鐘炳輝

摘要：隨著高速公路里程的不斷增加以及使用年限的不斷增長(zhǎng)，高速公路的養(yǎng)護(hù)工作變得日趨繁重和重要。探地雷達(dá)（groundpenetrating radar，GPR）作為一種快速、高精度、高分辨率的無(wú)損實(shí)時(shí)探測(cè)工具，廣泛地應(yīng)用于高速公路路面淺層病害檢測(cè)。但是，GPR跟光學(xué)成像設(shè)備不同，它不能直接反映目標(biāo)的特征。因此，使用GPR檢測(cè)高速公路路面淺層質(zhì)量時(shí)，如何由獲取的GPR數(shù)據(jù)解釋高速公路路面淺層質(zhì)量狀況成為問(wèn)題的關(guān)鍵。本文利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)雷達(dá)圖像進(jìn)行自動(dòng)檢測(cè)，對(duì)原始雷達(dá)圖像進(jìn)行預(yù)處理，并將其分為訓(xùn)練集和測(cè)試集，然后進(jìn)行模型訓(xùn)練，測(cè)試集準(zhǔn)確率能達(dá)到80%。為了測(cè)量模型的穩(wěn)定性和性能，使用不同的發(fā)射天線(xiàn)頻率以及不同路面狀況，實(shí)驗(yàn)結(jié)果表明利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)高速公路路面淺層病害進(jìn)行自動(dòng)檢測(cè)能大大的提高解釋效率，減少成本。

關(guān)鍵詞：探地雷達(dá);卷積神經(jīng)網(wǎng)絡(luò);路面淺層病害

1.??? 引言

近些年來(lái)，隨著城市規(guī)模的逐漸擴(kuò)大，尤其是針對(duì)特大型、大型及中型城市中道路存在擁堵的情況，其市政道路缺陷快速有效識(shí)別與合理修繕日趨成為當(dāng)今工程界突出問(wèn)題。目前探地雷達(dá)作為高效的城市道路缺陷檢測(cè)方法而被廣泛應(yīng)用。

然而，探地雷達(dá)（ground penetrating radar，GPR）不具備光學(xué)成像設(shè)備那樣的功能，不能直接反映目標(biāo)的特征。因此，使用GPR對(duì)高速公路路面淺層質(zhì)量檢測(cè)時(shí)，如何由獲得的GPR數(shù)據(jù)解釋高速公路路面淺層質(zhì)量狀況成為問(wèn)題的關(guān)鍵。研究基于卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）的高速公路路面淺層病害的自動(dòng)識(shí)別系統(tǒng)模型具有多重意義：①可以使系統(tǒng)直接自動(dòng)反映路面淺層質(zhì)量，可以通過(guò)自動(dòng)識(shí)別的方式解決GPR數(shù)據(jù)解釋的多解性，從而推動(dòng)GPR在高速公路基礎(chǔ)設(shè)施檢測(cè)中的作用。②如果將該系統(tǒng)與高速公路路面病害識(shí)別系統(tǒng)相結(jié)合，可探究路面病害與路面淺層病害的對(duì)應(yīng)關(guān)系，以及路面病害與路面淺層病害產(chǎn)生的機(jī)理。

2.??? 國(guó)內(nèi)外研究現(xiàn)狀

Solla等（2014）利用C+編程語(yǔ)言的強(qiáng)大功能和Qt框架的優(yōu)勢(shì)，利用圖形界面開(kāi)發(fā)應(yīng)用程序的優(yōu)點(diǎn)，實(shí)現(xiàn)了一種簡(jiǎn)單直觀的工具，該軟件還提供了一個(gè)可視化應(yīng)用程序，利用附加的GPS（Global定位系統(tǒng)）數(shù)據(jù)進(jìn)行野外探地雷達(dá)數(shù)據(jù)的地理參照。實(shí)現(xiàn)高精度的道路檢測(cè)。Uus等（2016）提出了一種在熱拌瀝青（HMA）道路勘測(cè)中自動(dòng)檢測(cè)探地雷達(dá)數(shù)據(jù)缺陷和結(jié)構(gòu)變化的新方法。該方法側(cè)重于地下結(jié)構(gòu)和材料特性重大偏差的自動(dòng)識(shí)別。它是基于檢測(cè)的強(qiáng)度變化趨勢(shì)的縱線(xiàn)插值B-掃描，其特點(diǎn)是偏差超過(guò)一個(gè)定義的閾值。輸出包括繪制的缺陷和劣化區(qū)域，以及道路結(jié)構(gòu)設(shè)計(jì)中檢測(cè)到的變化的位置。Li等（2017）利用包括地質(zhì)雷達(dá)在內(nèi)的多源勘測(cè)方法用于隧道路基路面及前方掌子面上的識(shí)別，取得了較好的應(yīng)用效果。倪新輝（2018）將三維地質(zhì)雷達(dá)技術(shù)引入城市地下病害的探測(cè)中。趙慧冰（2018）較為系統(tǒng)的針對(duì)水工混凝土交界面回波特征與小波變換研究。溫曉東（2018）則進(jìn)一步對(duì)城市隱伏缺陷識(shí)別及排查中的典型地質(zhì)雷達(dá)解譯干擾圖像進(jìn)行了較為系統(tǒng)的研究。劉立超（2018）將人臉識(shí)別融入至地質(zhì)雷達(dá)識(shí)別過(guò)程中，提高了識(shí)別的精度。

