CN113009447B - 基于深度学习和探地雷达的道路地下空洞检测预警方法 - Google Patents

Abstract

本发明公开了一种基于深度学习和探地雷达的道路地下空洞检测预警方法，该方法包括：通过探地雷达采集实际道路的含噪探地雷达回波信号；对含噪探地雷达回波信号进行滤波平滑处理得到去噪探地雷达回波信号；采用生成式对抗神经网络对去噪探地雷达回波信号进行增广处理得到雷达回波信号；采用快速区域卷积神经网络对雷达回波信号进行检测得到第一检测预警结果。本发明采用GANs网络对地下坑洞数据集进行增广，解决了基于深度学习的地下空洞检测时训练样本不足的问题，同时采用快速区域卷积神经网络模型进行检测，提高了网络对信号特征的学习能力，实现了将深度学习技术更好地应用到雷达信号检测技术中，可以更加准确而快速地对道路进行无损检测。

Description

基于深度学习和探地雷达的道路地下空洞检测预警方法

技术领域

本发明属于道路检测技术领域，具体涉及一种基于深度学习和探地雷达的道路地下空洞检测预警方法。

背景技术

道路在建设好或通行一段时间后需要对路基进行检测，检测路基的好坏是保证道路安全的重要指标，目前，在检测道路路基的好坏时需要用到探地雷达进行扫描，探地雷达又称透地雷达，地质雷达，是用频率较大的无线电波来确定地下介质分布的一种无损伤探测方式，可以探测金属及非金属物体、比如地下水泥管道等等。

随着道路使用年限的逐步增长，道路过载或者地下管道漏水都能导致的道路基层损害的产生，严重的会产生地下空洞从而极易引发路面塌陷造成人员伤亡和经济损失。因此及时有效的检测变得尤为重要，目前传统的检测方法主要有钻芯取样、超声波和探地雷达方式对其进行检测。钻芯取样通过钻取道路样本来对道路基层进行诊断，取样过程会对道路造成不可逆的损伤且费时费力需要较长时间封闭道路，已经很难满足海量的检测需求，在道路检测领域实用性越来越低。超声波检测方式利用超声波在固体和气体中传播速度的差异，能够准确的探测到地下空洞的存在，然而正式由于超声波传导原理，很容易受到检测环境的影响。探地雷达通过向地面发射并接收电磁波，采用正演得到地下结构来实现对地下目标的探测，并能够克服前两种方式有损受干扰较大的缺点被越来越多的应用于实际检测工程中。探地雷达的待测地下目标环境错综复杂，因此需要对采集的原始信号进行预处理。国内外学者对此进行了很多的研究并提出了多种滤波方法，来帮助检测人员提高检测数据质量。

然而，正是由于探地雷达的检测原理不同于常规的直接测量方式，使得对大量地下病害的定性定量分析都依靠检测人员的判断，检测精度低，且国内外尚未出现成熟的针对探地雷达检测结果的自动化分析方案。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于深度学习和探地雷达的道路地下空洞检测预警方法。

本发明的一个实施例提供了一种基于深度学习和探地雷达的道路地下空洞检测预警方法，包括：

通过探地雷达采集实际道路的含噪探地雷达回波信号；

对所述含噪探地雷达回波信号进行滤波平滑处理得到去噪探地雷达回波信号；

采用生成式对抗神经网络对所述去噪探地雷达回波信号进行增广处理得到雷达回波信号；

采用快速区域卷积神经网络对所述雷达回波信号进行检测得到第一检测预警结果。

在本发明的一个实施例中，对所述含噪的探地雷达回波信号进行滤波平滑处理得到去噪探地雷达回波信号包括：

采用Shearlet变换自适应阈值去噪方法对所述含噪的探地雷达回波信号进行滤波平滑处理得到所述去噪探地雷达回波信号。

在本发明的一个实施例中，所述生成式对抗神经网络包括生成器网络，其中，

所述生成器网络包括依次连接的全连接层、重构层、N个反卷积层，N为大于0的整数，所述全连接层、所述重构层均分别连接一BN归一层、Tanh激活层，所述N个反卷积层中每一反卷积层均分别连接一BN归一层、Relu激活层。

