CN112462346A - 一种基于卷积神经网络的探地雷达路基病害目标检测方法 - Google Patents

一种基于卷积神经网络的探地雷达路基病害目标检测方法 Download PDF

Info

Publication number
CN112462346A
CN112462346A CN202011357009.XA CN202011357009A CN112462346A CN 112462346 A CN112462346 A CN 112462346A CN 202011357009 A CN202011357009 A CN 202011357009A CN 112462346 A CN112462346 A CN 112462346A
Authority
CN
China
Prior art keywords
ground penetrating
penetrating radar
data
scan
target
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
CN202011357009.XA
Other languages
English (en)
Other versions
CN112462346B (zh
Inventor
张安学
陈思宇
师振盛
王百泉
林春刚
王�华
谢韬
刘永胜
尚伟
李荆
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202011357009.XA priority Critical patent/CN112462346B/zh
Publication of CN112462346A publication Critical patent/CN112462346A/zh
Application granted granted Critical
Publication of CN112462346B publication Critical patent/CN112462346B/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
    • G01S7/41—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
    • G01S7/417—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 involving the use of neural networks
    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01C—CONSTRUCTION OF, OR SURFACES FOR, ROADS, SPORTS GROUNDS, OR THE LIKE; MACHINES OR AUXILIARY TOOLS FOR CONSTRUCTION OR REPAIR
    • E01C23/00—Auxiliary devices or arrangements for constructing, repairing, reconditioning, or taking-up road or like surfaces
    • E01C23/01—Devices or auxiliary means for setting-out or checking the configuration of new surfacing, e.g. templates, screed or reference line supports; Applications of apparatus for measuring, indicating, or recording the surface configuration of existing surfacing, e.g. profilographs
    • 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
    • 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
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • 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
    • G01S7/2923—Extracting wanted echo-signals based on data belonging to a number of consecutive radar periods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于卷积神经网络的探地雷达路基病害目标检测方法，其包括获取探地雷达仿真及实际采集的原始图像数据；对其分别进行相应预处理得探地雷达预处理图像；标记存储原始及预处理图像中的目标信息；将探地雷达图像与标记信息文件一同构建为PASCAL VOC数据集，并划分为训练集、验证集和测试集；结合标记目标边框纵横比动态设置锚框参数初始值；进而采用训练集训练及验证集微调搭建的Cascade R‑CNN网络得卷积网络模型，使用测试集评价网络模型性能，最终实现探地雷达路基病害目标的准确快速检测。本发明不依赖于人为识别，具有较强泛化能力，可实现路基病害目标的快速且准确检测。