3.??? 主要研究?jī)?nèi)容

產(chǎn)生探地雷達(dá)數(shù)據(jù)集圖像用于卷積神經(jīng)網(wǎng)絡(luò)，完整的數(shù)據(jù)集包括訓(xùn)練集和測(cè)試集以及相應(yīng)的病害類(lèi)別。為了獲得高質(zhì)量的雷達(dá)數(shù)據(jù)圖像，雷達(dá)儀器的選擇以及路面選擇尤其重要;將獲得的原始探地雷達(dá)數(shù)據(jù)圖像進(jìn)行預(yù)處理，并將數(shù)據(jù)集切分成大小一致的雷達(dá)圖像，以便為后續(xù)的CNN檢測(cè)提供便利;詳解介紹卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，包括卷積層、最大池化層、全連接層等;利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)預(yù)處理好的訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練，并利用訓(xùn)練集對(duì)訓(xùn)練好的模型進(jìn)行優(yōu)化，最后利用測(cè)試集對(duì)模型進(jìn)行評(píng)估，評(píng)估卷積神經(jīng)網(wǎng)絡(luò)是否能有效的檢測(cè)路面淺層病害。

4.??? 研究總體設(shè)計(jì)

利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)路面淺層病害進(jìn)行自動(dòng)識(shí)別，首先將獲取的原始GPR圖像分成訓(xùn)練集與測(cè)試集，并手工的將路面病害類(lèi)別進(jìn)行標(biāo)簽分類(lèi)，為卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)檢測(cè)提供標(biāo)簽類(lèi)別。然后利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練，其中卷積神經(jīng)網(wǎng)絡(luò)包含兩個(gè)卷積層，兩個(gè)最大池化層，一個(gè)全連接層以及一個(gè)softmax層。輸入的圖像大小為256*256，卷積核大小為3*3，池化層步長(zhǎng)為2，倒數(shù)第二層全連接層大小為1000*1，，最后一層softmax層用于分類(lèi)路面病害情況。

為了確定卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練好后模型的穩(wěn)定性和性能，改變發(fā)射天線(xiàn)頻率以及不同路面結(jié)構(gòu)，利用這兩種方法來(lái)評(píng)估模型穩(wěn)定性和性能。

最后使用傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)和微調(diào)參數(shù)后的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型，比較兩種模型的準(zhǔn)確率以及時(shí)間效率。

5.??? 結(jié)論

利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)路面淺層病害進(jìn)行自動(dòng)識(shí)別，卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練好后的模型在測(cè)試集上能達(dá)到80%準(zhǔn)確率，改變發(fā)射天線(xiàn)頻率，以及使用不同的路面結(jié)構(gòu)來(lái)評(píng)估模型的穩(wěn)定性和性能，結(jié)果表明卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練好后的模型穩(wěn)定性好，性能較優(yōu)。因此，利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)路面淺層病害進(jìn)行自動(dòng)識(shí)別大大提高了解釋效率，從而減少了成本。

參考文獻(xiàn)：

[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]?? 趙慧冰.基于地質(zhì)雷達(dá)的水工混凝土交界面回波特征與小波變換研究[D].西安：西安理工大學(xué)，2018.

[5]?? 路家勤.公路路面厚度檢測(cè)中地質(zhì)雷達(dá)的應(yīng)用分析[J].西部交通科技，2018：70-73.

[6]?? 倪新輝.三維探地雷達(dá)在探測(cè)城市地下病害中的應(yīng)用研究[J].中國(guó)煤炭地質(zhì)，2018，7.

[7]?? 劉立超.基于人臉識(shí)別的三維探地雷達(dá)道路病害變化自動(dòng)識(shí)別技術(shù)研究[D].北京：中國(guó)地質(zhì)大學(xué)（北京），2018.