基于神經(jīng)網(wǎng)絡的道路病害圖片識別研究

周廷楠，郭 建

(桂林電子科技大學，廣西壯族自治區(qū) 桂林 541004)

1 引 言

道路由于車輛荷載的作用和自然環(huán)境等影響，原路面結(jié)構(gòu)也隨之發(fā)生變化，產(chǎn)生脫空、疏松、裂縫等道路病害，使道路承載能力降低，對道路的使用壽命產(chǎn)生了嚴重影響。目前對于道路病害的檢測方法主要是鉆芯取樣，但是鉆芯取樣的弊端也尤為明顯，對路面破壞大、取樣速度慢、存在安全隱患。而探地雷達通過向地下發(fā)射高頻電磁波，電磁波通過地下介質(zhì)進行傳播，一旦遇存在電位差的目標，立即返回到接收天線端，并根據(jù)目標的空間位置、幾何形態(tài)等參數(shù)確定目標類型，從而達到對目標的探測作用，具有不耽誤工期、效率高、便捷快速等優(yōu)勢。

傳統(tǒng)病害識別中往往依賴人工鑒別的方式，不僅耗時費力且主觀性強，由于科學技術的飛速發(fā)展，神經(jīng)網(wǎng)絡在圖片識別中的應用也隨之進入發(fā)展的新高度。在各項工程項目中也有顯著作用，其中，對于道路病害的研究也提供了一個新方向。

基于上述GPR優(yōu)勢和神經(jīng)網(wǎng)絡圖片識別的進步，可以將探地雷達與神經(jīng)網(wǎng)絡相結(jié)合，達到道路病害圖像識別快速高效、半自動化的目的。

利用仿真雷達模擬的開源軟件GprMax，對探地雷達各病害圖片進行正演數(shù)值模擬，生成不同道路病害的圖片，為之后YOLO網(wǎng)絡訓練提供基礎數(shù)據(jù)集。通過運用訓練好的YOLO框架對道路病害圖片進行自主識別及分類。最后，通過探地雷達實地勘測圖片對數(shù)據(jù)集進行檢測，驗證仿真模擬的有效性。

2 仿真模擬

2.1 數(shù)值模擬

雖然病害形式各有不同，但主要原因是由于施工過程中壓實度不夠?qū)е率杷桑沟每諝夂退M入，導致病害區(qū)域電位差發(fā)生變化，這樣便可使用探地雷達對病害進行檢測。運用GprMax對探地雷達圖像進行仿真模擬，如圖1將道路橫切面分為面層、基層、底基層、墊層。

圖1 結(jié)構(gòu)面剖面圖

利用源軟件GprMax對各道路病害建模，獲得充足數(shù)據(jù)集，以便訓練神經(jīng)網(wǎng)絡。設置整個結(jié)構(gòu)剖面大小為2 m×1.5 m的矩形，其中結(jié)構(gòu)層電性參數(shù)如表1所示。

表1 結(jié)構(gòu)層電性參數(shù)表

表中：f1：靜態(tài)時介質(zhì)的相對介電常數(shù)。f2：在理論上的無限頻率的相對介電常數(shù)。f3：介質(zhì)的弛豫時間，s。f4：靜態(tài)時介質(zhì)的電導率，S/m。f5：相對磁導率的介質(zhì)。f6：介質(zhì)的磁導率。

2.2 病害分析

道路在使用過程中會因為不可控因素產(chǎn)生不特定道路病害在，以此仿真模擬中，模擬不同病害位置、大小、類型，仿真路基病害主要分為脫空病害、疏松病害、裂縫病害。

在雷達圖像中可以看出。

(1)脫空病害區(qū)域的電磁波有較強的反射波，并且所在邊界存在繞射現(xiàn)象。

(2)疏松病害區(qū)域內(nèi)介質(zhì)與周邊介質(zhì)存在明顯的電位差，電磁波在疏松區(qū)域頂端會產(chǎn)生較強的反射回波，疏松區(qū)域含水的孔隙也有較強的反射波，且存在較多的衍射。