Description

一种基于卷积神经网络的探地雷达路基病害目标检测方法
技术领域
本发明涉及探地雷达信号处理领域，尤其涉及一种基于卷积神经网络的探地雷达路基病害目标检测方法。
背景技术
路基对于公路铁路至关重要。由于建造条件、地理环境、气候、车辆行驶等原因，导致道路存在多种病害。公铁路表面及浅层病害易于观察检测，但路基位置处病害不易被发现，若不及时有效处理，影响公路铁路的使用，严重威胁驾驶者的生命安全。探地雷达作为一种无损、准确度高、效率快、适应性强的检测技术，替代原有的有损和无损检测手段，广泛用于路基病害检测工程中。
探地雷达系统中发射天线发射短脉冲电磁波，电磁波穿过地表及地下介质，遇到电性不同界面及目标时发生反射，接收天线接收反射回波，形成A-Scan信号。发射/接收天线沿着公路铁路测线以固定间隔移动，不同位置接收的A-Scan信号构成B-Scan图像数据。
早期的探地雷达目标检测方法基于A-Scan信号，根据不同病害目标及地层结构在时间剖面和频率域上的分布等特征，主要利用不同目标能量分布、波形特征、幅度相位及目标信号间互相关等信息，采用傅里叶变换、小波变换等计算方法，人为的提取出不同目标的特征进行分析识别及定位。虽然上述方法可检测到目标，但依赖于人为分析识别，需要具有丰富经验和先验知识的技术人员，了解掌握大量的路基病害目标结构特征，含有较多主观因素；花费大量的精力和时间，检测效率低；并且由于人工操作导致获得的特征参数和特征表示较少，缺乏泛化能力，导致检测准确率低，影响路基病害判断。
随着近年来机器学习的发展，且结合探地雷达B-Scan图像数据中不同目标的表现形式，如不同介质的圆形目标呈现出极性差异的双曲线结构、方形目标呈现出两边为双曲线、中间是平行线的结构等，根据它们的形状、极性等表现特征，采用机器学习方法实现路基病害目标的自动检测，虽然不需人工提取目标识别检测，由于算法设计等方面原因，其对于复杂路基环境仍无法做到准确检测。因此高效准确的识别定位复杂环境下的路基病害对于公路铁路维护具有重要意义。
发明内容
本发明的目的是为克服上述技术的缺点，提供一种基于卷积神经网络的探地雷达路基病害目标检测方法，不依赖于人为识别，实现不同类型路基病害目标的快速且准确检测，适应于不同复杂路基环境，具有泛化能力。
为了达到上述发明目的，本发明采用以下技术方案予以实现。
一种基于卷积神经网络的探地雷达路基病害目标检测方法，按照以下步骤执行：
步骤一：获取探地雷达原始图像数据
利用探地雷达系统对实际路基进行探测采集探地雷达B-Scan实际图像数据，以及采用基于FDTD的gprMax软件对路基中常见的3种病害类型进行正演模拟生成探地雷达B-Scan仿真图像；
步骤二：探地雷达数据预处理
对采集的探地雷达图像数据采用归一化、去零偏、均值滤波法去直达波和自动增益处理，对仿真探地雷达图像数据采用均值滤波法去除直达波和自动增益放大信号处理，分别得到相应预处理后的二维图像数据，再将预处理后的图像及步骤一中原始图像数据缩放至统一的像素大小；
步骤三：标记探地雷达图像中目标
采用labelImg软件标记仿真和采集的探地雷达图像中目标，将目标类别、坐标等信息存储在.xml文件中；
步骤四：构建PASCAL VOC数据集
将.jpg格式的探地雷达图像数据与.xml格式的标记信息整理构建PASCAL VOC数据集，并按照一定比例划分为训练集、验证集和测试集；
步骤五：动态设置锚框参数
计算训练集中标记的目标边界框在不同纵横比下对应的数量，选择大于设定阈值的纵横比及其倒数作为网络训练中预设锚框纵横比参数的初始值；
步骤六：获取卷积神经网络模型
采用搭建的Cascade R-CNN模型对训练集数据进行训练，得到拟合数据的网络模型，并用步骤四中生成的验证集数据对网络超参数进行微调得到最终的卷积神经网络模型；
步骤七：评价卷积神经网络模型性能
采用步骤四中生成的测试集评价模型性能，召回率和平均精度作为评价指标；
步骤八：检测探地雷达路基病害目标
将探地雷达数据B-Scan数据以.jpg格式输入训练好的Cascade R-CNN模型中进行检测，输出存在目标的类别、置信度及检测框坐标。
本发明的进一步特点在于：
步骤一中，获取探地雷达原始图像数据，具体过程如下：
(1)获取探地雷达采集图像数据
采用探地雷达系统对不同地方的实际路基进行探测，采集探地雷达图像，以B-Scan形式成像。
(2)获取探地雷达仿真图像数据
采用基于FDTD的gprMax软件对路基中主要的3种病害类型进行正演模拟生成探地雷达B-Scan仿真图像。gprMax软件分别构建路基模型和3种病害模型，其中路基由面层、基层和垫层三层结构构成，3种病害包括空洞、脱空和断层。
调整不同类型病害目标的大小、形状和埋藏深度，以及发射天线的中心频率，将发射/接收天线以固定步长沿侧线移动，仿真出路基病害探地雷达数据图像，以B-Scan形式成像显示。
本发明的进一步特点在于：
步骤二中，探地雷达数据预处理，具体处理流程如下：
对采集的探地雷达图像数据采用归一化、去零偏、均值滤波法去直达波和自动增益处理；对仿真探地雷达图像数据采用均值滤波法去直达波和自动增益处理。
(1)探地雷达采集数据归一化处理
对二维B-Scan图像进行归一化，使得二维B-Scan中所有采样点值取值范围变为[-1,1],计算公式如下：
Figure BDA0002802887860000031
其中二维B-Scan数据B(M×N)由N道A-Scan信号数据构成，M表示采样点数，N表示扫描总道数，Bmin、Bmax分别表示图像矩阵B的最小值和最大值，Bi′j为归一化后的采样点值。
(2)探地雷达采集数据去零偏处理
对二维B-Scan图像进行去零偏，计算公式如下：
Figure BDA0002802887860000032
其中xij为第j道A-Scan数据Xj＝[xj1,xj2,...,xjM]T的第i个采样点，xi′j为去零偏后的数据采样点值，得到去零偏后的探地雷达数据。
(3)探地雷达数据均值滤波处理
对二维B-Scan图像进行均值滤波法去直达波，具体过程如下：
将B-Scan数据的每道A-Scan信号逐采样点减去该采样点对应所有道A-Scan数据的均值，计算公式如下：
Figure BDA0002802887860000041
其中xij为第j道A-Scan数据Xj＝[xj1,xj2,...,xjM]T的第i个采样点，xi′j为去除直达波后的数据采样点值。