在本发明的一个实施例中，所述生成式对抗神经网络还包括判别器网络，所述生成器网络、所述判别器网络依次连接，其中，

所述判别器网络包括依次连接的M个卷积层、全连接层，M为大于0的整数，所述M个卷积层中每一卷积层均分别连接一BN归一层、Leakyrelu激活层，所述全连接层连接一BN归一化层、Sigmoid激活层。

在本发明的一个实施例中，所述快速区域卷积神经网络包括依次连接的特征提取层、目标区域提取层、池化层和分类回归层。

在本发明的一个实施例中，所述特征提取层采用VGG16网络模型，所述VGG16网络模型包括若干输入层、若干一对一层、若干第一隐藏层、若干第二隐藏层、若干输出层，其中，

所述若干输入层与所述若干一对一层一一对应连接，每一一对一层均分别与每一第一隐藏层连接，每一第一隐藏层均分别与每一第二隐藏层连接，每一第二隐藏层还均分别与每一输出层连接。

在本发明的一个实施例中，采用快速区域卷积神经网络对所述雷达回波信号进行检测得到第一检测结果包括：

对所述雷达回波信号进行标准化处理；

对标准化后的雷达回波信号进行编码；

采用所述快速区域卷积神经网络对编码后的雷达回波信号进行检测得到所述第一检测结果。

在本发明的一个实施例中，对所述雷达回波信号进行标准化处理包括：

计算所述雷达回波信号的均值；

计算所述雷达回波信号的标准差；

根据所述雷达回波信号的均值和所述雷达回波信号的标准差对所述雷达回波信号进行标准化处理。

在本发明的一个实施例中，对标准化后的雷达回波信号进行编码包括：

采用One-hot编码方法对标准化后的雷达回波信号进行编码。

在本发明的一个实施例中，还包括：

对所述第一检测预警结果进行量化处理得到第二检测预警结果。

与现有技术相比，本发明的有益效果：

本发明提供的基于深度学习和探地雷达的道路地下空洞检测预警方法，采用GANs网络对地下坑洞数据集进行增广，解决了基于深度学习的地下空洞检测时训练样本不足的问题，同时采用快速区域卷积神经网络模型进行检测，提高了网络对信号特征的学习能力，实现了将深度学习技术更好地应用到雷达信号检测技术中，具有更优的检测精度，可以更加准确而快速地对道路进行无损检测。

以下将结合附图及实施例对本发明做进一步详细说明。

附图说明

图1是本发明实施例提供的一种基于深度学习和探地雷达的道路地下空洞检测预警方法的流程示意图；

图2是本发明实施例提供的获取探地雷达回波信号的场景示意图；

图3(a)～图3(f)是本发明实施例提供的不同滤波去噪方法下对道路空洞目标去噪的效果对比示意图；

图4是本发明实施例提供的生成式对抗神经网络对去噪探地雷达回波信号进行增广处理的示意图；

图5是本发明实施例提供的生成式对抗神经网络中生成器网络的结构示意图；

图6是本发明实施例提供的另一种生成式对抗神经网络对去噪探地雷达回波信号进行增广处理的示意图；

图7是本发明实施例提供的生成式对抗神经网络中判别器网络的结构示意图；

图8是本发明实施例提供的快速区域卷积神经网络的结构示意图；

图9是本发明实施例提供的快速区域卷积神经网络中特征提取层的结构示意图；

图10是本发明实施例提供的One-hot编码结果示意图；

图11是本发明实施例提供的通过GprMax仿真软件正演模拟的道路结构模型示意图；

图12(a)～图12(b)是本发明实施例提供的GprMax仿真软件仿真的地下空洞模型及结果示意图；

图13是本发明实施例提供的基于深度学习和探地雷达的道路地下空洞检测结果示意图。

具体实施方式

下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。

实施例一

请参见图1，图1是本发明实施例提供的一种基于深度学习和探地雷达的道路地下空洞检测预警方法的流程示意图。本实施例提出了一种基于深度学习和探地雷达的道路地下空洞检测预警方法，该基于深度学习和探地雷达的道路地下空洞检测预警方法包括以下步骤：

