CN114296075A - 一种探地雷达图像人工智能识别方法及装置 - Google Patents

Abstract

本申请涉及路面探地雷达图像识别技术领域，公开了一种探地雷达图像人工智能识别方法及装置。在该方法中，首先通过正演模拟，获得无噪声的高分辨率探地雷达模拟图像。然后获取探地雷达现场试验数据，并确定手动特征。根据探地雷达模拟图像和实测已验证的探地雷达试验图像，构建探地雷达图谱库。利用多层卷积神经网络对目标实测图像数据进行处理确定自主学习特征。最后根据手动特征、自主学习特征和探地雷达图谱库，并利用委员会判决方法，确定目标病害最终类型和目标病害最终位置信息。本申请通过构建探地雷达图谱库，融合了手动特征和自主学习特征，并结合委员会判决方法，可以有效提高提高路面结构内部病害识别精度与效率。

Description

一种探地雷达图像人工智能识别方法及装置

技术领域

本申请涉及路面探地雷达图像识别技术领域，尤其涉及一种探地雷达图像人工智能识别方法及装置。

背景技术

探地雷达是近些年发展起来的一种探测地下目标的有效手段，利用天线发射和接收高频电磁波来探测介质内部物质特性和分布规律，是一种无损探测技术，与其他常规的地下探测方法相比，具有探测速度快、探测过程连续、分辨率高、操作方便灵活、探测费用低等优点，在工程勘察领域的应用日益广泛。目前探地雷达数据分析工作主要依靠人工检测进行识别，识别结果很大程度上依赖检测人员的经验，存在主观性强、解释周期长等缺点，同时存在误判漏检的情况。因此，开发高效、自动、准确的探地雷达信号分析算法是亟待解决的一个问题。

传统的基于手工特征和分类器识别的算法有麦克斯韦方程的TM模型反演、S变换、基于压缩感知的成像算法、支持向量机、基于可拓评价的病害识别等。其中麦克斯韦方程的TM模型反演能够减少各类非均匀介质产生的杂波、精确的描述实际介质的随机非均匀分布；S变换是短时间的变量窗口傅里叶变换和小波变换的扩展算法，在高频段具有高的频率分辨率，在低频段具有高的时间分辨率的优点，能够提高信号分辨率，但其复杂程度较高；压缩感知成像算法可以利用较少的随机采样信号实现探地雷达的信号重现，但其无法对病害进行分类；支持向量机是一种基于有监督学习的二分类模型算法，该算法的基本工作原理是寻找一个使两种样本在该超平面下边缘距离最大的最优分类超平面，边缘距离越大两类样本就分的越开，分类的结果越好，该算法需人工提取病害特征，识别结果受提取的特征影响；道路病害可拓评价的理论依据是可拓论，即以物元为基本单元，这些基本单元可以用于提取病害的特征类别和特征值，在此基础上进行病害的水平分级，以探地雷达采集数据结果为基准，运用可拓评价进行层间脱空等级分类，确定各向指标的节域、各脱空状态下经典域及权系数以获得较高的脱空识别率和较低的误判率。

随着机器学习的不断发展，近年来深度学习在图像识别领域取得了巨大的成果，其中卷积神经网络及其变形形式的成果最为显著。基于深度学习的识别技术已经开始被用于路面结构内部病害，但目前来说人工设计特征和分类器，包括人工神经网络、支持向量机等仍存在诸多缺点：公路路面结构内部病害形态多样、尺寸多变、人工特征的表示能力有限，难以适应复杂多变的病害环境，识别精度难以满足实际应用需求。

而目前已有的基于卷积神经网络的自动化识别方法存在同类路面结构内部病害形态特征多变，采用单一特征来表征病害很难具有普适性和通用性等缺点。

发明内容

本申请公开了一种探地雷达图像人工智能识别方法及装置，用于解决目前已有的基于卷积神经网络的自动化识别方法存在同类路面结构内部病害形态特征多变，采用单一特征来表征病害很难具有普适性和通用性等缺点的技术问题。

