CN115616674A - 探地雷达训练数据集模拟扩增与道路无损检测方法及系统 - Google Patents
探地雷达训练数据集模拟扩增与道路无损检测方法及系统 Download PDFInfo
- Publication number
- CN115616674A CN115616674A CN202211244582.9A CN202211244582A CN115616674A CN 115616674 A CN115616674 A CN 115616674A CN 202211244582 A CN202211244582 A CN 202211244582A CN 115616674 A CN115616674 A CN 115616674A
- Authority
- CN
- China
- Prior art keywords
- structural layer
- model
- ground penetrating
- penetrating radar
- composition
- 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
- 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
- G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
-
- 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
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种探地雷达训练数据集模拟扩增与道路无损检测方法及系统,属于探地雷达检测技术领域,先获取多个模拟参数,模拟参数包括道路内结构层的数量、每一结构层的结构层信息以及道路内病害体的病害体信息,然后根据结构层的数量、位置、厚度和病害体的大小生成结构层组合模型,根据结构层的材料的组成成分以及每一组成成分的比例和介电常数在结构层组合模型内生成各个结构层,根据病害体信息在结构层组合模型内生成病害体,得到三维模拟模型,最后对每一三维模拟模型进行扫描,得到探地雷达模拟图像,从而可以随机、大批量模拟生成各种复杂工况下的探地雷达模拟图像,对训练数据集进行扩增,进一步提高道路无损检测精度。
Description
技术领域
本发明涉及探地雷达检测技术领域,特别是涉及一种探地雷达复杂工况训练数据集模拟扩增与道路无损检测方法及系统。
背景技术
目前,全国公路总里程达528.07万公里,其中公路养护里程达525.16万公里,高速公路达16.91万公里,极大地促进了经济社会的发展。但是,随着交通路网的日益完善和建设饱和,道路路面结构随着运营时间增长将不可避免出现损害,公路交通建设将逐步进入维修养护阶段。面对如此庞大路网的维养工作,采用有效检测手段快速、有效、精准地找到表面、内部病害位置、类型及其严重程度,科学合理地确定养护、维修方案,具有重要的经济、社会价值。
三维探地雷达检测技术是道路无损检测技术的代表性技术之一,主要是通过分析电磁波在探测物内部的传播情况进而获取探测物相关信息,包括裂缝、脱空等道路内部病害信息,是探测路面结构内部损伤的有效手段。然而,在三维探地雷达病害图像解译方面,目前缺乏成熟的自动化识别手段,主要以人工解译为主。人工解译雷达图像存在较多问题,如:解译过程专业性要求较高,缺少足够的数据解译人员;解译过程具有主观性,相同的雷达图像,由不同人员解译,得到的解译结果往往存在差异;人工解译过程耗时长,工作量巨大,解译效率低。这些问题己经在一定程度上限制了探地雷达技术的应用和推广。
为解决探地雷达图像自动化解译问题,研究人员提出了众多雷达信号处理算法,如传统机器学习算法、深度学习方法等。传统机器学习方法利用机器视觉技术来检测B-SCAN图像中的特征双曲线,常用的算法包括基于Hough变换的方法和基于特征表达的方法。Hough变换是一种检测、定位直线和解析曲线的有效方法,但其参数空间大,计算复杂度高。基于特征表达的方法,如基于Haar-like小波特征的Viola-Jones算法、结合梯度方向直方图与边缘直方图描述符的双曲线特征检测算法等,这些方法在应用时需由人工参与特征的设计,同时检测结果的准确率不高。
近年来兴起的卷积神经网络可通过学习正确标记的图像,从而完成识别其他未标记图像中相似特征的任务。如GPR-RCNN的两阶段识别方法,该方法可实现对脱空、管线、沉陷等目标物的高精度识别。ResNet50、YOLOV2网络可检测沥青路面水破坏损伤目标的特征双曲线。这些卷积神经网络模型主要通过对训练样本的学习来识别目标的特征信息,其检测结果的准确率得到了较大提升,但仍然在很大程度上依赖训练数据集的代表性和大小。
卷积神经网络模型要求各种工况训练标记图像至少达到数千张才有比较好的训练效果,而且准确标记的训练集的数量越多,工况类型越丰富,模型的识别精度越高,鲁棒性和泛化能力越好。然而由于探地雷达数据有限,采集的每种工况病害图像往往在几百,甚至几十的数量级,且各种工况训练图谱数量不均衡,如裂缝病害的数量往往远比脱空、沉陷等病害多。数据集的数量不足,代表性不足以及样本不均衡问题是目前卷积神经网络模型解译三维探地雷达数据精度难以达到工程需求的主要原因之一。
基于此,亟需一种能够随机、大批量模拟生成各种复杂工况下的探地雷达模拟图像的技术。
