CN116434057A - 一种道路病害的识别方法、介质及系统 - Google Patents
一种道路病害的识别方法、介质及系统 Download PDFInfo
- Publication number
- CN116434057A CN116434057A CN202310218776.XA CN202310218776A CN116434057A CN 116434057 A CN116434057 A CN 116434057A CN 202310218776 A CN202310218776 A CN 202310218776A CN 116434057 A CN116434057 A CN 116434057A
- Authority
- CN
- China
- Prior art keywords
- disease
- road
- calculation equation
- area
- scan
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 358
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 358
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004364 calculation method Methods 0.000 claims abstract description 144
- 238000010586 diagram Methods 0.000 claims abstract description 30
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 30
- 238000009933 burial Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 6
- 239000011800 void material Substances 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 34
- 230000003902 lesion Effects 0.000 description 27
- 230000008569 process Effects 0.000 description 22
- 230000006870 function Effects 0.000 description 21
- 238000004458 analytical method Methods 0.000 description 16
- 230000000694 effects Effects 0.000 description 14
- 238000007689 inspection Methods 0.000 description 13
- 238000001228 spectrum Methods 0.000 description 11
- 238000012360 testing method Methods 0.000 description 11
- 230000001419 dependent effect Effects 0.000 description 7
- 241000894007 species Species 0.000 description 6
- 238000011478 gradient descent method Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000010426 asphalt Substances 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000010355 oscillation Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000132179 Eurotium medium Species 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- VWDWKYIASSYTQR-UHFFFAOYSA-N sodium nitrate Chemical compound [Na+].[O-][N+]([O-])=O VWDWKYIASSYTQR-UHFFFAOYSA-N 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- E—FIXED CONSTRUCTIONS
- E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
- E01C—CONSTRUCTION OF, OR SURFACES FOR, ROADS, SPORTS GROUNDS, OR THE LIKE; MACHINES OR AUXILIARY TOOLS FOR CONSTRUCTION OR REPAIR
- E01C23/00—Auxiliary devices or arrangements for constructing, repairing, reconditioning, or taking-up road or like surfaces
- E01C23/01—Devices or auxiliary means for setting-out or checking the configuration of new surfacing, e.g. templates, screed or reference line supports; Applications of apparatus for measuring, indicating, or recording the surface configuration of existing surfacing, e.g. profilographs
-
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种道路病害的识别方法、介质及系统,包括:通过不同种类的道路病害的明显程度值的第一计算方程分别计算得到获取的道路病害的堆叠波形图中病害区域对应的明显程度值;通过不同种类的道路病害的介电常数的第二计算方程分别计算得到采集的所述道路病害的雷达图中病害区域对应的介电常数;分别计算相同种类的所述明显程度值与所述介电常数的差值的绝对值;识别所述道路病害的种类为最小的所述绝对值对应的种类。本发明通过病害的明显程度值和介电常数的对比确定病害的种类,从而确定病害的介电常数,减少人工运算量,以便于养护人员分析病害的信息。
Description
技术领域
