CN116203559A - 一种地下岩土病害体智能化识别预警系统及方法 - Google Patents

一种地下岩土病害体智能化识别预警系统及方法 Download PDF

Info

Publication number
CN116203559A
CN116203559A CN202211656081.1A CN202211656081A CN116203559A CN 116203559 A CN116203559 A CN 116203559A CN 202211656081 A CN202211656081 A CN 202211656081A CN 116203559 A CN116203559 A CN 116203559A
Authority
CN
China
Prior art keywords
radar
detection
disease
model
road
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
Application number
CN202211656081.1A
Other languages
English (en)
Inventor
吕祥锋
李参天
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.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
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 University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN202211656081.1A priority Critical patent/CN116203559A/zh
Publication of CN116203559A publication Critical patent/CN116203559A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • 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)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Electromagnetism (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及一种地下岩土病害体智能化识别预警系统及方法，属于道路病害检测技术领域，能够解决现有城市道路地下病害探查繁琐，病害体雷达图谱人工处理、识别效率低、经验性强且步骤操作繁琐的问题；该方法包括：S1、在实验室内建造实体道路模型并预设病害和干扰项；雷达探测获取雷达信号图谱；搜集典型道路地下病害案例中的雷达探测图谱；通过训练得到病害体识别标记模型；S2、对需探测的实际道路区域进行道路信息采集和雷达探测获得探测区域信息模型和雷达探测数据集；S3、对雷达探测数据集进行数据处理并与探测区域信息模型融合得到四维雷达图谱；S4、根据病害体信号识别标记模型对四维雷达图谱进行病害体信号识别和标记；S5、预警。

