论文部分内容阅读
摘要：随着高速公路里程的不断增加以及使用年限的不断增长，高速公路的养护工作变得日趋繁重和重要。探地雷达（groundpenetrating radar，GPR）作为一种快速、高精度、高分辨率的无损实时探测工具，广泛地应用于高速公路路面浅层病害检测。但是，GPR跟光学成像设备不同，它不能直接反映目标的特征。因此，使用GPR检测高速公路路面浅层质量时，如何由获取的GPR数据解释高速公路路面浅层质量状况成为问题的关键。本文利用卷积神经网络对雷达图像进行自动检测，对原始雷达图像进行预处理，并将其分为训练集和测试集，然后进行模型训练，测试集准确率能达到80%。为了测量模型的稳定性和性能，使用不同的发射天线频率以及不同路面状况，实验结果表明利用卷积神经网络对高速公路路面浅层病害进行自动检测能大大的提高解释效率，减少成本。
关键词：探地雷达;卷积神经网络;路面浅层病害
1. 引言
近些年来，随着城市规模的逐渐扩大，尤其是针对特大型、大型及中型城市中道路存在拥堵的情况，其市政道路缺陷快速有效识别与合理修缮日趋成为当今工程界突出问题。目前探地雷达作为高效的城市道路缺陷检测方法而被广泛应用。
然而，探地雷达（ground penetrating radar，GPR）不具备光学成像设备那样的功能，不能直接反映目标的特征。因此，使用GPR对高速公路路面浅层质量检测时，如何由获得的GPR数据解释高速公路路面浅层质量状况成为问题的关键。研究基于卷积神经网络（convolutional neural networks，CNN）的高速公路路面浅层病害的自动识别系统模型具有多重意义：①可以使系统直接自动反映路面浅层质量，可以通过自动识别的方式解决GPR数据解释的多解性，从而推动GPR在高速公路基础设施检测中的作用。②如果将该系统与高速公路路面病害识别系统相结合，可探究路面病害与路面浅层病害的对应关系，以及路面病害与路面浅层病害产生的机理。
2. 国内外研究现状
Solla等（2014）利用C+编程语言的强大功能和Qt框架的优势，利用图形界面开发应用程序的优点，实现了一种简单直观的工具，该软件还提供了一个可视化应用程序，利用附加的GPS（Global定位系统）数据进行野外探地雷达数据的地理参照。实现高精度的道路检测。Uus等（2016）提出了一种在热拌沥青（HMA）道路勘测中自动检测探地雷达数据缺陷和结构变化的新方法。该方法侧重于地下结构和材料特性重大偏差的自动识别。它是基于检测的强度变化趋势的纵线插值B-扫描，其特点是偏差超过一个定义的阈值。输出包括绘制的缺陷和劣化区域，以及道路结构设计中检测到的变化的位置。Li等（2017）利用包括地质雷达在内的多源勘测方法用于隧道路基路面及前方掌子面上的识别，取得了较好的应用效果。倪新辉（2018）将三维地质雷达技术引入城市地下病害的探测中。赵慧冰（2018）较为系统的针对水工混凝土交界面回波特征与小波变换研究。温晓东（2018）则进一步对城市隐伏缺陷识别及排查中的典型地质雷达解译干扰图像进行了较为系统的研究。刘立超（2018）将人脸识别融入至地质雷达识别过程中，提高了识别的精度。
3. 主要研究内容
产生探地雷达数据集图像用于卷积神经网络，完整的数据集包括训练集和测试集以及相应的病害类别。为了获得高质量的雷达数据图像，雷达仪器的选择以及路面选择尤其重要;将获得的原始探地雷达数据图像进行预处理，并将数据集切分成大小一致的雷达图像，以便为后续的CNN检测提供便利;详解介绍卷积神经网络结构，包括卷积层、最大池化层、全连接层等;利用卷积神经网络对预处理好的训练数据进行训练，并利用训练集对训练好的模型进行优化，最后利用测试集对模型进行评估，评估卷积神经网络是否能有效的检测路面浅层病害。
4. 研究总体设计
利用卷积神经网络对路面浅层病害进行自动识别，首先将获取的原始GPR图像分成训练集与测试集，并手工的将路面病害类别进行标签分类，为卷积神经网络自动检测提供标签类别。然后利用卷积神经网络对数据集进行训练，其中卷积神经网络包含两个卷积层，两个最大池化层，一个全连接层以及一个softmax层。输入的图像大小为256*256，卷积核大小为3*3，池化层步长为2，倒数第二层全连接层大小为1000*1，，最后一层softmax层用于分类路面病害情况。
