基于深度学习的机场道面地下结构病害自动检测方法技术

一种基于深度学习的机场道面地下结构病害自动检测方法。其构造了由二维卷积和三维卷积组成的卷积神经网络，可提取GPR B

【技术实现步骤摘要】
基于深度学习的机场道面地下结构病害自动检测方法


[0001]本专利技术属于探地雷达目标识别
，特别是涉及一种基于深度学习的机场道面地下结构病害自动检测方法。

技术介绍

[0002]由于飞机起降所产生的压力，许多机场跑道中都存在地下缺陷。尽早发现地下缺陷，例如脱空和裂缝，可以显著降低维护成本并确保安全。探地雷达(GPR)作为地下物体检测的重要工具，近年来在跑道检查任务中越来越受欢迎。
[0003]探地雷达不会直接为扫描的对象提供3D位置，而是提供一组回旋且嘈杂的雷达反射图像，这些图像也称为B
‑
scan图像。图1为目前探地雷达采集到的四种机场道面地下典型病害B
‑
scan图像示意图。因此，当前的方法仍然需依靠专家来解释探地雷达数据，这种方法存在的问题是主观性强，容易出错，成本高昂且费时。
[0004]运输基础设施的地下无损评估(NDE)对于安全是必不可少的。执行地下基础设施检查的NDE技术，例如超声波检测、振动声学、低频电磁场(LFEM)、无源磁场(PMF)和GPR，可以提供可靠的诊断，而本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的机场道面地下结构病害自动检测方法，其特征在于：所述的基于深度学习的机场道面地下结构病害自动检测方法包括按顺序进行的下列步骤：步骤一：使用多通道探地雷达采集机场道面地下结构的B
‑
scan图像和C
‑
scan；步骤二：构造一个由三维卷积和二维卷积两个子网络组成的卷积神经网络，并利用三维卷积和二维卷积子网络分别提取上述C
‑
scan中包含地下病害多通道之间关联性的三维特征图和B
‑
scan图像中地下病害的二维特征图；步骤三：将步骤二中得到的三维特征图和二维特征图进行融合，得到包含地下病害丰富信息的融合特征图；步骤四：构造一个三维反卷积子网络对步骤三得到的融合特征图进行上采样，得到与输入的体素相同尺寸的分割图，以实现对采集的雷达图像中目标的像素级分割；步骤五：将步骤四中获得的分割图中的前景像素点聚类成不同大小的簇，然后由生成的所有簇分别获得三维外接矩形框作为初始预测框；步骤六：将步骤五生成的所有初始预测框分别映射到步骤二中获得的三维特征图的对应位置，得到固定大小的三维特征图；步骤七：构造修正子网络，并利用该子网络和步骤六生成的固定大小的三维特征图对步骤五得到的初始预测框进行边框修正和分类，获得定位更加精确的三维预测框。2.根据权利要求1所述的基于深度学习的机场道面地下结构病害自动检测方法，其特征在于：在步骤二中，所述的构造一个由三维卷积和二维卷积两个子网络组成的卷积神经网络，并利用三维卷积和二维卷积子网络分别提取上述C
‑
scan中包含地下病害多通道之间关联性的三维特征图和B
‑
scan图像中地下病害的二维特征图的方法是：将整个C
‑
scan细分为等距的体素，每个体素的大小为m
v
×
m
v
×
n
v
，其中m
v
表示体素中包含的每个B
‑
scan图像的尺寸，n
v
是包含在一个体素中的B
‑
scan图像的总数，通常设置为探地雷达阵列通道的总数；获得C
‑
scan后，根据其驻留的B
‑
scan图像将每个体素进一步拆分为n
v
个平面；将得到的这些体素及平面分别输入到三维卷积和二维卷积两个子网络中提取出相应的三维特征和二维特征；三维卷积子网络由六个模块组成，每个模块中的卷积块都分别包含一个卷积层，BN层和RELU层，卷积层中提供的三维卷积核尺寸为5
×5×
5；前四个模块中都分别包含一个尺寸为2
×2×
2的最大池化层，步长设置为2，用于将得到的三维特征图进行下采样为原来尺寸的一半；最后一个卷积模块中的卷积核尺寸为1
×1×
1，用于预测三维特征图中的每个像素点属于前景或背景的概率；二维卷积子网络的结构和每个模块的功能都与三维卷积子网络一致，区别是每个模块中提供的均为二维的卷积核和池化操作。3.根据权利要求1或2所述的基于深度学习的机场道面地下结构病害自动检测方法，其特征在于：在步骤三中，所述的将步骤二中得到的三维特征图和二维特征图进行融合，得到包含地下病害丰富信息的融合特征图的方法是：将步骤二中获得的n
v
个平面对应的二维特征图按其在体素中的排列顺序组合成三维特征图，然后与对应的步骤二中得到的从体素中提取出的三维特征图按对应位置逐个相加，形成与三维特征图相同尺寸的融合特征图。4.根据权利要求1或2所述的基于深度学习的机场道面地下结构病害自动检测方法，其特征在于：在步骤四中，所述的构造一个三维反卷积子网络对步骤三得到的融合特征图进
行上采样，得到与输入的体素相同尺寸的分割图，以实现对采集的雷达图像中目标的像素级分割的方法是：构造的三维反卷积子网络由四个模块组成，每个模块分别包含一个可将输入的融合特征图尺寸扩大2倍的上采样层，其中的卷积核尺寸为4
×4×
4，和一个BN层；训练阶段...

【专利技术属性】
技术研发人员：李海丰，李南莎，王怀超，
申请(专利权)人：中国民航大学，
类型：发明
国别省市：