[发明专利]基于自监督学习的探地雷达隧道衬砌质量检测方法

说明书

本发明提供一种基于自监督学习的探地雷达隧道衬砌质量检测方法，包括：制作得到图像样本集；构建自监督学习任务，采用所述训练样本集进行自监督对比学习，生成学习后的特征提取网络；基于所述学习后的特征提取网络，构建卷积神经网络模型；实测获得探地雷达灰度图；将所述探地雷达灰度图输入所述训练完成的卷积神经网络模型，实现隧道衬砌质量检测识别，输出隧道衬砌质量检测识别结果。本发明可以节省对大量探地雷达检测数据进行人工加注标签带来的高额时间成本，大大提高了探地雷达人工智能自动识别技术的效率。同时，由于使用的训练样本的增加，本发明所提出方法的识别精度相比传统人工智能识别方法有明显提高。

技术领域

本发明属于隧道衬砌质量检测技术领域，具体涉及一种基于自监督学习的探地雷达隧道衬砌质量检测方法。

背景技术

隧道衬砌在隧道运营过程中起着承受围岩压力、结构自重和防止围岩风化的作用。由于施工不规范、维修不及时和地质环境随时间变化等因素，隧道衬砌的质量安全难以得到持续保证。除了衬砌外表面肉眼可见的缺陷(表面混凝土裂缝、脱落)之外，隧道衬砌内部也经常会存在钢筋缺失、钢筋间距过大、厚度不达标和脱空等问题，因此隧道衬砌结构质量健康状态的定期检测对隧道的安全运营具有重要意义。目前对隧道衬砌质量进行无损检测最主要的方法是地质雷达(GPR)法，该方法具有检测效率高，仪器造作方便等优点。

随着人工智能深度学习技术尤其是卷积神经网络(convolutional neuralnetwork，简称CNN)方法的兴起，深度学习技术在探地雷达图像识别和目标检测方面的研究取得了快速的进展。该方法能够自动从训练数据中学习高级特征，然后估计输入图像数据与其他各种数据域(如标签、文本或其他图像)之间的非线性映射关系。利用深度学习自动识别技术能够消除由于人员经验差异造成的数据解释误差，并且能够大大提高对检测数据的解释效率。作为一种图像自动识别方法，基于CNN的深度学习技术识别效果要优于传统的计算机视觉方法(例如SIFT、ORB等)，随着该技术的不断发展，基于CNN的深度学习技术在GPR图像自动识别领域展现出了巨大的应用潜力和价值。

尽管如此，基于CNN的深度学习技术是一种有监督学习技术，其识别精度完全依赖于学习样本的数量和标签质量。因此，需要花费大量的时间成本对GPR检测图像加注标签，制作训练样本集。即使如此，能够得到的训练样本数量仍然远远无法满足需要，造成现有的人工智能自动识别方法准确率较低。此外，由于GPR检测数据的特殊性，对检测图像加注标签的过程中仍然不可避免的会引入解释人员经验差异带来的误差。因此，基于CNN的深度学习技术的GPR图像自动识别仍然处于研究探索阶段，距离实际应用还有较大距离。实际上，目前有监督学习技术发展的瓶颈正是该方法对数据的需求量巨大和对数据加注标签需要耗费大量时间、经济成本之间的矛盾没有得到根本上的解决。针对上述问题，国内外学者发展了各种训练样本数据扩展方法，例如Hui Qin et al.(Automatic recognition oftunnel lining elements from GPR images using deep convolutional networks withdata augmentation.Automation in Construction,2021)利用对抗网络(GAN)生成训练样本，Jing Wang et al.(Arbitrarily-oriented tunnel lining defects detection fromGround Penetrating Radar images using deep Convolutional Neuralnetworks.Automation in Construction,2022)采用数值模拟数据生成训练样本。但是上述方法均没有从本质上解决训练样本需要人工加注标签的问题，并且上述方法生成的训练样本均不是真实测量数据，用这样的训练样本训练的人工智能网络识别实际测量数据势必会代入误差，降低识别精度。

发明内容

针对现有技术存在的缺陷，本发明提供一种基于自监督学习的探地雷达隧道衬砌质量检测方法，可有效解决上述问题。

本发明采用的技术方案如下：