本發(fā)明屬于探地雷達(dá)領(lǐng)域，具體為基于輕量化網(wǎng)絡(luò)的探地雷達(dá)充氣充水空洞病害的識別方法。

背景技術(shù)：

1、隨著城市地下管網(wǎng)建設(shè)的迅速發(fā)展，道路地下空洞病害問題日益顯著。城市管線老化和不規(guī)范施工是造成道路空洞病害的主要因素。在實際環(huán)境中，管道泄漏、地下水滲漏、強(qiáng)降雨等因素也可能導(dǎo)致空洞積水。因此，精確檢測空洞的存在以及是否含水對于預(yù)防道路塌陷至關(guān)重要。探地雷達(dá)(ground?penetrating?radar，gpr)檢測技術(shù)作為一種基于高頻短脈沖的淺層地球物理無損檢測方法，具有靈活度高、非接觸式傳感、掃描速度快等特點，廣泛應(yīng)用于道路病害的檢測任務(wù)中。然而，傳統(tǒng)的gpr圖像解譯技術(shù)高度依賴工程技術(shù)人員的主觀判斷，這種方法不僅識別速度慢，還存在誤判風(fēng)險，消耗大量人力和財力資源，因此，工程應(yīng)用中迫切需要一種高速、準(zhǔn)確、低成本的gpr圖像識別方法。

2、近年來，深度學(xué)習(xí)算法以其高效率和高精確度，逐漸應(yīng)用于gpr道路空洞識別任務(wù)中，其主要包括兩階段檢測方法和單階段檢測方法。兩階段檢測方法通過先生成區(qū)域提議縮小目標(biāo)搜索范圍，然后在這些區(qū)域內(nèi)進(jìn)行精確分類，從而實現(xiàn)對gpr數(shù)據(jù)的可靠解釋。卷積神經(jīng)網(wǎng)絡(luò)(convolutional?neural?network，cnn)是其中一種具有代表性的兩階段檢測方法。然而，現(xiàn)有基于改進(jìn)cnn的算法雖然提高了gpr圖像識別的準(zhǔn)確性，但計算成本高、檢測速度慢，限制了其在工程中的實用性。

3、單階段檢測方法如you?only?look?once(yolo)模型，可以在gpr圖像中直接生成病害目標(biāo)邊界框并提供各邊界框的預(yù)測分類概率。與兩階段方法相比，單階段方法省略了生成區(qū)域提議的步驟，因此在計算速度方面具有顯著優(yōu)勢。然而，現(xiàn)有單階段檢測方法雖然在一定程度上降低了gpr圖像解譯的計算資源，但其精度和速度仍無法滿足高速檢測場景中對空洞病害位置和類型的實時性要求。此外，gpr信號在含多種介質(zhì)的土壤中傳播時，接收波呈現(xiàn)隨機(jī)特征，同時實測道路空洞病害的gpr圖像資源少、采集成本高，嚴(yán)重影響數(shù)據(jù)集的構(gòu)建效率。

4、現(xiàn)有技術(shù)對比如下；

5、與專利cn112462346b“一種基于卷積神經(jīng)網(wǎng)絡(luò)的探地雷達(dá)路基病害目標(biāo)檢測方法”的技術(shù)對比

6、專利cn112462346b中，目標(biāo)檢測的應(yīng)用對象是幾種常見的探地雷達(dá)路基病害，主要集中于脫空、斷層、空洞。而本專利主要應(yīng)用于針對空洞病害中充氣或充水空洞的自動檢測。

7、專利cn112462346b中，數(shù)據(jù)集是由.jpg格式的探地雷達(dá)圖像數(shù)據(jù)與.xml格式的標(biāo)記信息整理構(gòu)建的pascalvoc格式數(shù)據(jù)集。而本專利使用ms?coco格式數(shù)據(jù)集進(jìn)行模型訓(xùn)練及驗證，使用json文件存儲。

