基于深度学习的路基病害识别研究

基于深度学习的路基病害识别研究

张峥峥

浙江工业大学 土木工程学院，浙江 杭州 310023 浙大城市学院 工程学院，浙江 杭州 310015

摘要：路基的不均匀沉降、地铁和管廊等地下施工是造成路基脱空、空洞等病害的主要原因，严重的路基脱空会导致道路坍塌，导致车辆和人员伤亡，影响交通平稳运行。探地雷达（GPR）检测技术是路基脱空检测中一种常用的无损检测技术，传统的探地雷达检测中，由人工对雷达图像进行识别，过程中不可避免的会发生漏检、错检、效率低下等问题，极大地影响了检测结果的正确性。而通过深度学习算法对雷达图像进行检测识别能避免这些人工检测过程的缺点，促进病害检测方向的发展。结合深度学习在图像识别方面的优势，本文总结了探地雷达技术与常用的深度学习方法在路基病害检测中的研究。

关键词：深度学习；卷积神经网络；目标检测；路基病害

Research on Roadbed Disease Identification Based on Deep Learning

ZHANG Zhengzheng1, 2

(College of Civil Engineering, Zhejiang University of Technology, Hangzhou Zhejiang 310023, China）

(School of Engineering, Hangzhou City University, Hangzhou Zhejiang 310015, China）

Abstract：Uneven settlement of the roadbed, underground construction such as subway and pipelines, are the main causes of roadbed voids and other diseases. Serious voids in the roadbed can cause the road to collapse, resulting in injuries or casualties for both vehicles and pedestrians, affecting smooth traffic operation. Ground penetrating radar (GPR) detection technology is a commonly used non-destructive testing technology for roadbed void detection. In traditional GPR detection, the radar images are manually identified, unavoidably leading to missed detection, misidentification, low efficiency, and other issues, which greatly affect the accuracy of the detection results. However, by using deep learning algorithms to detect and identify GPR images, these drawbacks in the manual detection process can be avoided, thus promoting the development of defect detection. This paper summarizes the research on the application of GPR technology and common deep learning methods in roadbed defect detection, combining the advantages of deep learning in image recognition.

Keywords: Deep learning; Convolutional neural network; Target detection; Roadbed diseases

引言

我国道路建设发展迅速，建设质量相比以前有了大幅提高，但因地下管线错综复杂、车辆超载严重等原因，质量问题也时有发生。2020年1月13日，青海省西宁市长城医院门前发生路面坍塌，造成10人遇难，17人受伤；2020年12月29日，杭州市西溪路庆丰新村段人行道突发地面塌陷，面积约25平方米，造成1人遇难，1人失联。2013年5月20日深圳市横岗华茂工业园路面由于路下方排水箱涵因老旧破损，水流冲刷掏空土体形成地下空洞坍塌，导致5人遇难、1人受伤。地面坍塌会导致车辆和人员伤亡，影响交通平稳运行。因此，及时进行道路疏松、脱空风险的检测与评估具有迫切的意义。

道路塌陷是一种在自然或人为因素作用下，向下陷落，并在地面形成塌陷坑的地质现象。道路塌陷是现代道路健康监测中的技术难题，造成塌陷的原因大致有路基的不均匀沉降、建设施工扰动、地铁盾构隧道和地下管廊等地下工程施工原因，而常见的道路隐藏病害又分为疏松、脱空和空洞三类。对于隐藏的道路病害检查，探地雷达检测是一种常用的无损检测方法，综合了信号处理技术、电磁波传播理论和电磁场理论等，对路面隐藏病害表现出很好的敏感度[3]。传统的探地雷达检测，是由人工对雷达图像进行识别标注，过程中不可避免的会发生漏检、错检、费事费力、效率低下、主观性强等问题，极大地影响了检测结果的正确性。而通过深度学习算法对雷达图像进行检测识别能避免这些人工检测过程的缺点，促进病害检测方向的发展。