Description

一种地下岩土病害体智能化识别预警系统及方法
技术领域
本发明涉及地下空间病害检测技术领域，尤其涉及一种地下岩土病害体智能化识别预警系统及方法。
背景技术
城市道路地下岩土体在频繁交通荷载及地下管线渗漏水冲刷等各种荷载的长期耦合作用下，路基层间会逐步产生分层沉降变形，道路沥青面层水泥稳定粒料基层、路基土会由于干缩进而发展成空洞、脱空等病害。此外，道路地下也可能受到管线渗漏地下水的冲刷，从而出现局部路基沉陷、路面开裂以及基层底部脱空等病害。若任由城市道路中的早期隐性病害不断发展，将会导致道路产生结构性破坏，这严重影响了道路的服役寿命，使得城市道路存在事故隐患，从而过早进入大修阶段。为保证公路工程的正常运营，故而对城市道路内可能出现的病害进行定期方便快速的探测、对雷达数据的程序化滤波处理，对病害体特征智能化检测识别并预警成为本领域技术人员亟待解决的技术问题。
因此，有必要研究一种地下岩土病害体智能化识别预警系统、方法及装置来应对现有技术的不足，以解决或减轻上述一个或多个问题。
发明内容
有鉴于此，本发明提供了一种地下岩土病害体智能化识别预警系统及方法，能够解决现有城市道路地下病害探查繁琐，病害体雷达图谱人工处理、识别效率低、经验性强而且步骤操作繁琐的问题。
一方面，本发明提供一种地下岩土病害体智能化识别预警方法，所述方法的步骤包括：
S1、在实验室内建造实体道路模型，并在模型中预设不同类型的病害和/或探测干扰项；
对所述实体道路模型进行雷达探测获取相应病害体和/或干扰项的雷达信号图谱，并搜集全国重点城市典型道路地下病害案例中的雷达探测图谱，建立相应的地下岩土病害体、干扰项数据集；
根据所述数据集获得病害体信号识别标记模型；
S2、对需探测的实际道路区域进行道路信息采集和雷达探测，获取探测区域信息模型和雷达探测数据集；
S3、对所述雷达探测数据集进行数据处理，将处理好的雷达探测数据与所述探测区域信息模型进行融合，得到四维雷达图谱；
S4、根据S1得到的病害体信号识别标记模型对所述四维雷达图谱进行病害体和/或干扰项的识别和标记；
S5、根据S4中识别和标记出的病害体进行预警。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，步骤S1中针对所述实体道路模型，每次探测方案中布设单一病害、单一干扰项或者单一病害和单一干扰项的组合。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，步骤S4中对病害体的识别和标记包括病害体的种类、大小、埋深位置以及道路位置坐标。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，步骤S2中探测区域信息模型的构建步骤包括：
对实际道路区域的地表及周围进行拍照扫描；
采集实际道路区域的坐标及行程轨迹；
将以上两步获得的数据进行融合处理，得到所述探测区域信息模型。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，步骤S3的具体步骤包括：
基于滚动导向滤波法对雷达图谱进行滤波处理；
将处理后的雷达图谱与所述探测区域信息模型进行融合处理；
输出包含探测区域表面、探测内部以及区域地理位置信息的四维雷达图谱。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，步骤S1中建立地下岩土病害体、干扰项数据集的具体内容包括：
对实验和搜集获得典型病害、典型干扰项雷达图谱用Mosaic方法进行数据增广；
将上述数据增广后的雷达图谱分别在8倍、16倍和32倍下采样，得到三种不同尺寸的特征图，再经过特征重建得到相同尺寸的网格特征图；
根据病害分类标签和网格特征图对病害体模型进行训练得到训练好的病害体模型。
另一方面，本发明提供一种地下岩土病害体智能化识别预警系统，所述系统用于实现如上任一所述的地下岩土病害体智能化识别预警方法；所述系统包括：
道路信息采集单元，用于对探测区域进行表面图像采集以及地址位置信息采集，并生成探测区域信息模型；
雷达探测单元，用于对探测区域进行三维探测获取相应雷达信号数据，输出相应雷达探测数据集；
数据处理单元，用于对所述雷达探测数据集中的数据进行滤波处理并输出相应雷达信号图像，并融合所述道路信息采集单元中采集的数据生成四维雷达图谱；
病害体信号识别标记单元，用于对所述数据处理单元得到的四维雷达图谱进行模型检测，剔除探测干扰项的特征，识别出各类病害特征，然后进行智能标记；
以及，信息融合预警单元，用于对所述病害体信号识别标记单元输出的病害体的种类、大小、埋深位置以及道路位置坐标进行融合后输出，直观的表示出疑似病害区域。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述道路信息采集单元包括图像采集模块、地理位置信息采集模块和信息融合模块；
所述图像采集模块用于对探测区域地表图像进行采集；
所述地理位置信息采集模块用于对探测区域的位置坐标和探测路线进行采集和记录；
