上各区域的探地雷达的感测数据；所述感测数据用于表征基于探地雷达的反射波的幅度；
步骤102：根据所述探地雷达的感测数据，计算各区域的反射波能量值，并确定反射波能量值大于预设阈值的第一区域；
步骤103：根据所述第一区域的感测数据，计算所述第一区域内反射波的能量值、反射波的幅度值、反射波的反射系数以及反射波的傅里叶频谱幅值；
步骤104：利用第一权重的最优值、第二权重的最优值、第三权重的最优值、第四权重的最优值分别对所述第一区域内反射波的能量值、反射波的幅度值、反射波的反射系数以及反射波的傅里叶频谱幅值进行加权求和计算得到所述第一区域内反射波的空洞响应值；
步骤105：将空洞响应值大于响应基准的最优值的第一区域对应的位置判定为地下空洞；
其中，所述第一权重的最优值、第二权重的最优值、第三权重的最优值、第四权重的最优值以及所述响应基准的最优值为遗传算法收敛时确定，所述遗传算法的每个个体为所述第一权重、第二权重、第三权重、第四权重以及响应基准的取值，所述遗传算法的适应度函数为根据各个个体对预设的用于训练学习的探地雷达的感测数据训练样本的道路地下空洞识别准确度确定。
关于空洞以及非空洞的感测数据在探地雷达数据的表现特征分别参见图2及图4；空洞所示区域的傅里叶幅度频谱示意图详见图3；地下均匀介质(即非空洞)处的傅里叶幅度频谱示意图详见图5。
具体操作时：在步骤101之前，通过如下操作得到所述第一权重的最优值、第二权重的最优值、第三权重的最优值、第四权重的最优值以及所述响应基准的最优值，具体包括：
确定用于训练学习的探地雷达的感测数据训练样本，所述感测数据训练样本包括道路上各区域的探地雷达的感测数据以及各区域是否为地下空洞的类别数据，所述类别数据包括用于指示道路的区域为地下空洞的第一类别数据以及用于指示道路的区域为非地下空洞的第二类别数据；
利用遗传算法随机产生一个种群，每个个体为5维数组，数组中的数值分别为所述第一权重、第二权重、第三权重、第四权重以及响应基准的取值；
对应每个个体计算各个所述感测数据训练样本的反射波的空洞响应值(即根据各个个体确定的第一权重、第二权重、第三权重以及第四权重根据步骤104的加权计算得到空洞响应值)，并比较所述个体对应的空洞响应值与所述个体中响应基准的取值之间的大小(某个样本根据对应个体中确定的响应基准值，通过步骤105中的大小比较，即当某一个个体确定的四个权值对应计算得到的空洞响应值大于该个体确定的响应基准值时，确定该样本中的第一区域(该第一区域根据步骤102以及103确定)对应的位置为地下空洞)，得到对应感测数据训练样本是否为道路地下空洞的识别结果；针对每一个体，在遍历所有所述感测数据训练样本时，得到每个个体对应的识别精度(感测数据训练样本是否属于地下空洞的类别数据事先已经知道，根据遗传算法确定的识别结果(比如有n个识别为地下空洞的样本)与各感测数据训练样本的类别数据(比如有N个用于训练的地下空洞的样本)即可计算所有感测数据训练样本的识别精度(即为n/N)；
根据每一个体对应的识别精度评价遗传算法每一个体的适应度以进化遗传算法的种群，直至所有的个体的适应度都排在第一位，得到的个体为所述第一权重的最优值、第二权重的最优值、第三权重的最优值、第四权重的最优值以及所述响应基准的最优值。
具体操作时，所述遗传算法为包括但不限于NSGA-Ⅱ算法。相应于该NSGA-Ⅱ算法，可以用识别的错误率作为评价遗传算法每一个体的适应度函数，所述识别的错误率等于1减去每一个体对应的识别精度(即为1-n/N)。
具体操作时，所述获取道路上各区域的探地雷达的感测数据的步骤之后还可以包括：对所述获取探地雷达的感测数据进行滤波处理。
所述反射波能量值E的计算方式如下：
Figure GDA0002537533540000091
其中，N为采样点数，Pi为第i个采样点的反射波的幅度值；
所述反射系数R的计算方式如下：
Figure GDA0002537533540000092
其中，P0为直达波的峰值；所述反射波的傅里叶频谱幅值F(ω)的计算方式如下：
Figure GDA0002537533540000093
f(t)为反射波的幅度的时域信号，ω为反射波的幅度信号频率，t为反射波的幅度信号采样时间；
所述反射波的空洞响应值K的计算方式如下：K＝aE+bPi+cR+dF(ω)，a为第一权重，b为第二权重，c为第三权重，d为第四权重。