(4)探地雷达数据自动增益处理
对二维B-Scan图像进行自动增益实现信号放大，具体过程如下：
将每道A-Scan信号划分为T个时窗，相邻时窗间有50％的重叠，分别由每个时窗内采样点的平均幅值计算时窗起始点对应增益值，相邻时窗增益值采取线性插值计算，计算公式如下：
Figure BDA0002802887860000042
其中每个时窗大小为
Figure BDA0002802887860000043
Figure BDA0002802887860000044
表示下取整，Atj表示第j道A-Scan数据中第t个时窗的平均幅值，xij为第j道A-Scan数据Xj＝[xj1,xj2,...,xjM]T的第i个采样点。
每个时窗的增益值Gtj计算如下：
Figure BDA0002802887860000045
时窗内各采样点增益值计算公式如下：
Figure BDA0002802887860000046
其中Gsj表示第j道A-Scan数据中[t,t+W]时窗内各个采样点对应的增益值,Gtj表示第t个时窗的增益值，Gt+W,j表示第t+1个时窗的增益值，s表示时窗内采样点索引。
经处理分别得到仿真和采集探地雷达数据的预处理数据，再将其与步骤一中的原始图像数据缩放至统一的375×500像素大小。
本发明的进一步特点在于：
步骤四中，构建PASCAL VOC数据集，具体流程如下：
将步骤一中生成获取的原始探地雷达数据图像数据与步骤二中预处理后的.jpg格式的图像数据，及步骤三中打好目标标记并存储为.xml格式的文件数据，按照PASCALVOC数据集的标准格式构建，并以8:1:1的比例分别划分为训练集、验证集和测试集。
本发明的进一步特点在于：
步骤五中，动态设置锚框参数，具体流程如下：
统计训练集中人为标记的目标边界框的纵横比，计算训练集中目标边界框在不同统计纵横比下对应的数量，选择大于阈值0.65的边界框纵横比及其倒数作为网络训练中锚框纵横比参数的初始值。
本发明的进一步特点在于：
步骤六中，获得卷积神经网络模型结构，具体操作如下：
改进Cascade R-CNN模型中的FPN获取多尺度特征映射模块，在原有P3-P6融合特征映射层基础上，增加P2融合层以检测小目标及P7融合层以检测较大目标，其中P2-P7分别表示第2至第7个stage融合特征映射的输出层；并且在FPN模块的5个stage输出特征图经1×1卷积统一通道数为256后，分别添加1×1卷积核及ReLU激活函数增强网络非线性表达能力；三阶段级联IOU阈值分别设置为0.5、0.6和0.7。
采用随机梯度下降算法训练Cascade R-CNN模型时，总损失函数为分类损失和回归损失的加权和，计算公式如下：
L(x,g)＝Lcls(h(x),y)+λLreg(f(x,b),g)
其中Lcls(·)表示分类损失函数，采用交叉熵损失函数，Lloc(·)表示回归损失函数，采用smooth L1损失函数，h(x)表示分类器函数，f(x,b)表示回归器函数，x表示训练过程中输入的划分图像块，y表示真实的类别标签，λ表示加权系数，b表示预测边界框，g表示真实边界框。
训练网络模型的初始学习率为0.0025，采用Step学习率变化策略，最大迭代周期epoch设置为50，网络训练到第38和48个epoch时学习率分别下降0.1。训练完后生成的网络模型，采用步骤四中生成的验证集进一步微调超参数生成更拟合数据的网络模型。
本发明的进一步特点在于：
步骤七中，评价卷积神经网络模型性能，具体操作如下：
采用步骤四中生成的测试集评价模型性能，召回率和平均精度作为评价指标。
召回率计算公式如下：
Figure BDA0002802887860000061
其中TP表示真阳性，即模型预测为正例、实际为正例的样本个数，FN表示假阴性，即模型预测为负例、实际为正例的样本个数。
平均精度计算公式如下：
Figure BDA0002802887860000062
其中FP表示型预测为正例、实际为负例的样本个数，M表示一个类别样本中存在的正例样本数。
与现有技术相比，本发明具有以下有益的技术效果：
1、本发明中采用gprMax软件对路基病害进行正演模拟，以及通过探地雷达系统对实际路基路况探测，得到探地雷达B-Scan数据图像，满足卷积神经网络训练中大量数据集要求，具有丰富的目标特征信息；
2、本发明采用均值滤波法，快速有效去除直达波，实时性强，自动增益处理有效实现目标信号放大，并且采用多种预处理方法扩充数据集，丰富目标特征；
3、本发明采用卷积神经网络实现探地雷达路基病害目标的自动检测，不需依赖于人为识别处理，降低人工成本及数据处理量，节省人力和资源；
4、本发明采用深度卷积神经网络检测探地雷达路基病害目标，效率高、检测精度准确，泛化能力强，适应于不同复杂路基环境；
5、本发明在原有Cascade R-CNN模型的FPN模块结构基础上，添加1×1卷积核及激活函数增加网络非线性表达能力，降低计算量和复杂性，增加P2卷积层以检测小目标，实现多尺度目标大小的准确检测；
6、本发明采用动态设置锚框参数，无需人为设定，适应多种目标边界框标记情况。
附图说明
图1为基于卷积神经网络的探地雷达路基病害目标检测方法的流程图；
图2为部分探地雷达路基病害目标B-Scan原始图像；
图3为Cascade R-CNN网络模型结构；
图4为步骤六中Cascade R-CNN模型的FPN模块结构；
图5为部分探地雷达路基病害目标检测结果图；
具体实施方式
下面结合附图对本发明做进一步详细说明。
参见图1所示，本发明所述的基于卷积神经网络的探地雷达路基病害目标检测方法，按以下步骤操作处理：
步骤一：获取探地雷达原始图像数据
利用探地雷达系统对实际路基进行探测采集探地雷达B-Scan实际图像数据，以及采用基于FDTD的gprMax软件对路基中常见的3种病害类型进行正演模拟生成探地雷达B-Scan仿真图像；
步骤二：探地雷达数据预处理
对采集的探地雷达图像数据采用归一化、去零偏、均值滤波法去直达波和自动增益处理，对仿真探地雷达图像数据采用均值滤波法去除直达波和自动增益放大信号处理，分别得到相应预处理后的二维图像数据，再将预处理后的图像及步骤一中原始图像数据缩放至统一的像素大小；
步骤三：标记探地雷达图像中目标
采用labelImg软件标记仿真和采集探地雷达图像中的目标，将目标类别、坐标等信息存储在.xml文件中；