本发明涉及道路病害识别技术领域,尤其涉及一种道路病害的识别方法、介质及系统。
背景技术
目前采集人员只能从雷达图谱中得到道路隐性病害的大致情况,如通过人工解译雷达图谱和自动识别技术对病害进行深度学习,获知病害的所在深度和尺寸。但目前还不能直接识别出病害的具体情况,使得雷达探测没有发挥出全部的功效。介电常数是反映介质绝缘特性的一个系数,探地雷达发射的电磁波在地下介质交界处发生反射,介电常数不同,电磁波波速也会不同,从一种介质入射到另一种介质时,电磁波的反射情况也不同,电磁波的反射情况在雷达图中以黑白条纹来呈现,即A-Scan波形中的波峰波谷。病害的不同介电常数也会导致不同病害的雷达图谱出现较大的不同,因此通过病害的介电常数来获取病害的具体情况是可行的。目前在雷达信号处理软件中,可以通过调节电磁波在介质中的波速,拟合雷达图谱中的抛物线,找出与图谱中抛物线拟合程度最佳的波速,并通过计算来反推介质的介电常数。这种方法误差较大,每次拟合抛物线的最佳波速不一致,计算得出的病害介电常数的精度较差。
发明内容
本发明实施例提供一种道路病害的识别方法、介质及系统,以解决现有技术不能直接识别出病害的具体类型的问题。
第一方面,提供一种道路病害的识别方法,包括:
通过不同种类的道路病害的明显程度值的第一计算方程分别计算得到获取的道路病害的堆叠波形图中病害区域对应的明显程度值;
通过不同种类的道路病害的介电常数的第二计算方程分别计算得到采集的所述道路病害的雷达图中病害区域对应的介电常数;
分别计算相同种类的所述明显程度值与所述介电常数的差值的绝对值;
识别所述道路病害的种类为最小的所述绝对值对应的种类。
第二方面,提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序指令;所述计算机程序指令被处理器执行时实现如上述第一方面实施例所述的道路病害的识别方法。
第三方面,提供一种道路病害的识别系统,包括:如上述第二方面实施例所述的计算机可读存储介质。
这样,本发明实施例,将雷达图与病害介电常数联系起来,通过雷达图直接得到病害的导电性能,定量化地得到每个种类的病害的介电常数与电磁波反射强弱的关系,通过病害的明显程度值和介电常数的对比确定病害的种类,以便确定病害的介电常数。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的道路病害的识别方法的流程图一;
图2是本发明实施例的道路病害的识别方法的流程图二;
图3是空洞病害的雷达图和堆叠波形图,(a)雷达图,(b)堆叠波形图;
图4是富水病害的雷达图和堆叠波形图,(a)雷达图,(b)堆叠波形图;
图5是疏松病害的雷达图和堆叠波形图,(a)雷达图,(b)堆叠波形图;
图6是空洞病害的堆叠波形图中病害区域和背景A-Scan的示意图;
图7是富水病害的堆叠波形图中相关参数的示意图,(a)涉及li和Hi,(b)涉及Di和Ti,(c)涉及ud和uT;
图8是疏松病害的堆叠波形图中相关参数的示意图,(a)涉及S,(b)涉及S和h;
图9是病害水平尺寸、病害竖向尺寸、病害埋深的示意图;
图10是道路病害的雷达图对应的堆叠波形图;
图11是病害区域的A-scan的示意图;
图12是道路病害的雷达图与对应的彩色像素图,(a)雷达图,(b)彩色像素图;
图13是反演模型输出的识别结果图和对应的病害实际的彩色像素图,(a)识别结果图,(b)彩色像素图;
图14是500MHz雷达天线采集的雷达图及其经过预处理后的示意图,(a)雷达图,(b)预处理后的示意图;
图15是300MHz雷达天线采集的雷达图的病害信号的示意图,(a)经过一次增益后,(b)经过一次增益和调节对比度后,(c)经过两次增益后。
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作出创造性劳动前提下所获取的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种道路病害的识别方法。如图1所示,本发明实施例的方法包括如下的步骤:
步骤S101:通过不同种类的道路病害的明显程度值的第一计算方程分别计算得到获取的道路病害的堆叠波形图中病害区域对应的明显程度值。
道路病害的堆叠波形图可通过采集的道路病害的雷达图转换得到。具体的,本发明实施例基于雷达技术,采集的雷达图可包括:800MHz、500MHz和300MHz天线频率下的病害正演图谱(Image Display)。具体可采用瑞典MALA ProEx系列探地雷达500MHz和800MHz两种屏蔽天线,以及Impulse Radar雷达300MHz屏蔽天线进行实地探测。通过现有的去除直流漂移、静校正、增益、带通滤波和背景去除等方法预处理病害正演图谱后,将病害正演图谱转换为堆叠波形图(Wiggle Display),波形图的对比度均调至0.002,调节X轴比例使得每一条A-scan不与相邻A-scan重合,Y轴比例始终为1。截取病害所在处的A-scan,截取后的病害波形图导出尺寸均设置为15×8cm,得到堆叠波形图。
具体的,本发明实施例所述的道路病害种类包括:空洞病害、富水病害和疏松病害。每种道路病害种类的道路病害的明显程度值的第一计算方程不同。
步骤S102:通过不同种类的道路病害的介电常数的第二计算方程分别计算得到采集的道路病害的雷达图中病害区域对应的介电常数。
同样的,每种道路病害种类的介电常数的第二计算方程不同。
应当理解的是,上述的道路病害的每个种类都可以构建多个不同形式的第一计算方程和第二计算方程。因此,需要进行适当的选择才能确定本发明实施例所用的第一计算方程和第二计算方程。具体的,当道路病害的一个种类具有至少两个第二计算方程时,第二计算方程的确定取决于精度;当道路病害的一个种类具有至少两个第一计算方程时,第一计算方程的确定依赖于第二计算方程,本发明实施例通过如下的过程选择每个种类采用的第一计算方程和第二计算方程:对于每个种类的道路病害,在该种类设计的至少两个第二计算方程中,选择精度最高的第二计算方程;选择第二计算方程后,在该种类设计的至少两个第一计算方程中,计算每一第一计算方程计算得到的明显程度值与选择的第二计算方程计算得到的介电系数的差值的绝对值;选择最小的差值的绝对值的第一计算方程。
病害图谱正演模型的构建是基于试验路的道路结构,以及埋设的病害的尺寸和深度。上述选择第一计算方程和第二计算方程的过程中用到的雷达图可以是现有的已知道路病害种类的雷达图样本,也可以是在试验路采集的雷达图样本。例如,预先铺设足尺标准化雷达试验路,采集该试验路各个种类的道路病害的雷达图,并将雷达图转换为堆叠波形图,正演模型中所用材料和病害的介电常数的取值均为试验路实测值。
下面具体介绍对每个种类的道路病害的第一计算方程和第二计算方程的选择。
一、空洞病害种类
空洞病害的实际雷达图如图3(a)所示,在空洞病害区域会突然出现一段强烈的雷达信号反射,在雷达图中形成非常明显的黑白条纹,且黑白条纹下方出现一条抛物线形式的黑白条纹。空洞病害正演图谱的堆叠波形图如图3(b)所示,病害区域会出现一条非常明显的抛物线,如图6所示,抛物线顶端对应的A-Scan(一般为病害区域的最中间的一道A-Scan)的黑色区域的面积最大,且黑色区域的面积向左右两边衰减很快。
