CN115390033A - 基于探地雷达路面下空洞及水损检测方法、系统及装置 - Google Patents
基于探地雷达路面下空洞及水损检测方法、系统及装置 Download PDFInfo
- Publication number
- CN115390033A CN115390033A CN202210881222.3A CN202210881222A CN115390033A CN 115390033 A CN115390033 A CN 115390033A CN 202210881222 A CN202210881222 A CN 202210881222A CN 115390033 A CN115390033 A CN 115390033A
- Authority
- CN
- China
- Prior art keywords
- ground penetrating
- penetrating radar
- data
- road surface
- water damage
- 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.)
- Pending
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
-
- 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
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/12—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with electromagnetic waves
Abstract
本申请公开了一种基于探地雷达路面下空洞及水损检测方法、系统、装置及存储介质,用于对路面病害进行识别,提高识别精度,提高检测效率。本申请方法包括:对已有的路面数据进行层间脱空以及沥青路面水损害的正演模拟,获得路面的探地雷达模拟数据;根据已有的数据进行路面内部空洞以及水损害的探地雷达室内反演试验,获得探地雷达试验数据;基于所述探地雷达模拟数据以及所述探地雷达试验数据,建立探地雷达波谱数据库;对所探地雷达波谱数据库进行分析,提取对应的波谱特征参数;基于所述波谱特征参数分析所述探地雷达的电磁波在损害区域的衰减特征;将所述衰减特征代入YOLO机器学习算法中对路面内部空洞以及水损害进行识别。
Description
技术领域
本申请涉及道路检测技术领域,尤其涉及基于探地雷达路面下空洞及水损检测方法、系统、装置及存储介质。
背景技术
随着社会经济的快速发展,公路工程建设持续增长。受到一些地方独特的气候、水文地质地貌条件,修建的公路(尤其等级较低的公路)出现了大量日益严重的早期病害。其中由于路基不均匀沉降以及路基强度较低导致大量路面裂缝出现,裂缝的不断发育,严重影响路面的完整性,降低其服役寿命,降雨量大时,路面排水不及时,导致短期内路面水流大量聚集,从而降低轮胎和路面的附着力,造成行车环境恶化,严重降低行车的安全性。
路面结构内部空洞与水损害是路面结构内部典型的病害类型,直接严重降低行车安全和道路使用寿命。由于路面结构与内部的病害陷蔽性强,检测难度较大,目前检测方法单一、检测精度较低,识别范围小,存在漏检情况。同时水损害又难以根除,因此成为沥青路面的顽疾,不仅增大了处置面积和养护费用,还造成了不良的社会影响。因此,迫切需要快速准确的无损检测方法用于早发现、早处置路面内部空洞、水损害的养护管理主要问题。
发明内容
为了解决上述技术问题,本申请提供了一种基于探地雷达路面下空洞及水损检测方法、系统及、装置及存储介质。
本申请第一方面提供了一种基于探地雷达路面下空洞及水损检测方法,所述方法包括:
对已有的路面数据进行层间脱空以及沥青路面水损害的正演模拟,获得路面的探地雷达模拟数据;
根据已有的数据进行路面内部空洞以及水损害的探地雷达室内反演试验,获得探地雷达试验数据;
基于所述探地雷达模拟数据以及所述探地雷达试验数据,建立探地雷达波谱数据库;
对所探地雷达波谱数据库进行分析,提取对应的波谱特征参数;
基于所述波谱特征参数分析所述探地雷达的电磁波在损害区域的衰减特征;
将所述衰减特征代入YOLO机器学习算法中对路面内部空洞以及水损害进行识别。
可选的,所述根据已有的数据进行路面内部空洞以及水损害的探地雷达室内反演试验,获得探地雷达试验数据包括:
通过有限时域差分法FDTD根据已有的数据进行路面内部空洞以及水损害的探地雷达室内反演试验,从而获得不同天线悬空高度、不同路面结构参数、不同路面含水率对空气和沥青层耦合状态下的探地雷达试验数据;
可选的,所述波谱特征参数至少包括速度、振幅、相位以及频率。
可选的,所对已有的路面数据进行层间脱空以及沥青路面水损害的正演模拟,获得路面的探地雷达模拟数据包括:
