基于CNN的高速公路路面淺層病害的自動識別算法研究

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，高速公路的養護工作變得日趨繁重和重要。探地雷達（groundpenetrating radar，GPR）作為一種快速、高精度、高分辨率的無損實時探測工具，廣泛地應用于高速公路路面淺層病害檢測。但是，GPR跟光學成像設備不同，它不能直接反映目標的特征。因此，使用GPR檢測高速公路路面淺層質量時，如何由獲取的GPR數據解釋高速公路路面淺層質量狀況成為問題的關鍵。本文利用卷積神經網絡對雷達圖像進行自動檢測，對原始雷達圖像進行預處理，并將其分為訓練集和測試集，然后進行模型訓練，測試集準確率能達到80%。為了測量模型的穩定性和性能，使用不同的發射天線頻率以及不同路面狀況，實驗結果表明利用卷積神經網絡對高速公路路面淺層病害進行自動檢測能大大的提高解釋效率，減少成本。

關鍵詞：探地雷達;卷積神經網絡;路面淺層病害

1.??? 引言

近些年來，隨著城市規模的逐漸擴大，尤其是針對特大型、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別與合理修繕日趨成為當今工程界突出問題。目前探地雷達作為高效的城市道路缺陷檢測方法而被廣泛應用。

然而，探地雷達（ground penetrating radar，GPR）不具備光學成像設備那樣的功能，不能直接反映目標的特征。因此，使用GPR對高速公路路面淺層質量檢測時，如何由獲得的GPR數據解釋高速公路路面淺層質量狀況成為問題的關鍵。研究基于卷積神經網絡（convolutional neural networks，CNN）的高速公路路面淺層病害的自動識別系統模型具有多重意義：①可以使系統直接自動反映路面淺層質量，可以通過自動識別的方式解決GPR數據解釋的多解性，從而推動GPR在高速公路基礎設施檢測中的作用。②如果將該系統與高速公路路面病害識別系統相結合，可探究路面病害與路面淺層病害的對應關系，以及路面病害與路面淺層病害產生的機理。

2.??? 國內外研究現狀

Solla等（2014）利用C+編程語言的強大功能和Qt框架的優勢，利用圖形界面開發應用程序的優點，實現了一種簡單直觀的工具，該軟件還提供了一個可視化應用程序，利用附加的GPS（Global定位系統）數據進行野外探地雷達數據的地理參照。實現高精度的道路檢測。Uus等（2016）提出了一種在熱拌瀝青（HMA）道路勘測中自動檢測探地雷達數據缺陷和結構變化的新方法。該方法側重于地下結構和材料特性重大偏差的自動識別。它是基于檢測的強度變化趨勢的縱線插值B-掃描，其特點是偏差超過一個定義的閾值。輸出包括繪制的缺陷和劣化區域，以及道路結構設計中檢測到的變化的位置。Li等（2017）利用包括地質雷達在內的多源勘測方法用于隧道路基路面及前方掌子面上的識別，取得了較好的應用效果。倪新輝（2018）將三維地質雷達技術引入城市地下病害的探測中。趙慧冰（2018）較為系統的針對水工混凝土交界面回波特征與小波變換研究。溫曉東（2018）則進一步對城市隱伏缺陷識別及排查中的典型地質雷達解譯干擾圖像進行了較為系統的研究。劉立超（2018）將人臉識別融入至地質雷達識別過程中，提高了識別的精度。

3.??? 主要研究內容

產生探地雷達數據集圖像用于卷積神經網絡，完整的數據集包括訓練集和測試集以及相應的病害類別。為了獲得高質量的雷達數據圖像，雷達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數據圖像進行預處理，并將數據集切分成大小一致的雷達圖像，以便為后續的CNN檢測提供便利;詳解介紹卷積神經網絡結構，包括卷積層、最大池化層、全連接層等;利用卷積神經網絡對預處理好的訓練數據進行訓練，并利用訓練集對訓練好的模型進行優化，最后利用測試集對模型進行評估，評估卷積神經網絡是否能有效的檢測路面淺層病害。

4.??? 研究總體設計

利用卷積神經網絡對路面淺層病害進行自動識別，首先將獲取的原始GPR圖像分成訓練集與測試集，并手工的將路面病害類別進行標簽分類，為卷積神經網絡自動檢測提供標簽類別。然后利用卷積神經網絡對數據集進行訓練，其中卷積神經網絡包含兩個卷積層，兩個最大池化層，一個全連接層以及一個softmax層。輸入的圖像大小為256*256，卷積核大小為3*3，池化層步長為2，倒數第二層全連接層大小為1000*1，，最后一層softmax層用于分類路面病害情況。

為了確定卷積神經網絡訓練好后模型的穩定性和性能，改變發射天線頻率以及不同路面結構，利用這兩種方法來評估模型穩定性和性能。

最后使用傳統的卷積神經網絡和微調參數后的卷積神經網絡訓練模型，比較兩種模型的準確率以及時間效率。

5.??? 結論

利用卷積神經網絡對路面淺層病害進行自動識別，卷積神經網絡訓練好后的模型在測試集上能達到80%準確率，改變發射天線頻率，以及使用不同的路面結構來評估模型的穩定性和性能，結果表明卷積神經網絡訓練好后的模型穩定性好，性能較優。因此，利用卷積神經網絡對路面淺層病害進行自動識別大大提高了解釋效率，從而減少了成本。

參考文獻：

[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.基于地質雷達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，2018.

[5]?? 路家勤.公路路面厚度檢測中地質雷達的應用分析[J].西部交通科技，2018：70-73.

[6]?? 倪新輝.三維探地雷達在探測城市地下病害中的應用研究[J].中國煤炭地質，2018，7.

[7]?? 劉立超.基于人臉識別的三維探地雷達道路病害變化自動識別技術研究[D].北京：中國地質大學（北京），2018.