步骤1、通过探地雷达采集实际道路的含噪探地雷达回波信号。

具体而言，请参见图2，图2是本发明实施例提供的获取探地雷达回波信号的场景示意图，本实施例利用探地雷达采集具有地下空洞道路的探地雷达回波信号，雷达搭载在一台具有自动覆盖扫描功能的智能小车上，在待检测路段进行工作，以无线局域网方式将所采集的雷达回波信号传输给节点计算机存储并分析。

步骤2、对含噪探地雷达回波信号进行滤波平滑处理得到去噪探地雷达回波信号。

具体而言，实际步骤1采集的探地雷达回波信号为含噪信号，为了去除探地雷达回波信号中噪声对分析结果的影响，本实施例进行检测之前，先对采集的含噪探地雷达回波信号进行滤波平滑处理得到去噪探地雷达回波信号。请参见图3(a)～图3(f)，图3(a)～图3(f)是本发明实施例提供的不同滤波去噪方法下对道路空洞目标去噪的效果对比示意图，图3(a)是通过GprMax仿真软件对特定参数道路基层模型仿真的探地雷达回波信号，图3(b)是对仿真的探地雷达回波信号添加随机噪声后的含噪探地雷达回波信号，用来模拟真实环境下采集到的含噪探地雷达回波信号，图3(c)～图3(f)分别是对含噪探地雷达回波信号进行中值滤波、小波变换阈值滤波、Curvelet变换滤波和自适应阈值Shearlet变换滤波对道路空洞目标去噪的结果，由图3(c)～图3(f)可以看出，对于本实施例对道路空洞目标而言，并不是所有的滤波方法都可以得到好的滤波效果，相比于其他几种滤波方法，Shearlet变换自适应阈值去噪方法能够去除绝大部分随机噪声，信号能量突出，信号保真度较高。因此，本实施例采用Shearlet变换自适应阈值去噪方法对含噪的探地雷达回波信号进行滤波平滑去噪预处理得到去噪探地雷达回波信号，为下一步建立深度学习训练集做好准备。

步骤3、采用生成式对抗神经网络对去噪探地雷达回波信号进行增广处理得到雷达回波信号。

具体而言，为了保证深度学习训练过程中训练样本数量，请参见图4，图4是本发明实施例提供的生成式对抗神经网络对去噪探地雷达回波信号进行增广处理的示意图，通过生成式对抗神经网络对去噪探地雷达回波信号进行增广处理，扩充整个探地雷达回波信号集数据库中有效信号数据的数量与种类，保证了不均匀沉降检测中深度学习算法训练时有效样本的数量。

进一步地，请参见图5，图5是本发明实施例提供的生成式对抗神经网络中生成器网络的结构示意图，本实施例生成式对抗神经网络包括生成器网络，其中，生成器网络包括依次连接的全连接层、重构层、N个反卷积层，N为大于0的整数，全连接层、重构层均分别连接一BN归一层、Tanh激活层，N个反卷积层中每一反卷积层均分别连接一BN归一层、Relu激活层。本实施例生成器网络舍弃了卷积神经网络(Convolutional Neural Network，简称CNN)的池化层，将卷积层替换成了反卷积层，将BN归一化层应用在生成器的每一层之后，在生成器的最后一层使用Tanh函数，其他层均采取Relu函数，解决了初始化导致的训练效果差的问题，并且提升了网络模型训练的速度和稳定性。

进一步地，请参见图6，图6是本发明实施例提供的另一种生成式对抗神经网络对去噪探地雷达回波信号进行增广处理的示意图，本实施例对去噪探地雷达回波信号进行增广处理时，由生成式对抗神经网络内部生成器网络、判别器网络共同作用，输出端的生成信号也包含有类似的随机信息，同时包涵图片原有的基本信息和特征参数，进而达到信号增广的目的。