所述信息融合模块用于实现所述图像采集模块采集的数据和所述地理位置信息采集模块采集的数据的融合，生成探测区域信息模型。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述图像采集模块包括高清摄像模组，用于在探测过程中对所探测区域的表面情况进行拍摄采取图像；
所述地理位置信息采集模块包括定位模组，用于在探测过程中对所探测区域的各位置进行定位获取具体地理位置坐标。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述雷达探测单元包括：雷达天线模组、电力供应模组、数据存储显示模组和推车；
所述电力供应模组为所述雷达天线模组、所述数据存储显示模组和所述推车的正常工作供电；
所述雷达天线模组和所述数据存储显示模组连接；
所述雷达天线模组、所述电力供应模组和所述数据存储显示模组均设置在所述推车上。
与现有技术相比，上述技术方案中的一个技术方案具有如下优点或有益效果：本发明能够通过采集检测地表标记信息，运用程序能够对雷达探测图谱进行程序化滤波处理，在后续进行雷达图像检测的时候采用检测模型来对其进行智能化检测并对病害区域发出预警，进而提高地下岩土体病害检测的精度和速度；并结合地表状态、病害种类状态并剔除掉干扰项特征进行综合判断，进而得到更加准确的地下岩土体中病害信息。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有技术效果。
附图说明
为了更清楚地说明本发明实施例的技术方案，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它的附图。
图1是本发明一个实施例提供的地下岩土病害体智能化识别、预警系统工作流程示意图；
图2是本发明一个实施例提供的道路信息采集单元流程示意图；
图3是本发明一个实施例提供的数据处理单元工作流程示意图；
图4是本发明一个实施例提供的病害体模型构建流程示意图；
图5是本发明一个实施例提供的病害体模型工作流程示意图；
图6是本发明一个实施例提供的具有地下空洞病害的雷达图谱示意图；
图7是本发明一个实施例提供的具有层间脱空病害的雷达图谱示意图；
图8是本发明一个实施例提供的具有不密实空洞病害的雷达图谱示意图；
图9是本发明一个实施例提供的具有不密实空洞并产生沉降病害的雷达图谱示意图；
图10是本发明一个实施例提供的具有松散并高含水区病害的雷达图谱示意图；
图11是本发明一个实施例提供的具有地下金属管线特征的雷达图谱示意图；
图12是本发明一个实施例提供的具有电网管井特征的雷达图谱示意图；
图13是本发明一个实施例提供的具有金属井盖特征的雷达图谱示意图；
图14是本发明一个实施例提供的电子计算机装置结构示意图；
图15是本发明一个实施例提供的识别标记后的组合雷达图谱示意图；
图16是本发明一个实施例提供的地下岩土病害体智能化识别、预警系统Web应用平台界面图。
具体实施方式
为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
应当明确，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它实施例，都属于本发明保护的范围。
为了解决现有技术中存在的难题，本发明旨在提供一种地下岩土病害体智能化识别、预警系统，包括：道路信息采集单元、雷达探测单元、数据处理单元、病害体信号识别标记单元和信息融合预警单元。
所述的道路信息采集单元用于实现伴随探测过程中对探测区域表面的图像采集和地址位置信息的采集并生成采集后的探测区域信息模型。道路信息采集单元包括图像采集模块、地理位置信息采集模块；图像采集模块对探测区域地表图像进行采集，地理位置信息采集模块对探测区域的位置坐标和探测路线进行采集并记录。
所述的雷达探测单元用于实现对探测区域进行三维探测获取相应雷达信号数据，输出相应雷达探测数据集。本发明的道路信息采集单元联合雷达探测单元在工作过程中对探测区域地表、地下和地理位置等信息多方位采集并输出；雷达探测单元能够搭载多频段探测天线，满足对不同区域不同精度的探测需求。
道路信息采集单元联合雷达探测单元在工作过程中对探测区域地表、地下和地理位置等信息多方位采集并输出；雷达探测单元能够搭载多频段探测天线，满足对不同区域不同精度的探测需求。
所述的数据处理单元用于实现对雷达探测数据集中大量雷达探测数据的程序化滤波处理并输出相应雷达信号图像，然后融合道路信息采集单元中获取的探测区域信息模型输出包含探测区域表面、探测内部以及区域地理位置等信息的四维雷达图谱。数据处理单元用于校正开始时间(即调整雷达图谱起始点到坐标0点)并基于滚动导向滤波法对数据进行滤波；对上述雷达探测单元输出的雷达数据进行智能化处理然后输出标准的探测区域的雷达信号图谱；基于神经网络编写程序让其能够将道路信息采集单元输出的路面信息、探测区域地理位置信息和数据处理单元输出的雷达信号图谱对应的进行融合，最终输出四维雷达图谱。