本申请第一方面公开了一种探地雷达图像人工智能识别方法，包括：

对已有的不同类型的病害数据进行正演模拟，获取探地雷达模拟图像，所述探地雷达模拟图像无噪声且为高分辨率；

针对任一类型的病害数据，对探地雷达发射天线的不同中心频率进行正演模拟，获取模拟发射天线中心频率；

利用所述模拟发射天线中心频率，对不同路面进行数据采集，获取探地雷达现场试验数据，确定手动特征；

根据所述探地雷达现场试验数据，选取典型病害图像并进行取芯验证，确定探地雷达试验图像；

根据所述探地雷达模拟图像和所述探地雷达试验图像，建立探地雷达图谱库；

获取探地雷达采集到的目标实测图像数据，并通过多层卷积神经网络，确定自主学习特征；

根据所述手动特征、所述自主学习特征和所述探地雷达图谱库，确定目标病害初始类型和目标病害初始位置信息；

利用委员会判决方法，对所述目标病害初始类型和所述目标病害初始位置信息进行识别，确定目标病害最终类型和目标病害最终位置信息。

可选的，所述对已有的不同类型的病害数据进行正演模拟，获取探地雷达模拟图像，包括：

利用基于时域有限差分法的GPRMAX，对已有的不同类型的病害数据进行正演模拟，获取探地雷达模拟图像。

可选的，所述病害数据的类型包括路面结构内部空隙多、层间不良、层间松散和结构松散。

可选的，所述根据所述探地雷达模拟图像和所述探地雷达试验图像，建立探地雷达图谱库，包括：

根据所述探地雷达模拟图像和所述探地雷达试验图像，利用数据增广技术及迁移学习技术进行重构并拓展，建立所述探地雷达图谱库。

可选的，所述探地雷达图谱库包括非病害图像、空隙多图像、层间不良图像、层间松散图像和结构松散图像。

可选的，所述获取探地雷达采集到的目标实测图像数据，并通过多层卷积神经网络，确定自主学习特征，包括：

将所述目标实测图像数据，通过多层卷积神经网络中预先构建的多层次特征融合的RPN网络结构，确定特征层并生成候选区域框；

对所述候选区域框进行非负极大抑制操作并汇总，确定所述自主学习特征。

可选的，所述根据所述手动特征、所述自主学习特征和所述探地雷达图谱库，确定目标病害初始类型和目标病害初始位置信息，包括：

将所述手动特征和所述自主学习特征，通过预先构建的手动特征和融合多层次特征的图像分类网络结构，并根据所述探地雷达图谱库，确定目标病害初始类型和目标病害初始位置信息。

可选的，所述利用委员会判决方法，对所述目标病害初始类型和所述目标病害初始位置信息进行识别，确定目标病害最终类型和目标病害最终位置信息，包括：

建立委员会，所述委员会包括多个判决方法；

针对任一判决方法，对所述目标病害初始类型和所述目标病害初始位置信息进行识别；

判断所述多个判决方法的识别结果是否一致，若是，则目标病害最终类型和目标病害最终位置信息；若否，则由多个判别方法组成的委员会进行投票表决，确定目标病害最终类型和目标病害最终位置信息。

可选的，所述多个判决方法包括Softmax判别法、Triplet判别法和K-L判别法。

本申请第二方面公开了一种探地雷达图像人工智能识别装置，所述探地雷达图像人工智能识别装置应用于本申请第一方面公开的探地雷达图像人工智能识别方法，所述探地雷达图像人工智能识别装置包括：