本发明基于最优加权的道路地下空洞识别方法实施例通过确定探地雷达感测数据的能量累加值大于预设阈值的第一区域，并利用第一权重的最优值、第二权重的最优值、第三权重的最优值、第四权重的最优值分别对所述第一区域内反射波的能量值、反射波的幅度值、反射波的反射系数以及反射波的傅里叶频谱幅值进行加权求和计算得到所述第一区域内反射波的空洞响应值，并将空洞响应值大于响应基准的最优值的第一区域对应的位置判定为地下空洞，所述第一权重的最优值、第二权重的最优值、第三权重的最优值、第四权重的最优值以及所述响应基准的最优值为遗传算法收敛时确定，各权重以及响应基准的最优值根据识别精度最高确定的全局最优参数，同时结合地下空洞分界面处空洞和周围介质物理性质差异分析，提高雷达道路检测数据解译的准确率和可靠性。
如图6所示，本发明还提供一种基于最优加权的道路地下空洞识别装置，其为图1所示方法实施例的对应的装置实施例，图1-图5所示实施例的解释说明可以应用于本实施例，该识别装置包括：
获取模块601，用于获取道路上各区域的探地雷达的感测数据；所述感测数据用于表征基于探地雷达的反射波的幅度；
处理模块602，用于根据所述探地雷达的感测数据，计算各区域的反射波能量值，并确定反射波能量值大于预设阈值的第一区域；根据所述第一区域的感测数据，计算所述第一区域内反射波的能量值、反射波的幅度值、反射波的反射系数以及反射波的傅里叶频谱幅值；利用第一权重的最优值、第二权重的最优值、第三权重的最优值、第四权重的最优值分别对所述第一区域内反射波的能量值、反射波的幅度值、反射波的反射系数以及反射波的傅里叶频谱幅值进行加权求和计算得到所述第一区域内反射波的空洞响应值；
识别模块603，用于将空洞响应值大于响应基准的第一区域对应的位置判定为地下空洞；
其中，所述第一权重的最优值、第二权重的最优值、第三权重的最优值、第四权重的最优值以及所述响应基准的最优值为遗传算法收敛时确定，所述遗传算法的每个个体为所述第一权重、第二权重、第三权重、第四权重以及响应基准的取值，所述遗传算法的适应度函数为根据各个个体对预设的用于训练学习的探地雷达的感测数据训练样本的道路地下空洞识别准确度确定。
进一步地，基于最优加权的道路地下空洞识别装置还包括最优权值确定模块，用于确定用于训练学习的探地雷达的感测数据训练样本，所述感测数据训练样本包括道路上各区域的探地雷达的感测数据以及各区域是否为地下空洞的类别数据，所述类别数据包括用于指示道路的区域为地下空洞的第一类别数据以及用于指示道路的区域为非地下空洞的第二类别数据；利用遗传算法随机产生一个种群，每个个体为5维数组，数组中的数值分别为所述第一权重、第二权重、第三权重、第四权重以及响应基准的取值；对应每个个体计算各个所述感测数据训练样本的反射波的空洞响应值，并比较所述个体对应的空洞响应值与所述个体中响应基准的取值之间的大小，得到对应感测数据训练样本是否为道路地下空洞的识别结果；针对每一个体，在遍历所有所述感测数据训练样本时，得到每个个体对应的识别精度；根据每一个体对应的识别精度评价遗传算法每一个体的适应度以进化遗传算法的种群，直至所有的个体的适应度都排在第一位，得到的个体为所述第一权重的最优值、第二权重的最优值、第三权重的最优值、第四权重的最优值以及所述响应基准的最优值。
本发明基于最优加权的道路地下空洞识别装置实施例通过确定探地雷达感测数据的能量累加值大于预设阈值的第一区域，并利用第一权重的最优值、第二权重的最优值、第三权重的最优值、第四权重的最优值分别对所述第一区域内反射波的能量值、反射波的幅度值、反射波的反射系数以及反射波的傅里叶频谱幅值进行加权求和计算得到所述第一区域内反射波的空洞响应值，并将空洞响应值大于响应基准的最优值的第一区域对应的位置判定为地下空洞，所述第一权重的最优值、第二权重的最优值、第三权重的最优值、第四权重的最优值以及所述响应基准的最优值为遗传算法收敛时确定，各权重以及响应基准的最优值根据识别精度最高确定的全局最优参数，同时结合地下空洞分界面处空洞和周围介质物理性质差异分析，提高雷达道路检测数据解译的准确率和可靠性。
如图7所示，本发明还提供一种基于最优加权的道路地下空洞识别系统，包括图6所示的识别装置。图1-图6所示实施例的解释说明可以应用于本实施例，本实施例识别系统包括上述的基于最优加权的道路地下空洞识别装置以及探地雷达，所述识别装置与探地雷达通信连接。