所述的病害体信号识别标记单元用于实现对数据处理单元输出的四维雷达图谱进行模型检测，剔除探测干扰项的特征，识别出各类病害特征，然后进行快速智能标记。病害体信号识别标记单元包括数据集、病害体模型模块、识别标记模块；其中数据集是下面步骤1中室内试验所得和搜集全国典型病害案例的图谱；其中病害体模型模块是基于生成式对抗网络创建，首先对训练集中的数据进行数据增广，采用水平翻转、垂直翻转、随机旋转、随机缩放、随机裁剪或拼接来扩充训练样本，还使用Mosaic的方法进行增强最终转换为输入特征信号；然后对上述图谱进行8倍、16倍、32倍下采样获得不同尺寸的特征图，最后经过特征重建获得相同尺寸的特征图；经上述处理后的特征图输入基于YOLOv5算法的病害体模型进行反复训练，在训练构建过程中采用多标签分类的方式来进行不断模型训练，直至使用验证集对病害体的检测准确率达到95％以上后判定训练完成；其中识别标记模块实现对以上检测出的病害体进行分类标记，并提取出相应的位置信息和图像等信息。
所述的信息融合预警单元用于实现对病害体信号识别标记单元输出的四维雷达图谱中的病害体的种类、大小、埋深位置以及道路位置坐标等信息进行融合输出，直观的表示疑似病害区域。信息融合预警单元对病害体信号识别标记单元处理后输出的四维雷达图谱中的疑似病害体区域按照种类、大小、埋深位置以及道路位置坐标进行融合处理进行预警报告并输出相应的信息。
本发明提供的地下岩土病害体智能化识别、预警系统工作方法，如图1所示，包括以下步骤：
步骤1、在实验室内建造实体道路模型；
其中预设出脱空、空洞、富水区等病害类型以及金属管线、塑料管线、水泥管线、金属井盖等探测干扰项，并且每次探测方案中布设单一病害、单一干扰项或者随机两种的组合，不能三者及以上存在于同一张图谱中；
步骤2、针对以上模型进行雷达探测获取相应病害体、干扰项雷达信号图谱，并搜集全国重点城市典型道路地下病害案例中的雷达探测图谱，建立相应的地下岩土病害体、干扰项数据集并进行不同的分类；
步骤3、选取合适的雷达探测天线后对装备进行组装调试，针对所需探测的区域运用道路信息采集单元和雷达探测单元开展探测工作获取相应的探测区域信息模型和雷达探测数据集；
步骤4、将以上雷达探测数据集导入数据处理单元，选取相应频率天线后单元将按照设定程序对数据集进行程序化滤波处理，然后将处理好的雷达信号数据融合步骤3中探测区域信息模型输出包含探测区域表面、探测内部以及区域地理位置等信息的四维雷达图谱；
步骤5、将步骤4中输出的四维雷达图谱输入病害体信号识别标记单元，经过病害体模型模块和识别标记模块共同处理后输出进行分类标记后的四维雷达图谱和疑似病害体隐藏位置；
步骤6、信息融合预警单元会对步骤5输出的四维雷达图谱和疑似病害体位置信息进行融合处理发出预警，工作人员可以根据以上信息落实到探测区域的中疑似病害体发生的具体位置并采取针对性的修复工作。
实施例1：
一种地下岩土病害体智能化识别、预警系统包括：道路信息采集单元、雷达探测单元、数据处理单元、病害体信号识别标记单元和信息融合预警单元。
所述道路信息采集单元包括图像采集模块、地理位置信息采集模块。
所述雷达探测单元上雷达探测装置包括：雷达天线模组、电力供应模组、数据传输连接线、数据存储显示模组和推车，上述道路信息采集单元在工作过程中安装在雷达探测装置的正前方。
具体的，如图2所示，道路信息采集单元在探测过程中实现对探测区域表面及周围的图像采集，地理位置信息采集模块实现对探测区域坐标即形成轨迹的采集记录，即地理位置信息的采集；在将上述采集的信息进行对应融合处理从而生成探测区域信息模型。其中，对探测区域地表及周围图像的采集是基于高清摄像头模组实现并能够记录地表的裂缝、凹陷等损伤和井盖、电力管井、电线杆等干扰项。上述干扰项会对雷达探测过程产生强干扰，如图12、13中的金属井盖和电力管井对探测结果的影响，以上同类图谱会对病害体识别标记产生强烈干扰，在智能化病害检测过程中应该进行剔除。上述对探测区域地理位置信息的记录定位功能是基于北斗定位系统或者GPS定位系统，实现记录探测区域的地理位置坐标和探测形成轨迹等信息，例如本阶段探测是北京市海淀区学院路某街道的某某位置到某某位置全程500m并记录探测过程中的图像关键信息；以上信息总体输入到后台服务器后将进行融合处理提取其中地表裂缝、凹陷、井盖及雨水槽等情况的位置坐标和各种干扰项的位置坐标，为后续的数据处理分析做准备。
具体的，雷达探测单元用于实现对探测区域进行三维探测获取相应雷达信号数据，输出相应雷达探测数据集。其中，雷达探测装置可以搭载不同频率的天线，需根据不同的探测需求、不同精度需求选取合适的天线，例如：100MHz天线能够探测10～20m深、250MHz天线能够探测5～10m深、500MHz天线能够探测3～5m深、1000MHz天线能够探测1.5～3m深，天线频率越高探测深度越小但探测精度越高分辨率越高。
具体的，在进行探测工作之前需根据探测区域实际情况和需求进行综合研判选取合适的天线频率，将道路信息采集单元和雷达探测单元组装测试好后即可对探测区域进行探测工作。
如图3所示，所述数据处理单元基于滚动导向滤波法采用互联网编程实现对雷达图谱的滤波处理；具体地，按照先校正开始时间，然后对数据进行增益，最后滤波处理的步骤进行。将滤波处理后的雷达图谱与前面步骤3中获得的探测区域信息模型进行融合处理，得到包含探测区域表面、探测内部以及区域地理位置等信息的四维雷达图谱。具体的，将雷达探测单元获取的探测数据导入程序中，然后在程序中选取相对应的天线频率后雷达处理单元会对探测数据进行程序化滤波处理，最后输出三维雷达探测图谱；在之后程序将继续融合道路信息采集单元中获取的探测区域信息模型输出相应的包含探测区域表面、探测内部以及区域地理位置等信息的四维雷达图谱。