(3)裂縫病害區(qū)域反射雙曲線的定點對應裂縫的頂端位置，位于垂直裂縫的多次散射波能量高強，多以裂縫地段的位置不易確定。

(4)空洞頂部和底部均有較強的反射波信號，空洞頂部的反射波最強，并且還存在多次反射波，隨著探測深度的增加，反射信號逐漸變?nèi)?，空洞底部的反射信號不明顯。

3 訓練數(shù)據(jù)集與圖片識別

在仿真制作足夠的道路病害樣本后，選擇適當神經(jīng)網(wǎng)絡對其進行數(shù)據(jù)集的分類并訓練，觀察優(yōu)化神經(jīng)網(wǎng)絡辨別病害準確率。

3.1 檢測框架的選擇

YOLO是一種基于深度學習神經(jīng)網(wǎng)絡的對象識別和定位算法，其最大的特點是運行速度很快，可用于實時系統(tǒng)。YOLO網(wǎng)絡是目標檢測的一個強大框架，使用已經(jīng)在大型目標檢測數(shù)據(jù)庫預訓練過的模型參數(shù)，這樣可以達到很好的識別效果。具體過程如圖2所示。

圖2 yolo框架

由于存在訓練速度慢的明顯特點，前期的訓練需花費大量的時間，前期的訓練優(yōu)化可在GPU上完成。訓練完成后只需要前向傳播，而這種傳播方式基本是矩陣乘法，可很快的達到應用水準。

3.2 訓練優(yōu)化

由于存在訓練速度慢的特點，如果使用較少數(shù)量的圖像進行深度網(wǎng)絡訓練時，容易是網(wǎng)絡陷入局部最優(yōu)點，產(chǎn)生擬合現(xiàn)象。并且這樣得到的算法在測試集上的泛化能力差。此時，可以引用隨機隱退機制。

隨機隱退是，在隱退層引入過濾函數(shù)，過濾函數(shù)直接作用于隱含層H1，過濾后得到新的隱含層，如下

(1)

對于線性網(wǎng)絡，其h層的第i個單元的表達形式，如下

(2)

(3)

式中：δ為一個服從伯努利方程的變量。此時，可以得到這個單元的數(shù)學期望，如下

(4)

此算法加快訓練速率，減少時間消耗，并且對于圖片樣本數(shù)量大大降低。

3.3 實例驗證準確性

利用GprMax仿真建模的探地雷達數(shù)據(jù)樣本對神經(jīng)網(wǎng)絡進行訓練，訓練完成后使用探地雷達在實際工程中采回的道路病害回波樣本，對訓練后的神經(jīng)網(wǎng)絡進行檢驗。對于不同道路病害的識別結(jié)果如表2所示。

表2 不同道路病害的識別結(jié)果

由表2的結(jié)果可以看出，使用訓練后的YOLO網(wǎng)絡對各病害的識別率平均值可達到67.1%，并可自主定位病害位置，可高效的完成道路病害圖像識別，提升效率，具有在工程上進行應用與推廣的潛能。

4 結(jié) 論

通過結(jié)果可知，運用GprMax正演建?？山鎸嵉姆抡娉龅缆凡『夭ㄌ卣?，本文使用的算法中引入隨即引退機制，使得數(shù)據(jù)集的訓練對樣本數(shù)量大幅下降，解決了前期訓練速度慢的弊端。在此基礎上，利用YOLO網(wǎng)絡對道路各種病害的識別率平均值可達到67.1%，在一定程度上可輔助人工對病害進行識別，克服了傳統(tǒng)人工辨別的主觀性。同時，利用YOLO網(wǎng)絡對道路病害識別并定位可大大縮短時間，提高效率。由此此網(wǎng)絡的道路病害圖像識別可快速準確的對道路病害進行識別及分類，大幅提升工作效率，較傳統(tǒng)人工識別方法快捷、準確、客觀，可為道路病害勘測提供幫助。日后可繼續(xù)通過訓練，提高YOLO網(wǎng)絡識別準確率。