模拟图像获取模块，用于对已有的不同类型的病害数据进行正演模拟，获取探地雷达模拟图像，所述探地雷达模拟图像无噪声且为高分辨率；

模拟频率获取模块，用于针对任一类型的病害数据，对探地雷达发射天线的不同中心频率进行正演模拟，获取模拟发射天线中心频率；

手动特征确定模块，用于利用所述模拟发射天线中心频率，对不同路面进行数据采集，获取探地雷达现场试验数据，确定手动特征；

试验图像确定模块，用于根据所述探地雷达现场试验数据，选取典型病害图像并进行取芯验证，确定探地雷达试验图像；

图谱库构建模块，用于根据所述探地雷达模拟图像和所述探地雷达试验图像，建立探地雷达图谱库；

自主学习特征确定模块，用于获取探地雷达采集到的目标实测图像数据，并通过多层卷积神经网络，确定自主学习特征；

目标病害初始信息确定模块，用于根据所述手动特征、所述自主学习特征和所述探地雷达图谱库，确定目标病害初始类型和目标病害初始位置信息；

目标病害最终信息确定模块，用于利用委员会判决方法，对所述目标病害初始类型和所述目标病害初始位置信息进行识别，确定目标病害最终类型和目标病害最终位置信息。

可选的，所述模拟图像获取模块包括：

GPRMAX单元，用于利用基于时域有限差分法的GPRMAX，对已有的不同类型的病害数据进行正演模拟，获取探地雷达模拟图像。

可选的，所述图谱库构建模块包括：

重构拓展单元，用于根据所述探地雷达模拟图像和所述探地雷达试验图像，利用数据增广技术及迁移学习技术进行重构并拓展，建立所述探地雷达图谱库。

可选的，所述自主学习特征确定模块包括：

候选区域框生成单元，用于将所述目标实测图像数据，通过多层卷积神经网络中预先构建的多层次特征融合的RPN网络结构，确定特征层并生成候选区域框；

自主学习特征获取单元，用于对所述候选区域框进行非负极大抑制操作并汇总，确定所述自主学习特征。

可选的，所述目标病害初始信息确定模块包括：

目标病害初始信息获取单元，用于将所述手动特征和所述自主学习特征，通过预先构建的手动特征和融合多层次特征的图像分类网络结构，并根据所述探地雷达图谱库，确定目标病害初始类型和目标病害初始位置信息。

可选的，所述目标病害最终信息确定模块包括：

委员会建立单元，用于建立委员会，所述委员会包括多个判决方法；

识别结果确定单元，用于针对任一判决方法，对所述目标病害初始类型和所述目标病害初始位置信息进行识别，确定识别结果；

目标病害最终信息获取单元，用于判断所述多个判决方法的识别结果是否一致，若是，则目标病害最终类型和目标病害最终位置信息；若否，则由多个判别方法组成的委员会进行投票表决，确定目标病害最终类型和目标病害最终位置信息。

本申请涉及路面探地雷达图像识别技术领域，公开了一种探地雷达图像人工智能识别方法及装置。在该方法中，首先通过正演模拟，获得无噪声的高分辨率探地雷达模拟图像。然后获取探地雷达现场试验数据，并确定手动特征。根据探地雷达模拟图像和实测已验证的探地雷达试验图像，构建探地雷达图谱库。利用多层卷积神经网络对目标实测图像数据进行处理确定自主学习特征。最后根据手动特征、自主学习特征和探地雷达图谱库，并利用委员会判决方法，确定目标病害最终类型和目标病害最终位置信息。本申请通过构建探地雷达图谱库，融合了手动特征和自主学习特征，并结合委员会判决方法，可以有效提高提高路面结构内部病害识别精度与效率。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例公开的一种探地雷达图像人工智能识别方法的工作流程示意图；

图2为本申请实施例公开的一种探地雷达图像人工智能识别方法中，基于多层次特征融合的图像识别框架；

图3为本申请实施例公开的一种探地雷达图像人工智能识别方法中，基于多层次特征融合的RPN网络结构；

图4为本申请实施例公开的一种探地雷达图像人工智能识别方法中，基于手动特征和融合多层次特征的图像识别网络结构；

图5为本申请实施例公开的一种探地雷达图像人工智能识别方法中，基于委员会判决的图像识别方法的工作流程示意图；

图6为本申请实施例公开的一种探地雷达图像人工智能识别装置的结构示意图。

具体实施方式

为了解决目前已有的基于卷积神经网络的自动化识别方法存在同类路面结构内部病害形态特征多变，采用单一特征来表征病害很难具有普适性和通用性等缺点的技术问题，本申请通过以下两个实施例公开了一种探地雷达图像人工智能识别方法及装置。

