一种基于极化特征与机器学习的探地雷达锈蚀钢筋辨识方法技术

本公开提供了一种基于极化特征与机器学习的探地雷达锈蚀钢筋辨识方法：通过采集GPR对地下钢筋的全极化数据信息，并采用系列极化分解获取多维极化属性，为目标识别提供更多信息；同时，利用取得的数据对基于多层感知机的机器学习算法进行训练测试，用于钢筋锈蚀与否的分类。该方法充分挖掘利用了钢筋的极化特征，能够取得更稳健高效的识别效果。能够取得更稳健高效的识别效果。能够取得更稳健高效的识别效果。

【技术实现步骤摘要】
一种基于极化特征与机器学习的探地雷达锈蚀钢筋辨识方法


[0001]本专利技术涉及雷达
，特别涉及一种对地下锈蚀钢筋进行辨识的探地雷达技术。

技术介绍

[0002]探地雷达(Ground Penetrating Radar,GPR)是一种用于道路探测、地下勘探等的无损检测工具，原理主要是发射短高频电磁脉冲，记录地下目标体的反射信号。随着仪器和高频天线的发展，探地雷达也被用于材料状态的评估，如混凝土中水分或氯离子含量的表征，以及钢筋锈蚀的检测。钢筋锈蚀产物(铁锈和裂缝)与钢筋混凝土成分存在明显的介电属性差异，这是探地雷达可用于钢筋锈蚀检测的理论基础。但基于单极化的传统GPR信号包含的地下信息有限，大多直接使用最大振幅、峰值相位或雷达剖面，辨识结果存在不确定性。

