详情

原文传递基于探地雷达和深度学习的道路地下病害智能检测研究

论文题名：	基于探地雷达和深度学习的道路地下病害智能检测研究
关键词：	道路养护;地下病害;智能检测;探地雷达;深度学习
摘要：	近年来，随着交通重载及各种环境因素影响，道路塌陷成为城市痼疾。病害检测是防灾减灾的关键环节，探地雷达因其高效便捷的特点，已成为道路地下病害检测的主要手段，其检测效果与雷达数据的判读质量密切相关。但目前我国关于病害划分的规范、标准较少，往往依靠技术人员主观经验进行判读，易导致漏判和误判；同时人工判读速度也难以满足高质量发展的需求。针对这些问题，本文从道路地下病害的特征指标和智能检测方法这两方面进行了深入研究，工作内容主要包括：　　1.研究了道路地下病害特征问题。通过正演模拟和现场实验模拟了脱空、不密实、富水、管线四种典型病害，分析其雷达反射波信号和灰度图像上的特征和规律，研究发现对于雷达反射波信号，根据相位、均方值和频率三个指标能够确定道路是否存在病害，并初步判断病害严重程度。对于雷达灰度图像，根据图像中黑白条带的形状及分布规律总结出各类病害对应的特征形态。总结出的特征为后续病害智能检测研究的样本标记工作提供了重要参考和依据。　　2.研究了道路地下病害的智能分类识别问题。首先利用迁移学习的方法，迁移10种知名卷积神经网络模型，并在此基础上对比不同迁移策略和网络参数对分类识别效果的影响。通过模型性能测试，最终得出对于道路地下病害图像，ResNet-50模型（冻结网络1-78层，设置学习率为0.0001，使用sgdm优化算法）的分类识别效果最优，其测试准确率达到了94.80%。　　3.研究了道路地下病害的智能定位问题。采用YOLO目标检测算法，能够同时实现对病害的智能分类和定位。从特征提取网络和检测网络两方面进行优化，提高YOLO性能。和原特征提取网络的对比测试表明，ResNet-50网络在特征提取方面依旧保持了优越的性能，其搭配YOLOv2、v3检测网络时都有很好的表现。其中，ResNet-50_v3模型对构筑物病害检测的平均精度最高，为0.9230，对不密实病害检测的平均精度最低，为0.8577。各分类平均精度为0.8946。检测时间为24FPS，满足工程检测要求。为了排除数据集划分因素对结果的影响，通过设置5折交叉验证评估模型的稳定性。结果证明ResNet-50_v3模型具有良好的稳定性，其综合平均精度达到了0.8970，平均检测时间为26.1FPS，达到预期目标。　　4.基于以上结果，还尝试了道路地下病害的智能安全评价。通过图像处理技术和像素等效的思想，计算检出病害的尺寸、规模，进而依据相关规范确定病害风险等级及养护对策。最后通过编写代码，实现上述流程自动化，初步建立了病害智能安全评价雏形，打通检测与安全评价间的最后一公里。　　本文的智能检测方法能够有效提高道路地下病害的检测精度和速度，具有广阔的应用前景。对病害智能安全评价的探索也为实际工程应用提供一定的参考和思路。
作者：	李曼如
专业：	建筑与土木工程
导师：	陈贡发;吴传海
授予学位：	硕士
授予学位单位：	广东工业大学
学位年度：	2022