[发明专利]一种基于深度学习的探地雷达智能反演方法

说明书

本发明公开了一种基于深度学习的探地雷达智能反演方法，包括如下步骤：获取仿真训练数据集，所述仿真训练数据集包括多组雷达剖面图‑介电常数分布图数据对；根据所述仿真训练数据集，得到雷达反演深度学习网络模型；基于雷达反演深度学习网络模型，根据实时采集到的雷达检测数据进行介电常数反演。本发明可对复杂雷达检测数据实现自动化反演，该方法同时实现了较高的检测精度和较快的处理速度,保证了雷达数据处理的实时性。

本申请为申请号2020100192030、申请日2020年1月8日、发明名称“一种用于运营期隧道衬砌检测及病害诊断的多臂机器人”的分案申请。

技术领域

本发明属于病害检测技术领域，尤其涉及一种基于深度学习的探地雷达智能反演方法。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

随着隧道工程的大量建设并陆续投入运营，其安全运营的重要性尤为重要。在其长期服役过程中，在自然环境及气候变化及行车等周期性疲劳荷载等多种因素作用下，大量运营期隧道结构存在诸如衬砌开裂、钢筋锈涨、内部脱空、渗水漏泥等结构隐蔽病害，上述病害极易造成隧道衬砌结构性能退化，导致隧道寿命折减，甚至引发安全事故，影响行车安全，威胁人民人身财产安全，并造成恶劣的社会影响。

目前对隧道结构内部病害检测仍然以人工巡检为主，且对病害的诊断多依赖检测人员的主观经验，易漏检误报，且检测时间长、人力成本高、智能化水平低。现有的隧道综合检测车需要借助车辆作为移动载体，难以实现隧道环境的自主进行与自主检测。随着信息技术与自动化技术的发展，巡检机器人以其高效、智能、可用于危险环境等特点，近年来逐渐应用于桥梁、大坝等大型基础设施检测。已有的用于地铁隧道等有轨隧道的巡检机器人多搭载线扫或面扫高清相机、红外成像仪、激光三维扫描仪、宽频探地雷达等表面检测设备。以段空气耦合雷达为代表的探地雷达由于其检测速度快，精度高且易于搭载等优点，现已广泛应用于结构病害检测中。近年来,利用探地雷达进行结构病害检测成为了工程领域的一个重要关注点。而对于探地雷达检测数据(B-scan图像)的解释，目前主要依靠于专业技术人员，然而该方法效率低下、且对专业人员经验的依赖度高、容易解释错误。并且从探地雷达B-scan图像中只能主观地推断出异常的类别和大致位置，并不能获得异常的形状和介电性能。

探地雷达反演是根据所记录的探地雷达B-scan图像来重建结构的介电特性，如介电常数、电导率、速度、阻抗等，以便更准确地描述异常体的形状、大小和特征。目前在探地雷达反演的方法中，全波形反演方法(FWI)是最先进的结构图像定性和定量重建方法，然而波形反演是一个典型的非线性病态逆问题，对于几何形状不规则、分布复杂的结构病害，接收到的探地雷达剖面图通常是交错的，并伴有不连续、畸变的回波。更糟糕的是，在某些情况下，由于钢筋的强反射作用会掩盖一部分病害信号，使病害难以识别。并且传统的FWI方法依赖于初始模型，存在局部最小或周期跳变问题，难以准确重建目标的介电分布。在这种情况下，使用FWI结果可能会识别错误。

近年来,该领域的一个发展趋势是利用深度学习的方法来进行雷达检测数据的识别，中国科学院电力研究所在其申请的专利文献“基于机器学习的探地雷达检测方法”(专利申请号：201810313513.6,申请日：2018.11.06,申请公布号CN108759648A)中提出了一种基于机器学习的方法来预测公路的厚度和介电常数,是将介电常数和厚度的检测问题转换为分类问题，采用机器学习的方法完成分类模型的训练；北京市市政工程研究院在其申请的专利文献“一种基于深度学习的雷达图谱识别方法及系统”(专利申请号：201910541303.7,申请日：2019.09.17,申请公布号CN110245642A)，通过将深度学习技术引入到地下工程中的雷达图谱识别问题上，研究建立雷达图谱分析识别的深度学习模型，实现了雷达图谱的自动识别和分类。然而这些方法既不能准确地描述异常体的形状，也不能获得结构的介电分布。

发明内容