1. 探地雷达检测技术简介

探地雷达不仅可以检测路面以下的隐藏缺陷，还可以检查埋藏在路面以下的工程材料。探地雷达的高频的电磁波对介电常数的变化敏感，不易丢失产生的回波信息，同时，探地雷达还具有相对噪声影响低，探测范围广，应用环境要求低，能够直观有效的显示图片等优点。1971年，美国的GSSI公司研发出第一台商用探地雷达仪器，上世纪80年代中后期，探地雷达开始被推广并逐渐受到认可。探地雷达的发展随着科技的进步，可探测的深度、分辨率、扫描速度都在不断提高。上世纪90年代中后期，小波技术被引入到探地雷达的数据处理中，其多尺度分析方法使得探地雷达可以更好地适应复杂环境。现阶段探地雷达在我国的应用领域包括公路检测、城市基础设施探测、隧道衬砌质量检测、岩土勘察与地质勘探等。

由于探地雷达图像中强噪声干扰，研究者利用雷达图像中干扰信号和有效信号频波谱分布差异，证明二维滤波对消除探地雷达图像中的特殊干扰波有良好的效果。Oskooi等[1]通过比较NLM和CT滤波器的性能。发现CT滤波器对于随机噪声衰减的鲁棒性更优秀。也有学者提出了一种基于Hankel矩阵的奇异值分解（SVD）滤波方法，可以提高压制非水平相位反射事件周围随机噪声，并削弱水平虚假信号。而对于不同的噪声类型，国内研究者提出了一种改进的双边滤波算法，能够有效压制随机噪声和强振幅噪声，增强振幅的连续性。在考虑界面时，雷达波呈现的特征会被噪声掩盖，Montiel-Zafra等[2]利用水平噪声沿着探地雷达天线呈现出的二维区域非局部相似性，提出更好去除噪声的办法，增强了对于不同路面状况的识别能力。

图1 雷达数据处理流程

2. 基于深度学习的道路脱空识别

2.1 基于深度学习的目标检测理论

在计算机视觉技术领域中，目标检测（Object Detection）的目的是判断出物体出现的位置与类别。图像分割、物体追踪、关键点检测等通常都要依赖于目标检测。由于每张图像各有不同，并且被检测物体时常会有遮挡和复杂噪声干扰，因此目标检测技术也极富挑战性，从诞生以来一直是研究者们最为关注的焦点领域之一。传统的目标检测任务，算法对目标检测通常分为3个阶段：区域选取、特征提取和体征分类。

图2 目标检测流程

使用深度学习后，神经网络的大量参数可以提取出鲁棒性更好的特征，并且分类器性能也更优越。在目标检测算法中，目标边框从无到有以及边框变化的过程在分为两阶段和单阶段。两阶段算法中第一阶段专注于找出目标物体出现的位置，得到建议框，保证足够的准确率和召回率，其第二阶段则专注于对建议框进行分类，寻找精确的位置。两阶段算法虽精度较高但是运行速度较慢，典型的两阶段算法有R-CNN、Faster R-CNN和Faster R-CNN等。而单阶段算法不需要得到建议框阶段，直接产生物体的类别概率和位置坐标值，经过单次检测即可直接得到最终的检测结果。因此单阶段算法速度一般比两阶段算法要快，但精度较两阶段算法有所降低，典型的单阶段算法有SSD、YOLO系列等。

2.2 深度学习在道路脱空检测中的应用

传统的图像识别算法错检率和运行时间上难以满足工程需要，早期学者曾利用深度置信网络（Deep Belief Networks）和受限玻尔兹曼机（Restricted Boltzmann Machine）的深度学习模型对探地雷达数据进行特征提取，证明了深度学习算法能够较好地识别雷达图像。在图像识别算法融合卷积神经网络以后，算法能够有效减少干扰物的影响，在克服障碍物遮挡方面具有较好的鲁棒性。

深度学习算法能够自动提取深层特征、获取较高准确率，常用的深度学习卷积神经网络有Resnet、GoogleNet、AlexNet和VGGNet等经典网络模型。Choi等[3]利用深度卷积神经网络（CNN）开发了一种快速准确的纹状体分割方法，CNN可以从全局特征中分析纹状体的近似边缘，实现了自动分割的特点。2016年，提出的Yolov1模型，使得目标检测速度更快，能够节约大量时间。