为了确定卷积神经网络训练好后模型的稳定性和性能，改变发射天线频率以及不同路面结构，利用这两种方法来评估模型稳定性和性能。
最后使用传统的卷积神经网络和微调参数后的卷积神经网络训练模型，比较两种模型的准确率以及时间效率。
5. 结论
利用卷积神经网络对路面浅层病害进行自动识别，卷积神经网络训练好后的模型在测试集上能达到80%准确率，改变发射天线频率，以及使用不同的路面结构来评估模型的稳定性和性能，结果表明卷积神经网络训练好后的模型稳定性好，性能较优。因此，利用卷积神经网络对路面浅层病害进行自动识别大大提高了解释效率，从而减少了成本。
参考文献：
[1] Solla M，Nú？ez-Nieto X，Varela-González M，et al.GPR for road in-spection：Georeferencing and efficient approach to data processing and visualiza-tion[C]//International Conference on Ground Penetrating Radar.2014.
[2] Uus A，Liatsis P，Slabaugh G，et al.Trend deviation analysis for automat-ed detection of defects in GPR data for road condition surveys[C]//International Conference on Systems.2016.
[3] Li SC，Liu B，Xu XJ et al.An overview of ahead geological prospecting in tunneling[J].Tunnelling and Underground Space Technology，2017，63：69-94.
[4] 赵慧冰.基于地质雷达的水工混凝土交界面回波特征与小波变换研究[D].西安：西安理工大学，2018.
[5] 路家勤.公路路面厚度检测中地质雷达的应用分析[J].西部交通科技，2018：70-73.
[6] 倪新辉.三维探地雷达在探测城市地下病害中的应用研究[J].中国煤炭地质，2018，7.
[7] 刘立超.基于人脸识别的三维探地雷达道路病害变化自动识别技術研究[D].北京：中国地质大学（北京），2018.
关键词：探地雷达;卷积神经网络;路面浅层病害
1. 引言
近些年来，随着城市规模的逐渐扩大，尤其是针对特大型、大型及中型城市中道路存在拥堵的情况，其市政道路缺陷快速有效识别与合理修缮日趋成为当今工程界突出问题。目前探地雷达作为高效的城市道路缺陷检测方法而被广泛应用。
然而，探地雷达（ground penetrating radar，GPR）不具备光学成像设备那样的功能，不能直接反映目标的特征。因此，使用GPR对高速公路路面浅层质量检测时，如何由获得的GPR数据解释高速公路路面浅层质量状况成为问题的关键。研究基于卷积神经网络（convolutional neural networks，CNN）的高速公路路面浅层病害的自动识别系统模型具有多重意义：①可以使系统直接自动反映路面浅层质量，可以通过自动识别的方式解决GPR数据解释的多解性，从而推动GPR在高速公路基础设施检测中的作用。②如果将该系统与高速公路路面病害识别系统相结合，可探究路面病害与路面浅层病害的对应关系，以及路面病害与路面浅层病害产生的机理。
2. 国内外研究现状