本申请第一实施例公开了一种探地雷达图像人工智能识别方法，参见图1所示的工作流程示意图，所述探地雷达图像人工智能识别方法包括：

步骤S101，对已有的不同类型的病害数据进行正演模拟，获取探地雷达模拟图像，所述探地雷达模拟图像无噪声且为高分辨率。

在本申请的部分实施例中，所述对已有的不同类型的病害数据进行正演模拟，获取探地雷达模拟图像，包括：

利用基于时域有限差分法的GPRMAX，对已有的不同类型的病害数据进行正演模拟，获取探地雷达模拟图像。

进一步的，所述病害数据的类型包括路面结构内部空隙多、层间不良、层间松散和结构松散。

具体来说，采用基于时域有限差分法的GPRMAX对已有的路面结构内部空隙多、层间不良、层间松散、结构松散等病害数据进行正演模拟，获得无噪声的高分辨率探地雷达图像，分析电磁波在病害中的相位、双程走时以及振幅等响应特征和规律。其中，正演模拟的步骤如下：首先根据实际应用场景构建病害模型，对病害模型的参数进行设置，然后计算机进行正演模拟，进行数据分析并调整参数，最后输出无噪声的高分辨率探地雷达图像。

步骤S102，针对任一类型的病害数据，对探地雷达发射天线的不同中心频率进行正演模拟，获取模拟发射天线中心频率。

具体来说，研究发射天线中心频率对探地雷达图像的影响，为探地雷达图像识别提供理论依据。

步骤S103，利用所述模拟发射天线中心频率，对不同路面进行数据采集，获取探地雷达现场试验数据，确定手动特征。

步骤S104，根据所述探地雷达现场试验数据，选取典型病害图像并进行取芯验证，确定探地雷达试验图像。

具体来说，研究探地雷达现场试验数据，分析探地雷达图像实际检测过程中的影响因素，对不同路面，利用步骤S102正演所得模拟发射天线中心频率，进行数据采集，分析各路面病害的探地雷达图像，选取典型病害图像进行取芯，验证探地雷达图像的准确性。

步骤S105，根据所述探地雷达模拟图像和所述探地雷达试验图像，建立探地雷达图谱库。

在本申请的部分实施例中，所述根据所述探地雷达模拟图像和所述探地雷达试验图像，建立探地雷达图谱库，包括：

根据所述探地雷达模拟图像和所述探地雷达试验图像，利用数据增广技术及迁移学习技术进行重构并拓展，建立所述探地雷达图谱库。

进一步的，所述探地雷达图谱库包括非病害图像、空隙多图像、层间不良图像、层间松散图像和结构松散图像。

具体来说，将正演模拟以及实测已验证的探地雷达试验图像通过数据增广技术及迁移学习技术得到样本数目足够多的数据集，将其重构成统一的、较高分辨率的探地雷达图像，建立包括非病害图像、空隙多图像、层间不良图像、层间松散图像、结构松散图像这五类图像的探地雷达图谱库，并对不同病害类型的目标图像标签进行正交编码，为后续的探地雷达图像自动识别提供基础。

本实施例针对路面结构内部病害探地雷达图像形态多样、特征多变、训练样本较难获得、样本量不够丰富等问题，进行探地雷达正演模拟及探地雷达图谱库的构建。路面结构内部不同类型病害的电磁波响应特征是探地雷达检测技术的基础，而探地雷达图谱库的建立是本实施例探地雷达图像自动化识别的基础。本发明通过正演模拟，获得无噪声的高分辨率探地雷达模拟图像，然后使用高分辨率的探地雷达模拟图像和实测已验证的探地雷达试验图像进行重构并扩展，获得统一的、较高分辨率的探地雷达图谱库。此外，还对探地雷达发射天线的不同中心频率所得到的探地雷达图像的分辨率进行分析，为建立稳定性的探地雷达图像自动化识别提供了理论依据。

鉴于路面结构内部病害探地雷达图像的特征形态多样、特征多变，甚至一些病害的尺度较小，因此本实施例有针对性地设计了多层次特征融合的图像识别框架如图2所示，包括多层卷积神经网络提取的自主学习特征和步骤S103确定的手动特征。多层次特征融合的图像识别框架主要包括两部分：基于多层次特征融合的候选区域建议RPN网络结构；以及基于手动特征和融合多层次特征的图像识别网络结构。

