CN111781576A - 一种基于深度学习的探地雷达智能反演方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的探地雷达智能反演方法，包括如下步骤：获取仿真训练数据集，所述仿真训练数据集包括多组雷达剖面图‑介电常数分布图数据对；根据所述仿真训练数据集，得到雷达反演深度学习网络模型；基于雷达反演深度学习网络模型，根据实时采集到的雷达检测数据进行介电常数反演。本发明可对复杂雷达检测数据实现自动化反演，该方法同时实现了较高的检测精度和较快的处理速度,保证了雷达数据处理的实时性。

Description

一种基于深度学习的探地雷达智能反演方法

本申请为申请号2020100192030、申请日2020年1月8日、发明名称“一种用于运营期隧道衬砌检测及病害诊断的多臂机器人”的分案申请。

技术领域

本发明属于病害检测技术领域，尤其涉及一种基于深度学习的探地雷达智能反演方法。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

随着隧道工程的大量建设并陆续投入运营，其安全运营的重要性尤为重要。在其长期服役过程中，在自然环境及气候变化及行车等周期性疲劳荷载等多种因素作用下，大量运营期隧道结构存在诸如衬砌开裂、钢筋锈涨、内部脱空、渗水漏泥等结构隐蔽病害，上述病害极易造成隧道衬砌结构性能退化，导致隧道寿命折减，甚至引发安全事故，影响行车安全，威胁人民人身财产安全，并造成恶劣的社会影响。

目前对隧道结构内部病害检测仍然以人工巡检为主，且对病害的诊断多依赖检测人员的主观经验，易漏检误报，且检测时间长、人力成本高、智能化水平低。现有的隧道综合检测车需要借助车辆作为移动载体，难以实现隧道环境的自主进行与自主检测。随着信息技术与自动化技术的发展，巡检机器人以其高效、智能、可用于危险环境等特点，近年来逐渐应用于桥梁、大坝等大型基础设施检测。已有的用于地铁隧道等有轨隧道的巡检机器人多搭载线扫或面扫高清相机、红外成像仪、激光三维扫描仪、宽频探地雷达等表面检测设备。以段空气耦合雷达为代表的探地雷达由于其检测速度快，精度高且易于搭载等优点，现已广泛应用于结构病害检测中。近年来,利用探地雷达进行结构病害检测成为了工程领域的一个重要关注点。而对于探地雷达检测数据(B-scan图像)的解释，目前主要依靠于专业技术人员，然而该方法效率低下、且对专业人员经验的依赖度高、容易解释错误。并且从探地雷达B-scan图像中只能主观地推断出异常的类别和大致位置，并不能获得异常的形状和介电性能。

探地雷达反演是根据所记录的探地雷达B-scan图像来重建结构的介电特性，如介电常数、电导率、速度、阻抗等，以便更准确地描述异常体的形状、大小和特征。目前在探地雷达反演的方法中，全波形反演方法(FWI)是最先进的结构图像定性和定量重建方法，然而波形反演是一个典型的非线性病态逆问题，对于几何形状不规则、分布复杂的结构病害，接收到的探地雷达剖面图通常是交错的，并伴有不连续、畸变的回波。更糟糕的是，在某些情况下，由于钢筋的强反射作用会掩盖一部分病害信号，使病害难以识别。并且传统的FWI方法依赖于初始模型，存在局部最小或周期跳变问题，难以准确重建目标的介电分布。在这种情况下，使用FWI结果可能会识别错误。

近年来,该领域的一个发展趋势是利用深度学习的方法来进行雷达检测数据的识别，中国科学院电力研究所在其申请的专利文献“基于机器学习的探地雷达检测方法”(专利申请号：201810313513.6,申请日：2018.11.06,申请公布号CN108759648A)中提出了一种基于机器学习的方法来预测公路的厚度和介电常数,是将介电常数和厚度的检测问题转换为分类问题，采用机器学习的方法完成分类模型的训练；北京市市政工程研究院在其申请的专利文献“一种基于深度学习的雷达图谱识别方法及系统”(专利申请号：201910541303.7,申请日：2019.09.17,申请公布号CN110245642A)，通过将深度学习技术引入到地下工程中的雷达图谱识别问题上，研究建立雷达图谱分析识别的深度学习模型，实现了雷达图谱的自动识别和分类。然而这些方法既不能准确地描述异常体的形状，也不能获得结构的介电分布。

发明内容

为克服上述现有技术的不足，本发明提供了一种基于深度学习的探地雷达智能反演方法，该方法充分学习雷达检测数据信息，可对复杂雷达检测数据实现自动化反演，该方法同时实现了较高的检测精度和较快的处理速度,保证了雷达数据处理的实时性。

