基于深度学习和探地雷达的道路地下空洞检测预警方法技术

本发明专利技术公开了一种基于深度学习和探地雷达的道路地下空洞检测预警方法，该方法包括：通过探地雷达采集实际道路的含噪探地雷达回波信号；对含噪探地雷达回波信号进行滤波平滑处理得到去噪探地雷达回波信号；采用生成式对抗神经网络对去噪探地雷达回波信号进行增广处理得到雷达回波信号；采用快速区域卷积神经网络对雷达回波信号进行检测得到第一检测预警结果。本发明专利技术采用GANs网络对地下坑洞数据集进行增广，解决了基于深度学习的地下空洞检测时训练样本不足的问题，同时采用快速区域卷积神经网络模型进行检测，提高了网络对信号特征的学习能力，实现了将深度学习技术更好地应用到雷达信号检测技术中，可以更加准确而快速地对道路进行无损检测。

【技术实现步骤摘要】
基于深度学习和探地雷达的道路地下空洞检测预警方法
本专利技术属于道路检测
，具体涉及一种基于深度学习和探地雷达的道路地下空洞检测预警方法。
技术介绍
道路在建设好或通行一段时间后需要对路基进行检测，检测路基的好坏是保证道路安全的重要指标，目前，在检测道路路基的好坏时需要用到探地雷达进行扫描，探地雷达又称透地雷达，地质雷达，是用频率较大的无线电波来确定地下介质分布的一种无损伤探测方式，可以探测金属及非金属物体、比如地下水泥管道等等。随着道路使用年限的逐步增长，道路过载或者地下管道漏水都能导致的道路基层损害的产生，严重的会产生地下空洞从而极易引发路面塌陷造成人员伤亡和经济损失。因此及时有效的检测变得尤为重要，目前传统的检测方法主要有钻芯取样、超声波和探地雷达方式对其进行检测。钻芯取样通过钻取道路样本来对道路基层进行诊断，取样过程会对道路造成不可逆的损伤且费时费力需要较长时间封闭道路，已经很难满足海量的检测需求，在道路检测领域实用性越来越低。超声波检测方式利用超声波在固体和气体中传播速度的差异，能够准确的探测到地下空洞的存在，然而正式由于超声波传导原理，很容易受到检测环境的影响。探地雷达通过向地面发射并接收电磁波，采用正演得到地下结构来实现对地下目标的探测，并能够克服前两种方式有损受干扰较大的缺点被越来越多的应用于实际检测工程中。探地雷达的待测地下目标环境错综复杂，因此需要对采集的原始信号进行预处理。国内外学者对此进行了很多的研究并提出了多种滤波方法，来帮助检测人员提高检测数据质量。然而，正是由于探地雷达的检测原理不同于常规的直接测量方式，使得对大量地下病害的定性定量分析都依靠检测人员的判断，检测精度低，且国内外尚未出现成熟的针对探地雷达检测结果的自动化分析方案。
技术实现思路
为了解决现有技术中存在的上述问题，本专利技术提供了一种基于深度学习和探地雷达的道路地下空洞检测预警方法。本专利技术的一个实施例提供了一种基于深度学习和探地雷达的道路地下空洞检测预警方法，包括：通过探地雷达采集实际道路的含噪探地雷达回波信号；对所述含噪探地雷达回波信号进行滤波平滑处理得到去噪探地雷达回波信号；采用生成式对抗神经网络对所述去噪探地雷达回波信号进行增广处理得到雷达回波信号；采用快速区域卷积神经网络对所述雷达回波信号进行检测得到第一检测预警结果。在本专利技术的一个实施例中，对所述含噪的探地雷达回波信号进行滤波平滑处理得到去噪探地雷达回波信号包括：采用Shearlet变换自适应阈值去噪方法对所述含噪的探地雷达回波信号进行滤波平滑处理得到所述去噪探地雷达回波信号。在本专利技术的一个实施例中，所述生成式对抗神经网络包括生成器网络，其中，所述生成器网络包括依次连接的全连接层、重构层、N个反卷积层，N为大于0的整数，所述全连接层、所述重构层均分别连接一BN归一层、Tanh激活层，所述N个反卷积层中每一反卷积层均分别连接一BN归一层、Relu激活层。在本专利技术的一个实施例中，所述生成式对抗神经网络还包括判别器网络，所述生成器网络、所述判别器网络依次连接，其中，所述判别器网络包括依次连接的M个卷积层、全连接层，M为大于0的整数，所述M个卷积层中每一卷积层均分别连接一BN归一层、Leakyrelu激活层，所述全连接层连接一BN归一化层、Sigmoid激活层。在本专利技术的一个实施例中，所述快速区域卷积神经网络包括依次连接的特征提取层、目标区域提取层、池化层和分类回归层。在本专利技术的一个实施例中，所述特征提取层采用VGG16网络模型，所述VGG16网络模型包括若干输入层、若干一对一层、若干第一隐藏层、若干第二隐藏层、若干输出层，其中，所述若干输入层与所述若干一对一层一一对应连接，每一一对一层均分别与每一第一隐藏层连接，每一第一隐藏层均分别与每一第二隐藏层连接，每一第二隐藏层还均分别与每一输出层连接。在本专利技术的一个实施例中，采用快速区域卷积神经网络对所述雷达回波信号进行检测得到第一检测结果包括：对所述雷达回波信号进行标准化处理；对标准化后的雷达回波信号进行编码；采用所述快速区域卷积神经网络对编码后的雷达回波信号进行检测得到所述第一检测结果。在本专利技术的一个实施例中，对所述雷达回波信号进行标准化处理包括：计算所述雷达回波信号的均值；计算所述雷达回波信号的标准差；根据所述雷达回波信号的均值和所述雷达回波信号的标准差对所述雷达回波信号进行标准化处理。在本专利技术的一个实施例中，对标准化后的雷达回波信号进行编码包括：采用One-hot编码方法对标准化后的雷达回波信号进行编码。在本专利技术的一个实施例中，还包括：对所述第一检测预警结果进行量化处理得到第二检测预警结果。与现有技术相比，本专利技术的有益效果：本专利技术提供的基于深度学习和探地雷达的道路地下空洞检测预警方法，采用GANs网络对地下坑洞数据集进行增广，解决了基于深度学习的地下空洞检测时训练样本不足的问题，同时采用快速区域卷积神经网络模型进行检测，提高了网络对信号特征的学习能力，实现了将深度学习技术更好地应用到雷达信号检测技术中，具有更优的检测精度，可以更加准确而快速地对道路进行无损检测。以下将结合附图及实施例对本专利技术做进一步详细说明。附图说明图1是本专利技术实施例提供的一种基于深度学习和探地雷达的道路地下空洞检测预警方法的流程示意图；图2是本专利技术实施例提供的获取探地雷达回波信号的场景示意图；图3(a)～图3(f)是本专利技术实施例提供的不同滤波去噪方法下对道路空洞目标去噪的效果对比示意图；图4是本专利技术实施例提供的生成式对抗神经网络对去噪探地雷达回波信号进行增广处理的示意图；图5是本专利技术实施例提供的生成式对抗神经网络中生成器网络的结构示意图；图6是本专利技术实施例提供的另一种生成式对抗神经网络对去噪探地雷达回波信号进行增广处理的示意图；图7是本专利技术实施例提供的生成式对抗神经网络中判别器网络的结构示意图；图8是本专利技术实施例提供的快速区域卷积神经网络的结构示意图；图9是本专利技术实施例提供的快速区域卷积神经网络中特征提取层的结构示意图；图10是本专利技术实施例提供的One-hot编码结果示意图；图11是本专利技术实施例提供的通过GprMax仿真软件正演模拟的道路结构模型示意图；图12(a)～图12(b)是本专利技术实施例提供的GprMax仿真软件仿真的地下空洞模型及结果示意图；图13是本专利技术实施例提供的基于深度学习和探地雷达的道路地下空洞检测结果示意图。具体实施方式下面结合具体实施例对本专利技术做进一步详细的描述，但本专利技术的实施方式不限于此。实施例一请参见图1，图1是本专利技术实施例提供的一种基于深度学习和探地雷达的道路地下空洞检测预警方法的流程示意图。本实施例提出了一种基于深度学习和探地雷达的道路地下本文档来自技高网...