步骤S106，获取探地雷达采集到的目标实测图像数据，并通过多层卷积神经网络，确定自主学习特征。

在本申请的部分实施例中，所述获取探地雷达采集到的目标实测图像数据，并通过多层卷积神经网络，确定自主学习特征，包括：

将所述目标实测图像数据，通过多层卷积神经网络中预先构建的多层次特征融合的RPN网络结构，确定特征层并生成候选区域框。

对所述候选区域框进行非负极大抑制操作并汇总，确定所述自主学习特征。

具体来说，基于多层次特征融合的RPN网格结构如图3所示，根据探地雷达采集到的目标实测图像数据，新特征层P2-P6生成方法如下：使用1*1卷积核对特征层C5进行卷积得到特征层M5，对M5再进行3*3卷积得到特征层P5，其中1*1卷积的作用是降低通道数，使之能与上一特征层匹配，3*3卷积的作用是消除不同层之间的混叠效应。使用1*1卷积核对特征层C4进行卷积并对M5使用最近邻上采样方法使其特征层扩大一倍，将二者的特征层相加融合得到特征层M4，对M4再进行3*3卷积得到特征层P4。用1*1卷积核对特征层C3进行卷积并对M4使用最近邻上采样方法使其特征层扩大一倍，将二者的特征层相加融合得到特征层M3，对M3再进行3*3卷积得到特征层P3。用1*1卷积核对特征层C2进行卷积并对M3使用最近邻上采样方法使其特征层扩大一倍，将二者的特征层相加融合得到特征层M2，对M2再进行3*3卷积得到输出的特征层P2。在特征层P5上进行最大值池化操作得到特征层P6，其中卷积核大小为3*3、步长为2。

如上述所示，经过特征融合后得到了新的特征层P2-P6，在这些特征层上通过RPN网络生成锚框，并对这些锚框进行区域分类以及区域回归。原始的图像识别网络在C5层使用{1282，2562，5122}三种尺寸和{0.5，1，2}三种宽高比共生成9种尺寸的锚框。基于多层次特征融合的图像识别网络在P2、P3、P4、P5和P6层分别生成五种大小{32*16，64*32，128*64，256*128，512*256}锚框，每一层的锚框对应{0.5，1，2}三种宽高比。因此，基于多层次特征融合的RPN网络在每一特征层分别对应一种尺寸的锚框，—共生成15种不同尺寸的锚框。

基于多层次特征融合的RPN网络的区域分类预测和区域回归预测与传统的图像识别算法一致。在RPN训练阶段，输入到RPN网络的特征层一共有五层，因此总损失为分类损失和回归损失之和。在RPN预测阶段，将P2-P6特征层生成的候选区域框分别进行非负极大抑制(Non-Maximum Suppression，NMS)操作，再对NMS之后的候选框进行汇总得到建议框RoI，即自主学习特征。

步骤S107，根据所述手动特征、所述自主学习特征和所述探地雷达图谱库，确定目标病害初始类型和目标病害初始位置信息。

在本申请的部分实施例中，所述根据所述手动特征、所述自主学习特征和所述探地雷达图谱库，确定目标病害初始类型和目标病害初始位置信息，包括：

将所述手动特征和所述自主学习特征，通过预先构建的手动特征和融合多层次特征的图像分类网络结构，并根据所述探地雷达图谱库，确定目标病害初始类型和目标病害初始位置信息。

具体来说，基于手动特征和融合多层次特征的图像识别网络结构如图4所示，经过NMS操作生成的建议框RoI利用生成的特征层进行最后的分类和边框修正，原始的图像识别网络结构直接将所有的RoI映射到最后一层特征层进行特征提取，但是融合的多层次特征层为P2-P5，每个RoI需要选择一个特征层进行映射。为此，多层次特征提供了一种RoI映射的判断策略，将不同尺寸的建议框RoI映射到最合适的特征层上，具体映射细节如下式所示：

其中，k表示将RoI映射到P_k层上，k＝2,3,4,5，w和表示输入图像的宽和高，k₀是基准值，设置为5，代表P5层的输出。示例性的，假设RoI是512×256的大小，经上式运算后

该RoI就映射到P5的特征层。为了防止结果不是整数，k值做向下取整处理，所得到的RoI就可以对应到特征层P2-P5上。

在特征层P2-P5上加入手动提取的特征后，使用感兴趣区对齐RoI方法取消整数化操作，对获得坐标为浮点数的像素数值使用双线性内插方法,从而将整个特征聚集过程转化为一个连续的操作。感兴趣区对齐后连接两个全连接层，分别用于分类预测以及回归预测。训练时通过反向传播计算损失调节参数；识别时取最大概率、按阈值进行排序并使用非负极大抑制获取目标病害初始类型和目标病害初始位置信息。