请参见图7，图7是本发明实施例提供的生成式对抗神经网络中判别器网络的结构示意图，本实施例生成式对抗神经网络还包括判别器网络，生成器网络、判别器网络依次连接，其中，判别器网络包括依次连接的M个卷积层、全连接层，M为大于0的整数，M个卷积层中每一卷积层均分别连接一BN归一层、Leakyrelu激活层，全连接层连接一BN归一化层、Sigmoid激活层。本实施例判别器网络舍弃了CNN的池化层，判别器保留CNN的整体架构，将BN归一化层应用在判别器网络中每一层之后，在判别器的最后一层使用Sigmoid函数，其他层均采取Leakyrelu函数，进一步解决了初始化导致的训练效果差的问题，并且提升了网络模型训练的速度和稳定性。

需要说明的是，构建的生成式对抗神经网络在生成式对抗神经网络增广处理之前已经完成训练，此时的生成式对抗神经网络是最优网络参数对应的网络，在此不再赘述得到的最优网络参数对应网络的训练过程；本实施例还可以采用多模态高相似度标注准则对生成式对抗神经网络增广处理得到的雷达回波信号进行标注，用于后续量化处理。

步骤4、采用快速区域卷积神经网络对雷达回波信号进行检测得到第一检测预警结果。

具体而言，请参见图8，图8是本发明实施例提供的快速区域卷积神经网络的结构示意图，本实施例快速区域卷积神经网络包括依次连接的特征提取层、目标区域提取层、池化层和分类回归层，具体地：

特征提取层，对输入图像进行一次特征提取，能够大大减小计算时间。然而，在现有的雷达源信号识别研究中，提取到的特征虽具有较为良好的物理表征，但特征中还存在冗余、噪声特征，而通过快速区域深度卷积神经网络虽可以挖掘到对信号更深层次的表达，但其特征存在的“黑箱”难以解释性无法避免。因此，本实施例结合人工特征良好的物理表征性和深度学习强大的学习能力，采用深度特征选择网络修改快速区域卷积神经网络特征提取层，对快速区域卷积神经网络模型进行优化，以提高网络对信号多模态特征的学习能力，将深度学习技术更好地应用到雷达信号检测技术中。

目标区域提取层，该网络层在训练时，生成检测的候选框并利用损失函数判断候选框区域内是待检测目标还是图像背景，然后采用边界框回归方法调整候选框的位置，得到特征子图。具体来说，调整候选框的方法为：在使用一个小网络在最后卷积得到的特征子图上进行滑动扫描，这个滑动网络每次与特征图上n×n(方法中设置n＝3)的窗口全连接，然后映射到一个低维向量，最后将这个低维向量送入到两个全连接层，即回归层和分类层。

池化层，该层主要解决之前得到的特征子图大小形状各不相同，导致无法输入全连接层的问题。全连接计算只能对确定的尺寸进行运算，故必须使特征子图大小形状变为相同。通过裁剪和缩放的手段，可以解决这个问题，但会带来信息丢失和图像形变问题。使用池化可以有效的解决这个问题。如果目标输出为M1×N1，则在水平和竖直方向上，将输入特征子图划分为M1×N1份，每一份取最大值，从而得到M1×N1的输出特征图，本实施例中设置M1＝N1＝7，这样就将大小尺寸不同的特征子图归一化成相同的大小，然后送入后续的全连接层进行目标分类和位置调整回归。

分类回归层，该层主要功能是利用池化层输出的特征子图，通过全连接层和损失函数计算每个特征子图具体属于哪个类别，输入分类的概率向量；再次利用边框回归获得每个特征子图的位置的偏移量，用于回归更加精确的目标检测框的形状和位置。