本发明基于最优加权的道路地下空洞识别系统具有上述基于最优加权的道路地下空洞识别装置实施例相应的技术效果，在此不再赘述。
上面描述的内容可以单独地或者以各种方式组合起来实施，而这些变型方式都在本发明的保护范围之内。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于最优加权的道路地下空洞识别方法，其特征在于，包括：
获取道路上各区域的探地雷达的感测数据；所述感测数据用于表征基于探地雷达的反射波的幅度；
根据所述探地雷达的感测数据，计算各区域的反射波能量值，并确定反射波能量值大于预设阈值的第一区域；
根据所述第一区域的感测数据，计算所述第一区域内反射波的能量值、反射波的幅度值、反射波的反射系数以及反射波的傅里叶频谱幅值；
利用第一权重的最优值、第二权重的最优值、第三权重的最优值、第四权重的最优值分别对所述第一区域内反射波的能量值、反射波的幅度值、反射波的反射系数以及反射波的傅里叶频谱幅值进行加权求和计算得到所述第一区域内反射波的空洞响应值；
将空洞响应值大于响应基准的最优值的第一区域对应的位置判定为地下空洞；
其中，所述第一权重的最优值、第二权重的最优值、第三权重的最优值、第四权重的最优值以及所述响应基准的最优值为遗传算法收敛时确定，所述遗传算法的每个个体为所述第一权重、第二权重、第三权重、第四权重以及响应基准的取值，所述遗传算法的适应度函数为根据各个个体对预设的用于训练学习的探地雷达的感测数据训练样本的道路地下空洞识别准确度确定。
2.如权利要求1所述的基于最优加权的道路地下空洞识别方法，其特征在于：所述第一权重的最优值、第二权重的最优值、第三权重的最优值、第四权重的最优值以及所述响应基准的最优值为遗传算法收敛时确定，具体包括：
确定用于训练学习的探地雷达的感测数据训练样本，所述感测数据训练样本包括道路上各区域的探地雷达的感测数据以及各区域是否为地下空洞的类别数据，所述类别数据包括用于指示道路的区域为地下空洞的第一类别数据以及用于指示道路的区域为非地下空洞的第二类别数据；
利用遗传算法随机产生一个种群，每个个体为5维数组，数组中的数值分别为所述第一权重、第二权重、第三权重、第四权重以及响应基准的取值；
对应每个个体计算各个所述感测数据训练样本的反射波的空洞响应值，并比较所述个体对应的空洞响应值与所述个体中响应基准的取值之间的大小，得到对应感测数据训练样本是否为道路地下空洞的识别结果；针对每一个体，在遍历所有所述感测数据训练样本时，得到每个个体对应的识别精度；
根据每一个体对应的识别精度评价遗传算法每一个体的适应度以进化遗传算法的种群，直至所有的个体的适应度都排在第一位，得到的个体为所述第一权重的最优值、第二权重的最优值、第三权重的最优值、第四权重的最优值以及所述响应基准的最优值。
3.如权利要求2所述的基于最优加权的道路地下空洞识别方法，其特征在于：所述遗传算法为NSGA-II算法；
根据各个个体对应的识别精度评价遗传算法各个个体的适应度以进化遗传算法的种群的步骤包括：
用识别的错误率作为评价遗传算法每一个体的适应度函数，所述识别的错误率等于1减去每一个体对应的识别精度。
4.如权利要求3所述的基于最优加权的道路地下空洞识别方法，其特征在于：所述获取道路上各区域的探地雷达的感测数据的步骤之后包括：
对所述获取的道路上各区域的探地雷达的感测数据进行滤波处理。
5.如权利要求1-4中任一项所述的基于最优加权的道路地下空洞识别方法，其特征在于：
所述反射波能量值E的计算方式如下：
Figure FDA0002537533530000021
其中，N为采样点数，Pi为第i个采样点的反射波的幅度值；
所述反射系数R的计算方式如下：
Figure FDA0002537533530000031
其中，P0为直达波的峰值；所述反射波的傅里叶频谱幅值F(ω)的计算方式如下：
Figure FDA0002537533530000032
f(t)为反射波的幅度的时域信号，ω为反射波的幅度信号频率，t为反射波的幅度信号采样时间；
所述反射波的空洞响应值K的计算方式如下：K＝aE+bPi+cR+dF(ω)，a为第一权重，b为第二权重，c为第三权重，d为第四权重。
6.一种基于最优加权的道路地下空洞识别装置，其特征在于，包括：