发明内容
本发明的目的是提供一种探地雷达训练数据集模拟扩增与道路无损检测方法及系统,能够随机、大批量模拟生成各种复杂工况下的探地雷达模拟图像,实现训练数据集的扩增,进一步提高道路无损检测精度。
为实现上述目的,本发明提供了如下方案:
一种探地雷达训练数据集模拟扩增方法,所述模拟扩增方法包括:
获取多个模拟参数;所述模拟参数包括道路内结构层的数量、每一所述结构层的结构层信息以及道路内病害体的病害体信息;所述结构层信息包括所述结构层的位置、厚度、材料的组成成分以及每一所述组成成分的比例和介电常数;所述病害体信息包括所述病害体的类型、形状、位置和大小;
对于每一所述模拟参数,根据所述结构层的数量、位置、厚度和所述病害体的大小生成结构层组合模型;根据所述结构层的材料的组成成分以及每一所述组成成分的比例和介电常数在所述结构层组合模型内生成各个所述结构层,根据所述病害体信息在所述结构层组合模型内生成所述病害体,得到三维模拟模型;
对每一所述三维模拟模型进行扫描,得到探地雷达模拟图像。
一种探地雷达训练数据集模拟扩增系统,所述模拟扩增系统包括:
模拟参数获取模块,用于获取多个模拟参数;所述模拟参数包括道路内结构层的数量、每一所述结构层的结构层信息以及道路内病害体的病害体信息;所述结构层信息包括所述结构层的位置、厚度、材料的组成成分以及每一所述组成成分的比例和介电常数;所述病害体信息包括所述病害体的类型、形状、位置和大小;
三维模拟模型生成模块,用于对于每一所述模拟参数,根据所述结构层的数量、位置、厚度和所述病害体的大小生成结构层组合模型;根据所述结构层的材料的组成成分以及每一所述组成成分的比例和介电常数在所述结构层组合模型内生成各个所述结构层,根据所述病害体信息在所述结构层组合模型内生成所述病害体,得到三维模拟模型;
图像生成模块,用于对每一所述三维模拟模型进行扫描,得到探地雷达模拟图像。
一种道路无损检测方法,所述道路无损检测方法包括:
构建训练数据集;所述训练数据集包括多个探地雷达图像和每一所述探地雷达图像对应的标签;所述标签为所述探地雷达图像中的病害体的类型、大小和位置;所述探地雷达图像包括利用探地雷达现场采集的探地雷达实测图像和利用上述的模拟扩增方法生成的探地雷达模拟图像;
构建卷积神经网络模型;
利用所述训练数据集对所述卷积神经网络模型进行训练,得到检测模型;
利用所述检测模型进行道路无损检测。
一种道路无损检测系统,所述道路无损检测系统包括:
数据集构建模块,用于构建训练数据集;所述训练数据集包括多个探地雷达图像和每一所述探地雷达图像对应的标签;所述标签为所述探地雷达图像中的病害体的类型、大小和位置;所述探地雷达图像包括利用探地雷达现场采集的探地雷达实测图像和利用上述的模拟扩增方法生成的探地雷达模拟图像;
模型构建模块,用于构建卷积神经网络模型;
训练模块,用于利用所述训练数据集对所述卷积神经网络模型进行训练,得到检测模型;
无损检测模块,用于利用所述检测模型进行道路无损检测。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明用于提供一种探地雷达训练数据集模拟扩增与道路无损检测方法及系统,先获取多个模拟参数,模拟参数包括道路内结构层的数量、每一结构层的结构层信息以及道路内病害体的病害体信息,然后根据结构层的数量、位置、厚度和病害体的大小生成结构层组合模型,根据结构层的材料的组成成分以及每一组成成分的比例和介电常数在结构层组合模型内生成各个结构层,根据病害体信息在结构层组合模型内生成病害体,得到三维模拟模型,最后对每一三维模拟模型进行扫描,得到探地雷达模拟图像,从而可以随机、大批量模拟生成各种复杂工况下的探地雷达模拟图像,对训练数据集进行扩增,进一步提高道路无损检测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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,下面描述中的附图仅仅是本发明的一些实施例,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为本发明实施例1所提供的模拟扩增方法的方法流程图;
图2为本发明实施例1所提供的结构层组合模型的示意图;
图3为本发明实施例1所提供的生成结构层后所得模型的示意图;
图4为本发明实施例1所提供的三维模拟模型的示意图;
图5为本发明实施例1所提供的探地雷达模拟图像的示意图;
图6为本发明实施例2所提供的模拟扩增系统的系统框图;
图7为本发明实施例3所提供的道路无损检测方法的方法流程图;
图8为本发明实施例3所提供的损失函数曲线的示意图;
图9为本发明实施例4所提供的道路无损检测系统的系统框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种探地雷达训练数据集模拟扩增与道路无损检测方法及系统,能够随机、大批量模拟生成各种复杂工况下的探地雷达模拟图像,实现训练数据集的扩增,进一步提高道路无损检测精度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1:
为解决深度学习模型训练数据集代表性差、数量不足的问题,基于Percometer仪器测定道路结构层各组成材料的介电常数,根据各组成材料的比例、介电常数,病害体的体积、位置,基于matlab语言工具编写预设约束条件的模拟模型随机扩增算法,生成由道路各结构层介质和不规则病害体组成的三维模拟模型,模拟实际工程状况,然后将生成的三维模拟模型保存为HDF5格式文件,由基于时域有限差分(FDTD)的探地雷达电磁波模拟软件gprMax调用,模拟电磁波在不规则病害体中的传播模型,生成探地雷达模拟图像,由人工标记探地雷达模拟图像中的病害信号,与实际工况探测的探地雷达实测图像组合,形成混合数据集,训练卷积神经网络模型,从而提高识别准确率。
具体的,本实施例用于提供一种探地雷达复杂工况训练数据集模拟扩增方法,如图1所示,所述模拟扩增方法包括:
S1:获取多个模拟参数;所述模拟参数包括道路内结构层的数量、每一所述结构层的结构层信息以及道路内病害体的病害体信息;所述结构层信息包括所述结构层的位置、厚度、材料的组成成分以及每一所述组成成分的比例和介电常数;所述病害体信息包括所述病害体的类型、形状、位置和大小;
不同道路的结构层会有所不同,本实施例的方法可以适用于任何类型的道路。比如,道路内结构层可以包括从上到下依次设置的沥青面层、基层和土层,此时,道路内结构层的数量为3,沥青面层的位置在最上方,基层的位置在中间,土层的位置在最下方。故本实施例可以根据实际需求或者实际情况设定道路内结构层的数量、位置和厚度。
本实施例搜集各结构层的材料的组成成分及每一组成成分的比例,如无相关设计资料,应开展相关试验测定。那么,结构层的材料的组成成分以及每一组成成分的比例的获取方法包括:判断是否存在结构层的设计资料,得到第一判断结果;若第一判断结果为是,则根据设计资料确定结构层的材料的组成成分以及每一组成成分的比例;若第一判断结果为否,则判断是否存在结构层的材料的规范测定方法,得到第二判断结果;若第二判断结果为是,则根据规范测定方法对结构层的材料进行测定,得到结构层的材料的组成成分以及每一组成成分的比例;若第二判断结果为否,则将结构层视为同一种均匀材料。
如对于沥青面层,根据沥青混合料的设计资料,设计沥青用量为4.5%,设计空隙率为4.5%,则可确定该沥青面层的材料的组成成分及比例为集料:沥青:空气=91:4.5:4.5。如无相关设计资料作为确定沥青面层的材料的组成成分及比例的依据,对于沥青面层,可以参考《公路工程沥青及沥青混合料试验规程》(JTG E20-2011)测定空隙率、沥青含量以及集料比例。对于其他结构层,相关规范给出结构层组成成分的测定方法的,按规范测定方法测定;如无合适的规范测定方法,则将整个结构层视为同一种均匀材料。
本实施例采用介电常数测定仪器测定道路结构层各组成成分的介电常数,获取材料介电常数参数。道路结构层各组成成分一般采用电容法测定,可选仪器之一是Percometer仪器,仪器由主机和传感器探头组成,测试原理是采用传感器探头内外两圈金属环所形成的电容,通过对比以待检测材料为介质条件和以空气为介质条件下的电容变化,按下式计算待检测材料试件相对介电常数,得到该待检测材料的介电常数。
式中,ε为待检测材料的介电常数;C′为以待检测材料为介质条件下的测量电容,C0为以空气为介质条件下的测量电容。
Percometer仪器相对介电常数测试范围为1~32,精度±0.1,检测频率为40~50MHz,有效检测深度为2~3cm。测试前,需先将待检测材料试件顶面和底面切割至两面光滑平整,使Percometer仪器的传感器探头可紧密贴合待检测材料试件。测试时,先将传感器探头悬空,测试空气相对介电常数,标定仪器内置参数并确认仪器工作正常,随后可将传感器探头与表面平整光滑的待检测材料试件表面紧密结合,逐一测试并记录待检测材料试件的介电常数。
本实施例的病害体信息根据实际需求而确定,病害体的类型包括裂缝、脱空、松散。
S2:对于每一所述模拟参数,根据所述结构层的数量、位置、厚度和所述病害体的大小生成结构层组合模型;根据所述结构层的材料的组成成分以及每一所述组成成分的比例和介电常数在所述结构层组合模型内生成各个所述结构层,根据所述病害体信息在所述结构层组合模型内生成所述病害体,得到三维模拟模型;
S2中,根据结构层的数量、位置、厚度和病害体的大小生成结构层组合模型可以包括:
(1)根据结构层的数量和厚度确定高度,根据病害体的大小确定长度和宽度,生成长方体模型;
长方体模型的高度根据结构层的数量和厚度确定,对于单一结构层,实际厚度不大于1米的,将其模拟厚度设定为等于结构层的实际厚度,实际厚度大于1米的,将其模拟厚度设定为1米,以确定各个结构层的模拟厚度,各个结构层的模拟厚度的和值即为长方体模型的高度。长方体模型的长度和宽度根据病害体的大小确定,具体根据病害体的长度和宽度确定,长方体模型的长度等于病害体的长度的10倍,长方体模型的宽度等于病害体的宽度的10倍,避免模型UPML边界信号对病害体信号的影响。
优选的,长方体模型的长度、宽度和高度的最小值为1m,以避免边界对病害体电磁波回波的影响。当各个结构层的模拟厚度的和值小于1m时,则设定长方体模型的高度为1m,此时将各个结构层的模拟厚度按比例(实际和值与1m的比例)扩大,后续则依据该模拟厚度作为结构层的新的厚度。
(2)根据结构层的位置和厚度对长方体模型进行分层,确定各个结构层对应的空间,得到结构层组合模型。
根据长方体模型的空间大小以及各结构层的位置和厚度,分层生成规则的结构层组合模型,如图2所示,图2是以包括三层结构层为例而生成的结构层组合模型。