基于FDTD建立不同结构层位置空洞充气与充水空洞模型;
通过GprMax及Matlab编程进行道路空洞正演模拟,从而获得探地雷达模拟数据。
可选的,在所述将所述衰减特征代入YOLO机器学习算法中对路面内部空洞以及水损害进行识别之后,获得探地雷达实测数据,所述方法还包括:
将所述探地雷达实测数据与所述探地雷达模拟数据以及所述探地雷达试验数据进行对比,并更新所述YOLO机器学习算法中的参数设置。
可选的,所述探地雷达模拟数据包括无噪音的且高分辨率的探地雷达模拟图像。
可选的,所述基于所述探地雷达模拟数据以及所述探地雷达试验数据,建立探地雷达波谱数据库包括:
基于所述探地雷达模拟数据和所述探地雷达试验数据,利用数据增广技术及迁移学习技术进行重构并拓展,建立探地雷达波谱数据库。
本申请第二方面提供了一种基于探地雷达路面下空洞及水损检测系统,所述系统包括:
正演模拟单元,用于对已有的路面数据进行层间脱空以及沥青路面水损害的正演模拟,获得路面的探地雷达模拟数据;
室内反演试验单元,用于根据已有的数据进行路面内部空洞以及水损害的探地雷达室内反演试验,获得探地雷达试验数据;
建立单元,用于基于所述探地雷达模拟数据以及所述探地雷达试验数据,建立探地雷达波谱数据库;
分析提取单元,用于对所探地雷达波谱数据库进行分析,提取对应的波谱特征参数;
特征分析单元,用于基于所述波谱特征参数分析所述探地雷达的电磁波在损害区域的衰减特征;
识别单元,用于将所述衰减特征代入YOLO机器学习算法中对路面内部空洞以及水损害进行识别。
本申请第三方面提供了一种基于探地雷达路面下空洞及水损检测装置,所述装置包括:
处理器、存储器、输入输出单元以及总线;
所述处理器与所述存储器、所述输入输出单元以及所述总线相连;
所述存储器保存有程序,所述处理器调用所述程序以执行第一方面以及第一方面中任一项可选的所述方法。
本申请第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质上保存有程序,所述程序在计算机上执行时执行第一方面以及第一方面中任一项可选的所述方法。
从以上技术方案可以看出,本申请具有以下优点:
本申请提供的基于探地雷达路面下空洞及水损检测方法中,首先对已有的路面数据进行层间脱空以及沥青路面水损害的正演模拟,获得路面的探地雷达模拟数据,根据已有的数据进行路面内部空洞以及水损害的探地雷达室内反演试验,获得探地雷达试验数据,基于所述探地雷达模拟数据以及所述探地雷达试验数据,建立探地雷达波谱数据库,对所探地雷达波谱数据库进行分析,提取对应的波谱特征参数,基于所述波谱特征参数分析所述探地雷达的电磁波在损害区域的衰减特征,将所述衰减特征代入YOLO机器学习算法中对路面内部空洞以及水损害进行识别,该方法结合了YOLO机器学习算法以及通过分析探地雷达的电磁波在损害区域的衰减特征,从而识别路面内部空洞以及水损害,能够提高路面病害检测效率,同时对路面病害与损伤严重程度和整体服役状态进行全面、综合的评价,为路面管理与养护提供数据与决策支撑。
附图说明
为了更清楚地说明本申请中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本申请中提供的基于探地雷达路面下空洞及水损检测方法的一个实施例流程示意图;
图2为本申请中探地雷达实时探测图;
图3为本申请中所使用YOLO算法的架构图;
图4为本申请中提供的基于探地雷达路面下空洞及水损检测系统的一个实施例结构示意图;
图5为本申请中提供的基于探地雷达路面下空洞及水损检测装置的一个实施例结构示意图。
具体实施方式
基于此,本申请提供了一种基于探地雷达路面下空洞及水损检测方法,用于对路面病害进行识别,提高识别精度,提高检测效率。
请参阅图1以及图2,图1为本申请提供的一种基于探地雷达路面下空洞及水损检测方法一个实施例流程示意图,该基于探地雷达路面下空洞及水损检测方法包括:
101、对已有的路面数据进行层间脱空以及沥青路面水损害的正演模拟,获得路面的探地雷达模拟数据;
对已有的路面数据进行层间脱空以及沥青路面水损害的正演模拟,在地球物理勘探研究中,根据地质体的形状、产状和物性数据,通过构造数学模型计算得到其理论值(数学模拟),或通过构造实体模型来观测模型所产生的地球物理效应的数值(物理模拟)叫做正演模拟。在地球物理资料解释过程中,常常利用正演模拟结果与实际地球物理勘探资料进行比较,不断修正模型,使模拟结果与实际资料尽可能地接近,进而使解释结果更接近客观实际,这种比较的过程也叫做选择法。具体方式可以是,基于FDTD建立不同结构层位置空洞充气与充水空洞模型,通过GprMax及Matlab编程进行道路空洞正演模拟,从而获得探地雷达模拟数据。FDTD时域有限差分法(Finite-Difference Time-Domain,FDTD)是一种用于对计算电动力学建模的数值分析技术,为相关的微分方程组寻找近似解。