步骤四：构建PASCAL VOC数据集
将.jpg格式的探地雷达图像数据与.xml格式的标记信息整理构建PASCAL VOC数据集，并按照一定比例划分为训练集、验证集和测试集；
步骤五：动态设置锚框参数
计算训练集中标记的目标边界框在不同纵横比下对应的数量，选择大于设定阈值的纵横比及其倒数作为网络训练中预设锚框纵横比参数的初始值；
步骤六：获取卷积神经网络模型
采用搭建的Cascade R-CNN模型对训练集数据进行训练，得到拟合数据的网络模型，并用步骤四中生成的验证集数据对网络超参数进行微调得到最终的卷积神经网络模型；
步骤七：评价卷积神经网络模型性能
采用步骤四中生成的测试集评价模型性能，召回率和平均精度作为评价指标；
步骤八：检测探地雷达路基病害目标
将探地雷达数据B-Scan数据以.jpg格式输入训练好的Cascade R-CNN模型中进行检测，输出存在目标的类别、置信度及检测框坐标。
步骤一中获取探地雷达原始图像数据，进一步分为获取实际采集数据和仿真数据。
对于探地雷达路基病害目标实际采集数据，采用探地雷达采集系统对不同地方路基进行实地探测，采集探地雷达图像，以B-Scan形式成像。
对于探地雷达路基病害目标仿真数据，采用基于FDTD的gprMax软件对路基中主要的3种病害类型进行正演模拟生成探地雷达B-Scan图像。gprMax软件分别构建道路模型和3种病害目标模型。仿真模型主体宽度为10m、高度为3m，由于公路、铁路由面层、基层和底基层三层结构构成，面层主要有沥青和混泥土等组成、基层主要有混合土组成、底基层主要有沙石等组成，因此厚度分别设置为20cm、30cm和2.5m，相对介电常数分别为4、9和12，电导率分别为0.05、0.05和0.1，3种病害包括空洞、脱空和断层，将其放置于底基层中的不同位置。
调整不同类型病害目标的大小、形状和埋藏深度，目标数据每10个数据为一组，每组中目标所处位置不同，组间目标大小不同，并且设置发射天线的中心频率分别为300MHz、900MHz和2GHz，仿真出探地雷达路基病害目标数据图像，以B-Scan形式成像显示。
步骤二中探地雷达数据预处理，对采集的探地雷达图像数据采用归一化、去零偏、均值滤波法去直达波和自动增益处理，对仿真探地雷达图像数据采用均值滤波法去直达波和自动增益处理。
(1)探地雷达采集数据归一化处理
对二维B-Scan图像进行归一化，使得二维B-Scan中所有采样点值取值范围变为[-1,1],方便后续的预处理操作，计算公式如下：
Figure BDA0002802887860000081
其中二维B-Scan数据B(M×N)由N道A-Scan信号数据构成，M表示采样点数，N表示扫描总道数，Bmin、Bmax分别表示图像矩阵B的最小值和最大值，Bi′j为归一化后的采样点值。
(2)探地雷达采集数据去零偏处理
为使得探地雷达每道A-Scan数据均值为0，保证A-Scan信号波形是无偏移的，对二维B-Scan图像进行去零偏。计算每道A-Scan数据均值，再用每道逐采样点减去该均值，计算公式如下：
Figure BDA0002802887860000082
其中xij为第j道A-Scan数据Xj＝[xj1,xj2,...,xjM]T的第i个采样点，xi′j为去零偏后的数据采样点值，得到去零偏后的探地雷达数据。
(3)探地雷达数据均值滤波处理
由于直达波信号能量较强，趋于稳定存在，会掩藏真正的目标信号，且其在B-Scan图像中呈现水平直线状，因此对二维B-Scan图像采用均值滤波法去直达波，具体过程如下：
将B-Scan数据的每道A-Scan信号逐采样点减去该采样点对应所有道A-Scan数据的均值，计算公式如下：
Figure BDA0002802887860000091
其中xij为第j道A-Scan数据Xj＝[xj1,xj2,...,xjM]T的第i个采样点，xi′j为去除直达波后的数据采样点值。
(4)探地雷达数据自动增益处理
不同病害目标所处深度不同，在探测较深位置处目标时，由于双程时间较长导致信号减弱，无法在B-Scan图像中用肉眼直接观察到目标，因此对二维B-Scan图像进行自动增益实现信号放大，起到均衡作用，具体过程如下：
将每道A-Scan信号划分为T个时窗，相邻时窗间有50％的重叠，分别由每个时窗内采样点的平均幅值计算时窗起始点对应增益值，为保证图像不出现失真现象，相邻时窗内每个采样点的增益值采取线性插值赋值计算，具体计算公式如下：
Figure BDA0002802887860000092
其中每个时窗大小为
Figure BDA0002802887860000093
Figure BDA0002802887860000094
表示下取整，Atj表示第j道A-Scan数据中第t个时窗的平均幅值，xij为第j道A-Scan数据Xj＝[xj1,xj2,...,xjM]T的第i个采样点值。
每个时窗起始点的增益值Gtj计算如下：
Figure BDA0002802887860000095
时窗内各采样点增益值计算公式如下：
Figure BDA0002802887860000101
其中Gsj表示第j道A-Scan数据中[t,t+W]时窗内各个采样点对应的增益值,Gtj表示第t个时窗的增益值，Gt+W,j表示第t+1个时窗的增益值，s表示时窗内采样点索引。对于浅层目标信号较强，对应增益值较小，深层目标信号较弱，对应增益值较大。
采用上述4种处理方法对步骤一中仿真和采集的原始探地雷达数据进行对应的预处理，分别得到各自的预处理图像数据，再将其与原始图像数据一同缩放至统一的375×500像素大小。
步骤三中标记探地雷达图像中目标，采用labelImg软件标记步骤二中得到的探地雷达图像中的目标，将不同路基病害目标标记为一类目标，标记完成后软件自动将图像文件名称、位置、标记目标类别、坐标等信息进行存储，生成对应的.xml文件。
步骤四中构建PASCAL VOC数据集，将步骤一中生成获取的原始探地雷达数据图像数据与步骤二中预处理后的.jpg格式的图像数据，及步骤三中打好目标标记并存储为.xml格式的文件数据，按照PASCAL VOC数据集的标准格式构建标准数据集，并以8:1:1的比例分别划分为训练集、验证集和测试集。PASCAL VOC数据集包括Annotations、ImageSets和JPEGImages三个文件夹，其中Annotations中存放.xml目标标记文件，ImageSets中存放训练集、验证集和测试集生成数据路径及名称构成的.txt文件，JPEGImages中存放.jpg格式探地雷达数据图像。