进一步地，请参见图9，图9是本发明实施例提供的快速区域卷积神经网络中特征提取层的结构示意图，本实施例特征提取层采用VGG16网络模型，VGG16网络模型包括若干输入层、若干一对一层、若干第一隐藏层、若干第二隐藏层、若干输出层，其中，若干输入层与若干一对一层一一对应连接，每一一对一层均分别与每一第一隐藏层连接，每一第一隐藏层均分别与每一第二隐藏层连接，每一第二隐藏层还均分别与每一输出层连接。本实施例特征提取层采用的深度特征选择网络具体是VGG16网络模型，通过在VGG16网络模型的输入层和第一隐藏层之间增添一对一层，获取针对每维特征与分类相关性度量得到的权值，以此权值作为衡量标准，加强敏感特征的输入影响，削弱冗余、噪声特征的输入影响，提高分类准确率。本实施例对雷达回波信号提取复杂度特征、小波脊频级联特征、信息熵特征，合并建立原始特征集，利用VGG16网络模型进行学习训练，以达到在输入级别实现特征选择的目的。

进一步地，本实施例采用快速区域卷积神经网络对雷达回波信号进行检测得到第一检测结果包括步骤4.1、步骤4.2、步骤4.3：

步骤4.1、对雷达回波信号进行标准化处理。

步骤4.2、对标准化后的雷达回波信号进行编码。

步骤4.3、采用快速区域卷积神经网络对编码后的雷达回波信号进行检测得到第一检测结果。

具体而言，本实施例对雷达回波信号进行标准化处理，使快速区域卷积神经网络训练样本信号映射到0-1之间。本实施例标准化输入对网络性能会产生很大影响。然后对标准化后的雷达回波信号进行编码生成探地雷达回波信号的输入序列，并将探地雷达回波信号的输入序列输入快速区域卷积神经网络进行检测得到第一检测结果。

进一步地，本实施例步骤4.1对雷达回波信号进行标准化处理包括步骤4.1.1、步骤4.1.2、步骤4.1.3：

步骤4.1.1、计算雷达回波信号的均值。

具体而言，本实施例首先计算雷达回波信号的均值，第i维雷达回波信号的均值表示为：

其中，S表示雷达回波信号分量个数，x_i表示雷达回波信号中第i维雷达信号分量。

步骤4.1.2、计算雷达回波信号的标准差。

具体而言，本实施例计算的第i维雷达回波信号的标准差表示为：

步骤4.1.3、根据雷达回波信号的均值和雷达回波信号的标准差对雷达回波信号进行标准化处理。

具体而言，本实施例对雷达回波信号中第i维雷达信号分量标准化处理表示为：

本实施例对雷达回波信号进行标准化处理不会改变训练集中的信息，但是会通过将输入值放在更适合标准激活函数的范围来改善算法性能。

需要注意的是，构建的快速区域卷积神经网络在快速区域卷积神经网络检测之前已经完成训练，此时的快速区域卷积神经网络是最优网络参数对应的网络，在此不再赘述得到的最优网络参数对应网络的训练过程；在网络输入测试集和验证集时，在放入网络前应对测试集、验证集做同样的标准化预处理，即用训练集计算得到的均值和标准差对测试集数据、验证集数据进行归一化处理。

进一步地，本实施例对标准化后的雷达回波信号进行编码。

具体而言，本实施例采用One-hot编码方法对标准化后的雷达回波信号进行编码。请参见图10，图10是本发明实施例提供的One-hot编码结果示意图，以探地雷达回波信号X：{x0，x1，x2}为例，One-hot编码过程如图10所示，编码得到探地雷达回波信号的输入序列。

进一步地，本实施例还包括：对第一检测预警结果进行量化处理得到第二检测预警结果。

具体而言，本实施例通过构建的快速区域卷积神经网络直接对雷达回波信号进行检测，能够有效避免因雷达成像过程和人机协工作同而导致的噪声叠加、源信息畸变，以及主观错误的发生。本实施例在对不均匀沉降信号进行目标检测得到第一检测预警结果后，为了更好的评价道路基层沉降的发生情况，对沉降区域进行量化。在对不均匀沉降量化时，采用沉降计等测量仪器对实际沉降或钻芯取样进行量化。本实施例在检测出的第一检测预警结果对应的不均匀沉降的探地雷达回波信号上，对不均匀沉降的参数进行提取，参考多模态标注的真实沉降类别，基于深度学习与有限元相结合的方法实现对道路不均匀沉降自动量化分析得到第二检测预警结果。量化参数主要包括沉降类型、沉降深度、沉降位置(精度5cm)、沉降影响面积(精度5cm²)、沉降轮廓等评价参数，对提取到的多模态特征进行计算和处理，最终得到不均匀沉降检测区域的沉降量化指标。本实施例基于快速区域深度卷积神经网络的不均匀沉降量化的实现，能够有效提高道路病害检测的定量分析水平。