由于它是一种时域方法,因此FDTD运算方法可以在一次模拟运行时同时计算多个频率范围,并且可以自然地处理各种线性材料特性。其本质原理是将随时间变化的Maxwell旋度方程更改为离散差分形式,将连续的空间分成有限的网格进行计算。网格数量越多,计算结果更加精准,但是计算量也呈指数倍数增长,计算所需时间越长。计算过程主要是在给定的时间点求解空间体积中的电场矢量分量,然后在下一个时刻计算相同空间体积中的磁场矢量分量,并在此结果上进行下一次的循环运算。在空间和时域上分别不断进行循环计算,最终得到比较精准的瞬态或稳态电磁场结果。通过这样一系列计算可以获得计算范围内任意时间和空间点上的计算结果,有助于去理解模型空间范围内的电磁场传播。最终获得的探地雷达模拟数据中包含无噪声的高分辨率探地雷达图像。
102、根据已有的数据进行路面内部空洞以及水损害的探地雷达室内反演试验,获得探地雷达试验数据;
根据已有的数据进行路面内部空洞以及水损害的探地雷达室内反演试验,根据接收来的电磁波信号,反推出目标的结构和属性。具体的方法有噪声抑制与时变增益,需要研究人员根据不同的工作特点与目标特性,选择合适的方法与参数。
具体的,也可以是通过有限时域差分法FDTD根据已有的数据进行路面内部空洞以及水损害的探地雷达室内反演试验,从而获得不同天线悬空高度、不同路面结构参数、不同路面含水率对空气和沥青层耦合状态下的探地雷达试验数据,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,进行数据采集,分析各路面病害的探地雷达数据,从而验证探地雷达数据的准确性。在实际中,GprMax是基于时域有限差分法(Finite-Difference Time-Domain,FDTD)构建的传统电磁仿真开源软件,可以用于探地雷达正演的建模和求解。因此,可以采用GprMax生成训练和推理的数据,从而进行反演试验。
103、基于所述探地雷达模拟数据以及所述探地雷达试验数据,建立探地雷达波谱数据库;
本实施例中,基于所述探地雷达模拟数据以及所述探地雷达试验数据,建立探地雷达波谱数据库,具体可以是根据所述探地雷达模拟数据和所述探地雷达试验数据,利用数据增广技术及迁移学习技术进行重构并拓展,建立所述探地雷达波谱数据库,探地雷达波谱数据库可以包括非病害图像、空隙多图像、层间不良图像、层间松散图像和结构松散图像。本实施例中,将正演模拟以及室内反演试验中,已验证的探地雷达试验数据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波谱数据,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。
104、对所探地雷达波谱数据库进行分析,提取对应的波谱特征参数;
对上述步骤103中所建立的波谱数据库进行分析,其目的是提取对应的波谱特征参数,例如对应的速度、振幅、相位以及频率等。
105、基于所述波谱特征参数分析所述探地雷达的电磁波在损害区域的衰减特征;
分析探地雷达的电磁波在损害区域的衰减特征,当探地雷达扫描路面以及路面内部时,探地雷达发出的电磁波会在损害区域发生反射和折射,并产生不同程度的衰减,随后,通过分析探地雷达反射回波中的衰减特征,能够确定出不同类型损害区域的信息。
106、将所述衰减特征代入YOLO机器学习算法中对路面内部空洞以及水损害进行识别。
将衰减特征代入YOLO机器学习算法中,就可以对路面内部空洞以及水损害进行识别,即通过对比预先所确定的衰减特征与实际所检测到的衰减特征,通过YOLO机器学习算法不断优化识别过程,能够做到对水损害以及路面内部空洞进行自动化识别检测。在实际中,还可以将所述探地雷达实测数据与所述探地雷达模拟数据以及所述探地雷达试验数据进行对比,不断更新所述YOLO机器学习算法中的参数设置,使得算法的检测结果越来越准确。请参阅图3,图3为本申请中所提供的YOLO机器学习算法的架构图。
传统的RCNN模型提出了候选区(Region Proposals)的方法,先从图片中搜索出一些可能存在对象的候选区(Selective Search),大概2000个,然后对每个候选区进行对象识别,但处理速度较慢。而YOLO的意思是You Only Look Once,它并没有真正的去掉候选区域,而是创造性的将候选区和目标分类合二为一,即看一眼图片就能知道有哪些对象以及它们的位置。YOLO模型采用预定义预测区域的方法来完成目标检测,具体而言是将原始图像划分为7x7=49个网格(grid),每个网格允许预测出2个边框(bounding box,包含某个对象的矩形框),总共49x2=98个bounding box。我们将其理解为98个预测区,很粗略的覆盖了图片的整个区域,就在这98个预测区中进行目标检测。采用路面结构病害识别的YOLO深度学习算法进行层间脱空部位波形的自动识别,形成可靠的空洞病害识别诊断方法,该算法利用回归的思想,具有识别速度快,更容易学习目标的泛化特征,使路面损伤识别速度更快,识别更准确、识别精度高,最终达到路面病害的解析。