技术实现思路

[0003]有鉴于此，本公开了提供一种基于极化特征与机器学习的探地雷达锈蚀钢筋辨识方法，其能够获得更高的锈蚀辨识精度，改善传统探地雷达检测法存在不确定性的问题。
[0004]本公开提供的基于极化特征与机器学习的探地雷达锈蚀钢筋辨识方法，包括以下步骤：
[0005]获取钢筋混凝土的全极化数据，建立各点的全极化散射矩阵；
[0006]对所述全极化散射矩阵进行系列极化分解，获取各点的极化属性数据集，包括：极化熵，极化散射各向异性度，极化散射角，表面散射功率，体散射功率，二次散射功率，以及表面散射、二次散射、体散射的极化相似属性；
[0007]采用机器学习装置，用所述极化属性数据集进行学习训练和调参优化后，对锈蚀钢筋进行辨识。
[0008]进一步地，所述全极化数据的获取方法包括：通过全极化雷达探测方式直接获取，通过四种极化方式下的收发天线分别采集后再合成，以及通过仿真软件生成。
[0009]进一步地，对所述全极化散射矩阵的极化分解，具体包括以下步骤：
[0010]由所述全极化散射矩阵，得到三维极化相干矩阵和三维极化协方差矩阵；
[0011]对所述极化相干矩阵进行H/A/alpha分解，提取出三维极化属性，包括：极化熵、极化散射各向异性度、极化散射角；
[0012]对所述极化协方差矩阵进行Freeman
‑
Durden分解，提取出三维极化属性，包括：表面散射功率、体散射功率、二次散射功率；
[0013]基于所述极化相干矩阵，提取目标体的极化相似属性rs，其中rs为：
[0014][0015]其中k
P
为典型散射体的泡利散射向量，T3为实测数据得到的所述极化相干矩阵，
trace(
·
)为矩阵的迹运算。
[0016]进一步地，所述机器学习装置采用支持向量机或多层感知机。
[0017]进一步地，所述多层感知机为含有两个隐藏层的全连接神经网络，输出层节点数设置为1，激活函数使用softmax。
[0018]进一步地，所述锈蚀钢筋辨识方法，还包括构建锈蚀钢筋混凝土仿真模型，用于利用仿真软件生成全极化数据的步骤；其中，所述仿真模型包括混凝土、钢筋、腐蚀产物和裂缝四种元素，结构特征包括锈蚀过程中钢筋直径减小、腐蚀层形成、混凝土裂缝开度以及裂缝中锈蚀产物填充。
[0019]本公开通过采集GPR对混凝土中钢筋的全极化数据信息，并采用一系列极化分解方法获取了多维极化属性，为目标识别提供更多信息；同时，对取得的数据利用以多层感知机为主的机器学习算法实现二元分类，发展了机器学习与极化分解结合的方法，进一步提高了辨识的准确度，解决了单极化GPR信号包含的特征信息有限、辨识结果不确定的问题，实现了钢筋锈蚀的精确辨别。
[0020]与现有技术相比，本公开的有益效果在于：(1)由于雷达信号在钢筋锈蚀模型中存在复杂的折射效应，传统方法存在较大的检测误差，无法完全适用于混凝土钢筋锈蚀辨识，而本公开相对于现有技术中用H/A/alpha分解，只分析H和alpha而言，提取了钢筋混凝土的更多维极化特征，获得了更多的辨识信息；(2)引入了基于神经网络的机器学习，克服了基于单极化雷达信号识别所带来的不确定性，能够取得更稳健高效的识别效果；(3)提出和验证了本公开搭建的多层感知机(Multilayer Perceptron，MLP)在锈蚀钢筋识别方面是比常用的支持向量机(Support Vector Machine,SVM)更优的选择；(4)建立了更加细致、符合实际的锈蚀钢筋混凝土仿真模型，用于机器学习的学习训练和参数优化，能进一步提高识别效率和准确度。
附图说明
[0021]图1为示例性实施例的探地雷达锈蚀钢筋辨识方法流程图；
[0022]图2为钢筋混凝土锈蚀阶段示意图；
[0023]图3为示例性实施例的全极化数据存储形式；
[0024]图4为示例性的多层感知机；
[0025]图5为示例性的混凝土钢筋锈蚀仿真模型；
[0026]图6为仿真场景500次随机训练的结果；
[0027]图7为实测的锈蚀钢筋(a)与不锈蚀钢筋(b)；
[0028]图8是实测场景500次随机训练的结果。。
具体实施方式
[0029]下面结合附图并举实施例，对本公开进行详细描述。
[0030]本公开的目的在于克服传统探地雷达锈蚀钢筋检测方法的不足，提出一种基于极化特征与机器学习的探地雷达锈蚀钢筋辨识方法。本公开既适用于钢筋锈蚀初期(表面钝化膜破坏、铁锈生成)的检测，也可应用于钢筋锈蚀发展期(铁锈不断产生导致混凝土内部出现裂缝)的检测。
[0031]附图1给出了本公开示例性实施例流程图。主要包括以下步骤：
[0032]步骤1：获取钢筋混凝土的全极化数据，建立全极化散射矩阵模型；
[0033]其中，全极化数据既可以通过全极化雷达探测方式直接获取，也可以通过四种极化方式下的收发天线分别采集后再合成。还可以基于仿真模型，采用gprMax等探地雷达仿真软件，得到仿真场景的全极化数据。
[0034]数据采集采用二维扫描测量，在每一个观测点上有一个测量矩阵，这个测量矩阵由四种极化方式下的回波数据构成，回波数据经过噪声和杂波的抑制，目标各个像素点的全极化数据可由2
×
2的极化散射矩阵表示为：
[0035][0036]测量得到的全极化数据存储形式如附图3所示，其中HH，HV，VH，VV分别代表极化通道类型，S
HH
、S
HV
、S
VH
、S
VV
分别为四个极化通道的复散射系数，i和j为扫描数据的像素点索引。
[0037]步骤2：对所述全极化散射矩阵采用多重极化分解算法进行分解，获取多维极化属性数据集。具体可包括以下步骤：
[0038]假设GPR满足单站后向散射体制，此时互易性限制散射矩阵S为对称矩阵，即有S
HV
＝S
VH
，由此可构建三维极化相干矩阵T3和三维极化协方差矩阵C3：
[0039][00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于极化特征与机器学习的探地雷达锈蚀钢筋辨识方法，其特征在于，包括以下步骤：获取钢筋混凝土的全极化数据，建立各点的全极化散射矩阵；对所述全极化散射矩阵进行系列极化分解，获取各点的极化属性数据集，包括：极化熵，极化散射各向异性度，极化散射角，表面散射功率，体散射功率，二次散射功率，以及表面散射、二次散射、体散射的极化相似属性；采用机器学习装置，用所述极化属性数据集进行学习训练和调参优化后，对锈蚀钢筋进行辨识。2.根据权利要求1所述的锈蚀钢筋辨识方法，其特征在于，所述全极化数据的获取方法包括：通过全极化雷达探测方式直接获取，通过四种极化方式下的收发天线分别采集后再合成，以及通过仿真软件生成。3.根据权利要求1所述的锈蚀钢筋辨识方法，其特征在于，对所述全极化散射矩阵的极化分解，具体包括以下步骤：由所述全极化散射矩阵，得到三维极化相干矩阵和三维极化协方差矩阵；对所述极化相干矩阵进行H/A/alpha分解，提取出三维极化属性，包括：极化熵、极化散射各向异性度、极化散射角；对所述极化协方差矩阵...

【专利技术属性】
技术研发人员：杨小鹏，兰天，梁舒博，郭聪隆，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：