本申请涉及路面探地雷达图像识别技术领域，公开了一种探地雷达图像人工智能识别方法及装置。在该方法中，首先通过正演模拟，获得无噪声的高分辨率探地雷达模拟图像。然后获取探地雷达现场试验数据，并确定手动特征。根据探地雷达模拟图像和实测已验证的探地雷达试验图像，构建探地雷达图谱库。利用多层卷积神经网络对目标实测图像数据进行处理确定自主学习特征。最后根据手动特征、自主学习特征和探地雷达图谱库，并利用委员会判决方法，确定目标病害最终类型和目标病害最终位置信息。本申请通过构建探地雷达图谱库，融合了手动特征和自主学习特征，并结合委员会判决方法，可以有效提高提高路面结构内部病害识别精度与效率。效提高提高路面结构内部病害识别精度与效率。效提高提高路面结构内部病害识别精度与效率。
【技术实现步骤摘要】
一种探地雷达图像人工智能识别方法及装置
[0001]本申请涉及路面探地雷达图像识别
，尤其涉及一种探地雷达图像人工智能识别方法及装置。
技术介绍
[0002]探地雷达是近些年发展起来的一种探测地下目标的有效手段，利用天线发射和接收高频电磁波来探测介质内部物质特性和分布规律，是一种无损探测技术，与其他常规的地下探测方法相比，具有探测速度快、探测过程连续、分辨率高、操作方便灵活、探测费用低等优点，在工程勘察领域的应用日益广泛。目前探地雷达数据分析工作主要依靠人工检测进行识别，识别结果很大程度上依赖检测人员的经验，存在主观性强、解释周期长等缺点，同时存在误判漏检的情况。因此，开发高效、自动、准确的探地雷达信号分析算法是亟待解决的一个问题。
[0003]传统的基于手工特征和分类器识别的算法有麦克斯韦方程的TM模型反演、S变换、基于压缩感知的成像算法、支持向量机、基于可拓评价的病害识别等。其中麦克斯韦方程的TM模型反演能够减少各类非均匀介质产生的杂波、精确的描述实际介质的随机非均匀分布；S变换是短时间的变量窗口傅里叶变换和小波变换的扩展算法，在高频段具有高的频率分辨率，在低频段具有高的时间分辨率的优点，能够提高信号分辨率，但其复杂程度较高；压缩感知成像算法可以利用较少的随机采样信号实现探地雷达的信号重现，但其无法对病害进行分类；支持向量机是一种基于有监督学习的二分类模型算法，该算法的基本工作原理是寻找一个使两种样本在该超平面下边缘距离最大的最优分类超平面，边缘距离越大两类样本就分的越开，分类的结果越好，该算法需人工提取病害特征，识别结果受提取的特征影响；道路病害可拓评价的理论依据是可拓论，即以物元为基本单元，这些基本单元可以用于提取病害的特征类别和特征值，在此基础上进行病害的水平分级，以探地雷达采集数据结果为基准，运用可拓评价进行层间脱空等级分类，确定各向指标的节域、各脱空状态下经典域及权系数以获得较高的脱空识别率和较低的误判率。
[0004]随着机器学习的不断发展，近年来深度学习在图像识别领域取得了巨大的成果，其中卷积神经网络及其变形形式的成果最为显著。基于深度学习的识别技术已经开始被用于路面结构内部病害，但目前来说人工设计特征和分类器，包括人工神经网络、支持向量机等仍存在诸多缺点：公路路面结构内部病害形态多样、尺寸多变、人工特征的表示能力有限，难以适应复杂多变的病害环境，识别精度难以满足实际应用需求。
[0005]而目前已有的基于卷积神经网络的自动化识别方法存在同类路面结构内部病害形态特征多变，采用单一特征来表征病害很难具有普适性和通用性等缺点。
技术实现思路
[0006]本申请公开了一种探地雷达图像人工智能识别方法及装置，用于解决目前已有的基于卷积神经网络的自动化识别方法存在同类路面结构内部病害形态特征多变，采用单一
特征来表征病害很难具有普适性和通用性等缺点的技术问题。
[0007]本申请第一方面公开了一种探地雷达图像人工智能识别方法，包括：
[0008]对已有的不同类型的病害数据进行正演模拟，获取探地雷达模拟图像，所述探地雷达模拟图像无噪声且为高分辨率；
[0009]针对任一类型的病害数据，对探地雷达发射天线的不同中心频率进行正演模拟，获取模拟发射天线中心频率；
[0010]利用所述模拟发射天线中心频率，对不同路面进行数据采集，获取探地雷达现场试验数据，确定手动特征；
[0011]根据所述探地雷达现场试验数据，选取典型病害图像并进行取芯验证，确定探地雷达试验图像；
[0012]根据所述探地雷达模拟图像和所述探地雷达试验图像，建立探地雷达图谱库；
[0013]获取探地雷达采集到的目标实测图像数据，并通过多层卷积神经网络，确定自主学习特征；
[0014]根据所述手动特征、所述自主学习特征和所述探地雷达图谱库，确定目标病害初始类型和目标病害初始位置信息；
[0015]利用委员会判决方法，对所述目标病害初始类型和所述目标病害初始位置信息进行识别，确定目标病害最终类型和目标病害最终位置信息。
[0016]可选的，所述对已有的不同类型的病害数据进行正演模拟，获取探地雷达模拟图像，包括：
[0017]利用基于时域有限差分法的GPRMAX，对已有的不同类型的病害数据进行正演模拟，获取探地雷达模拟图像。
[0018]可选的，所述病害数据的类型包括路面结构内部空隙多、层间不良、层间松散和结构松散。