在使用深度学习后，许多学者也开始使用卷积神经网络对雷达数据进行特征提取，吴国防

[4]选用卷积神经网络（CNN）为处理图像的基础算法处理探地雷达的扫描图。引入深度可分离卷积神经网络，优化卷积神经网络结构，对训练集的分类精度为95.46%，对测试集分类精度为94.62%。李海丰等[5]提出一种基于尺度融合的病害检测算法SF-SSD，通过真实数据集在SSD、Yolov3、Faster RCNN、RFBNet、RetinaNet、SF-SSD六种目标检测算法进行对比，结果表明SF-SSD算法从辨识度低、噪声大的雷达数据中能够较好完成检测。针对雷达数据集不足的情况，研究者从探地雷达物理机制出发，设计了一种级联结构的CNN来检测并去除B-SCAN图像中的直达波干扰信号、提取目标的特征信息，这种算法在评价指标F1上比HOG、Yolov3、Faster RCNN都要高，对于目标不完整的双曲线结构信息，这种算法进行特征数据补全，在很大程度上提高检测结果的准确率。马王鹏等[6]利用Yolov1模型在基于TensorFlow深度学习框架下对探地雷达图像进行目标检测，虽结果准确率与置信度较低，但为使用Yolo系列模型对探地雷达B-scan图像的目标检测方面提供了宝贵经验。随着yolo系列模型的更新，Yolo v7除了优化Resnet、DarkNet、DLA和CSPNet等传统架构之外、还将重点放在了模块优化和方法优化上，加强训练成本以提高检测的准确性，在级联的模型缩放时，只对计算块中深度进行缩放，对传输层的部分进行宽度缩放。使用不带同一性连接的RepConv设计重新参数化卷积的架构，避免RepConv中恒等式连接破坏ResNet的残差和Densenet的级联。

结语

本文总结了探地雷达技术与深度学习在路基病害检测中的研究。深度学习和图像处理技术在道路病害检测中相较于传统人工可以达到更高的检测精度和更快的检测速度。现阶段使用较多的深度学习网络模型如双阶段网络模型RCNN、Faster RCNN、Mask RCNN等、单阶段网络模型YOLO系列、SSD等，上述深度学习网络在路基病害图像研究中已得到广泛应用。

探地雷达图像的复杂噪声干扰，使得深度学习网络难以准确提取特征，因此需在数据集构建中，加入疏松、脱空、空洞三类以达到更加准确的标注。深度学习网络通过大量路基病害数据集的学习，才能较好的识别病害图像，过程中会难免会消耗大量的资源和时间，而通过图像预处理、图像增强等方式，多样化增强图像的特征以及结合SE、ECA等注意力模块的方法来提高深度学习网络的精度也是小样本数据集研究项目中的优势。

参考文献：

[1]Oskooi B, Parnow S, Smirnov M, et al. Attenuation of random noise in GPR data by image processing[J]. Arabian Journal of Geosciences, 2018, 11(21): 1-10.

[2]Montiel-Zafra V, Canadas-Quesada F J, Vera-Candeas P, et al. A novel method to remove GPR background noise based on the similarity of non-neighboring regions[J]. Journal of Applied Geophysics, 2017, 144: 188-203.

[3]Choi H Y, Jin K H. Fast and robust segmentation of the striatum using deep convolutional neural networks[J]. Journal of neuroscience methods, 2016, 274-299.

[4]吴国防. 基于卷积神经网络的高速公路路面隐藏病害的识别研究[D]. 华北水利水电大学, 2020.

[5]李海丰, 潘梦梦, 王怀超, 等. 基于尺度融合的机场跑道地下病害检测算法[J/OL]. 郑州大学学报(理学版): 1-7[2022-06-19].

[6]马王鹏, 王晓东, 刘冬. 探地雷达图像异常识别中YOLO目标检测算法的研究[J]. 测绘通报, 2019(S1): 72-76.