所述病害体信号识别标记单元包括：数据集、病害体模型模块和识别标记模块；本单元对数据处理单元输出的四维雷达图谱中的各类病害进行快速识别并智能标记。具体的，数据集由对实验室内实体道路模型进行探测获取到的不同分类的地下岩土体病害数据集和干扰项数据集共同组成还包括收集到的全国典型城市发生的重点道路塌陷等地下病害体雷达探测信号，并都进行8:2划分成为训练集和校验集。病害体模型模块是基于生成式对抗网络和所述训练集，以雷达训练信号为输入、病害分类结果为输出进行识别训练以建立病害体模型。
具体的，病害体模型构建的过程如图4所示，病害体模型模块在对探测雷达图谱检测前需要进行模型训练步骤，首先对包含有实验和搜集获得的典型病害、典型干扰项雷达图谱的训练集中的数据进行数据增广；然后将上述处理后的雷达图谱进行8倍、16倍和32倍下采样得到三种不同尺寸的特征图，再经过特征重建得到相同尺寸的网格特征图；最后根据病害分类标签和网格特征图输入到病害体模型中进行循环训练直至达到模型检测准确度要求。数据增广具体包括：采用水平翻转、垂直翻转、随机旋转、随机缩放、随机裁剪和/或拼接来扩充训练样本，再使用Mosaic的方法进行增强最终转换为输入特征信号。通过数据增广极大增加训练数据集的数量，扩大训练数据量。特征重建大致分以下步骤：图片整理、特征提取与特征描述(通常默认使用SIFT算子)、对每一对图片做特征匹配、应用几何滤波剔除错误匹配点、建立匹配点集(tracks)、应用SfM方法恢复相机的内参和外参、由三角测量(triangulation)得到三维点坐标、使用光束法平差(bundle adjustment)进行全局优化；上述步骤完成后可输出稀疏的点云结构，在稀疏点云结构的基础上建立稠密点云、重建表面网格、再经纹理映射就能实现完整的三维特征重建，得到上述的网格特征图。对病害体模型进行训练时基于YOLOv5算法进行，在训练构建过程中采用多标签分类的方式来进行不断模型训练直至训练完成，实现根据不同的特征信号来检测目标并按特征分类；最终模型训练完成的标准是用校验集进行验证，病害检测准确率达到95％及以上后可判定模型训练完成。
具体的，病害体模型的工作流程如图5所示。首先，将实地探测区域获得的四维雷达图谱输入到训练好的病害体模型中进行模型检测；然后，提出掉其中的探测干扰项的特征并提取出识别出疑似病害区域；最后，输出进行分类标记后的四维雷达图谱和疑似病害体隐藏位置。经过训练完成的病害体检测模型能够检测探测雷达图谱中的疑似病害体和疑似干扰项特征，然后识别标记模块是基于YOLOv5算法建立的程序，对模型检测出的不同种类病害体的相关联信息进行提取并标记输出关联信息，对检测出的干扰项特征进行剔除用于提高精度和准确度。本发明基于YOLOv5算法构建识别标记模块，相较YOLOV4使用了上图中多种数据增强技术的组合，对于单一图片，除了经典的几何畸变与光照畸变外，还创新地使用了图像遮挡(Random Erase，Cutout，Hide and Seek，Grid Mask，MixUp)技术，对于多图组合，YOLOv5混合使用了CutMix与Mosaic技术。除此之外，YOLOv5还使用了Self-Adversarial Training(SAT)来进行数据增强。YOLOV5都会通过数据加载器传递每一批训练数据，并同时增强训练数据。数据加载器进行三种数据增强：缩放，色彩空间调整和马赛克增强。
所述信息融合预警单元对病害体信号识别标记单元输出的标记后的四维雷达图谱中的病害体的种类、大小、埋深位置以及道路位置坐标等信息进行融合输出并发信号预警，直观的表示疑似病害区域。
本发明公开一种地下岩土病害体快速探测装置，包括道路信息采集装置和雷达探测装置两部分。
所述雷达探测装置包括：雷达天线模组、电力供应模组、数据传输连接线、数据存储显示模组和推车；选取合适的雷达天线模组置放在推车上，电力供应模组安装在雷达天线模组上相应凹槽上，数据传输连接线连接雷达天线模组和数据存储显示模组；上述道路信息采集装置包括：高清摄像模组、定位模组和信息融合模组，整体安装在雷达探测装置的正前方位置，在探测过程中对所探测区域的表面情况进行拍摄采取图像和根据定位系统划定探测区域范围和具体坐标位置，信息融合模组对以上获取到的信息转化为信号传递给下一阶段的数据处理单元。
本发明公开的一般地下岩土体病害和典型干扰项有如下几种情况：
如图6所示为地下空洞隐藏病害，其在雷达图像上表现为空洞区弱反射体特征、空洞区两侧倾斜的水平状反射波和不规则的散射波、空洞区垂直界面断面波、空洞区下方较大形态不规则散射波、空洞区顶界面强反射面、空洞区底界面底部连续水平状反射波等特征。
如图7所示为层间脱空隐藏病害，其在雷达图像上一般表现为浅层地层弱反射，同相轴发生错断，存在上下两个明显的反射界面。
如图8所示为空洞+不密实隐藏病害，其在雷达图像上一般表现为同相轴横向不连续，波形结构较为杂乱、不规则，反映到电磁波反射信号幅值较强，一般呈区域化分布。
如图9所示为不密实区并产生沉降，其在雷达图像上一般表现为同相轴横向不连续，波形结构较为杂乱、不规则，沉降表现为区域顶部的波形成凹陷曲线特征。