S2中,根据结构层的材料的组成成分以及每一组成成分的比例和介电常数在结构层组合模型内生成各个结构层包括:对于每一结构层,根据结构层的材料的组成成分以及每一组成成分的比例和介电常数,将一种组成成分作为粘结材料(也可称为结合料),将其余组成成分作为粒子材料;在结构层对应的空间内部生成每一粒子材料的粒子模型,依次对各个粒子材料进行填充后,利用粘结材料填充结构层对应的空间中的粒子模型之间的空隙,生成结构层。
具体的,介电常数是材料的重要电磁特性,是模拟探地雷达电磁波图像的最重要参数,在构建三维模拟模型时,需要记录各个组成成分的介电常数,以易于后续的扫描过程。一般根据设计文件确定作为粘结材料的组成成分,道路建筑材料的粘结材料一般为沥青和水泥。在结构层对应的空间内部生成每一粒子材料的粒子模型可以包括:对于每一粒子材料,根据结构层组合模型的长度和宽度、粒子材料所属结构层的厚度以及粒子材料的比例和粒子半径计算粒子材料的填充数量;在结构层对应的空间内部随机生成若干个球形粒子,球形粒子的半径为粒子半径,球形粒子的数量为填充数量;判断任意两个球形粒子的球心间距是否小于粒子半径与2的乘积;若是,则移动球心间距小于粒子半径与2的乘积的球形粒子的位置,直至任意两个球形粒子的球心间距均大于或等于粒子半径与2的乘积,生成粒子材料的粒子模型。
其中,填充数量的计算公式为:
其中,N为填充数量;l为结构层组合模型的模型长度;w为结构层组合模型的模型宽度;h′为粒子材料所属结构层的结构层厚度(该厚度为结构层的模拟厚度);γ为粒子材料的比例,即组分占比;φ为粒子半径,粒子半径为预设值,其根据实际工况中的粒子大小得到,具体获取方法为:先根据结构层组成颗粒的粒径确定粒子大小,再根据粒子大小,采用等体积法确定粒子半径。
在结构层组合模型中,随机生成若干个球形粒子,检验球形粒子的球心间距,若小于两倍粒子半径,即认为存在粒子间干涉的问题,则对存在干涉的部分球形粒子重新随机确定球心,直到不存在干涉为止。如果包括两种粒子材料,还需要考虑两种粒子材料之间的干涉,保证任意两个球形粒子的球心间距均大于或等于两倍半径,当球形粒子属于不同的粒子材料时,两倍半径则变为一种粒子材料的粒子半径与另一种粒子材料的粒子半径的和。
依次填充各结构层后,再根据病害体信息在填充好各个结构层的模型中填充病害体,形成三维模拟模型,其可在MATLAB中完成。将生成的三维模拟模型的数据矩阵文件存储为HDF5文件,采用三维模拟软件渲染模型,可直观显示三维模拟模型。
作为一个示例,本实施例以从上到下结构层依次为沥青面层、基层、土基的道路为例,给出生成三维模拟模型的方法:
各结构层参数如表1所示。
表1
按照上述参数所生成的三维模拟模型如图3和图4所示,由上至下结构层依次为沥青面层、基层、土基,大颗粒为粗集料,小颗粒为空气空隙,其他部分由粘结材料填充,不规则棱形体为脱空病害。
本实施例利用S1获取的模拟参数作为结构层组合模型生成的基础参数,随机生成包含病害体的三维模拟模型,重复随机模型生成算法,可根据设定的模拟参数批量生成大量满足一定要求的三维模拟模型。
S3:对每一所述三维模拟模型进行扫描,得到探地雷达模拟图像。
将随机生成的三维模拟模型的模型参数导入gprMax,构建试验模型,试验模型外侧包围有一圈厚度为20个单元的PML边界,设置需要模拟的波源、主频、极化方向、收发天线间距、采样间距、时窗长度、测线位置、方向等参数,对试验模型进行扫描,得到探地雷达模拟图像。采用图4所示模型,波源采用雷克子波,主频为1GHz,极化方向为z,垂直于测线,收发天线间距为0.1m,采样间距为0.06m,时窗长度为30ns,测线位于脱空病害中央,测线沿X方向自左向右扫描,得到的探地雷达模拟图像如图5所示。按以上步骤可生成大量的探地雷达模拟图像。
三维探地雷达数据采集成本高,人工解译,筛选有病害信号的数据进行标记的过程效率低,耗时长,工作量巨大,此时探地雷达信号模拟算法应运而生,可以模拟生成探地雷达模拟图像,但目前探地雷达信号模拟算法主要以模拟规则病害体为主,针对不规则病害体,缺乏有效的建模方法,且目前的探地雷达信号模拟算法主要以模拟探地雷达信号在均匀介质中传播为主,然而道路建筑材料是由多种组分混合而成的组合材料,且组合方式具有一定的随机性,以均匀介质代替组合材料介质,与实际工况不相符,本实施例所提供的模拟扩增方法可以解决上述问题,提出道路结构层各组分及其组成比例确定方法,并采用介电常数测定仪器测定道路结构层各组分材料介电常数,作为模拟结构层材料属性的基本参数,在模拟过程中可以考虑组合材料的影响,与实际工况更加相符,也能够模拟不规则病害体,可以大大提高模拟的适用性和精确性。
实施例2:
本实施例用于提供一种探地雷达训练数据集模拟扩增系统,如图6所示,所述模拟扩增系统包括:
模拟参数获取模块M1,用于获取多个模拟参数;所述模拟参数包括道路内结构层的数量、每一所述结构层的结构层信息以及道路内病害体的病害体信息;所述结构层信息包括所述结构层的位置、厚度、材料的组成成分以及每一所述组成成分的比例和介电常数;所述病害体信息包括所述病害体的类型、形状、位置和大小;
三维模拟模型生成模块M2,用于对于每一所述模拟参数,根据所述结构层的数量、位置、厚度和所述病害体的大小生成结构层组合模型;根据所述结构层的材料的组成成分以及每一所述组成成分的比例和介电常数在所述结构层组合模型内生成各个所述结构层,根据所述病害体信息在所述结构层组合模型内生成所述病害体,得到三维模拟模型;
图像生成模块M3,用于对每一所述三维模拟模型进行扫描,得到探地雷达模拟图像。
实施例3:
本实施例用于提供一种道路无损检测方法,如图7所示,所述道路无损检测方法包括:
T1:构建训练数据集;所述训练数据集包括多个探地雷达图像和每一所述探地雷达图像对应的标签;所述标签为所述探地雷达图像中的病害体的类型、大小和位置;所述探地雷达图像包括利用探地雷达现场采集的探地雷达实测图像和利用实施例1所述的模拟扩增方法生成的探地雷达模拟图像;
本实施例可采用Labelme工具对探地雷达图像进行标注,得到探地雷达图像的标签。
T2:构建卷积神经网络模型;
T3:利用所述训练数据集对所述卷积神经网络模型进行训练,得到检测模型;
在训练过程中使用随机水平翻转,平移,放缩对训练数据集进行数据增强。优化器可选择Adam,初始学习率设置为10-5,批量设置为3,训练轮次设置为200,并使用了学习率自动降低和提前终止的机制,即监控验证集的损失,在6个轮次内验证集损失没有下降,学习率减半,如果持续到10个轮次,验证集损失仍然没有下降,训练就终止。
由于裂缝细长特征,其像素在图像中所占的比例较少,在利用训练数据集对卷积神经网络模型进行训练时,本实施例使用了Dice Loss和Focal Loss作为损失函数。
Dice Loss在VNet中被提出,最初被用于解决医学图像分割时样本不平衡的问题,定义如下:
式中,Lossdice为Dice Loss值;pi为第i个像素的预测结果;yi为第i个像素的标签;N为图像所含像素个数。
Focal Loss也用于解决训练样本不平衡以及样本难易程度不同的问题,是交叉熵的一种变体,对语义分割中一个像素的Focal Loss定义如下:
Lossfocal=-(1-pt)γlog(pt);
式中,Lossfocal为FocalLoss值;γ为常数,其可取2;pt是模型对预测结果为正样本的预测概率,定义如下:
其中,y为像素的标签,值等于样本的布尔值,正样本(即预测结果为是病害的像素点)为1,其他样本(即预测结果为不是病害的像素点)为0。
则模型使用的损失函数为Lossdice+Lossfocal。
为了使得训练出的模型有更好的泛化能力并提高训练效率,本实施例对图像进行了标准化处理,将图像通过均值实现中心化,中心化后的数据更加符合分布规律,其处理过程如下式所示:
其中,X′是标准化处理后图像;X是原始图像;μ是图像的均值;σ是图像的标准差。
T4:利用所述检测模型进行道路无损检测。
在此,本实施例提供对比试验,来证明本实施例所训练得到的检测模型具有更好的检测精度:
本实施例使用的探地雷达现场采集数据集包含了8000张图像,每张图像分辨率为604×604,每张图像均有不同类型的雷达病害,其中,裂缝、脱空、松散三种类型病害图像数量的比例大致为5:1:1。同时,采用探地雷达模拟扩增方法生成6000张有不同类型病害的数据集,其中,裂缝、脱空、松散三种类型病害图像数量的比例与探地雷达现场采集数据集一致。所有图像均采用Labelme工具标注训练图像的病害区域。
训练数据按三个方案准备,其中,方案一只使用探地雷达现场采集数据集的8000张图像,随机抽取6000张现场采集图像作为训练集和验证集,两者比例8:2,其中验证集不参与训练,用于对每一轮训练结果的验证,剩余的2000现场采集图像作为测试集;方案二只使用探地雷达模拟扩增方法生成的6000张模拟生成图像作为训练集和验证集,两者比例8:2,并在探地雷达现场采集数据集中随机抽取2000张现场采集图像作为测试集;方案三同时使用探地雷达现场采集数据集和探地雷达模拟扩增方法生成的数据集,共14000张图像,先抽取2000张现场采集图像作为测试集,剩余12000张现场采集和模拟生成的图像随机分配为训练集和验证集,两者比例8:2。方案一到三的测试集均从探地雷达现场采集数据集中抽取,且数量相同,目的是为了确保模型性能是通过实际的探地雷达图像进行评价,且评价的标准一致。
试验使用的训练配置是GPU型号为NVIDIA 1080Ti,显存11GB,操作系统为CenterOS7的计算平台,深度学习框架使用的是以TensorFlow-gpu为后端的Keras,采用的识别模型为目前的主流模型Unet。在训练过程中使用随机水平翻转,平移,放缩对数据集进行数据增强。优化器选择的是Adam,初始学习率设置为10-5,批量设置为3,训练轮次设置为200,并使用了学习率自动降低和提前终止的机制,即监控验证集的损失,在6个轮次内验证损失没有下降,学习率减半,如果持续到10个轮次,训练就终止。
方案一训练集损失和验证集损失的下降曲线分别如图8(a)和图8(b)所示,由于设置了自动停止策略,模型在第63个epoch时就收敛了。
本实施例使用语义分割标准指标类别平均像素准确率(Mean Pixel Accuracy,MPA)、平均交并比(Mean Intersection overUnion,MIoU)、浮点运算次数(Floating-pointoperations,FLOPs)和FPS来作为评估指标。其中平均像素准确率是所有像素中被分类正确的个数占所有像素的比例,可用于评估像素级分类的精确度。分割结果中的每一个像素都对应着以下四个类别之一:
(1)真正例(True Positive,TP):模型预测为正例,标签也是正例;
(2)假正例(False Positive,FP):模型预测为正例,标签是反例;
(3)假反例(False Negative,FN):模型预测为反例,标签是正例;
(4)真反例(TrueNegative,TN):模型预测为反例,标签也是反例。
则对语义分割中的一个类别,像素准确率(PA)为:
MPA则是所有类别PA之和的均值,语义分割除了待分割的目标类别之外,还具有背景这个默认存在的类别,因此本实施例的分割类别有裂缝(crack)和背景(background)两种。
IoU是标签区域与预测区域的交集除以它们的并集,即对于标签区域A和预测区域B,IoU表示为:
MIoU则是所有类别的IoU之和的平均值。IoU可以评估分割区域与标签预期的重合程度。FLOPs表示的是神经网络的浮点数运算次数,可用于评估模型的计算量或者复杂度,单个卷积层的FLOPs计算如下:
FLOPs=(2×Cin×K2-1)×H×W×Cout;
式中,Cin为输入通道数,K为卷积核大小,H和W分别为输出特征图的高度和宽度,Cout为输出通道数。
对比三种训练数据集构造方案,本实施例的所有测试环境与训练环境相同,结果如表2所示:
表2不同模型指标对比
由表2可知,采用探地雷达模拟扩增方法生成的模拟图像与实际工况的实测图像组合形成数据集训练的模型的MPA和MIoU都比单纯采用实际工况雷达图像和单纯采用模拟生成雷达图像要高,其中MPA对比实际工况雷达图像训练模型、模拟生成雷达图像训练模型分别高出7.39%、13.17%,MIoU分别高出了5.62%、11.12%,均有较大提升。因此本实施例的训练数据集建立方法相比目前常用的采用实际工况雷达数据集训练方法,大幅提升了Unet模型精度。
本实施例提出基于探地雷达现场采集图像和探地雷达复杂工况模拟扩增算法生成的模拟图像,按三种方式组合形成不同的数据集,划分形成训练集、验证集和测试集,对相同的模型进行训练,根据科学客观的模型精度衡量指标,验证三种数据集划分方式对模型精度的改善,显然本实施例所构建的混合数据集可以大大提高检测精度。
本实施例提出了一种针对各种复杂工况的探地雷达数据扩增方法,先确定道路结构层组合及各组分组成比例;采用Percometer仪器等介电常数测定仪器测定各组分电磁特性;设定各结构层、病害体的形状参数,结合测定的组分比例、介电常数,生成包含病害体的结构层组合模型,生成的大量模型均符合设定参数,但模型中粒子分布具有随机性;将模型导入gprMax,构建试验模型,设定探测参数,计算探地雷达模拟图像。试验结果表明,采用以上探地雷达数据扩增方法建立的数据集与实际工况探地雷达训练数据集混合对Unet人工智能模型训练,可明显提高模型精度。
实施例4:
本实施例用于提供一种道路无损检测系统,如图9所示,所述道路无损检测系统包括:
数据集构建模块M4,用于构建训练数据集;所述训练数据集包括多个探地雷达图像和每一所述探地雷达图像对应的标签;所述标签为所述探地雷达图像中的病害体的类型、大小和位置;所述探地雷达图像包括利用探地雷达现场采集的探地雷达实测图像和利用实施例1所述的模拟扩增方法生成的探地雷达模拟图像;
模型构建模块M5,用于构建卷积神经网络模型;
训练模块M6,用于利用所述训练数据集对所述卷积神经网络模型进行训练,得到检测模型;
无损检测模块M7,用于利用所述检测模型进行道路无损检测。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种探地雷达训练数据集模拟扩增方法,其特征在于,所述模拟扩增方法包括:
获取多个模拟参数;所述模拟参数包括道路内结构层的数量、每一所述结构层的结构层信息以及道路内病害体的病害体信息;所述结构层信息包括所述结构层的位置、厚度、材料的组成成分以及每一所述组成成分的比例和介电常数;所述病害体信息包括所述病害体的类型、形状、位置和大小;
对于每一所述模拟参数,根据所述结构层的数量、位置、厚度和所述病害体的大小生成结构层组合模型;根据所述结构层的材料的组成成分以及每一所述组成成分的比例和介电常数在所述结构层组合模型内生成各个所述结构层,根据所述病害体信息在所述结构层组合模型内生成所述病害体,得到三维模拟模型;
对每一所述三维模拟模型进行扫描,得到探地雷达模拟图像。
2.根据权利要求1所述的模拟扩增方法,其特征在于,所述结构层的材料的组成成分以及每一所述组成成分的比例的获取方法包括:
判断是否存在所述结构层的设计资料,得到第一判断结果;
若所述第一判断结果为是,则根据所述设计资料确定所述结构层的材料的组成成分以及每一所述组成成分的比例;
若所述第一判断结果为否,则判断是否存在所述结构层的材料的规范测定方法,得到第二判断结果;
若所述第二判断结果为是,则根据所述规范测定方法对所述结构层的材料进行测定,得到所述结构层的材料的组成成分以及每一所述组成成分的比例。
3.根据权利要求1所述的模拟扩增方法,其特征在于,所述根据所述结构层的数量、位置、厚度和所述病害体的大小生成结构层组合模型具体包括:
根据所述结构层的数量和厚度确定高度,根据所述病害体的大小确定长度和宽度,生成长方体模型;
根据所述结构层的位置和厚度对所述长方体模型进行分层,确定各个所述结构层对应的空间,得到结构层组合模型。
4.根据权利要求3所述的模拟扩增方法,其特征在于,所述长方体模型的长度、宽度和高度的最小值为1m。
5.根据权利要求3所述的模拟扩增方法,其特征在于,所述根据所述结构层的材料的组成成分以及每一所述组成成分的比例和介电常数在所述结构层组合模型内生成各个所述结构层具体包括:
对于每一所述结构层,根据所述结构层的材料的组成成分以及每一所述组成成分的比例和介电常数,将一种组成成分作为粘结材料,将其余组成成分作为粒子材料;
在所述结构层对应的空间内部生成每一所述粒子材料的粒子模型,并利用所述粘结材料填充所述结构层对应的空间中的粒子模型之间的空隙,生成所述结构层。