8、專利cn112462346b中，網(wǎng)絡(luò)訓(xùn)練中的錨框參數(shù)需要手動設(shè)置，用以計算訓(xùn)練集中標(biāo)記的目標(biāo)邊界框在不同縱橫比下的對應(yīng)數(shù)量。而本專利提出的輕量化目標(biāo)檢測模型基于無錨框(anchor-free)模型構(gòu)建，不需要設(shè)計和調(diào)整錨框參數(shù)，從而減少了與錨框相關(guān)的各種計算。

9、專利cn112462346b中，搭建的cascade?r-cnn模型作為兩階段檢測模型，計算成本較高、檢測速度較慢。而本專利針對高速檢測場景中對空洞病害位置和類型的實時性要求，提出一種輕量化目標(biāo)檢測模型，對原始目標(biāo)檢測模型pp-yoloe進(jìn)行創(chuàng)新性的改進(jìn)，使用mobilenetv3精簡pp-yoloe主干結(jié)構(gòu)，并在主干結(jié)構(gòu)中加入?yún)f(xié)同注意力模塊以優(yōu)化空間、坐標(biāo)和通道信息的融合，同時結(jié)合路徑聚合網(wǎng)絡(luò)和變焦損失、分布焦點損失函數(shù)，旨在賦予探地雷達(dá)道路空洞檢測高速、精準(zhǔn)、低占用的能力。

10、與專利cn117132832a“一種基于自適應(yīng)互蒸餾的三維探地雷達(dá)道路病害分類方法和系統(tǒng)”的技術(shù)對比

11、專利cn117132832a中，目標(biāo)檢測的應(yīng)用對象是幾種常見的探地雷達(dá)路基病害，分別為“裂縫”、“空隙”和“層間脫離”，提取長條狀、暗斑、亮斑、正常四種病害特征。而本專利主要應(yīng)用于針對空洞病害中充氣或充水空洞的自動檢測，提取充氣或充水空洞b-scan圖像中的雙曲線病害特征。

12、專利cn117132832a中，采用三維探地雷達(dá)并從c掃描數(shù)據(jù)中采樣的多視圖雷達(dá)圖譜數(shù)據(jù)構(gòu)建數(shù)據(jù)集。而本專利分別采集充氣或充水空洞gpr圖像2d仿真與模擬數(shù)據(jù)，構(gòu)建gpr圖像混合數(shù)據(jù)集，降低數(shù)據(jù)集構(gòu)建成本的同時，增加了模型的魯棒性。

13、專利cn117132832a中，特征提取技術(shù)、自適應(yīng)學(xué)習(xí)技術(shù)、相互蒸餾技術(shù)和基于注意力的融合技術(shù)被共同用于深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，需要經(jīng)過多種技術(shù)的結(jié)合，模型結(jié)構(gòu)復(fù)雜，計算量較大。而本專利使用mobilenetv3的深度可分離卷積層，顯著降低計算量和參數(shù)量，模型更加輕量化。

14、專利cn117132832a中，深度特征提取步驟繁復(fù)，在多個分支視圖上訓(xùn)練特征提取器，然后將各視圖特征圖進(jìn)行融合，融合方式復(fù)雜、不統(tǒng)一。而本專利利用深度可分離卷積層和路徑聚合網(wǎng)絡(luò)(pan)結(jié)構(gòu)，從各個通道和尺度提取特征，在同一網(wǎng)絡(luò)中實現(xiàn)更高效的特征融合和傳遞，從而避免了復(fù)雜的特征提取方式。

15、專利cn117132832a中，使用復(fù)雜算子和多技術(shù)融合，對實際檢測硬件實現(xiàn)帶來額外困難。而本專利使用的輕量化目標(biāo)檢測模型避免使用特殊算子，增強(qiáng)了模型在硬件上的實現(xiàn)能力。

技術(shù)實現(xiàn)思路

1、為解決上述技術(shù)問題，本發(fā)明提出了基于輕量化網(wǎng)絡(luò)的探地雷達(dá)充氣充水空洞病害的識別方法，用以自動識別道路充氣與充水空洞病害，首先構(gòu)建混合數(shù)據(jù)集，使用gprmax生成不同形態(tài)的充水和充氣空洞二維模擬圖像作為數(shù)據(jù)集的基礎(chǔ)，并加入實測gpr圖像擴(kuò)充數(shù)據(jù)集，增加模型的魯棒性。其次使用mobilenetv3精簡pp-yoloe主干結(jié)構(gòu)，并在mobilenetv3的主干結(jié)構(gòu)中加入?yún)f(xié)同注意力模塊以優(yōu)化空間、坐標(biāo)和通道信息的融合，結(jié)合路徑聚合網(wǎng)絡(luò)和變焦損失、分布焦點損失函數(shù)，賦予模型低時延、低占用、高精度的能力。