如图10所示为图层松散并高含水区，其波组在雷达图像上显示主要为顶面反射波，由于电磁波的快速衰减，顶面以下反射较弱，富水异常顶面反射波与入射波同相，底面反射波与入射波反向，电磁波反射信号幅值较强，一般以低频成为主，多数伴随有较明显的震荡现象。
如图11所示为地下金属管干扰项，其典型的管线反射信号为抛物线形(或称为单支双曲线)，如果管径较小或者埋藏较深，可能看不到抛物线形状；但一般仍有较明显的异常存在；金属管会有明显的多次震荡波，如图11所示。
如图12所示为电网管井干扰项，其中电信线缆、电力线缆的探地雷达图像特征是明显的极短抛物线形，顶部较窄且下面有较多的多次反射波组，整体呈上明显的条带形波组特征。
如图13所示为金属井盖干扰项，其特征为在路基面反射层上同相轴显示为小弧形反射，井盖下多为空区，存在多次反射现象。
本发明公开一种电子计算机装置，该装置可以是笔记本电脑、台式机、及服务器等，当然，在一定情况下，还可以是手机、平板电脑等智能设备，以及满足运行程序能力和具有信息处理功能。如图14所示，该电子计算机装置包括：存储有可执行程序代码的存储器10-1；调用并执行程序代码的信息处理器10-2；显示器10-3；其中，信息处理器10-2调用存储器10-1中存储的可执行程序代码，执行一种地下岩土病害体快速探测、预警方法中的部分或全部步骤。此程序也可存储在其他可移动便携式存储硬盘中，将其拷贝到其他电子计算机中进行安装运行；显示器用以显示处理过程和最终识别标记后输出的结果信号等信息。
本发明公开一种实验室内道路实体模型，采用红砖围砌成一个3m宽-6m长-3m深的一个模型池，其中按照路基设定分层填充不同厚度的黏制粉土、粉质黏土、砂质粉土、杂填土以及细砂，在其中预设空洞、脱空、富水区和不密实区等病害以及要预埋设各种管线、金属井盖等探测干扰项；上述模型中预设病害和干扰项的随机组合，其具体为每次实验探测时，模型内预设单一特征或者两两组合；上述红砖围砌成一个3m宽-6m长-3m深的一个模型池，其尺寸可以根据不同种情况进行扩大或者缩小调整。
上述的实验室内道路实体模型，其模型尺寸可以根据现场实际情况进行微调，围砌材料也可使用木板等对雷达探测弱干扰材料，但是不可使用金属材质，金属板材对雷达探测干扰很大。
如图15所示，本发明实例公开部分经过一种地下岩土病害体智能化识别预警系统进行数据处理、信息融合并进行智能化识别标记处理后的部分图谱，其中每一个小图中被圈出的部分为疑似病害体区域。
本发明实施例还公开一种Web应用平台，如图16所示，Web应用平台用于运行并展现计算机程序，包括前端网页和后端服务器；其中，当计算机程序在计算机上运行时，使得计算机执行一种地下岩土病害体快速探测、预警方法中的部分或全部步骤。本发明的地下岩土病害体检测平台是一个Web应用，属于B/S(Browser/Server，浏览器-服务器)的模式应用，包括了前端网页和后端服务器，用户可以通过浏览器向后台服务器发送请求，然后服务器通过数据处理并调用相关接口，最后将结果返回给用户。本系统的目标检测模块部署到了Linux系统上，后台通过网络请求的方式实现对接口的访问。本系统采用的是组件化模式，每一个组件负责实现网页页面某个模块的功能，而且组件易于引用，从而提高代码复用率、且让代码更好维护。本系统还采用声明式编码方式，让编码人员无需直接操作DOM，提高了开发效率，而且还拥有如Element UI等优秀的第三方UI组件库，使得前端开发效率大大提高。
本发明主要发明创新点在雷达图谱的数据自动化处理、能够实现多维雷达图谱的信息融合，最主要的是能够对雷达图谱中的病害体通过编写的程序对其进行智能化识别标记，并对其进行预警；本发明系统的优势一方面能够对低质量图像进行降噪，使得图像中的目标更清晰，并且目标的色彩保真度更高，降低干扰造成的目标的虚警和漏检；另一方面实现多尺度目标的检测，解决检测和识别算法对尺度的适应性问题，以提高多目标时的检测和识别准确率，而且经过对多尺度特征图的加权融合，减少了“粘连现象”，提高目标检测的精度，解决雷达图谱图像中尺度小、特征少等问题。并且相应的雷达探测装置是针对这个系统对应进行设计的。
实验室内道路实体模型是整个系统中不可缺少的一部分，将预设的病害和干扰项数据与典型的历史数据一起组成本发明的训练数据集训练得到本申请的病害体信号识别标记模型。这种方式可以训练得到更加有效的模型，预设病害和干扰项，可以提高模型对病害和干扰项的识别能力、识别精度，从而更加准确高效地对四维雷达图谱中的病害体和干扰项进行识别和标记，还能够通过识别干扰项从而避免四维雷达图谱中存在干扰项而导致的误报警。
以上对本申请实施例所提供的一种地下岩土病害体智能化识别预警系统、方法及装置，进行了详细介绍。以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，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申请的限制。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。“大致”是指在可接收的误差范围内，本领域技术人员能够在一定误差范围内解决所述技术问题，基本达到所述技术效果。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