请参阅图3,本申请还提供了一种基于探地雷达路面下空洞及水损检测系统,所述系统包括:
正演模拟单元201,用于对已有的路面数据进行层间脱空以及沥青路面水损害的正演模拟,获得路面的探地雷达模拟数据;
室内反演试验单元202,用于根据已有的数据进行路面内部空洞以及水损害的探地雷达室内反演试验,获得探地雷达试验数据;
建立单元203,用于基于所述探地雷达模拟数据以及所述探地雷达试验数据,建立探地雷达波谱数据库;
分析提取单元204,用于对所探地雷达波谱数据库进行分析,提取对应的波谱特征参数;
特征分析单元205,用于基于所述波谱特征参数分析所述探地雷达的电磁波在损害区域的衰减特征;
识别单元206,用于将所述衰减特征代入YOLO机器学习算法中对路面内部空洞以及水损害进行识别。
可选的,室内反演试验单元202具体用于通过有限时域差分法FDTD根据已有的数据进行路面内部空洞以及水损害的探地雷达室内反演试验,从而获得不同天线悬空高度、不同路面结构参数、不同路面含水率对空气和沥青层耦合状态下的探地雷达试验数据。
可选的,正演模拟单元201具体用于基于FDTD建立不同结构层位置空洞充气与充水空洞模型;
通过GprMax及Matlab编程进行道路空洞正演模拟,从而获得探地雷达模拟数据。
可选的,建立单元203具体用于基于所述探地雷达模拟数据和所述探地雷达试验数据,利用数据增广技术及迁移学习技术进行重构并拓展,建立探地雷达波谱数据库。
请参阅图4,本申请还提供了一种基于探地雷达路面下空洞及水损检测装置,包括:
处理器301、存储器302、输入输出单元303、总线304;
处理器301与存储器302、输入输出单元303以及总线304相连;
存储器302保存有程序,处理器301调用程序以执行如上任一基于探地雷达路面下空洞及水损检测方法。
本申请还涉及一种计算机可读存储介质,计算机可读存储介质上保存有程序,其特征在于,当程序在计算机上运行时,使得计算机执行如上任一基于探地雷达路面下空洞及水损检测方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上对现有技术做出贡献的部分,该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,read-only memory)、随机存取存储器(RAM,random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种基于探地雷达路面下空洞及水损检测方法,其特征在于,所述方法包括:
对已有的路面数据进行层间脱空以及沥青路面水损害的正演模拟,获得路面的探地雷达模拟数据;
根据已有的数据进行路面内部空洞以及水损害的探地雷达室内反演试验,获得探地雷达试验数据;
基于所述探地雷达模拟数据以及所述探地雷达试验数据,建立探地雷达波谱数据库;
对所探地雷达波谱数据库进行分析,提取对应的波谱特征参数;
基于所述波谱特征参数分析所述探地雷达的电磁波在损害区域的衰减特征;
将所述衰减特征代入YOLO机器学习算法中对路面内部空洞以及水损害进行识别。
2.根据权利要求1中基于探地雷达路面下空洞及水损检测方法,其特征在于,所述根据已有的数据进行路面内部空洞以及水损害的探地雷达室内反演试验,获得探地雷达试验数据包括:
通过有限时域差分法FDTD根据已有的数据进行路面内部空洞以及水损害的探地雷达室内反演试验,从而获得不同天线悬空高度、不同路面结构参数、不同路面含水率对空气和沥青层耦合状态下的探地雷达试验数据。
3.根据权利要求1中基于探地雷达路面下空洞及水损检测方法,其特征在于,所述波谱特征参数至少包括速度、振幅、相位以及频率。
4.根据权利要求1中基于探地雷达路面下空洞及水损检测方法,其特征在于,对已有的路面数据进行层间脱空以及沥青路面水损害的正演模拟,获得路面的探地雷达模拟数据包括:
基于FDTD建立不同结构层位置空洞充气与充水空洞模型;
通过GprMax及Matlab编程进行道路空洞正演模拟,从而获得探地雷达模拟数据。
5.根据权利要求1中所述的基于探地雷达路面下空洞及水损检测方法,其特征在于,在所述将所述衰减特征代入YOLO机器学习算法中对路面内部空洞以及水损害进行识别之后,获得探地雷达实测数据,所述方法还包括:
将所述探地雷达实测数据与所述探地雷达模拟数据以及所述探地雷达试验数据进行对比,并更新所述YOLO机器学习算法中的参数设置。
6.根据权利要求1中所述的基于探地雷达路面下空洞及水损检测方法,其特征在于,所述探地雷达模拟数据包括无噪音且高分辨率的探地雷达模拟图像。