2、為實現(xiàn)上述目的，本發(fā)明采取的技術(shù)方案是：

3、基于輕量化網(wǎng)絡(luò)的探地雷達(dá)充氣充水空洞病害的識別方法，其特征在于：具體步驟如下：

4、s1，構(gòu)建充氣或充水空洞gpr圖像混合數(shù)據(jù)集：

5、分別采集充氣或充水空洞gpr圖像仿真與模擬數(shù)據(jù)，構(gòu)建充氣或充水空洞gpr圖像混合數(shù)據(jù)集；

6、s2，構(gòu)建改進(jìn)的輕量化網(wǎng)絡(luò)并訓(xùn)練：

7、使用改進(jìn)的輕量化網(wǎng)絡(luò)，對訓(xùn)練集進(jìn)行訓(xùn)練，得到目標(biāo)檢測模型。

8、進(jìn)一步，所述步驟s1構(gòu)建充氣或充水空洞gpr圖像混合數(shù)據(jù)集，具體步驟如下；

9、s11，模擬圖像采集：

10、使用仿真軟件gprmax模擬探地雷達(dá)信號在真實道路結(jié)構(gòu)中的傳播過程，獲得了反映不同深度、不同數(shù)量、不同相對位置的充氣或充水空洞的b-scan雙曲線模擬圖像，作為混合數(shù)據(jù)集的模擬圖像部分；

11、s12，真實圖像采集：

12、采集不同深度、不同數(shù)量、不同相對位置中具有代表性的充氣或充水道路空洞病害b-scan雙曲線真實圖像，作為混合數(shù)據(jù)集的真實圖像部分；

13、s13，混合數(shù)據(jù)集構(gòu)建并劃分：合并s11采集的模擬圖像s12采集的真實圖像，構(gòu)建混合數(shù)據(jù)集，將數(shù)據(jù)集按照8:2的比例隨機(jī)劃分為訓(xùn)練集和驗證集。

14、進(jìn)一步，所述步驟s2改進(jìn)的輕量化網(wǎng)絡(luò)構(gòu)建并訓(xùn)練，具體步驟如下；

15、s21：使用mobilenetv3替換pp-yoloe主干網(wǎng)絡(luò)：

16、使用mobilenetv3的深度可分離卷積層替換pp-yoloe的主干網(wǎng)絡(luò)csprepresnet，作為雙曲線特征提取網(wǎng)絡(luò)，利用其大量使用的深度卷積和逐點卷積，在pp-yoloe的基礎(chǔ)上顯著降低計算量和參數(shù)量，深度可分離卷積層從gpr圖像的各個通道、各個尺度中提取特征，并將瓶頸模塊層3、瓶頸模塊層10、逐點卷積層2傳入neck層中的路徑聚合網(wǎng)絡(luò)結(jié)構(gòu)，從而實現(xiàn)與pp-yoloe的pan模塊無縫集成，與此同時，保留pp-yoloe避免采用可變形卷積或矩陣非極大值抑制等特殊算子的特點；

17、s22：加入?yún)f(xié)同注意力模塊：

18、在瓶頸模塊層3、瓶頸模塊層10、逐點卷積層2與neck層之間加入?yún)f(xié)同注意力模塊，利用兩個1d全局池化操作將沿垂直和水平方向的輸入特征分別聚合為兩個單獨的方向感知特征圖，然后將具有嵌入的特定方向信息的這兩個特征圖分別編碼為兩個注意力圖，每個注意力圖都沿一個空間方向捕獲輸入特征圖的遠(yuǎn)距離依存關(guān)系，位置信息因此被保存在所生成的注意力圖中，然后通過乘法將兩個注意力圖都應(yīng)用于輸入特征圖，以強(qiáng)調(diào)注意區(qū)域的表示，該操作區(qū)分空間方向并生成坐標(biāo)感知注意力圖，實現(xiàn)位置信息與通道間信息的同時考慮，使得模型更準(zhǔn)確定位并識別b-scan雙曲線特征；