Claims (10)

1.一种地下岩土病害体智能化识别预警方法，其特征在于，所述方法的步骤包括：
S1、在实验室内建造实体道路模型，并在模型中预设不同类型的病害和/或探测干扰项；
对所述实体道路模型进行雷达探测获取相应病害体和/或干扰项的雷达信号图谱，并搜集全国重点城市典型道路地下病害案例中的雷达探测图谱，建立相应的地下岩土病害体、干扰项数据集；
根据所述数据集获得病害体信号识别标记模型；
S2、对需探测的实际道路区域进行道路信息采集和雷达探测，获取探测区域信息模型和雷达探测数据集；
S3、对所述雷达探测数据集进行数据处理，将处理好的雷达探测数据与所述探测区域信息模型进行融合，得到四维雷达图谱；
S4、根据S1得到的病害体信号识别标记模型对所述四维雷达图谱进行病害体和/或干扰项的识别和标记；
S5、根据S4中识别和标记出的病害体进行预警。
2.根据权利要求1所述的地下岩土病害体智能化识别预警方法，其特征在于，步骤S1中针对所述实体道路模型，每次探测方案中布设单一病害、单一干扰项或者单一病害和单一干扰项的组合。
3.根据权利要求1所述的地下岩土病害体智能化识别预警方法，其特征在于，步骤S4中对病害体的识别和标记包括病害体的种类、大小、埋深位置以及道路位置坐标。
4.根据权利要求1所述的地下岩土病害体智能化识别预警方法，其特征在于，步骤S2中探测区域信息模型的构建步骤包括：
对实际道路区域的地表及周围进行拍照扫描；
采集实际道路区域的坐标及行程轨迹；
将以上两步获得的数据进行融合处理，得到所述探测区域信息模型。
5.根据权利要求1所述的地下岩土病害体智能化识别预警方法，其特征在于，步骤S3的具体步骤包括：
基于滚动导向滤波法对雷达图谱进行滤波处理；
将处理后的雷达图谱与所述探测区域信息模型进行融合处理；
输出包含探测区域表面、探测内部以及区域地理位置信息的四维雷达图谱。
6.根据权利要求1所述的地下岩土病害体智能化识别预警方法，其特征在于，步骤S1中建立地下岩土病害体、干扰项数据集的具体内容包括：
对实验和搜集获得典型病害、典型干扰项雷达图谱用Mosaic方法进行数据增广；
将上述数据增广后的雷达图谱分别在8倍、16倍和32倍下采样，得到三种不同尺寸的特征图，再经过特征重建得到相同尺寸的网格特征图；
根据病害分类标签和网格特征图对病害体模型进行训练得到训练好的病害体模型。
7.一种地下岩土病害体智能化识别预警系统，其特征在于，所述系统用于实现权利要求1-6任一所述的地下岩土病害体智能化识别预警方法；所述系统包括：
道路信息采集单元，用于对探测区域进行表面图像采集以及地址位置信息采集，并生成探测区域信息模型；
雷达探测单元，用于对探测区域进行三维探测获取相应雷达信号数据，输出相应雷达探测数据集；
数据处理单元，用于对所述雷达探测数据集中的数据进行滤波处理并输出相应雷达信号图像，并融合所述道路信息采集单元中采集的数据生成四维雷达图谱；
病害体信号识别标记单元，用于对所述数据处理单元得到的四维雷达图谱进行模型检测，剔除探测干扰项的特征，识别出各类病害特征，然后进行智能标记；
以及，信息融合预警单元，用于对所述病害体信号识别标记单元输出的病害体的种类、大小、埋深位置以及道路位置坐标进行融合后输出，直观的表示出疑似病害区域。
8.根据权利要求7所述的地下岩土病害体智能化识别预警系统，其特征在于，所述道路信息采集单元包括图像采集模块、地理位置信息采集模块和信息融合模块；
所述图像采集模块用于对探测区域地表图像进行采集；
所述地理位置信息采集模块用于对探测区域的位置坐标和探测路线进行采集和记录；
所述信息融合模块用于实现所述图像采集模块采集的数据和所述地理位置信息采集模块采集的数据的融合，生成探测区域信息模型。
9.根据权利要求7所述的地下岩土病害体智能化识别预警系统，其特征在于，所述图像采集模块包括高清摄像模组，用于在探测过程中对所探测区域的表面情况进行拍摄采取图像；
所述地理位置信息采集模块包括定位模组，用于在探测过程中对所探测区域的各位置进行定位获取具体地理位置坐标。
10.根据权利要求7所述的地下岩土病害体智能化识别预警系统，其特征在于，所述雷达探测单元包括：雷达天线模组、电力供应模组、数据存储显示模组和推车；
所述电力供应模组为所述雷达天线模组、所述数据存储显示模组和所述推车的正常工作供电；
所述雷达天线模组和所述数据存储显示模组连接；
所述雷达天线模组、所述电力供应模组和所述数据存储显示模组均设置在所述推车上。
CN202211656081.1A 2022-12-22 2022-12-22 一种地下岩土病害体智能化识别预警系统及方法 Pending CN116203559A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211656081.1A CN116203559A (zh) 2022-12-22 2022-12-22 一种地下岩土病害体智能化识别预警系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211656081.1A CN116203559A (zh) 2022-12-22 2022-12-22 一种地下岩土病害体智能化识别预警系统及方法