计算空洞病害种类的明显程度值所需的参数需要精确反映空洞病害的图谱特性,在分析空洞病害图谱特征时发现,空洞病害图谱不都是非常明显的。在空洞病害较不明显的情况下,病害区域与背景噪声差别较小,此时空洞病害是否能从整张图谱中突出出来是影响病害明显程度的主要因素。
发明人通过对大量空洞病害的雷达图的识别发现雷达图中病害区域的明显与否与病害区域的大小无关,而是与病害区域展现出的黑白条纹的明显程度有关。例如,病害区域很小,但是病害反射电磁波很强烈,黑白条纹很明显,依然可以很清楚地看到病害所在位置,因此,本发明实施例采用病害的黑白条纹的明显程度来反映空洞病害区域的明显程度。
空洞病害种类的明显程度值的计算可依据堆叠波形图中病害在堆叠波形图中的突出程度ΔA表示,即堆叠波形图中病害区域的A-Scan与堆叠波形图中背景区域的A-Scan的黑色面积的突变率。ΔA关注了病害与背景之间的突变,较为科学。其中,如图6所示,堆叠波形图中背景区域的A-Scan为紧邻病害区域的任一道A-Scan,即紧邻病害区域的两侧各有一道A-Scan,这两道A-Scan的黑色区域的面积相差极小,对ΔA影响不大,因此,可选择其中任一道A-Scan来进行计算。每道A-Scan具有一黑色区域,如前所述,该黑色区域一般位于病害区域出现的一条非常明显的抛物线上。
具体的,选择的空洞病害种类的第一计算方程为:其中,B1表示空洞病害种类的明显程度值,A1表示堆叠波形图中病害区域的A-Scan的最大的黑色区域的面积,A2表示紧邻病害区域的任一道A-Scan的黑色区域的面积。堆叠波形图中病害区域的A-Scan有多道,一般的,位于病害区域的最中间的一道(即抛物线顶端的一道)的A-Scan的黑色区域的面积最大。
第二计算方程采用的病害水平尺寸L、病害竖向尺寸W、病害埋深d通过如下的过程得到:
(1)计算获取的每张道路的雷达图样本对应的训练反演模型所需的循环次数。
如图10和11所示的雷达图的堆叠波形图,反映了每条A-Scan的形态。从图10和11可以看出,病害区域的A-scan摆动明显,在雷达图中反映的是明显的黑白条纹。通过对大量病害区域的A-Scan摆动夹角的研究发现,病害区域的A-Scan的二分之一的摆动夹角的正切值应小于等于2,且前后两道A-Scan的二分之一摆动夹角的正切值的变化不应大于1,A-Scan的道数为病害区域所有A-Scan的数量。即病害区域的A-Scan满足的A-Scan的摆动幅度的条件具体如下:
即不满足上述摆动幅度条件的A-Scan不是病害区域的A-Scan,这样,可确定病害区域的A-Scan,从而可统计病害区域的A-Scan的道数。
由于不同频率的雷达天线探测同一个病害产生的图谱并不一样,所以应按照天线频率不同采用不同的方程计算ΔCI,以便计算循环次数。由于病害在0~1m和1~2m范围内时环境信号的不同干扰,所以300MHz雷达天线还需要分为两种深度来采用不同的方程计算ΔCI,以便计算循环次数,0~1m范围内是一元三次方程,1~2m范围内是一元四次方程。具体地,ΔCI用下式计算:
具体的,循环次数CI的计算式如下:
其中,k表示道路的雷达图样本中的病害区域的A-scan的道数,f表示雷达天线频率,d表示病害埋深,n表示第一预设数量阈值,可根据经验设置,例如,n=50。
(2)若达到相同循环次数的道路的雷达图样本的数量不小于第二预设数量阈值,则将具有相同循环次数的道路的雷达图样本存入训练样本集,并将对应的循环次数作为训练过程的循环次数。
第二预设数量可根据经验设置,例如,第二预设数量为100,即当有不少于100张道路的雷达样本图对应的循环次数相同,则这些道路的雷达样本图作为训练样本集,并且对应的循环次数作为训练过程的循环次数。
不同雷达图样本的A-Scan的道数可能不同,从而导致循环次数不确定,因此,需要通过本步骤对雷达图样本进行筛选,选取具有相同循环次数雷达图样本,以便进行训练。
此外,本发明实施例所用的道路的雷达样本图可以是采集的实际路面的雷达图,也可以是预先搭建试验路面,采集试验路面的雷达样本图。
(3)采用训练样本集训练用于识别道路病害的雷达图中的病害区域的反演模型。
本发明实施例的反演模型为深度神经网络,例如,U-NET、DEEPLAB、UNET++、Attention unet等等。其中,U-NET网络具有如下的优点:一是数据增强的处理,能支持可训练的数据集相对较小且需检测的数据量较大的情况;二是可以对每个像素点进行分割,获得更高的分割准确率;三是训练过程中使用高梯度下降(High Momentum),可以使训练模型的学习率处在自我调节的过程。
本发明实施例的训练方法为小批量梯度下降法。小批量梯度下降法每次计算选取固定数量的样本(batch_size)作为基准拟合参数α,更新损失函数loss(α),以得到最优解。损失函数的一般表达式为:在损失函数中,BS为每次计算的样本量。BS是小批量梯度下降法的重要参数,需要不断尝试取得最优值。ycα(xi)为需要优化的拟合函数;zsi为真实值的分布函数。对损失函数求偏导,得到α的梯度,则参数α的优化方法为α减去其梯度与学习率的乘积,公式如下:/>其中,lr为学习率,即每一次迭代中梯度向损失函数最优解移动的步长。
本发明实施例的训练样本集除了包括雷达图样本以外,还包括:对应雷达图样本的彩色像素图样本。如图12(b)所示,彩色像素图样本中具有病害标识块,彩色像素图样本的背景颜色和病害标识块的颜色不同,依据材料的介电常数区分。每一彩色像素图样本与对应的如图12(a)所示的路面雷达图样本的尺寸相同,彩色像素图样本中的病害识别块的位置与对应的雷达图样本中的病害区域的位置相同,彩色像素图样本中的病害识别块的尺寸与对应的路面雷达图样本中的病害区域的尺寸相同。
在深度学习过程中,通过雷达图样本与彩色像素图样本的对应关系,训练反演模型在雷达图中识别病害的能力,并输出表征病害的尺寸和位置(所在深度)的识别结果图。
基于上述的描述,本发明实施例训练时,设置train.py代码的参数,具体如下:
①niter和nither_decay:重复取样次数,并且循环计算到线性衰减学习率为0。训练的循环次数CI为nither+nither_decay,按照前述的方式确定。②batch_size=35:由于本发明实施例的获取的雷达图样本的病害突出,背景降噪效果好,BS取值35时模型测试效果良好,相较于常规的取64或128,本发明实施例可以使BS值降低至少45%,可以减少计算机算力,提高计算效率。③direction=a2b。雷达图样本集作为a集,彩色像素图样本集作为b集,本发明实施例的训练方向是从a集到b集,含义是让模型学习如何将雷达图构建为彩色像素图。即雷达图样本用于输入反演模型后,以使反演模型输出识别结果图。彩色像素图样本与对应的识别结果图用于小批量梯度下降法的损失函数的计算,以便优化该反演模型。④input_nc=3,output_nc=3。该模型涉及的图像包括彩色像素图样本,因此输入输出的通道数为3,即彩色RGB通道。⑤ngf=64,ndf=64。模型所需数据为图片,因此生成器和判别器均设置为64通道,则雷达图样本和彩色像素图样本的尺寸均为64的倍数。本发明实施例将雷达图样本和彩色像素图样本均转换为PNG格式图片,并调节图片大小为512×512像素。⑥lr=0.0002。学习率,即每一次迭代中梯度向损失函数最优解移动的步长为0.0002。⑦lr_policy=lambda。学习率的调整策略采用官方方法:lambda|step|plateau|cosine。⑧beta1=0.5,定义优化器adam的一阶矩阵的指数衰减因子为0.5,加快收敛速度。⑨seed=123,为cpu和gpu设置的随机种子取值123,用于生成随机数。⑩采用生成对抗网络GAN,并设置损失函数nn.L1Loss和nn.MSELoss。nn.L1Loss函数是取预测值和真实值的绝对误差的平均数,公式为:nn.MSELoss函数是取预测值和真实值之间的平方和的平均数,公式为:/>本发明实施例训练终止条件应同时满足:训练的过程达到循环次数后,小批量梯度下降法的损失函数的值小于预设阈值。由于本发明实施例采用了nn.L1Loss函数和nn.MSELoss函数两种损失函数,因此,需要nn.L1Loss函数小于对应的第一预设阈值,同时,nn.MSELoss函数小于对应的第二预设阈值。当训练的过程达到循环次数后,损失函数的值不小于预设阈值,则需要增加给定数量的循环次数,以及,减少给定数量的循环次数,在这两个新的循环次数下分别再进行训练。两个新的循环次数下,哪个满足训练终止条件则采用哪个训练后的模型进行识别。若两个都满足训练终止条件,则采用循环次数少的训练后的模型进行识别。若两个均不满足训练终止条件,则表明训练样本集有问题,需要更换训练样本集。训练样本集的图谱数量应不小于前述的第二预设数量,例如100张,训练所用的图谱数量应大于总图谱数量的50%。训练结束后,可将剩余的雷达样本图作为测试集,验证模型的精确度。
(4)采用训练后的反演模型对道路病害的雷达图中的病害区域进行识别,输出识别结果图。
通过上述训练后的反演模型可用于识别实际采集的雷达图中的病害区域,病害区域通过识别结果图中的与背景区域颜色不同的病害标识块表示。本发明实施例的反演模型自动识别并输出的病害区域的彩色像素图如图13(a)所示,病害的实际尺寸与所在深度如图13(b)所示。对比图13(a)和图13(b),可以看到,本发明实施例构建的反演模型精度较高,可以自动识别病害区域并还原病害的实际位置和尺寸,使得该识别过程智能化,降低了使用者对雷达图谱解译能力的要求。
优选的,无论是训练过程还是识别过程,输入反演模型的雷达图都可以预先通过现有的去除直流漂移、静校正、增益、带通滤波和背景去除等方法预处理,以提高清晰度,再输入反演模型中。
(5)通过识别结果图获取病害水平尺寸、病害竖向尺寸、病害埋深。
如图9所示,病害水平尺寸是识别结果图中的病害标识块的最大宽度,病害竖向尺寸是识别结果图中的病害标识块的最大高度,病害埋深是识别结果图中的病害标识块的顶端到识别结果图的上边缘的距离。具体可通过现有的图像的自动识别技术(例如深度学习网络)获取病害水平尺寸、病害竖向尺寸、病害埋深,也可以通过人工测量获取病害水平尺寸、病害竖向尺寸、病害埋深。
三种天线频率下,以病害水平尺寸L(3种)、病害竖向尺寸W(5种)、病害埋深d(3种)为自变量,以病害在雷达图中的明显程度值为因变量,研究在沥青混合料结构层中的空洞病害的各影响因素的显著性,并对数据进行多因素方差分析。3种影响因素对B1的影响如表1所示。病害水平尺寸和病害竖向尺寸对B1有显著影响,而与常识不同的是,病害埋深对B1无显著影响,原因是电磁波在病害处反射的明显程度会超出病害埋深对电磁波反射的影响。
表1主体间效应检验
源 | 因变量 | Ⅲ类平方和 | 自由度 | 均方 | F | 显著性 |
水平尺寸 | B1 | 5.190 | 3 | 1.730 | 28.313 | 0 |
竖向尺寸 | B1 | 5.195 | 5 | 1.039 | 16.258 | 0 |
埋深 | B1 | 0.856 | 3 | 0.285 | 1.88 | 0.163 |
基于上述的分析,在构建第二计算方程时,首先考虑自变量为L或W,如不满足要求,再考虑其它自变量情况。
1、自变量:L或W
基于以上显著性分析,以某一个显著性影响因素为自变量,空洞病害种类的明显程度值B1为因变量拟合第二计算方程,发现拟合出的第二计算方程会有很大误差。原因是其余因素对病害明显程度是有影响的,在拟合第二计算方程的运算过程中,这种影响会在多次迭代中被放大,导致拟合结果出现偏差。
2、自变量:L、W、d
为了简化多因素模型的拟合过程,本发明实施例均采用线性回归的方法拟合第二计算方程。考虑因素的主效应,以病害水平尺寸L、病害竖向尺寸W和病害埋深d为自变量拟合第二计算方程,发现第二计算方程依然有很大误差。原因是3种因素的主效应影响不是线性关系,第二计算方程会在某些数值上产生偏差。
3、自变量:L、W、d的运算因子
通过以上分析可知,各因素对介电常数均有影响,但是单一因素的影响程度不够明显,在因素的主效应无法拟合模型时,考虑因素之间的交互作用,提出影响因素的运算因子,即通过乘除运算得到3个参数的运算因子,以将各因素的影响联系起来,提高每个因子对介电常数的影响,以得到较准确的公式。首先构建运算因子,共10个,分别如表2所示。
表2构建的运算因子
(1)采用全部10个运算因子及L、W、d拟合第二计算方程
拟合得到计算介电常数B2的第二计算方程如下:
其中,a1=2.145,a2=-0.002,a3=-0.113,a4=-5.617,a5=6.101,a6=0.001,a7=-2.584×10-8,a8=0.032,a9=0.001,具体通过样本得到的数据采用线性回归的方法拟合得到。下述第二计算方程中的相关参数均这样得到,不再赘述。
上述方程的精度可以达到R2=0.926,验算后发现精度较低,误差最小为34%,最大为47%。
拟合得到计算介电常数B2的第二计算方程如下:
其中,a1=2.397,a2=0.002,a3=-0.003,a4=-0.252,a5=-5.118,a6=0.001,a7=-2.707×10-8,a8=5.898×10-6,a9=-1.308,a10=0.032。
上述方程的精度可以达到R2=0.926,验算后发现精度较高,误差最小为无误差,最大为30%,且误差基本在20%以下。
(3)采用9个运算因子(除(2)以外的其余情况)及L、W、d拟合第二计算方程
拟合得到的方程精度可以达到R2=0.926,验算后发现精度较低,误差最小为41%,最大为56%,在此不再赘述该方程。
(4)采用8个运算因子及L、W、d拟合第二计算方程
拟合得到的方程精度可以达到R2=0.926,验算后发现精度较低,误差最小为50%以上,最大为68%以上,在此不再赘述该方程。