为了验证本实施例提出的基于深度学习和探地雷达的道路地下空洞检测预警方法，通过以下实验进一步说明。

本实施例仿真中采用武汉天毅达公司的WGPR系列无线探地雷达进行雷达信号采集，该雷达采用软件控制全数字化检测，选用900MHz工作频率。

请参见图11、图12(a)～图12(b)，图11是本发明实施例提供的通过GprMax仿真软件正演模拟的道路结构模型示意图，图12(a)～图12(b)是本发明实施例提供的GprMax仿真软件仿真的地下空洞模型及结果示意图，在探地雷达回波信号检测时，通过实际存在道路地下缺陷路段采集数据，以及实验室通过GprMax仿真软件搭建道路模型采样数据，实际采样、实验室采样相结合来协同完成训练样本信号采集，以保证训练模型的真实性，具体地：

在现有路段进行样本采集时，主要包括城际道路和市政道路；

在搭建具有地下空洞病害的道路模型时，采用沥青、集料、石灰等构建道路结构模型，通过在面层以下按不同参数自行设置脱空，来模拟道路存在空洞的实际状态，并通过参数调节来表征不同损害程度的空洞病害，通过设置各种路面、路基结构的介电常数和电导率参数，各层材料介质的相对介电常数和电导率都设置为一个固定的值，且所用的路面材料大都为非磁性材料，所以在正演模拟过程中，相对磁导率都设置为1。对于在探测环境相同情况下，仿真了埋藏深度不同，大小相同，地下空气圆形空洞，圆心位置分别在地下0.85米处，0.90米以及0.95米处，仿真模型和结果如图图12(a)～图12(b)所示。仿真时激励源类型采用900MHz的ricker子波，15ns的采样时窗，115次的迭代次数。如此设置后，得到探地雷达回波仿真数据如图11所示通过改变道路基层结构，来仿真模拟多种不均匀沉降参数。本实施例通过GprMax仿真软件正演模拟了更多道路结构，使得训练样本足够大，符合实际场景。

本实施例采用的生成器网络总共有5层，其中反卷积层为4层，全连接层为1层。将一个100维的且服从(0,1)均匀分布的随机变量作为生成器网络的输入。首先该图像通过一全连接层得到一个4×4×1024的图像，再经过4个反卷积层不断的扩大图像，最后得到生成器网络输出的裂缝图像。仿真过程中，生成器网络各层的详细信息参数如表1所示。

表1生成器网络各层参数设置

序号	类型	卷积核尺寸	步长	输出通道数	激活函数
						1	全连接层	/	/	1024	Tanh
2	反卷积	5*5	2	512	Relu
						3	反卷积	5*5	2	256	Relu
4	反卷积	5*5	2	128	Relu
						5	反卷积	5*5	2	3	Relu

本实施例采用的判别器网络总共有5层，其中卷积层为4层，全连接层为1层。输入图像首先通过4次连续的下采样，这样可以逐渐缩小图像，最后经过全连接层得到一个代表输入图像真伪的概率值。仿真过程中，判别器网络各层的详细信息参数如表示2所示。

表2判别器网络各层参数

序号	类型	卷积核尺寸	步长	输出通道数	激活函数
						1	卷积层	5*5	2	128	Leakyrelu
2	卷积层	5*5	2	256	Leakyrelu
						3	卷积层	5*5	2	512	Leakyrelu
4	卷积层	5*5	2	1024	Leakyrelu
						5	全连接层	/	/	1	Sigmoid

请参见图13，图13是本发明实施例提供的基于深度学习和探地雷达的道路地下空洞检测结果示意图，由图13可以看出，本发明方法对于地下管线和不均匀沉降均可以被检测网络识别并较为准确的框出。