路面结构内部病害特征形态多样、特征多变且尺度较小，较难以识别。本实施例分析不同病害的正演模拟、实测数据及取芯验证，总结出雷达图像的手动特征，通过结合多层卷积神经网络提取的自主学习特征，设计合理的多层次特征融合的RPN网络结构，将特征层生成的候选区域框分别进行非负极大抑制NMS操作，再对NMS之后的候选框进行汇总得到建议框RoI。在此基础上进行基于手动特征和融合多层次特征的图像识别网络结构设计，实现路面结构内部病害的分类预测及回归预测，得到目标病害初始类型和目标病害初始位置信息。

步骤S108，利用委员会判决方法，对所述目标病害初始类型和所述目标病害初始位置信息进行识别，确定目标病害最终类型和目标病害最终位置信息。

在本申请的部分实施例中，所述利用委员会判决方法，对所述目标病害初始类型和所述目标病害初始位置信息进行识别，确定目标病害最终类型和目标病害最终位置信息，包括：

建立委员会，所述委员会包括多个判决方法。

针对任一判决方法，对所述目标病害初始类型和所述目标病害初始位置信息进行识别。

判断所述多个判决方法的识别结果是否一致，若是，则目标病害最终类型和目标病害最终位置信息。若否，则由多个判别方法组成的委员会进行投票表决，确定目标病害最终类型和目标病害最终位置信息。

进一步的，所述多个判决方法包括Softmax判别法、Triplet判别法和K-L判别法。

对于图像分类方法，其分类精度不仅受到特征的影响，而且也受到判别方法的影响，因此对特征提取方法和判别方法的研究具有同等的重要性。本实施例分析不同判别方法，包括：Softmax判别法、Triplet判别法和K-L判别法，将不同判别方法组成委员会，研究多委员会结合判决机制，在探地雷达图像多委员会判决方法研究的基础上形成基于委员会判决的图像分类方法，实现路面结构内部病害探地雷达图像的自动化识别。

深度学习的主要优点之一就是特征提取网络和判别方法直接连接，通过学习同时修改特征提取方法和判别方法的参数，实现“端-端”学习。前述主要是通过设计合适的卷积神经网络结构实现特征提取，本实施例主要涉及判别方法。在本实施例中，主要考虑三种判别方法，即Softmax判别法、Triplet判别法和K-L判别法。这三种方法分别采用了不同的度量准则实现图像分类，因此在训练时所提取的特征具有一定的差异，导致最终的分类结果也有差异。为此，为了提高雷达图像的分类精度，建立一个委员会如图5所示，其成员包括Softmax判别法、Triplet判别法和K-L判别法。

当自主学习特征和手动特征输入到每一种判别方法中时，每种判别方法各自给出自己的分类结果。各个判别方法的分类结果有可能一致，也有可能不一致。对于一致的情况，即以该结果为最终分类结果。当各个判别方法的分类结果不一致时，由多个判别方法组成的委员会进行投票表决并给出最终识别结果，得到目标病害最终类型和目标病害最终位置信息。

本申请上述实施例公开的一种探地雷达图像人工智能识别方法，首先通过正演模拟，获得无噪声的高分辨率探地雷达模拟图像。然后获取探地雷达现场试验数据，并确定手动特征。根据探地雷达模拟图像和实测已验证的探地雷达试验图像，构建探地雷达图谱库。利用多层卷积神经网络对目标实测图像数据进行处理确定自主学习特征。最后根据手动特征、自主学习特征和探地雷达图谱库，并利用委员会判决方法，确定目标病害最终类型和目标病害最终位置信息。本申请通过构建探地雷达图谱库，融合了手动特征和自主学习特征，并结合委员会判决方法，可以有效提高提高路面结构内部病害识别精度与效率。

下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。

本申请第二实施例公开了一种探地雷达图像人工智能识别装置，所述探地雷达图像人工智能识别装置应用于本申请第一实施例公开的探地雷达图像人工智能识别方法，参见图6所示的结构示意图，所述探地雷达图像人工智能识别装置包括：