6.根据权利要求5所述的模拟扩增方法,其特征在于,所述在所述结构层对应的空间内部生成每一所述粒子材料的粒子模型具体包括:
对于每一所述粒子材料,根据所述结构层组合模型的长度和宽度、所述粒子材料所属结构层的厚度以及所述粒子材料的比例和粒子半径计算所述粒子材料的填充数量;
在所述结构层对应的空间内部随机生成若干个球形粒子,所述球形粒子的半径为所述粒子半径,所述球形粒子的数量为所述填充数量;
判断任意两个所述球形粒子的球心间距是否小于所述粒子半径与2的乘积;
若是,则移动球心间距小于所述粒子半径与2的乘积的球形粒子的位置,直至任意两个所述球形粒子的球心间距均大于或等于所述粒子半径与2的乘积,生成所述粒子材料的粒子模型。
7.一种探地雷达训练数据集模拟扩增系统,其特征在于,所述模拟扩增系统包括:
模拟参数获取模块,用于获取多个模拟参数;所述模拟参数包括道路内结构层的数量、每一所述结构层的结构层信息以及道路内病害体的病害体信息;所述结构层信息包括所述结构层的位置、厚度、材料的组成成分以及每一所述组成成分的比例和介电常数;所述病害体信息包括所述病害体的类型、形状、位置和大小;
三维模拟模型生成模块,用于对于每一所述模拟参数,根据所述结构层的数量、位置、厚度和所述病害体的大小生成结构层组合模型;根据所述结构层的材料的组成成分以及每一所述组成成分的比例和介电常数在所述结构层组合模型内生成各个所述结构层,根据所述病害体信息在所述结构层组合模型内生成所述病害体,得到三维模拟模型;
图像生成模块,用于对每一所述三维模拟模型进行扫描,得到探地雷达模拟图像。
8.一种道路无损检测方法,其特征在于,所述道路无损检测方法包括:
构建训练数据集;所述训练数据集包括多个探地雷达图像和每一所述探地雷达图像对应的标签;所述标签为所述探地雷达图像中的病害体的类型、大小和位置;所述探地雷达图像包括利用探地雷达现场采集的探地雷达实测图像和利用权利要求1-6任一项所述的模拟扩增方法生成的探地雷达模拟图像;
构建卷积神经网络模型;
利用所述训练数据集对所述卷积神经网络模型进行训练,得到检测模型;
利用所述检测模型进行道路无损检测。
9.根据权利要求8所述的道路无损检测方法,其特征在于,在利用所述训练数据集对所述卷积神经网络模型进行训练时,所用的损失函数包括Dice Loss和Focal Loss。
10.一种道路无损检测系统,其特征在于,所述道路无损检测系统包括:
数据集构建模块,用于构建训练数据集;所述训练数据集包括多个探地雷达图像和每一所述探地雷达图像对应的标签;所述标签为所述探地雷达图像中的病害体的类型、大小和位置;所述探地雷达图像包括利用探地雷达现场采集的探地雷达实测图像和利用权利要求1-6任一项所述的模拟扩增方法生成的探地雷达模拟图像;
模型构建模块,用于构建卷积神经网络模型;
训练模块,用于利用所述训练数据集对所述卷积神经网络模型进行训练,得到检测模型;
无损检测模块,用于利用所述检测模型进行道路无损检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211244582.9A CN115616674A (zh) | 2022-10-12 | 2022-10-12 | 探地雷达训练数据集模拟扩增与道路无损检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211244582.9A CN115616674A (zh) | 2022-10-12 | 2022-10-12 | 探地雷达训练数据集模拟扩增与道路无损检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115616674A true CN115616674A (zh) | 2023-01-17 |
Family
ID=84863116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211244582.9A Pending CN115616674A (zh) | 2022-10-12 | 2022-10-12 | 探地雷达训练数据集模拟扩增与道路无损检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115616674A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116091870A (zh) * | 2023-03-01 | 2023-05-09 | 哈尔滨市科佳通用机电股份有限公司 | 从板座破损故障识别检测网络训练及检测方法、系统及介质 |
CN117152083A (zh) * | 2023-08-31 | 2023-12-01 | 哈尔滨工业大学 | 一种基于类别激活映射的探地雷达道路病害图像预测可视化方法 |
-
2022
- 2022-10-12 CN CN202211244582.9A patent/CN115616674A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116091870A (zh) * | 2023-03-01 | 2023-05-09 | 哈尔滨市科佳通用机电股份有限公司 | 从板座破损故障识别检测网络训练及检测方法、系统及介质 |