获取模块，用于获取道路上各区域的探地雷达的感测数据；所述感测数据用于表征基于探地雷达的反射波的幅度；
处理模块，用于根据所述探地雷达的感测数据，计算各区域的反射波能量值，并确定反射波能量值大于预设阈值的第一区域；根据所述第一区域的感测数据，计算所述第一区域内反射波的能量值、反射波的幅度值、反射波的反射系数以及反射波的傅里叶频谱幅值；利用第一权重的最优值、第二权重的最优值、第三权重的最优值、第四权重的最优值分别对所述第一区域内反射波的能量值、反射波的幅度值、反射波的反射系数以及反射波的傅里叶频谱幅值进行加权求和计算得到所述第一区域内反射波的空洞响应值；
识别模块，用于将空洞响应值大于响应基准的第一区域对应的位置判定为地下空洞；
其中，所述第一权重的最优值、第二权重的最优值、第三权重的最优值、第四权重的最优值以及所述响应基准的最优值为遗传算法收敛时确定，所述遗传算法的每个个体为所述第一权重、第二权重、第三权重、第四权重以及响应基准的取值，所述遗传算法的适应度函数为根据各个个体对预设的用于训练学习的探地雷达的感测数据训练样本的道路地下空洞识别准确度确定。
7.如权利要求6所述的基于最优加权的道路地下空洞识别装置，其特征在于：还包括最优权值确定模块，用于确定用于训练学习的探地雷达的感测数据训练样本，所述感测数据训练样本包括道路上各区域的探地雷达的感测数据以及各区域是否为地下空洞的类别数据，所述类别数据包括用于指示道路的区域为地下空洞的第一类别数据以及用于指示道路的区域为非地下空洞的第二类别数据；利用遗传算法随机产生一个种群，每个个体为5维数组，数组中的数值分别为所述第一权重、第二权重、第三权重、第四权重以及响应基准的取值；对应每个个体计算各个所述感测数据训练样本的反射波的空洞响应值，并比较所述个体对应的空洞响应值与所述个体中响应基准的取值之间的大小，得到对应感测数据训练样本是否为道路地下空洞的识别结果；针对每一个体，在遍历所有所述感测数据训练样本时，得到每个个体对应的识别精度；根据每一个体对应的识别精度评价遗传算法每一个体的适应度以进化遗传算法的种群，直至所有的个体的适应度都排在第一位，得到的个体为所述第一权重的最优值、第二权重的最优值、第三权重的最优值、第四权重的最优值以及所述响应基准的最优值。
8.如权利要求7所述的基于最优加权的道路地下空洞识别装置，其特征在于：所述遗传算法为NSGA-II算法；所述最优权值确定模块还用于用识别的错误率作为评价遗传算法每一个体的适应度函数，所述识别的错误率等于1减去每一个体对应的识别精度。
9.如权利要求6-8中任一项所述的基于最优加权的道路地下空洞识别装置，其特征在于：所述反射波能量值E的计算方式如下：
Figure FDA0002537533530000041
其中，N为采样点数，Pi为第i个采样点的反射波的幅度值；
所述反射系数R的计算方式如下：
Figure FDA0002537533530000042
其中，P0为直达波的峰值；所述反射波的傅里叶频谱幅值F(ω)的计算方式如下：
Figure FDA0002537533530000051
f(t)为反射波的幅度的时域信号，ω为反射波的幅度信号频率，t为反射波的幅度信号采样时间；所述反射波的空洞响应值K的计算方式如下：K＝aE+bPi+cR+dF(ω)，a为第一权重，b为第二权重，c为第三权重，d为第四权重。
10.一种基于最优加权的道路地下空洞识别系统，其特征在于，包括如上述权利要求6-9中任一项所述的基于最优加权的道路地下空洞识别装置以及探地雷达，所述道路地下空洞识别装置与探地雷达通信连接。
CN201911164435.9A 2019-11-22 2019-11-22 基于最优加权的道路地下空洞识别方法、装置及系统 Active CN111007464B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911164435.9A CN111007464B (zh) 2019-11-22 2019-11-22 基于最优加权的道路地下空洞识别方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911164435.9A CN111007464B (zh) 2019-11-22 2019-11-22 基于最优加权的道路地下空洞识别方法、装置及系统

