[发明专利]基于深度学习的机场道面地下结构病害自动检测方法

说明书

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‑scan和C‑scan中的二维和三维特征并进行融合，充分考虑到了地下病害的空间性质和不同病害间的特征差异；接下来构造了反卷积子网络对融合特征进行反卷积，实现对地下病害目标的三维语义分割，将属于病害区域的前景像素点分割出来，然后通过聚类生成三维外接框，避免了对三维空间的大量搜索；将得到的三维外接框略微进行扩大作为感兴趣区域映射到已获得的三维特征图对应位置，然后进行池化操作，得到固定大小的感兴趣区域对应的特征图，本发明最后构造了全连接层对初始的三维预测框进行位置修正和分类，使得定位更加精确，可有效用于机场道面地下结构病害检测，且平均检测精度较现有公知方法高。

技术领域

本发明属于探地雷达目标识别技术领域，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。

背景技术

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。

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。

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，而不会损坏被检查的结构。在不同的传感器形式中，GPR已被广泛用于地下检测。但是，从GPR信号自动识别地下目标并非易事，因为GPR无法提供3D位置，而是具有杂乱信号的反射图像。因此，基于探地雷达的自动目标检测仍然是一个具有挑战性的问题。

标准信号处理方法，包括模板匹配、超分辨率谱估计、S变换和小波变换，已被广泛研究用于自动GPR数据分析。但是，这些方法对噪声很敏感，导致检测结果不可靠，尤其是对于在应用中信号杂波明显的现场GPR数据而言。

机器学习技术已在GPR数据解释中变得流行，包括基于支持向量机、遗传优化和聚类等技术的方法。但是，这些传统方法的性能取决于所提取的特征，这限制了它们在非常杂乱的现场GPR数据上的应用。

基于卷积神经网络(CNN)的方法直接从输入数据中学习特征表示，并在近年来变得越来越流行。研究人员已经开发出基于CNN的方法从GPR数据中自动检测物体。Singh等人简化了在GPR B-scan图像中发现的双曲线模式的解释，并使用神经网络和曲线拟合技术估计出圆柱物体的位置。Almaimani等人专注于使用四种不同的CNN结构，根据GPR圆柱体的深度，大小和基础介质的介电常数对其B-scan进行分类。但是，与圆柱形管道相比，自然缺陷检测更具挑战性。刘等人提出了一种DNN架构(即GPRInvNet)来应对将GPR B扫描数据映射到地下结构的复杂介电常数图的挑战。Besaw等人使用深层的CNN从2D GPR B-scan中提取有意义的特征，并对威胁进行分类。最近，已经提出了众所周知的成功2D对象检测算法，例如Faster R-CNN和YOLO，并且进一步用于从GPR B-scan图像进行缺陷检测。尽管这些基于CNN的技术已经取得了良好的初步效果，但它们仍然不能满足现场应用的需求。现有的基于CNN的方法的主要问题是仅采用2D B-scan图像，而没有考虑跨多个B-scan的3D特征信息以进行3D缺陷检测。

发明内容

为了解决上述问题，本发明的目的在于提供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，以解决地下结构病害检测问题。

为了达到上述目的，本发明提供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：