[0019]可选的，所述根据所述探地雷达模拟图像和所述探地雷达试验图像，建立探地雷达图谱库，包括：
[0020]根据所述探地雷达模拟图像和所述探地雷达试验图像，利用数据增广技术及迁移学习技术进行重构并拓展，建立所述探地雷达图谱库。
[0021]可选的，所述探地雷达图谱库包括非病害图像、空隙多图像、层间不良图像、层间松散图像和结构松散图像。
[0022]可选的，所述获取探地雷达采集到的目标实测图像数据，并通过多层卷积神经网络，确定自主学习特征，包括：
[0023]将所述目标实测图像数据，通过多层卷积神经网络中预先构建的多层次特征融合的RPN网络结构，确定特征层并生成候选区域框；
[0024]对所述候选区域框进行非负极大抑制操作并汇总，确定所述自主学习特征。
[0025]可选的，所述根据所述手动特征、所述自主学习特征和所述探地雷达图谱库，确定目标病害初始类型和目标病害初始位置信息，包括：
[0026]将所述手动特征和所述自主学习特征，通过预先构建的手动特征和融合多层次特征的图像分类网络结构，并根据所述探地雷达图谱库，确定目标病害初始类型和目标病害初始位置信息。
[0027]可选的，所述利用委员会判决方法，对所述目标病害初始类型和所述目标病害初始位置信息进行识别，确定目标病害最终类型和目标病害最终位置信息，包括：
[0028]建立委员会，所述委员会包括多个判决方法；
[0029]针对任一判决方法，对所述目标病害初始类型和所述目标病害初始位置信息进行识别；
[0030]判断所述多个判决方法的识别结果是否一致，若是，则目标病害最终类型和目标病害最终位置信息；若否，则由多个判别方法组成的委员会进行投票表决，确定目标病害最终类型和目标病害最终位置信息。
[0031]可选的，所述多个判决方法包括Softmax判别法、Triplet判别法和K
‑
L判别法。
[0032]本申请第二方面公开了一种探地雷达图像人工智能识别装置，所述探地雷达图像人工智能识别装置应用于本申请第一方面公开的探地雷达图像人工智能识别方法，所述探地雷达图像人工智能识别装置包括：
[0033]模拟图像获取模块，用于对已有的不同类型的病害数据进行正演模拟，获取探地雷达模拟图像，所述探地雷达模拟图像无噪声且为高分辨率；
[0034]模拟频率获取模块，用于针对任一类型的病害数据，对探地雷达发射天线的不同中心频率进行正演模拟，获取模拟发射天线本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种探地雷达图像人工智能识别方法，其特征在于，包括：对已有的不同类型的病害数据进行正演模拟，获取探地雷达模拟图像，所述探地雷达模拟图像无噪声且为高分辨率；针对任一类型的病害数据，对探地雷达发射天线的不同中心频率进行正演模拟，获取模拟发射天线中心频率；利用所述模拟发射天线中心频率，对不同路面进行数据采集，获取探地雷达现场试验数据，确定手动特征；根据所述探地雷达现场试验数据，选取典型病害图像并进行取芯验证，确定探地雷达试验图像；根据所述探地雷达模拟图像和所述探地雷达试验图像，建立探地雷达图谱库；获取探地雷达采集到的目标实测图像数据，并通过多层卷积神经网络，确定自主学习特征；根据所述手动特征、所述自主学习特征和所述探地雷达图谱库，确定目标病害初始类型和目标病害初始位置信息；利用委员会判决方法，对所述目标病害初始类型和所述目标病害初始位置信息进行识别，确定目标病害最终类型和目标病害最终位置信息。2.根据权利要求1所述的探地雷达图像人工智能识别方法，其特征在于，所述对已有的不同类型的病害数据进行正演模拟，获取探地雷达模拟图像，包括：利用基于时域有限差分法的GPRMAX，对已有的不同类型的病害数据进行正演模拟，获取探地雷达模拟图像。3.根据权利要求1所述的探地雷达图像人工智能识别方法，其特征在于，所述病害数据的类型包括路面结构内部空隙多、层间不良、层间松散和结构松散。4.根据权利要求1所述的探地雷达图像人工智能识别方法，其特征在于，所述根据所述探地雷达模拟图像和所述探地雷达试验图像，建立探地雷达图谱库，包括：根据所述探地雷达模拟图像和所述探地雷达试验图像，利用数据增广技术及迁移学习技术进行重构并拓展，建立所述探地雷达图谱库。5.根据权利要求1所述的探地雷达图像人工智能识别方法，其特征在于，所述探地雷达图谱库包括非病害图像、空隙多图像、层间不良图像、层间松散图像和结构松散图像。6.根据权利要求1所述的探地雷达图像人工智能识别方法，其特征在于，所述获取探地雷达采集到的目标实测图像数据，并通过多层卷积神经网络，确定自主学习特征，包括：将所述目标实测图像数据，通过多层卷积神经网络中预先构建的多层次特征融合的RPN网络结构，确定特征层并生成候选区域框；对所述候选区域框进行非负极大抑制操作并汇总，确定所述自主学习特征。7.根据权利要求1所述的探地雷达图像人工智能识别方法，其特征在于，所述根据所述手动特征、所述自主学习特征和所述探地雷达图谱库，确定目...
【专利技术属性】
技术研发人员：张志祥，金光来，杨阳，蔡文龙，臧国帅，
申请(专利权)人：中路交科科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。