为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

一种基于深度学习的探地雷达智能反演方法，包括如下步骤：

获取仿真训练数据集，所述仿真训练数据集包括多组雷达剖面图-介电常数分布图数据对；

根据所述仿真训练数据集，得到雷达反演深度学习网络模型；

基于雷达反演深度学习网络模型，根据实时采集到的雷达检测数据进行介电常数反演。

进一步地，所述仿真训练数据集的建立方法为：

对背景介质和病害内部介质随机组合，对于每一种组合方式均生成一幅剖面介电常数分布图；

对于每一介电常数分布图均进行正演，生成相应的雷达剖面图，从而得到多组雷达剖面图-介电常数分布图数据对，将每组数据对中的介电常数分布图数据作为雷达剖面图的标签，得到仿真训练数据集。

进一步地，生成一幅剖面介电常数分布图包括：

对于每一种组合方式所形成的剖面，拟合剖面上各层背景介质之间的层间界面以及病害轮廓，根据相应组合方式中各类介质对应的介电常数，生成介电常数分布图。

进一步地，所述雷达反演深度学习网络模型架构包括雷达剖面图编码结构和介电常数分布图解码结构；所述雷达剖面图编码结构用于对单道雷达数据进行增强、压缩和重组，所述介电常数分布图解码结构用于重建介电常数分布图。

进一步地，所述雷达剖面图编码结构包括多层卷积结构和多层感知机结构；其中，多层卷积结构包括多层卷积层，或，多层卷积层和一层空洞空间金字塔池化结构。

进一步地，所述介电常数分布图解码结构包括级联的多层反卷积层、一层上采样层、一层空洞空间金字塔池化结构和多层卷积结构。

进一步地，还获取真实探测得到的雷达背景噪声剖面图，与雷达剖面图进行融合，得到新的训练数据集，用于训练雷达反演深度学习网络模型。以上一个或多个技术方案存在以下有益效果：

本发明通过深度学习方法充分学习雷达检测数据信息，可对复杂雷达检测数据实现自动化反演，该方法同时实现了较高的检测精度和较快的处理速度,保证了雷达数据处理的实时性。

本发明通过模拟仿真方式获取雷达检测图-介电常数分布图数据对，通过采用多种背景介质和病害填充介质进行组合，能够得到充分的介电常数分布图训练数据；通过对介质间的界面曲线和病害轮廓进行模拟，使得介电常数分布图更为真实，为后续模型的泛化能力提供了保障。

本发明还获取了无病害的真实雷达探测数据，将其作为背景加入仿真训练数据集，使得训练数据集中的雷达检测数据与真实更为接近。

本发明所采用的深度学习网络在对雷达检测数据进行特征学习时，首先以单道检测数据为对象，采用邻域数据进行特征增强，再将增强后的各单道检测数据进行合并，解决了雷达数据与介电模型空间位置不对应问题。

本发明提出的方法能够用于混凝土无损检测、道路病害检测、工程地质勘察等领域，实现对内部隐蔽缺陷或异常位置、形状及介电特性的精细识别。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为根据本发明实施例基于深度学习的探地雷达智能反演方法的流程图；

图2为根据本发明实施例所示的深度学习网络结构示意图；

图3为根据本发明实施例所示的仿真雷达检测数据；

图4为根据本发明实施例所示的仿真介电模型图；

图5为根据本发明实施例所示的深度学习网络预测图。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

实施例一

本实施例公开了一种基于深度学习的探地雷达智能反演方法，包括如下步骤：

步骤S1：建立仿真训练数据集，所述仿真训练数据集包括多组雷达剖面图-介电常数分布图数据对。

针对隧道衬砌病害结构检测问题，建立相应仿真数据集。所述步骤S1具体包括：

步骤S101：对背景介质和病害内部介质随机组合，对于每一种组合方式均生成一幅衬砌剖面的介电常数分布图。具体地，拟合衬砌剖面上各层背景介质之间的层间界面以及病害轮廓，根据各类介质对应的介电常数，生成多幅介电常数分布图。

其中，所述背景介质类型包括素混凝土、钢筋混凝土、岩石、土体等多种背景介质，所述病害类型包括空洞、不密实、裂缝、脱空、断层、溶洞等，病害内部介质为水、空气、泥、岩石等介质。

