[发明专利]一种基于卷积神经网络的探地雷达路基病害目标检测方法

说明书

本发明公开了一种基于卷积神经网络的探地雷达路基病害目标检测方法，其包括获取探地雷达仿真及实际采集的原始图像数据；对其分别进行相应预处理得探地雷达预处理图像；标记存储原始及预处理图像中的目标信息；将探地雷达图像与标记信息文件一同构建为PASCAL VOC数据集，并划分为训练集、验证集和测试集；结合标记目标边框纵横比动态设置锚框参数初始值；进而采用训练集训练及验证集微调搭建的Cascade R‑CNN网络得卷积网络模型，使用测试集评价网络模型性能，最终实现探地雷达路基病害目标的准确快速检测。本发明不依赖于人为识别，具有较强泛化能力，可实现路基病害目标的快速且准确检测。

技术领域

本发明涉及探地雷达信号处理领域，尤其涉及一种基于卷积神经网络的探地雷达路基病害目标检测方法。

背景技术

路基对于公路铁路至关重要。由于建造条件、地理环境、气候、车辆行驶等原因，导致道路存在多种病害。公铁路表面及浅层病害易于观察检测，但路基位置处病害不易被发现，若不及时有效处理，影响公路铁路的使用，严重威胁驾驶者的生命安全。探地雷达作为一种无损、准确度高、效率快、适应性强的检测技术，替代原有的有损和无损检测手段，广泛用于路基病害检测工程中。

探地雷达系统中发射天线发射短脉冲电磁波，电磁波穿过地表及地下介质，遇到电性不同界面及目标时发生反射，接收天线接收反射回波，形成A-Scan信号。发射/接收天线沿着公路铁路测线以固定间隔移动，不同位置接收的A-Scan信号构成B-Scan图像数据。

早期的探地雷达目标检测方法基于A-Scan信号，根据不同病害目标及地层结构在时间剖面和频率域上的分布等特征，主要利用不同目标能量分布、波形特征、幅度相位及目标信号间互相关等信息，采用傅里叶变换、小波变换等计算方法，人为的提取出不同目标的特征进行分析识别及定位。虽然上述方法可检测到目标，但依赖于人为分析识别，需要具有丰富经验和先验知识的技术人员，了解掌握大量的路基病害目标结构特征，含有较多主观因素；花费大量的精力和时间，检测效率低；并且由于人工操作导致获得的特征参数和特征表示较少，缺乏泛化能力，导致检测准确率低，影响路基病害判断。

随着近年来机器学习的发展，且结合探地雷达B-Scan图像数据中不同目标的表现形式，如不同介质的圆形目标呈现出极性差异的双曲线结构、方形目标呈现出两边为双曲线、中间是平行线的结构等，根据它们的形状、极性等表现特征，采用机器学习方法实现路基病害目标的自动检测，虽然不需人工提取目标识别检测，由于算法设计等方面原因，其对于复杂路基环境仍无法做到准确检测。因此高效准确的识别定位复杂环境下的路基病害对于公路铁路维护具有重要意义。

发明内容

本发明的目的是为克服上述技术的缺点，提供一种基于卷积神经网络的探地雷达路基病害目标检测方法，不依赖于人为识别，实现不同类型路基病害目标的快速且准确检测，适应于不同复杂路基环境，具有泛化能力。

为了达到上述发明目的，本发明采用以下技术方案予以实现。

一种基于卷积神经网络的探地雷达路基病害目标检测方法，按照以下步骤执行：

步骤一：获取探地雷达原始图像数据

利用探地雷达系统对实际路基进行探测采集探地雷达B-Scan实际图像数据，以及采用基于FDTD的gprMax软件对路基中常见的3种病害类型进行正演模拟生成探地雷达B-Scan仿真图像；

步骤二：探地雷达数据预处理

对采集的探地雷达图像数据采用归一化、去零偏、均值滤波法去直达波和自动增益处理，对仿真探地雷达图像数据采用均值滤波法去除直达波和自动增益放大信号处理，分别得到相应预处理后的二维图像数据，再将预处理后的图像及步骤一中原始图像数据缩放至统一的像素大小；

步骤三：标记探地雷达图像中目标