Solla等（2014）利用C+编程语言的强大功能和Qt框架的优势，利用图形界面开发应用程序的优点，实现了一种简单直观的工具，该软件还提供了一个可视化应用程序，利用附加的GPS（Global定位系统）数据进行野外探地雷达数据的地理参照。实现高精度的道路检测。Uus等（2016）提出了一种在热拌沥青（HMA）道路勘测中自动检测探地雷达数据缺陷和结构变化的新方法。该方法侧重于地下结构和材料特性重大偏差的自动识别。它是基于检测的强度变化趋势的纵线插值B-扫描，其特点是偏差超过一个定义的阈值。输出包括绘制的缺陷和劣化区域，以及道路结构设计中检测到的变化的位置。Li等（2017）利用包括地质雷达在内的多源勘测方法用于隧道路基路面及前方掌子面上的识别，取得了较好的应用效果。倪新辉（2018）将三维地质雷达技术引入城市地下病害的探测中。赵慧冰（2018）较为系统的针对水工混凝土交界面回波特征与小波变换研究。温晓东（2018）则进一步对城市隐伏缺陷识别及排查中的典型地质雷达解译干扰图像进行了较为系统的研究。刘立超（2018）将人脸识别融入至地质雷达识别过程中，提高了识别的精度。
3. 主要研究内容
产生探地雷达数据集图像用于卷积神经网络，完整的数据集包括训练集和测试集以及相应的病害类别。为了获得高质量的雷达数据图像，雷达仪器的选择以及路面选择尤其重要;将获得的原始探地雷达数据图像进行预处理，并将数据集切分成大小一致的雷达图像，以便为后续的CNN检测提供便利;详解介绍卷积神经网络结构，包括卷积层、最大池化层、全连接层等;利用卷积神经网络对预处理好的训练数据进行训练，并利用训练集对训练好的模型进行优化，最后利用测试集对模型进行评估，评估卷积神经网络是否能有效的检测路面浅层病害。
4. 研究总体设计
利用卷积神经网络对路面浅层病害进行自动识别，首先将获取的原始GPR图像分成训练集与测试集，并手工的将路面病害类别进行标签分类，为卷积神经网络自动检测提供标签类别。然后利用卷积神经网络对数据集进行训练，其中卷积神经网络包含两个卷积层，两个最大池化层，一个全连接层以及一个softmax层。输入的图像大小为256*256，卷积核大小为3*3，池化层步长为2，倒数第二层全连接层大小为1000*1，，最后一层softmax层用于分类路面病害情况。
为了确定卷积神经网络训练好后模型的稳定性和性能，改变发射天线频率以及不同路面结构，利用这两种方法来评估模型稳定性和性能。
最后使用传统的卷积神经网络和微调参数后的卷积神经网络训练模型，比较两种模型的准确率以及时间效率。
5. 结论
利用卷积神经网络对路面浅层病害进行自动识别，卷积神经网络训练好后的模型在测试集上能达到80%准确率，改变发射天线频率，以及使用不同的路面结构来评估模型的稳定性和性能，结果表明卷积神经网络训练好后的模型稳定性好，性能较优。因此，利用卷积神经网络对路面浅层病害进行自动识别大大提高了解释效率，从而减少了成本。
参考文献：
[1] Solla M，Nú？ez-Nieto X，Varela-González M，et al.GPR for road in-spection：Georeferencing and efficient approach to data processing and visualiza-tion[C]//International Conference on Ground Penetrating Radar.2014.
[2] Uus A，Liatsis P，Slabaugh G，et al.Trend deviation analysis for automat-ed detection of defects in GPR data for road condition surveys[C]//International Conference on Systems.2016.
[3] Li SC，Liu B，Xu XJ et al.An overview of ahead geological prospecting in tunneling[J].Tunnelling and Underground Space Technology，2017，63：69-94.
[4] 赵慧冰.基于地质雷达的水工混凝土交界面回波特征与小波变换研究[D].西安：西安理工大学，2018.
[5] 路家勤.公路路面厚度检测中地质雷达的应用分析[J].西部交通科技，2018：70-73.
[6] 倪新辉.三维探地雷达在探测城市地下病害中的应用研究[J].中国煤炭地质，2018，7.
[7] 刘立超.基于人脸识别的三维探地雷达道路病害变化自动识别技術研究[D].北京：中国地质大学（北京），2018.