所述各层背景介质之间的层间界面采用二次样条曲线拟合。所述病害轮廓采用不规则复杂双曲线拟合。从而能够模拟出符合实际的层间界面和不同病害类型对应的各种复杂形状。

步骤S102：对于每一介电常数分布图均进行正演，生成相应的雷达剖面图，从而得到多组雷达剖面图-介电常数分布图数据对。

其中，所述正演采用FDTD方法。

步骤S103：将每组数据对中的介电常数分布图数据作为雷达剖面图的标签，得到仿真训练数据集。

步骤S2：构建雷达反演深度学习网络模型架构。

所述雷达反演深度学习网络模型采用“多层卷积→多层感知机→多层反卷积”相级联的实现方式，网络卷积方式、具体网络层数及各层所用卷积核大小，均根据雷达检测数据与介电常数模型的数据维度来确定。具体包括两个结构：

(1)道对道的编码结构，采用多层卷积与多层感知机实现。其中，多层卷积结构用于利用邻域信息增强雷达单道数据；多层感知机结构用于对增强后的每一道雷达单道数据进行压缩和重组，按照顺序进行拼接，实现邻域信息的充分提取以及数据对间的空间特征信息对应。

作为一种实现方式，所述多层卷积结构包括5层卷积层，感知机结构为6层，卷积层卷积核大小为5*5，以实现邻域信息的充分提取以及数据对的空间特征信息对应。

作为另一种实现方式，所述多层卷积结构包括多层卷积层和空洞空间金字塔池化结构，具体地，所述多层卷积结构中的第2-4层中任一层可替换为空洞空间金字塔池化结构，所述空洞空间金字塔池化结构由4种不同分辨率(分辨率为1、3、5、7)的空洞卷积并联而成，卷积核大小确定为3*3大小，用于扩张感受野及提取多尺度特征，充分利用原始数据中的有效信息，实现原始信息的邻域增强。

通过多层感知机结构用于对单道特征压缩操作，去除无关和冗余特征，实现数据中有效信息的“重组”。为有效实现对单道雷达数据的特征压缩，确定感知机层数不少于6层，各层维度依据单道数据特征与介电常数模型比例确定。

如图3所示，横坐标上每一个探测距离值对应一道雷达检测数据，如图4所示，病害相应的雷达检测数据与介电常数所对应的探测距离范围不一致，或者说空间特征信息并不完全对应，且病害相应的雷达检测数据所对应的探测距离范围更大。为了使特征在雷达检测数据图与介电常数分布图中更准确的对应。本实施例通过多层卷积结构对每一单道雷达数据进行增强，融合相邻道的特征信息，使得单道雷达数据特征信息更为丰富，与介电常数所对应的探测距离范围对应性更好，从而保证了后续模型的准确性。

(2)相对介电常数模型解码结构，获取雷达检测数据特征，依据提取数据特征维度与介电常数模型维度比例，确定反卷积层数及卷积方式，采用3*3大小卷积核，确定不少于8层的卷积结构，实现介电常数分布图的重建。

作为一种实现方式，所述相对介电常数模型解码结构包括9层卷积结构，第1-2层为反卷积层，实现特征图到模型的扩张，并加入dropout操作提升模型泛化能力；第3层为上采样层，采用双线性插值方式实现数据到模型的维度对应；第4层为空洞空间金字塔池化结构，由4种不同分辨率(分辨率为1、3、5、7)的空洞卷积并联而成，用于扩张感受野；第5-9层利用5层卷积进行数据特征融合，重建介电常数分布图。

所述相对介电常数模型解码结构首先利用多层反卷积实现特征图到模型的扩张，接着利用双线性插值方式实现雷达检测数据到介电常数模型的维度对应，利用不同分辨率的空洞卷积形成空洞空间组成金字塔池化结构扩张感受野，最后利用卷积神经网络进行数据特征融合，实现单道特征重建相应位置下的信息，重建介电常数模型。采用多层反卷积及空洞卷积结构在扩张数据维度的同时，充分融合编码器所提取的雷达数据特征，实现利用单道雷达数据特征重建介电常数分布图相应位置下的信息，预测生成介电常数分布图。

步骤S3：获取真实探测得到的没有病害的雷达背景噪声数据剖面图，将其与仿真训练数据集中的雷达剖面图进行融合，形成“伪真实”数据，得到用于模型训练的训练数据集，训练雷达反演深度学习网络模型，得到模型参数。

将雷达背景噪声数据剖面图与雷达剖面图通过强度归一化融合。通过真实探测获得的雷达背景噪声剖面图能够反映衬砌剖面的真实背景情况，与仿真训练数据集中的雷达剖面图进行相加，得到新的训练数据集训练雷达反演模型，能够更准确的识别衬砌结构的病害。

采用均方误差(MSE)与多尺度结构相似性指数(MS_SSIM)相结合的loss函数，利用ADAM优化算法对雷达反演深度学习网络的误差梯度进行优化，训练构造雷达智能反演模型。