Publications (1)

Publication Number Publication Date
CN116203559A true CN116203559A (zh) 2023-06-02

Family

ID=86513816

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211656081.1A Pending CN116203559A (zh) 2022-12-22 2022-12-22 一种地下岩土病害体智能化识别预警系统及方法

Country Status (1)

Country Link
CN (1) CN116203559A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116594011A (zh) * 2023-07-18 2023-08-15 中地华北（北京）工程技术研究院有限公司 一种基于地下病害体遥感与地质雷达的联合探测方法
CN117994737A (zh) * 2024-04-07 2024-05-07 辽宁云通汇智能科技有限公司 一种智慧工地管控平台的监控报警系统及方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116594011A (zh) * 2023-07-18 2023-08-15 中地华北（北京）工程技术研究院有限公司 一种基于地下病害体遥感与地质雷达的联合探测方法
CN116594011B (zh) * 2023-07-18 2023-09-26 中地华北（北京）工程技术研究院有限公司 一种基于地下病害体遥感与地质雷达的联合探测方法
CN117994737A (zh) * 2024-04-07 2024-05-07 辽宁云通汇智能科技有限公司 一种智慧工地管控平台的监控报警系统及方法

Similar Documents

Publication Publication Date Title
Liu et al. Detection of road cavities in urban cities by 3D ground-penetrating radar
Liu et al. Automatic recognition and localization of underground pipelines in GPR B-scans using a deep learning model
Del Soldato et al. Multisource data integration to investigate one century of evolution for the Agnone landslide (Molise, southern Italy)
CN116203559A (zh) 一种地下岩土病害体智能化识别预警系统及方法
US20230154037A1 (en) Method for detecting leakage of water supply pipe based on ground-penetrating radar three-dimensional image attribute analysis
CN113256562B (zh) 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
Li et al. Deep learning-based pavement subsurface distress detection via ground penetrating radar data
Elseicy et al. Combined use of GPR and other NDTs for road pavement assessment: An overview
Erten et al. The worsening impacts of land reclamation assessed with Sentinel-1: The Rize (Turkey) test case
Yim et al. Tsunami modeling, fluid load simulation, and validation using geospatial field data
CN116432270A (zh) 基于地质大数据的城市地下空间开发建设平台
Van Son et al. A framework for reliable three-dimensional underground utility mapping for urban planning
Chun et al. Iterative application of generative adversarial networks for improved buried pipe detection from images obtained by ground‐penetrating radar
Chen et al. A novel image-based approach for interactive characterization of rock fracture spacing in a tunnel face
CN112097733A (zh) InSAR技术与地理探测器结合的地表形变监测方法
Shen et al. Simulation and detection leakage of underground water pipeline by ground penetrating radar
Junaid et al. An expeditious approach for slope stability assessment using integrated 2D electrical resistivity tomography and unmanned aerial vehicle survey
Behera et al. A brief review paper on mining subsidence and its geo-environmental impact
Lantini et al. Application of Ground Penetrating Radar for mapping tree root system architecture and mass density of street trees.
Zhu et al. Evaluating the optimised YOLO-based defect detection method for subsurface diagnosis with ground penetrating radar
Plati et al. Inspection procedures for effective GPR sensing and mapping of underground utilities and voids, with a focus to urban areas
Xia et al. High speed ground penetrating radar for road pavement and bridge structural inspection and maintenance
Lopez et al. Identifying urban features from LiDAR for a high‐resolution urban hydrologic model
Rasol et al. Background clutter amplitude and frequency of GPR signals to analyse water content in sedimentary deposits: Urban infrastructure environment
Wang et al. Underground infrastructure detection and localization using deep learning enabled radargram inversion and vision based mapping

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