模拟图像获取模块61，用于对已有的不同类型的病害数据进行正演模拟，获取探地雷达模拟图像，所述探地雷达模拟图像无噪声且为高分辨率。

模拟频率获取模块62，用于针对任一类型的病害数据，对探地雷达发射天线的不同中心频率进行正演模拟，获取模拟发射天线中心频率。

手动特征确定模块63，用于利用所述模拟发射天线中心频率，对不同路面进行数据采集，获取探地雷达现场试验数据，确定手动特征。

试验图像确定模块64，用于根据所述探地雷达现场试验数据，选取典型病害图像并进行取芯验证，确定探地雷达试验图像。

图谱库构建模块65，用于根据所述探地雷达模拟图像和所述探地雷达试验图像，建立探地雷达图谱库。

自主学习特征确定模块66，用于获取探地雷达采集到的目标实测图像数据，并通过多层卷积神经网络，确定自主学习特征。

目标病害初始信息确定模块67，用于根据所述手动特征、所述自主学习特征和所述探地雷达图谱库，确定目标病害初始类型和目标病害初始位置信息。

目标病害最终信息确定模块68，用于利用委员会判决方法，对所述目标病害初始类型和所述目标病害初始位置信息进行识别，确定目标病害最终类型和目标病害最终位置信息。

进一步的，所述模拟图像获取模块61包括：

GPRMAX单元，用于利用基于时域有限差分法的GPRMAX，对已有的不同类型的病害数据进行正演模拟，获取探地雷达模拟图像。

进一步的，所述图谱库构建模块65包括：

重构拓展单元，用于根据所述探地雷达模拟图像和所述探地雷达试验图像，利用数据增广技术及迁移学习技术进行重构并拓展，建立所述探地雷达图谱库。

进一步的，所述自主学习特征确定模块66包括：

候选区域框生成单元，用于将所述目标实测图像数据，通过多层卷积神经网络中预先构建的多层次特征融合的RPN网络结构，确定特征层并生成候选区域框。

自主学习特征获取单元，用于对所述候选区域框进行非负极大抑制操作并汇总，确定所述自主学习特征。

进一步的，所述目标病害初始信息确定模块67包括：

目标病害初始信息获取单元，用于将所述手动特征和所述自主学习特征，通过预先构建的手动特征和融合多层次特征的图像分类网络结构，并根据所述探地雷达图谱库，确定目标病害初始类型和目标病害初始位置信息。

进一步的，所述目标病害最终信息确定模块68包括：

委员会建立单元，用于建立委员会，所述委员会包括多个判决方法。

识别结果确定单元，用于针对任一判决方法，对所述目标病害初始类型和所述目标病害初始位置信息进行识别，确定识别结果。

目标病害最终信息获取单元，用于判断所述多个判决方法的识别结果是否一致，若是，则目标病害最终类型和目标病害最终位置信息。若否，则由多个判别方法组成的委员会进行投票表决，确定目标病害最终类型和目标病害最终位置信息。

以上结合具体实施方式和范例性实例对本申请进行了详细说明，不过这些说明并不能理解为对本申请的限制。本领域技术人员理解，在不偏离本申请精神和范围的情况下，可以对本申请技术方案及其实施方式进行多种等价替换、修饰或改进，这些均落入本申请的范围内。本申请的保护范围以所附权利要求为准。

Claims (10)