【技术保护点】
1.一种基于深度学习和探地雷达的道路地下空洞检测预警方法，其特征在于，包括：/n通过探地雷达采集实际道路的含噪探地雷达回波信号；/n对所述含噪探地雷达回波信号进行滤波平滑处理得到去噪探地雷达回波信号；/n采用生成式对抗神经网络对所述去噪探地雷达回波信号进行增广处理得到雷达回波信号；/n采用快速区域卷积神经网络对所述雷达回波信号进行检测得到第一检测预警结果。/n

【技术特征摘要】
1.一种基于深度学习和探地雷达的道路地下空洞检测预警方法，其特征在于，包括：
通过探地雷达采集实际道路的含噪探地雷达回波信号；
对所述含噪探地雷达回波信号进行滤波平滑处理得到去噪探地雷达回波信号；
采用生成式对抗神经网络对所述去噪探地雷达回波信号进行增广处理得到雷达回波信号；
采用快速区域卷积神经网络对所述雷达回波信号进行检测得到第一检测预警结果。


2.根据权利要求1所述的基于深度学习和探地雷达的道路地下空洞检测预警方法，其特征在于，对所述含噪的探地雷达回波信号进行滤波平滑处理得到去噪探地雷达回波信号包括：
采用Shearlet变换自适应阈值去噪方法对所述含噪的探地雷达回波信号进行滤波平滑处理得到所述去噪探地雷达回波信号。


3.根据权利要求1所述的基于深度学习和探地雷达的道路地下空洞检测预警方法，其特征在于，所述生成式对抗神经网络包括生成器网络，其中，
所述生成器网络包括依次连接的全连接层、重构层、N个反卷积层，N为大于0的整数，所述全连接层、所述重构层均分别连接一BN归一层、Tanh激活层，所述N个反卷积层中每一反卷积层均分别连接一BN归一层、Relu激活层。


4.根据权利要求3所述的基于深度学习和探地雷达的道路地下空洞检测预警方法，其特征在于，所述生成式对抗神经网络还包括判别器网络，所述生成器网络、所述判别器网络依次连接，其中，
所述判别器网络包括依次连接的M个卷积层、全连接层，M为大于0的整数，所述M个卷积层中每一卷积层均分别连接一BN归一层、Leakyrelu激活层，所述全连接层连接一BN归一化层、Sigmoid激活层。


5.根据权利要求1所述的基于深度学习和探地雷达的道路地下空洞检测预警方法，其特征在于，所述快...

【专利技术属性】
技术研发人员：高尧，李伟，裴莉莉，沙爱民，孙朝云，王飒，耿方圆，
申请(专利权)人：长安大学，
类型：发明
国别省市：陕西;61