步骤五中动态设置锚框参数，统计训练集中打好标记的目标边界框对应的长与宽的纵横比，分别计算训练集中图像数据标记的目标边界框在不同纵横比下对应的数量，选择大于阈值0.65的纵横比及其倒数作为网络训练中预设锚框纵横比参数的初始值，锚框的尺度初始值采用网络的默认值。
步骤六中获取卷积神经网络模型，重新搭建Cascade R-CNN模型结构，图3为Cascade R-CNN网络模型结构示意图，其中“Input”表示图像输入，“Conv”表示骨干网Backbone中的卷积层，“Pool”表示区域特征提取，“Head”表示网络的Head部分，用于对图像特征进行预测，生成预测框和分类，“B”表示边界框回归操作，“C”表示分类操作，“B0”表示初步生成的边界框，“1”、“2”、“3”分别表示网络模型的3个阶段，图中可看到Cascade R-CNN网络模型主要包括4个阶段，其第一个阶段利用RPN模块生成初步的边界框，其他三个阶段采用分别设置为0.5、0.6和0.7的级联IOU阈值获取更为准确的边界框，通过在上一个阶段中对边界框进行重新采样和调整，为下一个阶段找到适合IOU值更高的正例样本进行训练。
为检测不同尺度大小的病害目标，改进Cascade R-CNN模型中的FPN模块，获取多尺度特征映射，其在原有生成的P3-P6融合特征映射层基础上，增加P2融合层以检测小目标及P7融合层以检测较大目标，并在FPN模块的5个stage输出特征图经1×1卷积统一通道数为256后，分别添加1×1卷积核及ReLU激活函数以增强网络非线性表达能力，降低计算量和复杂度。改进后的FPN模块结构如图4所示，其中Conv1-5表示模型中骨干网5个stage的输出特征图，Conv_R1-5表示Conv1-5层分别统一通道为256后的输出卷积层，P2-7为FPN模块的输出融合特征层，其中P6由P5经步长为2的3×3卷积核生成，P7由P6经步长为2的3×3卷积核及ReLU激活函数生成，P2由Conv_R2经3×3×256卷积操作生成。
网络训练目的是寻找总损失函数达最小值时对应的网络参数权重和偏置，因此采用随机梯度下降算法来训练Cascade R-CNN模型，其总损失函数为分类损失和回归损失的加权和，计算公式如下：
L(x,g)＝Lcls(h(x),y)+λLreg(f(x,b),g)
其中Lcls(·)表示分类损失函数，采用交叉熵损失函数，Lloc(·)表示回归损失函数，采用smooth L1损失函数，h(x)表示分类器函数，f(x,b)表示回归器函数，x表示训练过程中输入的划分图像块，y表示真实的类别标签，λ表示加权系数，b表示预测边界框，g表示真实边界框。
训练Cascade R-CNN网络模型的初始学习率为0.0025，采用Step学习率变化策略，最大迭代周期epoch设置为50，网络训练到第38和48个epoch时学习率分别下降0.1。训练完后生成的网络模型，采用步骤四中生成的验证集进一步微调超参数生成更拟合数据的网络模型。
步骤七中评价卷积神经网络模型性能，采用步骤四中生成的测试集评价模型性能，召回率和平均精度作为评价指标。
召回率计算公式如下：
Figure BDA0002802887860000111
其中TP表示真阳性，即模型预测为正例、实际为正例的样本个数，FN表示假阴性，即模型预测为负例、实际为正例的样本个数。
平均精度计算公式如下：
Figure BDA0002802887860000121
其中FP表示型预测为正例、实际为负例的样本个数，M表示一个类别样本中存在的正例样本数。
步骤八中检测探地雷达路基病害目标，将探地雷达数据B-Scan数据以.jpg格式输入训练好的Cascade R-CNN模型中进行检测，输出存在目标的类别、置信度及检测框坐标。
下面结合具体实例对本方案的探地雷达路基病害目标检测方法的实验效果进行说明：
采用探地雷达系统和gprMax软件生成探地雷达路基病害目标图像，图2为原始探地雷达病害目标图像，图2(a)为采用2GHz探地雷达天线对实际路基路况进行探测得到的B-Scan数据图像，主要包括不同深度位置的断层、脱空和空洞目标病害，图2(b)为探地雷达路基病害目标仿真B-Scan数据图像，根据不同中心频率的发射天线对不同类型目标在不同位置处形成的目标回波，构成B-Scan仿真图像，数据病害目标主要包括空洞、脱空和断层，其中仿真中设置空洞为圆形和方形形状、脱空为方形和倒三角形状，以及断层有左右两种不同的倾斜角度。本实例采用labelImg软件对生成的探地雷达图像数据中目标边界框及类别进行标注，选择能框住目标的最小边界框，并统一标注为一类病害目标，生成相应的.xml文件。进而将生成的探地雷达病害目标原始图像、预处理后的图像数据及标记的.xml文件数据以8:1:1的比例生成训练集、验证集和测试集，再将其进行整理构建PASCAL VOC数据集。
本实例在基于PyTorch的检测工具箱mmdetection上实现，采用步骤六中的Cascade R-CNN网络模型进行训练检测，其骨干网络Backbone为ResNet101，在1个GPU(每个GPU训练2个图像)上训练网络50个迭代周期epoch，初始学习率设置为0.0025，学习率采用Step机制，在训练到38和48个epoch时下降0.1，动量设置为0.9，权重衰减为0.0005。输入到网络的图像统一为375×500像素大小，使用框架中的翻转作为唯一的线上数据增强技术。
使用验证集微调网络超参数后得到的网络模型，采用测试集来评价网络性能，召回率Recall和平均精度AP作为评价指标。测试集中是否有目标标记分为正例样本和负例样本，网络根据设置的NMS后处理的IOU阈值进行检测得到结果，通过使用召回率Recall和平均精度AP将两者结果进行比对来评价网络检测性能，判断网络性能是否良好及其检测结果是否准确，网络后处理所用NMS的IOU阈值设置为0.6，即检测到的边界框置信度大于0.6时才判断为正确结果进行输出。本实例中得到的召回率达到94.5％，平均精度达到90.1％，且网络检测一张图像中目标所用时间量级为毫秒级，均表明该网络模型具有良好的检测性能，可用于准确高效的检测路基病害目标，图5为部分探地雷达路基病害目标检测结果图，均可准确的检测出图像中的路基病害目标。