综上所述，本实施例提出了一种基于深度学习和探地雷达的道路地下空洞检测预警方法，首次采用GANs网络对地下坑洞数据集进行增广，解决了基于深度学习的地下空洞检测时训练样本不足的问题；本实施例采用快速区域卷积神经网络模型进行检测，提高了网络对信号特征的学习能力，实现了将深度学习技术更好地应用到雷达信号检测技术中，具有更优的检测精度，可以更加准确而快速地对道路进行无损检测；本实施例建立的基于深度学习和探地雷达的道路地下空洞检测预警方法，实现了探地雷达检测结果的自动识别分析，提高了病害智能检测的定量分析的效率和准确率，为智慧道路精细化施工养护提供坚实的科学理论基础，从而有望对整个交通运输行业产生重要的影响。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (6)

1.一种基于深度学习和探地雷达的道路地下空洞检测预警方法，其特征在于，包括：

通过探地雷达采集实际道路的含噪探地雷达回波信号；

对所述含噪探地雷达回波信号进行滤波平滑处理得到去噪探地雷达回波信号；

采用生成式对抗神经网络对所述去噪探地雷达回波信号进行增广处理得到雷达回波信号；

采用快速区域卷积神经网络对所述雷达回波信号进行检测得到第一检测预警结果；

采用快速区域卷积神经网络对所述雷达回波信号进行检测得到第一检测结果包括：

对所述雷达回波信号进行标准化处理；

对标准化后的雷达回波信号进行编码；

采用所述快速区域卷积神经网络对编码后的雷达回波信号进行检测得到所述第一检测结果；其中，

对标准化后的雷达回波信号进行编码包括：

采用One-hot编码方法对标准化后的雷达回波信号进行编码；

所述快速区域卷积神经网络包括依次连接的特征提取层、目标区域提取层、池化层和分类回归层；

所述特征提取层采用VGG16网络模型，所述VGG16网络模型包括若干输入层、若干一对一层、若干第一隐藏层、若干第二隐藏层、若干输出层，其中，所述若干输入层与所述若干一对一层一一对应连接，每一一对一层均分别与每一第一隐藏层连接，每一第一隐藏层均分别与每一第二隐藏层连接，每一第二隐藏层还均分别与每一输出层连接。

2.根据权利要求1所述的基于深度学习和探地雷达的道路地下空洞检测预警方法，其特征在于，对所述含噪的探地雷达回波信号进行滤波平滑处理得到去噪探地雷达回波信号包括：

采用Shearlet变换自适应阈值去噪方法对所述含噪的探地雷达回波信号进行滤波平滑处理得到所述去噪探地雷达回波信号。

3.根据权利要求1所述的基于深度学习和探地雷达的道路地下空洞检测预警方法，其特征在于，所述生成式对抗神经网络包括生成器网络，其中，

所述生成器网络包括依次连接的全连接层、重构层、N个反卷积层，N为大于0的整数，所述全连接层、所述重构层均分别连接一BN归一层、Tanh激活层，所述N个反卷积层中每一反卷积层均分别连接一BN归一层、Relu激活层。

4.根据权利要求3所述的基于深度学习和探地雷达的道路地下空洞检测预警方法，其特征在于，所述生成式对抗神经网络还包括判别器网络，所述生成器网络、所述判别器网络依次连接，其中，

所述判别器网络包括依次连接的M个卷积层、全连接层，M为大于0的整数，所述M个卷积层中每一卷积层均分别连接一BN归一层、Leakyrelu激活层，所述全连接层连接一BN归一化层、Sigmoid激活层。

5.根据权利要求1所述的基于深度学习和探地雷达的道路地下空洞检测预警方法，其特征在于，对所述雷达回波信号进行标准化处理包括：

计算所述雷达回波信号的均值；

计算所述雷达回波信号的标准差；

根据所述雷达回波信号的均值和所述雷达回波信号的标准差对所述雷达回波信号进行标准化处理。

6.根据权利要求1所述的基于深度学习和探地雷达的道路地下空洞检测预警方法，其特征在于，还包括：

对所述第一检测预警结果进行量化处理得到第二检测预警结果。