19、s23，損失函數(shù)設(shè)計：

20、變焦損失和分布焦點損失被用來組成目標(biāo)檢測器，在gpr空洞病害特征的學(xué)習(xí)中，作為正樣本的b-scan雙曲線目標(biāo)數(shù)量遠(yuǎn)小于背景的負(fù)樣本數(shù)量，訓(xùn)練過程中可能存在正負(fù)樣本不平衡，vfl使用目標(biāo)分?jǐn)?shù)加權(quán)正樣本損失，對于高交并比得分樣本，施加更高的權(quán)重，使得模型在訓(xùn)練過程中更關(guān)注雙曲線特征清晰的病害特征，而非低質(zhì)量樣本，vfl還使用交并比-意識分類得分作為預(yù)測目標(biāo)得分，學(xué)習(xí)分類得分和交并比得分的聯(lián)合分布，使模型在面對大量負(fù)樣本時仍能有效學(xué)習(xí)到正樣本特征，dfl使用一般分布來預(yù)測邊界框，解決傳統(tǒng)邊界框表示不靈活的問題，p有助于更準(zhǔn)確地定位gpr圖像中的目標(biāo)邊界；vfl原理如公式(1)所示。其中為iacs結(jié)果，q為目標(biāo)iou得分結(jié)果；

21、

22、dfl使用一般分布來預(yù)測邊界框，解決傳統(tǒng)邊界框表示不靈活的問題，有助于更準(zhǔn)確地定位gpr圖像中的目標(biāo)邊界，原理如公式(2)所示，其中si是網(wǎng)絡(luò)的輸出，yi和yi+1表示待優(yōu)化標(biāo)簽左右兩個位置的區(qū)間順序，y是待優(yōu)化標(biāo)簽值；

23、lossdfl(s,si+1)＝-((yi+1-y)ln(si)+(y-yi)ln(si+1))?????(2)

24、總損失函數(shù)如公式(3)所示，其中表示歸一化目標(biāo)分?jǐn)?shù)，npos表示正樣本數(shù)目，α,β,γ為比例系數(shù)，lossgiou用于優(yōu)化預(yù)測框不相交的情況；

25、

26、s24：調(diào)整損失函數(shù)參數(shù)和訓(xùn)練參數(shù)：

27、損失函數(shù)參數(shù)包括比例系數(shù)α,β,γ，影響vfl與dfl的權(quán)重分配，訓(xùn)練參數(shù)包括批處理大小、初始學(xué)習(xí)、訓(xùn)練批次、權(quán)重衰減、動量設(shè)置、輸入圖像尺寸調(diào)整比例、影響模型的收斂速度和穩(wěn)定性，通過不斷優(yōu)化損失函數(shù)參數(shù)和訓(xùn)練參數(shù)，最終確定最優(yōu)的訓(xùn)練模型。

28、有益效果：

29、本發(fā)明針對道路空洞gpr圖像樣本稀缺的問題，采用時域有限差分法對隨機(jī)數(shù)量和位置的充氣空洞和充水空洞病害進(jìn)行正演模擬，生成仿真圖像，同時附加道路場景下的真實圖像，構(gòu)建混合數(shù)據(jù)集。改進(jìn)的輕量化網(wǎng)絡(luò)利用mobilenetv3精簡pp-yoloe主干，在mobilenetv3的主干結(jié)構(gòu)中引入?yún)f(xié)同注意力模塊以優(yōu)化空間、坐標(biāo)和通道信息的融合，同時結(jié)合路徑聚合網(wǎng)絡(luò)和變焦損失、分布焦點損失函數(shù)，實現(xiàn)了探地雷達(dá)道路充氣與充水空洞病害的自動識別，解決了傳統(tǒng)gpr圖像檢測方法在檢測精度和速度上的不足。