步骤S4：根据雷达反演深度学习网络模型，对实时采集到的雷达检测数据进行反演，得到相应的介电常数分布图。

将深度学习模型参数代入到初始的深度学习模型中，即可得到可以进行实际应用的预测模型。然后使用pyinstaller将所述预测模型打包成EXE应用程序，生成可供用户使用的界面，用户可以对采集到的雷达检测数据进行输入，然后所述预测模型就会对所述雷达检测数据进行反演，生成介电常数分布图，如图5所示，生成的介电常数分布图的存储位置可以由用户自行选择。

根据介电常数分布图能够还原衬砌被测剖面的背景介质和病害形态和病害中的填充介质，从而达到病害检测的目的。

以上一个或多个实施例具有以下技术效果：

本实施例通过深度学习方法充分学习雷达检测数据信息，可对复杂雷达检测数据实现自动化反演，该方法同时实现了较高的检测精度和较快的处理速度,保证了雷达数据处理的实时性。

本实施例通过模拟仿真方式获取雷达检测图-介电常数分布图数据对，通过采用多种背景介质和病害填充介质进行组合，能够得到充分的介电常数分布图训练数据；通过对介质间的界面曲线和病害轮廓进行模拟，使得介电常数分布图更为真实，为后续模型的泛化能力提供了保障。

本实施例还获取了无病害的真实雷达探测数据，将其作为背景加入仿真训练数据集，使得训练数据集中的雷达检测数据与真实更为接近。

本实施例所采用的深度学习网络在对雷达检测数据进行特征学习时，首先以单道检测数据为对象，采用邻域数据进行特征增强，再将增强后的各单道检测数据进行合并，解决了雷达数据与介电模型空间位置不对应问题。

本实施例提出的方法能够用于混凝土无损检测、道路病害检测、工程地质勘察等领域，实现对内部隐蔽缺陷或异常位置、形状及介电特性的精细识别。

本实施例提出的方法可基于仿真数据训练并推广应用于实际数据中，为解决隧道、桥梁、堤坝、道路等工程的真实数据反演问题。

本实施例方法呈现方式直观，可在电脑端或移动端显示数据反演结果并保存,方便高效,具有推广价值。

本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (9)

1.一种基于深度学习的探地雷达智能反演方法，其特征在于，包括如下步骤：

获取仿真训练数据集，所述仿真训练数据集包括多组雷达剖面图-介电常数分布图数据对；

根据所述仿真训练数据集，得到雷达反演深度学习网络模型；

基于雷达反演深度学习网络模型，根据实时采集到的雷达检测数据进行介电常数反演。

2.如权利要求1所述的基于深度学习的探地雷达智能反演方法，其特征在于，所述仿真训练数据集的建立方法为：

对背景介质和病害内部介质随机组合，对于每一种组合方式均生成一幅剖面介电常数分布图；

对于每一介电常数分布图均进行正演，生成相应的雷达剖面图，从而得到多组雷达剖面图-介电常数分布图数据对，将每组数据对中的介电常数分布图数据作为雷达剖面图的标签，得到仿真训练数据集。

3.如权利要求2所述的基于深度学习的探地雷达智能反演方法，其特征在于，生成一幅剖面介电常数分布图包括：

对于每一种组合方式所形成的剖面，拟合剖面上各层背景介质之间的层间界面以及病害轮廓，根据相应组合方式中各类介质对应的介电常数，生成介电常数分布图。

4.如权利要求1所述的基于深度学习的探地雷达智能反演方法，其特征在于，所述雷达反演深度学习网络模型架构包括雷达剖面图编码结构和介电常数分布图解码结构。

5.如权利要求4所述的基于深度学习的探地雷达智能反演方法，其特征在于，所述雷达剖面图编码结构用于对单道雷达数据进行增强、压缩和重组，所述介电常数分布图解码结构用于重建介电常数分布图。

6.如权利要求4所述的基于深度学习的探地雷达智能反演方法，其特征在于，所述雷达剖面图编码结构包括多层卷积结构和多层感知机结构；其中，多层卷积结构包括多层卷积层。

7.如权利要求4所述的基于深度学习的探地雷达智能反演方法，其特征在于，所述雷达剖面图编码结构包括多层卷积结构和多层感知机结构；其中，多层卷积结构包括多层卷积层和一层空洞空间金字塔池化结构。

8.如权利要求4所述的基于深度学习的探地雷达智能反演方法，其特征在于，所述介电常数分布图解码结构包括级联的多层反卷积层、一层上采样层、一层空洞空间金字塔池化结构和多层卷积结构。

9.如权利要求1所述的基于深度学习的探地雷达智能反演方法，其特征在于，还获取真实探测得到的雷达背景噪声剖面图，与雷达剖面图进行融合，得到新的训练数据集，用于训练雷达反演深度学习网络模型。

Images