Claims (7)

1.一种基于卷积神经网络的探地雷达路基病害目标检测方法，其特征在于，按照以下步骤执行：
步骤一：获取探地雷达原始图像数据
利用探地雷达系统对实际路基进行探测采集探地雷达B-Scan实际图像数据，以及采用基于FDTD的gprMax软件对路基中常见的3种病害类型进行正演模拟生成探地雷达B-Scan仿真图像；
步骤二：探地雷达数据预处理
对采集的探地雷达图像数据采用归一化、去零偏、均值滤波法去直达波和自动增益处理，对仿真探地雷达图像数据采用均值滤波法去除直达波和自动增益放大信号处理，分别得到相应预处理后的二维图像数据，再将预处理后的图像及步骤一中原始图像数据缩放至统一的像素大小；
步骤三：标记探地雷达图像中目标
采用labelImg软件标记仿真和采集的探地雷达图像中目标，将目标类别、坐标等信息存储在.xml文件中；
步骤四：构建PASCAL VOC数据集
将.jpg格式的探地雷达图像数据与.xml格式的标记信息整理构建PASCAL VOC数据集，并按照一定比例划分为训练集、验证集和测试集；
步骤五：动态设置锚框参数
计算训练集中标记的目标边界框在不同纵横比下对应的数量，选择大于设定阈值的纵横比及其倒数作为网络训练中预设锚框纵横比参数的初始值；
步骤六：获取卷积神经网络模型
采用搭建的Cascade R-CNN模型对训练集数据进行训练，得到拟合数据的网络模型，并用步骤四中生成的验证集数据对网络超参数进行微调得到最终的卷积神经网络模型；
步骤七：评价卷积神经网络模型性能
采用步骤四中生成的测试集评价模型性能，召回率和平均精度作为评价指标；
步骤八：检测探地雷达路基病害目标
将探地雷达数据B-Scan数据以.jpg格式输入训练好的Cascade R-CNN模型中进行检测，输出存在目标的类别、置信度及检测框坐标。
2.根据权利要求1所述的一种基于卷积神经网络的探地雷达路基病害目标检测方法，其特征在于，步骤一中获取探地雷达原始图像数据具体过程如下：
(1)获取探地雷达采集图像数据
采用探地雷达系统对不同地方的实际路基进行探测，采集探地雷达图像，以B-Scan形式成像；
(2)获取探地雷达仿真图像数据
采用基于FDTD的gprMax软件对路基中3种常见病害类型进行正演模拟生成探地雷达B-Scan仿真图像，gprMax软件分别构建道路模型和3种病害目标模型，仿真模型主体宽度为10m、高度为3m，模型由面层、基层和底基层三层结构构成，厚度分别设置为20cm、30cm和2.5m，相对介电常数分别为4、9和12，电导率分别为0.05、0.05和0.1，3种病害包括空洞、脱空和断层，将其放置于底基层中的不同位置；
调整不同类型病害目标的大小、形状和埋藏深度，目标数据每10个数据为一组，每组中目标所处位置不同，组间目标大小不同，并且设置发射天线的中心频率分别为300MHz、900MHz和2GHz，仿真出探地雷达路基病害目标数据图像，以B-Scan形式成像显示。
3.根据权利要求1所述的一种基于卷积神经网络的探地雷达路基病害目标检测方法，其特征在于，步骤二中探地雷达数据预处理，具体流程如下：
对采集的探地雷达图像数据采用归一化、去零偏、均值滤波法去直达波和自动增益处理；对仿真探地雷达图像数据采用均值滤波法去直达波和自动增益处理；
(1)探地雷达采集数据归一化处理
对二维B-Scan图像进行归一化，使得二维B-Scan中所有采样点值取值范围变为[-1,1],计算公式如下：
Figure FDA0002802887850000021
其中二维B-Scan数据B(M×N)由N道A-Scan数据构成，M表示采样点数，N表示扫描道数，Bmin、Bmax分别表示图像矩阵B的最小值和最大值，B′ij为归一化后的采样点值；
(2)探地雷达采集数据去零偏处理
对二维B-Scan图像进行去零偏，计算公式如下：
Figure FDA0002802887850000022
得到去零偏后的探地雷达数据。其中xij为第j道A-Scan数据Xj＝[xj1,xj2,...,xjM]T的第i个采样点，x′ij为去零偏后的数据采样点值；
(3)探地雷达数据均值滤波处理
对二维B-Scan图像进行均值滤波法去直达波，具体过程如下：
将B-Scan数据的每道A-Scan信号逐采样点减去该采样点对应所有道A-Scan数据的均值，计算公式如下：
Figure FDA0002802887850000031
其中xij为第j道A-Scan数据Xj＝[xj1,xj2,...,xjM]T的第i个采样点，x′ij为去除直达波后的数据采样点值；
(4)探地雷达数据自动增益处理
对二维B-Scan图像进行自动增益实现信号放大，具体过程如下：
将每道A-Scan信号划分为T个时窗，相邻时窗间有50％的重叠，分别由每个时窗内采样点的平均幅值计算时窗起始点对应增益值，相邻时窗增益值采取线性插值计算，计算公式如下：
Figure FDA0002802887850000032
其中每个时窗大小为
Figure FDA0002802887850000033
Figure FDA0002802887850000034
表示下取整，Atj表示第j道A-Scan数据中第t个时窗的平均幅值，xij为第j道A-Scan数据Xj＝[xj1,xj2,...,xjM]T的第i个采样点；
每个时窗的增益值Gtj计算如下：
Figure FDA0002802887850000035
时窗内各采样点增益值计算公式如下：
Figure FDA0002802887850000036
其中Gsj表示第j道A-Scan数据中[t,t+W]时窗内各个采样点对应的增益值,Gtj表示第t个时窗的增益值，Gt+W,j表示第t+1个时窗的增益值，s表示时窗内采样点索引；
经处理分别得到仿真和采集探地雷达数据的预处理数据，再将其与步骤一中的原始图像数据缩放至统一的375×500像素大小。
4.根据权利要求1所述的一种基于卷积神经网络的探地雷达路基病害目标检测方法，其特征在于，步骤四中构建PASCAL VOC数据集，具体流程如下：
将步骤一中生成获取的原始探地雷达数据图像数据与步骤二中预处理后的.jpg格式的图像数据，及步骤三中打好目标标记并存储为.xml格式的文件数据，按照PASCAL VOC数据集的标准格式构建，并以8:1:1的比例分别划分为训练集、验证集和测试集。
5.根据权利要求1所述的一种基于卷积神经网络的探地雷达路基病害目标检测方法，其特征在于，步骤五中动态设置锚框参数，具体流程如下：
统计训练集中人为标记的目标边界框的纵横比，计算训练集中目标边界框在不同统计纵横比下对应的数量，选择大于阈值0.65的边界框纵横比及其倒数作为网络训练中锚框纵横比参数的初始值。
6.根据权利要求1所述的一种基于卷积神经网络的探地雷达路基病害目标检测方法，其特征在于，步骤六中获得卷积神经网络模型结构，具体操作如下：
改进Cascade R-CNN模型中的FPN获取多尺度特征映射模块，在原有P3-P6融合特征映射层基础上，增加P2融合层以检测小目标及P7融合层以检测较大目标，其中P2-P7分别表示第2至第7个融合特征映射输出层；并且在FPN模块的5个stage输出特征图经1×1卷积统一通道数为256后，分别添加1×1卷积核及ReLU激活函数增强网络非线性表达能力；三阶段级联IOU阈值分别设置为0.5、0.6和0.7；
采用随机梯度下降算法训练Cascade R-CNN模型时，总损失函数为分类损失和回归损失的加权和，计算公式如下：
L(x,g)＝Lcls(h(x),y)+λLreg(f(x,b),g)
其中Lcls(·)表示分类损失函数，采用交叉熵损失函数，Lloc(·)表示回归损失函数，采用Smooth L1损失函数，h(x)表示分类器函数，f(x,b)表示回归器函数，x表示训练过程中输入的划分图像块，y表示真实的类别标签，λ表示加权系数，b表示预测边界框，g表示真实边界框；
训练网络模型的初始学习率为0.0025，采用Step学习率变化策略，最大迭代周期epoch设置为50，网络训练到第38和48个epoch时学习率分别下降0.1。训练完后生成的网络模型，采用步骤四中生成的验证集进一步微调超参数生成更拟合数据的网络模型。
7.根据权利要求1所述的一种基于卷积神经网络的探地雷达路基病害目标检测方法，其特征在于，步骤七中评价卷积神经网络模型性能，具体操作如下：
采用步骤四中生成的测试集评价模型性能，召回率和平均精度作为评价指标；
召回率计算公式如下：
Figure FDA0002802887850000051
其中TP表示真阳性，即模型预测为正例、实际为正例的样本个数，FN表示假阴性，即模型预测为负例、实际为正例的样本个数；
平均精度计算公式如下：
Figure FDA0002802887850000052
其中FP表示型预测为正例、实际为负例的样本个数，M表示一个类别样本中存在的正例数。
CN202011357009.XA 2020-11-26 2020-11-26 一种基于卷积神经网络的探地雷达路基病害目标检测方法 Active CN112462346B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011357009.XA CN112462346B (zh) 2020-11-26 2020-11-26 一种基于卷积神经网络的探地雷达路基病害目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011357009.XA CN112462346B (zh) 2020-11-26 2020-11-26 一种基于卷积神经网络的探地雷达路基病害目标检测方法