7.根据权利要求1至6中任一项所述的基于探地雷达路面下空洞及水损检测方法,其特征在于,基于所述探地雷达模拟数据以及所述探地雷达试验数据,建立探地雷达波谱数据库包括:
基于所述探地雷达模拟数据和所述探地雷达试验数据,利用数据增广技术及迁移学习技术进行重构并拓展,建立探地雷达波谱数据库。
8.一种基于探地雷达路面下空洞及水损检测系统,其特征在于,所述系统包括:
正演模拟单元,用于对已有的路面数据进行层间脱空以及沥青路面水损害的正演模拟,获得路面的探地雷达模拟数据;
室内反演试验单元,用于根据已有的数据进行路面内部空洞以及水损害的探地雷达室内反演试验,获得探地雷达试验数据;
建立单元,用于基于所述探地雷达模拟数据以及所述探地雷达试验数据,建立探地雷达波谱数据库;
分析提取单元,用于对所探地雷达波谱数据库进行分析,提取对应的波谱特征参数;
特征分析单元,用于基于所述波谱特征参数分析所述探地雷达的电磁波在损害区域的衰减特征;
识别单元,用于将所述衰减特征代入YOLO机器学习算法中对路面内部空洞以及水损害进行识别。
9.一种基于探地雷达路面下空洞及水损检测装置,其特征在于,所述装置包括:
处理器、存储器、输入输出单元以及总线;
所述处理器与所述存储器、所述输入输出单元以及所述总线相连;
所述存储器保存有程序,所述处理器调用所述程序以执行如权利要求1至7任一项所述方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上保存有程序,所述程序在计算机上执行时执行如权利要求1至7中任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210881222.3A CN115390033A (zh) | 2022-07-26 | 2022-07-26 | 基于探地雷达路面下空洞及水损检测方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210881222.3A CN115390033A (zh) | 2022-07-26 | 2022-07-26 | 基于探地雷达路面下空洞及水损检测方法、系统及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115390033A true CN115390033A (zh) | 2022-11-25 |
Family
ID=84117590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210881222.3A Pending CN115390033A (zh) | 2022-07-26 | 2022-07-26 | 基于探地雷达路面下空洞及水损检测方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115390033A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077500A (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 | 道路内部脱空的数值模拟建模方法、电子设备及存储介质 |
CN117077449A (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 | 道路脱空区域高度演化预测方法、电子设备及存储介质 |
CN117078235A (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 | 全面评估的路网养护维修方法、电子设备及存储介质 |
-
2022
- 2022-07-26 CN CN202210881222.3A patent/CN115390033A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077500A (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 | 道路内部脱空的数值模拟建模方法、电子设备及存储介质 |
CN117077449A (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 | 道路脱空区域高度演化预测方法、电子设备及存储介质 |
CN117078235A (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 | 全面评估的路网养护维修方法、电子设备及存储介质 |
CN117077500B (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 | 道路内部脱空的数值模拟建模方法、电子设备及存储介质 |