CN116091870B (zh) * | 2023-03-01 | 2023-09-12 | 哈尔滨市科佳通用机电股份有限公司 | 从板座破损故障识别检测网络训练及检测方法、系统及介质 |
CN117152083A (zh) * | 2023-08-31 | 2023-12-01 | 哈尔滨工业大学 | 一种基于类别激活映射的探地雷达道路病害图像预测可视化方法 |
CN117152083B (zh) * | 2023-08-31 | 2024-04-09 | 哈尔滨工业大学 | 一种基于类别激活映射的探地雷达道路病害图像预测可视化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Automatic pixel-level detection of vertical cracks in asphalt pavement based on GPR investigation and improved mask R-CNN | |
Liu et al. | GPR-based detection of internal cracks in asphalt pavement: A combination method of DeepAugment data and object detection | |
CN115616674A (zh) | 探地雷达训练数据集模拟扩增与道路无损检测方法及系统 | |
Tong et al. | Innovative method for recognizing subgrade defects based on a convolutional neural network | |
Le Pen et al. | Dependence of shape on particle size for a crushed rock railway ballast | |
Yue et al. | Finite element modeling of geomaterials using digital image processing | |
Kutay et al. | Comparison of 2D and 3D image-based aggregate morphological indices | |
Tafesse et al. | Evaluation of image analysis methods used for quantification of particle angularity | |
CN110082429B (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 | |
CN104809756B (zh) | 基于X-ray CT图像的沥青混合料空隙空间结构重构方法 | |
CN110133639B (zh) | 一种传力杆施工质量检测方法 | |
CN105913443A (zh) | 模拟人眼识别技术检测沥青路面纹理的方法 | |
Choi et al. | Integrated visualization for reinforced concrete using ultrasonic tomography and image-based 3-D reconstruction | |
CN105631876A (zh) | 一种基于全局二值化的ct图像分辨率自动测试方法 | |
Wang et al. | Three-dimensional reconstruction of realistic stone-based materials with controllable stone inclusion geometries | |
CN112731377A (zh) | 一种介电常数反演方法、路基检测方法和检测系统 | |
CN115018986A (zh) | 一种强构造活动区岩石微观结构信息解译及三维建模方法 | |
CN109030634B (zh) | 电缆橡胶接头内部缺陷超声成像及绝缘评估方法及装置 | |
Huang et al. | Research on void signal recognition algorithm of 3D ground-penetrating radar based on the digital image | |
Hsieh et al. | Developing a PSO-based projection algorithm for a porosity detection system using X-ray CT images of permeable concrete | |
CN107268400B (zh) | 一种路面施工质量检测方法及系统 | |
CN115876661A (zh) | 一种基于三维探地雷达图像的沥青路面空隙率评价方法 | |
CN112800664B (zh) | 一种基于探地雷达A-scan数据估算树根直径的方法 | |
CN114755302A (zh) | 一种基于超声相控阵的裂纹表征方法及装置 | |
CN105784735A (zh) | 一种超声ct检测的结果数据图形化处理显示方法 |
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 |