1.一种探地雷达图像人工智能识别方法，其特征在于，包括：

对已有的不同类型的病害数据进行正演模拟，获取探地雷达模拟图像，所述探地雷达模拟图像无噪声且为高分辨率；

针对任一类型的病害数据，对探地雷达发射天线的不同中心频率进行正演模拟，获取模拟发射天线中心频率；

利用所述模拟发射天线中心频率，对不同路面进行数据采集，获取探地雷达现场试验数据，确定手动特征；

根据所述探地雷达现场试验数据，选取典型病害图像并进行取芯验证，确定探地雷达试验图像；

根据所述探地雷达模拟图像和所述探地雷达试验图像，建立探地雷达图谱库；

获取探地雷达采集到的目标实测图像数据，并通过多层卷积神经网络，确定自主学习特征；

根据所述手动特征、所述自主学习特征和所述探地雷达图谱库，确定目标病害初始类型和目标病害初始位置信息；

利用委员会判决方法，对所述目标病害初始类型和所述目标病害初始位置信息进行识别，确定目标病害最终类型和目标病害最终位置信息。

2.根据权利要求1所述的探地雷达图像人工智能识别方法，其特征在于，所述对已有的不同类型的病害数据进行正演模拟，获取探地雷达模拟图像，包括：

利用基于时域有限差分法的GPRMAX，对已有的不同类型的病害数据进行正演模拟，获取探地雷达模拟图像。

3.根据权利要求1所述的探地雷达图像人工智能识别方法，其特征在于，所述病害数据的类型包括路面结构内部空隙多、层间不良、层间松散和结构松散。

4.根据权利要求1所述的探地雷达图像人工智能识别方法，其特征在于，所述根据所述探地雷达模拟图像和所述探地雷达试验图像，建立探地雷达图谱库，包括：

根据所述探地雷达模拟图像和所述探地雷达试验图像，利用数据增广技术及迁移学习技术进行重构并拓展，建立所述探地雷达图谱库。

5.根据权利要求1所述的探地雷达图像人工智能识别方法，其特征在于，所述探地雷达图谱库包括非病害图像、空隙多图像、层间不良图像、层间松散图像和结构松散图像。

6.根据权利要求1所述的探地雷达图像人工智能识别方法，其特征在于，所述获取探地雷达采集到的目标实测图像数据，并通过多层卷积神经网络，确定自主学习特征，包括：

将所述目标实测图像数据，通过多层卷积神经网络中预先构建的多层次特征融合的RPN网络结构，确定特征层并生成候选区域框；

对所述候选区域框进行非负极大抑制操作并汇总，确定所述自主学习特征。

7.根据权利要求1所述的探地雷达图像人工智能识别方法，其特征在于，所述根据所述手动特征、所述自主学习特征和所述探地雷达图谱库，确定目标病害初始类型和目标病害初始位置信息，包括：

将所述手动特征和所述自主学习特征，通过预先构建的手动特征和融合多层次特征的图像分类网络结构，并根据所述探地雷达图谱库，确定目标病害初始类型和目标病害初始位置信息。

8.根据权利要求1所述的探地雷达图像人工智能识别方法，其特征在于，所述利用委员会判决方法，对所述目标病害初始类型和所述目标病害初始位置信息进行识别，确定目标病害最终类型和目标病害最终位置信息，包括：

建立委员会，所述委员会包括多个判决方法；

针对任一判决方法，对所述目标病害初始类型和所述目标病害初始位置信息进行识别，确定识别结果；

判断所述多个判决方法的识别结果是否一致，若是，则目标病害最终类型和目标病害最终位置信息；若否，则由多个判别方法组成的委员会进行投票表决，确定目标病害最终类型和目标病害最终位置信息。

9.根据权利要求8所述的探地雷达图像人工智能识别方法，其特征在于，所述多个判决方法包括Softmax判别法、Triplet判别法和K-L判别法。

10.一种探地雷达图像人工智能识别装置，其特征在于，所述探地雷达图像人工智能识别装置应用于权利要求1-9任一项所述的探地雷达图像人工智能识别方法，所述探地雷达图像人工智能识别装置包括：

模拟图像获取模块，用于对已有的不同类型的病害数据进行正演模拟，获取探地雷达模拟图像，所述探地雷达模拟图像无噪声且为高分辨率；

模拟频率获取模块，用于针对任一类型的病害数据，对探地雷达发射天线的不同中心频率进行正演模拟，获取模拟发射天线中心频率；

手动特征确定模块，用于利用所述模拟发射天线中心频率，对不同路面进行数据采集，获取探地雷达现场试验数据，确定手动特征；

试验图像确定模块，用于根据所述探地雷达现场试验数据，选取典型病害图像并进行取芯验证，确定探地雷达试验图像；

图谱库构建模块，用于根据所述探地雷达模拟图像和所述探地雷达试验图像，建立探地雷达图谱库；

自主学习特征确定模块，用于获取探地雷达采集到的目标实测图像数据，并通过多层卷积神经网络，确定自主学习特征；

目标病害初始信息确定模块，用于根据所述手动特征、所述自主学习特征和所述探地雷达图谱库，确定目标病害初始类型和目标病害初始位置信息；

目标病害最终信息确定模块，用于利用委员会判决方法，对所述目标病害初始类型和所述目标病害初始位置信息进行识别，确定目标病害最终类型和目标病害最终位置信息。

Images