Publications (2)

Publication Number Publication Date
CN111007464A CN111007464A (zh) 2020-04-14
CN111007464B true CN111007464B (zh) 2020-08-04

Family

ID=70113159

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911164435.9A Active CN111007464B (zh) 2019-11-22 2019-11-22 基于最优加权的道路地下空洞识别方法、装置及系统

Country Status (1)

Country Link
CN (1) CN111007464B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115220115A (zh) * 2022-09-21 2022-10-21 江苏筑升土木工程科技有限公司 一种道路空洞在线检测系统及检测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5457394A (en) * 1993-04-12 1995-10-10 The Regents Of The University Of California Impulse radar studfinder
CN105974405B (zh) * 2016-05-04 2018-07-06 哈尔滨工业大学 基于幅度加权的探地雷达后向投影成像方法
US10372128B2 (en) * 2016-11-21 2019-08-06 Ford Global Technologies, Llc Sinkhole detection systems and methods
CN109190510A (zh) * 2018-08-13 2019-01-11 中国矿业大学(北京) 基于探地雷达的地下空洞量化识别方法

Also Published As

Publication number Publication date
CN111007464A (zh) 2020-04-14

Similar Documents

Publication Publication Date Title
CN111007572B (zh) 道路地下空洞的自动识别方法、装置及系统
US7929375B2 (en) Method and apparatus for improved active sonar using singular value decomposition filtering
CN111476088B (zh) 沥青路面水损害识别模型构建方法、识别方法及系统
CN112684428B (zh) 一种基于信号代理的多目标恒虚警率检测方法
CN111222743B (zh) 一种光纤感知事件的垂直偏移距离及威胁级别判断方法
JPH05504840A (ja) 共振超音波分光学
CN111811617B (zh) 一种基于短时傅里叶变换和卷积神经网络的液位预测方法
CN109190272B (zh) 基于弹性波和机器学习的混凝土结构缺陷检测方法
CN104749568A (zh) 一种基于水听器阵列的浅海目标深度的分类方法
KR101897763B1 (ko) 레이더를 이용한 거리 측정 방법 및 장치
CN102405422B (zh) 在声雷达系统中检测和补偿降水的方法
CN111445515A (zh) 基于特征融合网络的地下圆柱体目标半径估算方法及系统
CN111007464B (zh) 基于最优加权的道路地下空洞识别方法、装置及系统
CN113468804B (zh) 一种基于矩阵束和深度神经网络的地下管道识别方法
CN115480305A (zh) 边坡地震动力响应及灾变过程多元多域感知监测方法
CN111695461A (zh) 一种基于图频特性的雷达杂波智能分类方法
CN108646248A (zh) 一种针对低速运动声源的被动声学测速测距方法
CN110991507A (zh) 基于分类器的道路地下空洞识别方法、装置及系统
CN115903024B (zh) 一种基于梯度下降法的横波分裂分析方法
CN117496463A (zh) 一种提高道路感知精度的学习方法及系统
CN110806444B (zh) 基于浅地层剖面仪与svm的海底底质识别与分类方法
Guo et al. Research on tunnel lining image target recognition method based on YOLOv3
Shen et al. An alternative method for surface current extraction from X-band marine radar images
CN117452342B (zh) 一种基于极化特征的箔条干扰检测方法
RU2803396C1 (ru) Метод обнаружения объектов и определения их местоположения в реальном времени с помощью распределённых оптоволоконных интерферометрических датчиков вибраций

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: 20201019

Address after: No.86-a2112, Wanxing Road, Changyang, Fangshan District, Beijing 102400

Patentee after: Beijing Zhongke blueprints Technology Co.,Ltd.

Patentee after: Zhongke yuntu Technology Co., Ltd

Address before: No.86-a2112, Wanxing Road, Changyang, Fangshan District, Beijing 102400

Patentee before: Beijing Zhongke blueprints Technology Co.,Ltd.

TR01 Transfer of patent right