通过上述的分析,精度最高的为第(2)点中的方程。因此,选择的空洞病害种类的第二计算方程为:
a1~a10分别表示第一空洞系数~第十空洞系数。
二、富水病害种类
富水病害的实际雷达图如图4(a)所示,从富水病害所处深度向下会出现强烈的多次雷达信号反射,在雷达图中形成明显的呈抛物线形式的黑白条纹,且黑白条纹会一直传递到下方(即形成多条抛物线)。富水病害正演图谱的堆叠波形图如图4(b)所示,病害区域会出现一条非常明显的抛物线,抛物线顶端对应的A-Scan(一般为病害区域的最中间的一道A-Scan)的黑色面积最大,且黑色面积向左右两边衰减。由于电磁波的剧烈反射,堆叠波形图中的病害抛物线下方会出现多条反射抛物线。
计算富水病害种类的明显程度值所需的参数需要精确反映富水病害的图谱特性,在分析富水病害图谱特征时发现,富水病害区域都是非常明显的。病害区域与背景噪声差别较大,因此,富水病害的明显与否与病害区域大小和病害区域突出程度均有关。同时,图谱中的每条抛物线均提升了病害的明显程度,因此,第一计算方程应将所有抛物线计算在内。
针对富水病害种类,构建了三种计算富水病害的明显程度值的第一计算方程,具体如下:
1、依据堆叠波形图中病害区域的A-Scan的黑色区域的面积和病害区域的A-scan道数来表示病害在雷达图中黑白条纹的明显程度,波形面积越大,明亮程度越高,病害图谱越明显。
由于富水病害的堆叠波形图有多条抛物线,每条抛物线都会对病害的明显程度产生影响,因此明显程度值需要涵盖所有抛物线的矢量信息。
具体的,计算介电常数B3,1的第一计算方程如下:
其中,Di表示堆叠波形图中第i条抛物线顶端处对应的A-Scan的黑色区域的最大水平宽度,单位为m,Ti表示堆叠波形图中第i条抛物线顶端处对应的A-Scan的黑色区域的最大竖向宽度,单位为ns,如图7(b)所示,ki表示堆叠波形图中第i条抛物线处对应的病害区域A-scan的道数,ud表示1cm里程在堆叠波形图中的长度,uT表示1ns时窗在堆叠波形图中的长度,单位均为cm,如图7(c)所示。
2、依据堆叠波形图中病害区域的A-scan的黑色区域的面积和抛物线的影响范围来表示病害在雷达图中黑白条纹的明显程度。
具体的,计算介电常数B3,2的第一计算方程如下:
其中,li表示堆叠波形图中第i条抛物线对应的病害区域的宽度,单位为m;Hi表示堆叠波形图中第i条抛物线对应的病害区域的高度(即第i条抛物线的顶端到底端的距离),单位为m,如图7(a)所示。
3、依据堆叠波形图中病害区域的A-scan的黑色区域的面积和病害在堆叠波形图中的突出程度来表示。
具体的,计算介电常数B3,3的第一计算方程如下:
其中,ΔAi表示堆叠波形图中第i条抛物线处对应的病害在堆叠波形图中的突出程度。
三种天线频率下,以病害水平尺寸L(8种)、病害竖向尺寸W(8种)、病害埋深d(6种)为自变量,以病害在雷达图中的明显程度值为因变量,研究在沥青混合料结构层中的富水病害的各影响因素的显著性,并对数据进行多因素方差分析。3种影响因素对3种第一计算方程的影响如表3所示。病害埋深对B3,1和B3,3均有显著影响,而与常识不同的是,病害水平尺寸对明显程度值的影响与第一计算方程的参数有关,病害竖向尺寸对第一计算方程均无显著影响,出现这种的情况的原因主要与富水病害的图谱特性有关。电磁波在富水病害处的多次反射导致雷达图中的黑白条纹持续向下传递,图中黑白条纹所在范围已经与病害的尺寸无关,因此病害尺寸的显著性不高。
表3主体间效应检验
基于上述的分析,在构建第二计算方程时,首先考虑自变量为d,如不满足要求,再考虑其它自变量情况。
1、自变量:d
基于以上显著性分析,以病害埋深d为自变量,富水病害种类的明显程度值为因变量拟合第二计算方程,发现拟合出的第二计算方程的精度R2基本保持在0.1~0.3左右,误差很大,不能形成可用的方程。原因是病害水平尺寸L和病害竖向尺寸W对病害明显程度是有影响的,在拟合第二计算方程的运算过程中,这种影响会在多次迭代中被放大,导致拟合结果出现偏差。
2、自变量:L、W、d
与空洞病害相同的处理,发现第二计算方程的精度R2保持在0.3~0.5左右,依然有很大误差,不能形成可用的方程。
3、自变量:L、W、d的运算因子
如空洞病害的原理分析,首先构建运算因子,共10个,分别如前述的表2所示。
(1)采用全部10个运算因子及L、W、d拟合第二计算方程
①拟合基于B3,1的计算介电常数B4的第二计算方程,其精度为R2=0.491。拟合基于B3,2的计算介电常数B4的第二计算方程,其精度为R2=0.329。以上两种的精度较差,不予考虑。
②拟合得到基于B3,3的计算介电常数B4的第二计算方程如下:
其中,b1=32685.216,b2=-102.182,b3=-67765.256,b4=3.993,b5=45773.031,b6=533.968,b7=-0.01,b8=2.672,b9=10754.498,b10=-423.239,b11=-654.119。
其精度为R2=0.725,验算后发现精度较低,误差最小为14.8%,最大为84%。
①拟合基于B3,1的计算介电常数B4的第二计算方程,其精度为R2=0.491。拟合基于B3,2的第二计算方程,其精度为R2=0.329。以上两种的精度较差,不予考虑。
②拟合得到基于B3,3的计算介电常数B4的第二计算方程如下:
其中,b1=-3726.09,b2=1155.635,b3=-783.432,b4=36460.199,b5=2.977,b6=-5205.177,b7=-43.083,b8=-0.006,b9=1.436,b10=172061.314,b11=-494.216。
上述方程的精度可以达到R2=0.718,验算后发现误差波动较小,误差最小为1%,最大为52%,且误差基本在30%以下。
③采用9个运算因子(除(2)以外的其余情况)及L、W、d拟合第二计算方程
拟合得到的第二计算方程的精度R2在0.705~0.740之间,验算后发现精度均较低,最小误差在3.2%以上,最大误差在77%以上,在此不再赘述该方程。
④采用8个运算因子及L、W、d拟合第二计算方程
拟合得到的第二计算方程的精度在R2=0.714~0.738之间,验算后发现精度较低,误差最小为12.6%以上,最大为80%以上,在此不再赘述该方程。
通过上述的分析,精度最高的为第(2)-②中的方程。因此,选择的富水病害种类的第二计算方程为:
即富水病害种类的介电常数B4的第二计算方程为:
当确定了第二计算方程后,通过前述的方法选择第一计算方程为:
三、疏松病害种类
疏松病害的实际雷达图如图5(a)所示,在疏松病害所处范围内有强烈且杂乱的雷达信号反射,在雷达图中形成大量呈抛物线形式的黑白条纹。疏松病害正演图谱的堆叠波形图如图5(b)所示,病害区域会出现明显的抛物线,抛物线顶端对应的A-Scan(一般为病害区域的最中间的一道A-Scan)的黑色区域的面积最大,且黑色区域的面积向左右两边衰减较慢。