CN117077449B (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 | 道路脱空区域高度演化预测方法、电子设备及存储介质 |
CN117078235B (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 | 全面评估的路网养护维修方法、电子设备及存储介质 |
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 | |
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 | |
Li et al. | Denoising method of ground-penetrating radar signal based on independent component analysis with multifractal spectrum | |
CN106772641B (zh) | 估测平均土壤含水量的方法 | |
US20230154037A1 (en) | Method for detecting leakage of water supply pipe based on ground-penetrating radar three-dimensional image attribute analysis | |
CN102680575B (zh) | 一种复杂岩土介质的冲击映像方法及系统 | |
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 | |
CN116757097A (zh) | 一种数字孪生水利工程运维监测系统和方法 | |
CN110082429A (zh) | 一种结合机器学习的隧道衬砌无损检测的辅助判定方法 | |
CN111123374A (zh) | 一种基于匹配滤波的探地雷达全波形反演方法 | |
Chiaia et al. | Deep convolutional neural network for multi-level non-invasive tunnel lining assessment | |
Ayala-Cabrera et al. | Towards the visualization of water supply system components with GPR images | |
CN105372631A (zh) | 基于遗传-偏最小二乘算法的极化雷达反演方法及其应用 | |
Tran et al. | Inversion of first-arrival time using simulated annealing | |
CN115598714A (zh) | 基于时空耦合神经网络的探地雷达电磁波阻抗反演方法 | |
CN116203559A (zh) | 一种地下岩土病害体智能化识别预警系统及方法 | |
CN112800664B (zh) | 一种基于探地雷达A-scan数据估算树根直径的方法 | |
Guo et al. | Research on tunnel lining image target recognition method based on YOLOv3 | |
Lv et al. | Rapid Identification and Location of Defects behind Tunnel Lining Based on Ground-Penetrating Radar | |
CN111123373A (zh) | 一种基于波场扩展重构的探地雷达全波形反演方法 | |
CN117077500B (zh) | 道路内部脱空的数值模拟建模方法、电子设备及存储介质 | |
Barkataki et al. | Size estimation of underground targets from GPR frequency spectra: A deep learning approach | |
Zahir et al. | Hyperbola detection of ground penetrating radar using deep learning | |
Gendrey et al. | Improving the diagnosis of coastal earth-filled dikes combining geophysical methods by data fusion | |
CN115630492A (zh) | 隧道衬砌病害变化特征智能反演方法、系统及存储介质 |
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 |