Publications (2)

Publication Number Publication Date
CN112462346A true CN112462346A (zh) 2021-03-09
CN112462346B CN112462346B (zh) 2023-04-28

Family

ID=74809063

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011357009.XA Active CN112462346B (zh) 2020-11-26 2020-11-26 一种基于卷积神经网络的探地雷达路基病害目标检测方法

Country Status (1)

Country Link
CN (1) CN112462346B (zh)

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113191391A (zh) * 2021-04-07 2021-07-30 浙江省交通运输科学研究院 一种针对三维探地雷达图谱的道路病害分类方法
CN113256562A (zh) * 2021-04-22 2021-08-13 深圳安德空间技术有限公司 基于雷达图像和人工智能的道路地下隐患检测方法和系统
CN113298155A (zh) * 2021-05-27 2021-08-24 中国民航大学 一种基于sf-ssd算法的机场跑道地下病害检测方法
CN113447536A (zh) * 2021-06-24 2021-09-28 山东大学 一种混凝土介电常数反演与病害识别方法及系统
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
CN113687427A (zh) * 2021-08-18 2021-11-23 上海圭目机器人有限公司 基于双频反投影法的探地雷达目标位置预测方法
CN113836999A (zh) * 2021-08-16 2021-12-24 山东大学 基于探地雷达的隧道施工风险智能识别方法及系统
CN113837163A (zh) * 2021-11-29 2021-12-24 深圳大学 一种基于三维探地雷达的隧道监测方法、系统以及存储介质
CN113901878A (zh) * 2021-09-13 2022-01-07 哈尔滨工业大学 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
CN114296075A (zh) * 2021-12-29 2022-04-08 中路交科科技股份有限公司 一种探地雷达图像人工智能识别方法及装置
CN114821296A (zh) * 2022-03-14 2022-07-29 西安电子科技大学 地下病害探地雷达图像识别方法、系统、存储介质及终端
CN114895302A (zh) * 2022-04-06 2022-08-12 广州易探科技有限公司 城市道路路基病害快速探测的方法及装置
CN114947951A (zh) * 2022-08-01 2022-08-30 深圳华声医疗技术股份有限公司 超声成像控制方法、装置、超声设备及存储介质
CN115063525A (zh) * 2022-04-06 2022-09-16 广州易探科技有限公司 一种城市道路路基及管道的三维成图方法及装置
CN115100363A (zh) * 2022-08-24 2022-09-23 中国科学院地理科学与资源研究所 基于探地雷达的地下异常体三维建模方法及装置
CN115310482A (zh) * 2022-07-31 2022-11-08 西南交通大学 一种桥梁钢筋的雷达智能识别方法
CN115343685A (zh) * 2022-08-29 2022-11-15 北京国电经纬工程技术有限公司 应用于病害识别的多维度探地雷达检测方法、装置、设备
CN115619687A (zh) * 2022-12-20 2023-01-17 安徽数智建造研究院有限公司 一种隧道衬砌脱空雷达信号识别方法、设备及存储介质
CN116413719A (zh) * 2023-06-12 2023-07-11 深圳大学 一种月球次表层下方熔岩管道勘探方法及相关设备
CN116469014A (zh) * 2023-01-10 2023-07-21 南京航空航天大学 基于优化Mask R-CNN的小样本卫星雷达图像帆板识别和分割方法
CN117077451A (zh) * 2023-10-17 2023-11-17 深圳市城市交通规划设计研究中心股份有限公司 一种道路内部使用寿命评估方法、电子设备及存储介质
CN117173618A (zh) * 2023-09-06 2023-12-05 哈尔滨工业大学 基于多特征感知的Faster R-CNN的探地雷达空洞目标识别方法
CN117269954A (zh) * 2023-08-28 2023-12-22 哈尔滨工业大学 基于yolo的探地雷达道路多重隐蔽病害实时识别方法
CN117576487A (zh) * 2024-01-16 2024-02-20 天博电子信息科技有限公司 一种基于可变形卷积的探地雷达空洞目标智能识别方法
WO2024124691A1 (zh) * 2022-12-12 2024-06-20 中公高科养护科技股份有限公司 一种路面病害识别方法、介质及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103941254A (zh) * 2014-03-03 2014-07-23 中国神华能源股份有限公司 一种基于地质雷达的土壤物性类别识别方法和装置
CN105242271A (zh) * 2014-07-03 2016-01-13 通用汽车环球科技运作有限责任公司 用于车辆雷达系统的目标分类
CN107621626A (zh) * 2017-10-09 2018-01-23 中国矿业大学(北京) 基于深度卷积神经网络的雷达信号铁路路基病害检测方法
CN108830331A (zh) * 2018-06-22 2018-11-16 西安交通大学 一种基于全卷积网络的探地雷达目标检测方法
CN110458129A (zh) * 2019-08-16 2019-11-15 电子科技大学 基于深度卷积神经网络的非金属地雷识别方法
CN110706211A (zh) * 2019-09-17 2020-01-17 中国矿业大学(北京) 基于卷积神经网络的铁路路基病害雷达图实时检测方法
CN110717464A (zh) * 2019-10-15 2020-01-21 中国矿业大学(北京) 一种基于雷达数据的铁路路基病害智能识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103941254A (zh) * 2014-03-03 2014-07-23 中国神华能源股份有限公司 一种基于地质雷达的土壤物性类别识别方法和装置
CN105242271A (zh) * 2014-07-03 2016-01-13 通用汽车环球科技运作有限责任公司 用于车辆雷达系统的目标分类
CN107621626A (zh) * 2017-10-09 2018-01-23 中国矿业大学(北京) 基于深度卷积神经网络的雷达信号铁路路基病害检测方法
CN108830331A (zh) * 2018-06-22 2018-11-16 西安交通大学 一种基于全卷积网络的探地雷达目标检测方法
CN110458129A (zh) * 2019-08-16 2019-11-15 电子科技大学 基于深度卷积神经网络的非金属地雷识别方法
CN110706211A (zh) * 2019-09-17 2020-01-17 中国矿业大学(北京) 基于卷积神经网络的铁路路基病害雷达图实时检测方法
CN110717464A (zh) * 2019-10-15 2020-01-21 中国矿业大学(北京) 一种基于雷达数据的铁路路基病害智能识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杜彦良等: "一种基于稀疏表示的重载铁路路基病害快速识别方法", 《土木工程学报》 *
沙爱民等: "基于级联卷积神经网络的公路路基病害识别", 《长安大学学报（自然科学版）》 *