计算疏松病害种类的明显程度值所需的参数需要精确反映疏松病害的图谱特性,在分析疏松病害图谱特征时发现,疏松病害图谱都是较为明显的,原因是病害A-Scan摆动幅度较大,且与背景噪声差距明显,因此参数选取应与病害A-Scan摆动幅度有关。
针对疏松病害种类,构建了五种计算疏松病害的明显程度值的第一计算方程,具体如下:
1、依据堆叠波形图中病害区域的抛物线顶端处对应的A-scan的摆动幅度范围的宽度S(即如图8(a)所示的该A-Scan的黑色区域所在的波峰的顶端到与该A-Scan相邻的波谷的顶端的水平距离)和病害区域的抛物线范围的面积来表示,即抛物线对应的病害区域的宽度l和高度H(如图7(a)所示,只不过此处抛物线只有一条)的乘积,S的单位是cm。
具体的,计算介电常数B5,1的第一计算方程如下:
2、依据堆叠波形图中病害区域的抛物线顶端处对应的A-scan的摆动幅度范围的宽度来表示。
具体的,计算介电常数B5,2的第一计算方程如下:
3、依据堆叠波形图中病害在堆叠波形图中的突出程度和病害区域的抛物线顶端处对应的A-Scan的摆动幅度范围的宽度来表示。
具体的,计算介电常数B5,3的第一计算方程如下:
4、依据堆叠波形图中病害区域的抛物线顶端处对应的A-scan的摆动幅度范围的面积来表示,即堆叠波形图中病害区域的抛物线顶端处对应的A-Scan的摆动幅度范围的宽度S和高度h(即如图8(b)所示的该A-Scan的黑色区域所在的波峰的顶端到与该A-Scan相邻的波谷的顶端的竖向距离)的乘积,h的单位为ns。
具体的,计算介电常数B5,4的第一计算方程如下:
5、依据堆叠波形图中病害区域的抛物线顶端处对应的A-scan的摆动幅度范围的宽度和病害区域的抛物线顶端处对应的A-scan的摆动幅度范围的面积来表示。
具体的,计算介电常数B5,5的第一计算方程如下:
三种天线频率下,以病害水平尺寸L(8种)、病害竖向尺寸W(8种)、病害埋深d(6种)为自变量,以病害在雷达图中的明显程度值为因变量,研究在沥青混合料结构层中的疏松病害的各影响因素的显著性,并对数据进行多因素方差分析。3种影响因素对5种表达式的影响如表4所示。病害水平尺寸和病害埋深对明显程度值的影响与第一计算方程的参数有关,病害竖向尺寸对明显程度值无显著影响,出现这种的情况的原因主要与疏松病害的图谱特性有关。
疏松病害顶端的一条呈抛物线形式的黑白条纹在图谱中较为明显,且此抛物线条纹向左右衰减程度下降较为缓慢,疏松病害的明显程度主要由此确定,导致病害竖向尺寸对病害明显程度的影响大大降低,并且影响到了病害尺寸的显著性。
表4主体间效应检验
基于上述的分析,在构建第二计算方程时,首先考虑自变量为L或d,如不满足要求,再考虑其它自变量情况。
1、自变量:L或d
基于以上显著性分析,以某一个显著性影响因素为自变量,疏松病害种类的明显程度值为因变量拟合第二计算方程,发现拟合出的第二计算方程的精度R2基本保持在0.2~0.3左右,误差很大,不能形成可用的方程。原因是其余因素对病害明显程度是有影响的,在拟合第二计算方程的运算过程中,这种影响会在多次迭代中被放大,导致拟合结果出现偏差。
2、自变量:L、W、d
与空洞病害相同的处理,发现第二计算方程的精度R2保持在0.2~0.4左右,依然有很大误差,不能形成可用的方程。
3、自变量:L、W、d的运算因子
如空洞病害的原理分析,首先构建运算因子,共10个,分别如前述的表2所示。
(1)采用全部10个运算因子及L、W、d拟合第二计算方程
①拟合得到基于B5,1的计算介电常数B6的第二计算方程如下:
其中,c1=4067.327,c2=-4.21,c3=3334.513,c4=0.161,c5=-33.017,c6=-5806.061,c7=23.315,c8=16.554。
其精度为R2=0.577,验算后发现方程波动较大,误差最小为26%,最大为100%。
②拟合得到基于B5,2的计算介电常数B6的第二计算方程,其精度为R2=0.322。精度较差,不予考虑,在此不再赘述该方程。
③拟合得到基于B5,3的计算介电常数B6的第二计算方程如下:
其中,c1=-245.021,c2=-0.057,c3=183.982,c4=0.003,c5=-0.441,c6=-4.481,c7=286.15,c8=-0.157,c9=0.458。
其精度为R2=0.823,验算后发现误差波动较大,误差最小为2.5%,最大为100%。
④拟合得到基于B5,4的计算介电常数B6的第二计算方程,其精度为R2=0.421,精度较差,不予考虑。
⑤拟合得到基于B5,5的计算介电常数B6的第二计算方程如下:
其中,c1=-0.372,c2=0.005,c3=1.942,c4=2.603×10-5,c5=-0.008,c6=-1.585×10-8,c7=3.514,c8=-0.006。
其精度为R2=0.880,验算后发现误差波动较大,误差最小为0.7%,最大为48%,且误差基本在25%以下。
①拟合得到基于B5,1的计算介电常数B6的第二计算方程如下:
其中,c1=-4.712,c2=1.82,c3=1.662,c4=73.028,c5=-1.581,c6=-1.935×10-8,c7=0.004,c8=-103.054,c9=-0.081。
其精度为R2=0.529,验算后发现方程波动较大,误差最小为3.1%,最大为76%。
②拟合得到基于B5,2的计算介电常数B6的第二计算方程如下:
其中,c1=-16.134,c2=0.064,c3=0.074,c4=9.14,c5=-0.058,c6=5.32×10-7,c7=25.63,c8=-0.085。
其精度为R2=0.963,验算后发现误差波动较大,误差最小为3.9%,最大为98%。
③拟合得到基于B5,3的计算介电常数B6的第二计算方程如下:
其中,c1=-141.072,c2=0.407,c3=0.579,c4=69.931,c5=-0.429,c6=-2.275×10-6,c7=-0.001,c8=144.556,c9=-0.382。
其精度达到R2=0.968,发现误差波动较大,误差最小为0.3%,最大为91%。
④拟合得到基于B5,4的计算介电常数B6的第二计算方程如下:
其中,c1=-182.904,c2=2.467,c3=2.293,c4=105.163,c5=-1.994,c6=4.421×10-6,c7=-0.007,c8=35.325,c9=-0.578。
其精度可以达到R2=0.705,发现误差波动较小,误差最小为0.2%,最大为48%,且误差基本在30%以下。
⑤拟合得到基于B5,5的计算介电常数B6的第二计算方程如下:
其中,c1=-4522.259,c2=24.411,c3=27.321,c4=2038.721,c5=-21.553,c6=7.509×10-5,c7=-0.075,c8=3195.155,c9=-11.283。
其精度可以达到R2=0.85,验算后发现误差波动较大,误差最小为0.2%,最大为71%。
(3)采用9个运算因子(除(2)以外的其余情况)及L、W、d拟合第二计算方程
基于B1,5~B5,5拟合得到的第二计算方程的精度均较低,误差波动较大,不予考虑,在此不再赘述该方程。
通过上述分析可知,第(1)-⑤中的方程和第(2)-④中的方程的误差接近,需要通过方差分析选择最佳表达式,第(1)-⑤中的方程的方差为23,第(2)-④中的方程的方差为222,因此,选择的疏松病害种类的第二计算方程为:
当确定了第二计算方程后,通过前述的方法选择第一计算方程为:
通过上述的过程,按照自变量由简到繁的选取规则,先通过病害水平尺寸、病害竖向尺寸和病害埋深来建立第二计算方程,发现精度不高,之后采用三者的运算因子来增加运算量,得出了每个种类的病害的误差较小的第二计算方程。
步骤S103:分别计算相同种类的明显程度值与介电常数的差值的绝对值。
具体的,分别计算空洞病害的明显程度值与介电常数的差值的绝对值,富水病害的明显程度值与介电常数的差值的绝对值,以及,疏松病害的明显程度值与介电常数的差值的绝对值。
步骤S104:识别道路病害的种类为最小的绝对值对应的种类。
即若最小的绝对值对应的种类为空洞病害,则识别道路病害为空洞病害;若最小的绝对值对应的种类为富水病害,则识别道路病害为富水病害;若最小的绝对值对应的种类为疏松病害,则识别道路病害为疏松病害。
通过上述的过程,可准确识别道路病害的种类。
优选的,如图2所示,步骤S104之后,本发明实施例的方法还包括:
步骤S105:根据识别得到的道路病害的种类确定道路病害的介电常数。
每个种类道路病害的介电常数如下:空洞病害为1,富水病害为81,疏松病害为2。
综上,通过上述的过程,第一计算方程依据图谱中A-Scan矢量信息计算得到明显程度值,可以看作是介电常数的计算值;第二计算方程依据实测的病害的尺寸和埋深计算得到介电常数,可以看作是介电常数的实测值。通过这两种计算方程之间的对抗博弈,得出了精度较高的模型,并且以此确定病害的种类及介电常数,给道路管养人员以养护措施的参考,解决了现有技术将介电常数作为影响因素列入方程自变量中会导致方程计算结果误差很大,精度不能保证,实际应用价值很低的问题。
此外,基于对大量实际雷达图的处理,发现500MHz和800MHz天线的有效信号深度在1m以内,300MHz天线的有效信号深度在2m以内。有效信号深度以下的部分仍有雷达信号,但是病害图不清晰,无法作为深度学习的训练集数据。优选的,基于病害所在的不同深度,本发明实施例对雷达图进行如前所述的预处理。前述涉及对雷达图的预处理的过程均可按照如下方法进行:
(1)对采集的第一雷达图的雷达信号的一阶导数进行快速傅立叶变换,得到第二雷达图。
对雷达信号的一阶导数进行快速傅立叶变换(Fast Fourier Transform),将雷达信号的直流漂移归零,具体公式如下:
(2)去除第二雷达图的雷达信号的第一个波峰以上的图谱,得到第三雷达图。
通过静校正(Adjust Signal Position)的方式去除雷达信号第一个波峰以上的图谱。
(3)根据第三雷达图中的病害的深度,将第三雷达图的病害信号进行不同预设次数的增益(Inverse Amplitude Decay),得到第四雷达图。
通过所有A-Scan的能量衰减得到最佳拟合衰减模型,并对雷达信号进行竖向增益。一次增益可以增强20ns范围内的雷达信号,满足0~1m深度范围内的病害需求。但是1~2m范围内的信号较弱,若只增强图谱的对比度,则0~1m范围内的信号过于强烈,不利于凸显病害图谱。二次增益后,0~10ns范围内强烈的反射信号变弱,15~40ns范围内的雷达信号增强,满足了1~2m深度范围内的病害需求。因此,根据病害深度的不同,对第三雷达图进行不同的增益处理,具体如下:
①若第三雷达图中的病害的深度不小于0m且不大于1m,则将第三雷达图的病害信号进行一次增益,得到第四雷达图。
②若第三雷达图中的病害的深度为大于1m且不大于2m,则将第三雷达图的病害信号进行二次增益,得到第四雷达图。
通过上述两种不同的方式,可提高不同深度的图像的清晰度。
(4)对第四雷达图进行带通滤波(Bandpassbutterworth),得到第五雷达图。
(5)去除第五雷达图的背景噪音,得到雷达图。
通过高斯分布概率密度函数(Probability Density Function)去除雷达图的背景噪音。高斯分布概率密度函数可表示为x~(μ,δ2),则:
如图14(a)和(b)所示,可以看出0~1m范围内的图谱按照流程处理后,病害图像清晰可见。300MHz由于时窗较大,有效信号深度为2m,一次增益后结构层反射信号过强,下方的病害图谱不清晰,如图15(a)所示。调节对比度后图谱失真且病害依然不清晰,如图15(b)所示。二次增益后0~10ns范围内的结构层反射信号减弱,15~40ns范围内病害图谱信号增强,使得1~2m范围内的病害图像更加突出,如图15(c)所示。
此外,本发明实施例还公开了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序指令;所述计算机程序指令被处理器执行时实现如上述实施例所述的道路病害的识别方法。
此外,本发明实施例还公开了一种道路病害的识别系统,包括:如上述实施例所述的计算机可读存储介质。
综上,本发明实施例,研究隐性病害内在性质影响因素,通过对正演模型的A-Scan波形的分析,得出天线频率、病害尺寸、病害埋深与病害介电常数等对病害图谱的A-Scan的影响,从而将雷达图与病害介电常数联系起来,通过雷达图直接得到病害的导电性能,定量化地得到每个种类的病害的介电常数与电磁波反射强弱的关系,使雷达探测发挥出更大的功效;此外,可通过病害的明显程度值和介电常数的对比确定病害的种类,从而确定病害的介电常数,减少人工运算量,以便于养护人员分析病害的信息,为界定病害的实际情况打下基础,进一步丰富相关领域的研究。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种道路病害的识别方法,其特征在于,包括:
通过不同种类的道路病害的明显程度值的第一计算方程分别计算得到获取的道路病害的堆叠波形图中病害区域对应的明显程度值;
通过不同种类的道路病害的介电常数的第二计算方程分别计算得到采集的所述道路病害的雷达图中病害区域对应的介电常数;
分别计算相同种类的所述明显程度值与所述介电常数的差值的绝对值;
识别所述道路病害的种类为最小的所述绝对值对应的种类。
2.根据权利要求1所述的道路病害的识别方法,其特征在于,所述识别所述道路病害的种类为最小的所述绝对值对应的种类的步骤之后,所述方法还包括:
根据识别得到的所述道路病害的种类确定所述道路病害的介电常数。
3.根据权利要求1所述的道路病害的识别方法,其特征在于,还包括:
对于每个种类的道路病害,在该种类设计的至少两个第二计算方程中,选择精度最高的第二计算方程;
选择第二计算方程后,在该种类设计的至少两个第一计算方程中,计算每一第一计算方程计算得到的明显程度值与选择的第二计算方程计算得到的介电系数的差值的绝对值;