Cited By (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113191391A (zh) * 2021-04-07 2021-07-30 浙江省交通运输科学研究院 一种针对三维探地雷达图谱的道路病害分类方法
CN113256562A (zh) * 2021-04-22 2021-08-13 深圳安德空间技术有限公司 基于雷达图像和人工智能的道路地下隐患检测方法和系统
CN113256562B (zh) * 2021-04-22 2021-12-14 深圳安德空间技术有限公司 基于雷达图像和人工智能的道路地下隐患检测方法和系统
CN113298155B (zh) * 2021-05-27 2022-07-29 中国民航大学 一种基于sf-ssd算法的机场跑道地下病害检测方法
CN113298155A (zh) * 2021-05-27 2021-08-24 中国民航大学 一种基于sf-ssd算法的机场跑道地下病害检测方法
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
CN113447536A (zh) * 2021-06-24 2021-09-28 山东大学 一种混凝土介电常数反演与病害识别方法及系统
CN113447536B (zh) * 2021-06-24 2022-09-30 山东大学 一种混凝土介电常数反演与病害识别方法及系统
CN113836999A (zh) * 2021-08-16 2021-12-24 山东大学 基于探地雷达的隧道施工风险智能识别方法及系统
CN113687427B (zh) * 2021-08-18 2023-11-28 上海圭目机器人有限公司 基于双频反投影法的探地雷达目标位置预测方法
CN113687427A (zh) * 2021-08-18 2021-11-23 上海圭目机器人有限公司 基于双频反投影法的探地雷达目标位置预测方法
CN113901878A (zh) * 2021-09-13 2022-01-07 哈尔滨工业大学 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
CN113901878B (zh) * 2021-09-13 2024-04-05 哈尔滨工业大学 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
CN113837163A (zh) * 2021-11-29 2021-12-24 深圳大学 一种基于三维探地雷达的隧道监测方法、系统以及存储介质
CN114296075B (zh) * 2021-12-29 2022-10-28 中路交科科技股份有限公司 一种探地雷达图像人工智能识别方法及装置
WO2023123568A1 (zh) * 2021-12-29 2023-07-06 中路交科科技股份有限公司 一种探地雷达图像人工智能识别方法及装置
CN114296075A (zh) * 2021-12-29 2022-04-08 中路交科科技股份有限公司 一种探地雷达图像人工智能识别方法及装置
CN114821296A (zh) * 2022-03-14 2022-07-29 西安电子科技大学 地下病害探地雷达图像识别方法、系统、存储介质及终端
CN115063525A (zh) * 2022-04-06 2022-09-16 广州易探科技有限公司 一种城市道路路基及管道的三维成图方法及装置
CN114895302A (zh) * 2022-04-06 2022-08-12 广州易探科技有限公司 城市道路路基病害快速探测的方法及装置
CN115310482A (zh) * 2022-07-31 2022-11-08 西南交通大学 一种桥梁钢筋的雷达智能识别方法
CN114947951A (zh) * 2022-08-01 2022-08-30 深圳华声医疗技术股份有限公司 超声成像控制方法、装置、超声设备及存储介质
CN115100363B (zh) * 2022-08-24 2022-11-25 中国科学院地理科学与资源研究所 基于探地雷达的地下异常体三维建模方法及装置
CN115100363A (zh) * 2022-08-24 2022-09-23 中国科学院地理科学与资源研究所 基于探地雷达的地下异常体三维建模方法及装置
CN115343685A (zh) * 2022-08-29 2022-11-15 北京国电经纬工程技术有限公司 应用于病害识别的多维度探地雷达检测方法、装置、设备
WO2024124691A1 (zh) * 2022-12-12 2024-06-20 中公高科养护科技股份有限公司 一种路面病害识别方法、介质及系统
CN115619687A (zh) * 2022-12-20 2023-01-17 安徽数智建造研究院有限公司 一种隧道衬砌脱空雷达信号识别方法、设备及存储介质
CN116469014A (zh) * 2023-01-10 2023-07-21 南京航空航天大学 基于优化Mask R-CNN的小样本卫星雷达图像帆板识别和分割方法
CN116469014B (zh) * 2023-01-10 2024-04-30 南京航空航天大学 基于优化Mask R-CNN的小样本卫星雷达图像帆板识别和分割方法
CN116413719B (zh) * 2023-06-12 2023-09-08 深圳大学 一种月球次表层下方熔岩管道勘探方法及相关设备
CN116413719A (zh) * 2023-06-12 2023-07-11 深圳大学 一种月球次表层下方熔岩管道勘探方法及相关设备
CN117269954A (zh) * 2023-08-28 2023-12-22 哈尔滨工业大学 基于yolo的探地雷达道路多重隐蔽病害实时识别方法
CN117269954B (zh) * 2023-08-28 2024-04-16 哈尔滨工业大学 基于yolo的探地雷达道路多重隐蔽病害实时识别方法
CN117173618A (zh) * 2023-09-06 2023-12-05 哈尔滨工业大学 基于多特征感知的Faster R-CNN的探地雷达空洞目标识别方法
CN117173618B (zh) * 2023-09-06 2024-04-30 哈尔滨工业大学 基于多特征感知的Faster R-CNN的探地雷达空洞目标识别方法
CN117077451B (zh) * 2023-10-17 2024-03-26 深圳市城市交通规划设计研究中心股份有限公司 一种道路内部使用寿命评估方法、电子设备及存储介质
CN117077451A (zh) * 2023-10-17 2023-11-17 深圳市城市交通规划设计研究中心股份有限公司 一种道路内部使用寿命评估方法、电子设备及存储介质
CN117576487A (zh) * 2024-01-16 2024-02-20 天博电子信息科技有限公司 一种基于可变形卷积的探地雷达空洞目标智能识别方法

Also Published As

Publication number Publication date
CN112462346B (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
CN112462346B (zh) 一种基于卷积神经网络的探地雷达路基病害目标检测方法
CN107621626B (zh) 基于深度卷积神经网络的雷达信号铁路路基病害检测方法
CN111476088B (zh) 沥青路面水损害识别模型构建方法、识别方法及系统
CN111025286B (zh) 一种用于水损害检测的探地雷达图谱自适应选取方法
CN109782274B (zh) 一种基于探地雷达信号时频统计特征的水损害识别方法
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
CN110222701A (zh) 一种桥梁病害自动识别方法
CN114548278A (zh) 基于深度学习的在役隧道衬砌结构缺陷识别方法及系统
CN101329402B (zh) 基于改进Wedgelet的多尺度SAR图像边缘检测方法
CN111025285B (zh) 一种基于图谱灰度自适应选取的沥青路面水损害检测方法
CN111754463B (zh) 一种基于卷积神经网络的无砟轨道ca砂浆层缺陷检测方法
CN114266892A (zh) 一种多源数据深度学习的路面病害识别方法及系统
CN115390033A (zh) 基于探地雷达路面下空洞及水损检测方法、系统及装置
CN116403124A (zh) 一种基于DResNet-PointNet的三维点云围岩的结构面智能识别方法
CN110910407B (zh) 基于移动激光扫描点云数据的行道树树干提取方法
CN114187516A (zh) 一种基于bp神经网络的探地雷达地下空洞目标识别方法
CN115755193A (zh) 路面结构内部病害识别方法
CN107727749A (zh) 一种基于小波包融合特征提取算法的超声定量检测方法
CN117456342A (zh) 一种基于街景影像的交通事故风险评估方法及系统
Guo et al. Research on tunnel lining image target recognition method based on YOLOv3
CN115542278A (zh) 一种基于探地雷达原始数据的路面病害区域判断方法
CN115223044A (zh) 基于深度学习的端到端三维探地雷达目标识别方法及系统
Li et al. Research on Target Recognition Method of Tunnel Lining Image Based on Deep Learning
CN117079268B (zh) 一种道路内部病害三维数据集构建方法及其使用方法
CN116660852A (zh) 一种基于探地雷达的深度学习路面离析识别方法

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