选择最小的差值的绝对值的第一计算方程。
4.根据权利要求1所述的道路病害的识别方法,其特征在于,所述道路病害的种类包括:空洞病害种类、富水病害种类和疏松病害种类。
6.根据权利要求1所述的道路病害的识别方法,其特征在于,
富水病害种类的第一计算方程为:
其中,B3表示富水病害种类的明显程度值,Di表示所述堆叠波形图中第i条抛物线处对应的病害区域的宽度,Ti表示所述堆叠波形图中第i条抛物线处对应的病害区域的A-Scan的黑色区域所在的抛物线的开口的宽度,ΔAi表示所述堆叠波形图中第i条抛物线处对应的病害在所述堆叠波形图中的突出程度,ud表示1cm里程在所述堆叠波形图中的长度,uT表示1ns时窗在所述堆叠波形图中的长度;
富水病害种类的第二计算方程为:
其中,B4表示富水病害种类的介电常数,b1~b11分别表示第一富水系数~第十一富水系数,L表示病害水平尺寸,W表示病害竖向尺寸,d表示病害埋深。
9.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质上存储有计算机程序指令;所述计算机程序指令被处理器执行时实现如权利要求1~8中任一项所述的道路病害的识别方法。
10.一种道路病害的识别系统,其特征在于,包括:如权利要求9所述的计算机可读存储介质。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310218776.XA CN116434057A (zh) | 2023-03-01 | 2023-03-01 | 一种道路病害的识别方法、介质及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310218776.XA CN116434057A (zh) | 2023-03-01 | 2023-03-01 | 一种道路病害的识别方法、介质及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116434057A true CN116434057A (zh) | 2023-07-14 |
Family
ID=87084554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310218776.XA Pending CN116434057A (zh) | 2023-03-01 | 2023-03-01 | 一种道路病害的识别方法、介质及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116434057A (zh) |
Cited By (1)
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 |
-
2023
- 2023-03-01 CN CN202310218776.XA patent/CN116434057A/zh active Pending
Cited By (2)
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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105445751B (zh) | 一种浅水区域水深比值遥感反演方法 | |
CN102938071B (zh) | 基于非局部均值的sar图像变化检测模糊聚类分析方法 | |
CN110134976B (zh) | 一种机载激光测深信号提取方法及系统 | |
CN116434057A (zh) | 一种道路病害的识别方法、介质及系统 | |
CN105929385B (zh) | 基于双水听器lofar谱图分析的目标深度分辨方法 | |
Gonzalez-Huici et al. | A combined strategy for landmine detection and identification using synthetic GPR responses | |
CN105093207A (zh) | 基于优化lm算法的激光雷达波形分解的方法 | |
CN108414991A (zh) | 高分辨雷达非均匀杂波场景微小目标恒虚警检测方法 | |
CN101923063A (zh) | 一种粮堆中异物的识别方法 | |
CN103927737A (zh) | 基于非局部均值的sar图像变化检测方法 | |
CN103400383A (zh) | 基于nsct和压缩投影的sar图像变化检测方法 | |
CN114966560B (zh) | 一种探地雷达后向投影成像方法及系统 | |
CN109410265A (zh) | 一种基于往期dem辅助的tin滤波改进算法 | |
CN105116412B (zh) | 一种宽带雷达isar图像性能定量判别方法 | |
CN108038856B (zh) | 基于改进多尺度分形增强的红外小目标检测方法 | |
Cui et al. | The accurate estimation of GPR migration velocity and comparison of imaging methods | |
CN107678025B (zh) | 海浪波高计算方法和装置、存储介质及处理器 | |
CN113269889B (zh) | 一种基于椭圆域的自适应点云目标聚类方法 | |
Luo et al. | Accurate tree roots positioning and sizing over undulated ground surfaces by common offset GPR measurements | |
Lijun et al. | Geo‐information mapping improves Canny edge detection method | |
CN110133680B (zh) | 一种机载激光测深接收波形有效信号初值确定方法及系统 | |
CN112989940B (zh) | 基于高分三号卫星sar影像的筏式养殖区提取方法 | |
CN108983158B (zh) | 一种基于Hankel矩阵奇异值分解的探地雷达噪声抑制方法 | |
Li et al. | Artifact suppression of back-projection algorithm under multiple buried objects | |
Milisavljević et al. | Improving mine recognition through processing and Dempster–Shafer fusion of ground-penetrating radar data |
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 |