详情

原文传递基于探地雷达图像的城市道路地下病害识别方法研究

论文题名：	基于探地雷达图像的城市道路地下病害识别方法研究
关键词：	探地雷达数据;地下病害分类;卷积神经网络;迁移学习
摘要：	道路是一种重要的基础设施，近年来由地下病害引发的城市道路塌陷事故频发，严重危害了人民群众的生命和财产安全。探地雷达具有无损、高效、高分辨率等优势，被广泛运用于城市道路的地下病害检测任务。然而探地雷达数据受噪声干扰严重，探地雷达B-scan图像并非自然图像，解译困难。目前探地雷达B-scan图像中的病害信息主要依靠人工解译，由于地下病害缺乏物理模型给出的先验知识，且依赖专业从业人员的主观判断，解译的效率和准确率都较低。因此，智能高效地对雷达图像中的病害进行识别具有重要意义。目前，国内外针对病害识别算法的研究中，基于人工智能的深度学习方法在病害特征提取方面具备显著优势，然而深度学习的成功依赖大量高质量的有标注数据，由于地下病害数据有标注信息的数据较少，解译困难，高效准确的深度学习算法还有待研究;另一方面，目前的研究大多针对空洞病害，而对其它类型的地下病害研究较少。针对上述问题，本文围绕少样本情况下多种地下病害的自动解译展开研究，通过对地下病害进行理论分析和正演模拟给出了基于数值模拟的先验指导，并提出地下病害分类的深度学习模型，实现了地下病害的智能识别。已完成的工作和研究成果如下: 　　(1)提出了一种基于特征分布修正的地下病害分类方法（UndergroundDisasterRecognitionBasedonFeatureDistributionCalibration，UDC），该方法构建了一种深度卷积神经网络（ConvolutionalNeuralNetworkforGPRData，gprNet），能够对少样本病害数据的特征进行有效提取，同时通过特征统计量迁移的方式生成了特征样本，扩充了训练数据集，训练模型得到更为准确的地下病害的特征分布，实现了对病害数据特征分布的修正，进一步实现了对不同种类的地下病害的识别。　　(2)通过对地下病害数据特性的分析，基于时域有限差分法对地下病害进行正演模拟，给出了基于数值模拟的地下病害先验知识，提出了一种无监督子领域自适应的地下病害分类方法(UnsupervisedSubdomainAdaptationNetworkforUndergroundDisasterRecognition，USAN)，该方法通过地下病害的正演模拟，建立正演模拟数据集作为源域数据和预训练数据，然后通过预训练策略加速网络训练和收敛，最后采用局部最大均值差异度量，对齐正演模拟数据和真实病害数据的子领域的特征分布，从而使得分类网络对无标注的真实病害数据具有良好的识别效果，实现了对地下病害的识别。　　综上，本文针对少样本地下病害识别的问题，提出了一种基于特征分布修正的地下病害分类方法，针对无标注地下病害识别问题，提出了一种无监督子领域自适应地下病害分类方法，通过实验验证了本文提出方法的优越性，为地下病害识别提供了新的思路，促进了深度学习在探地雷达数据解译领域的应用。
作者：	张熙俊
专业：	电子科学与技术
导师：	王斌
授予学位：	硕士
授予学位单位：	西安电子科技大学
学位年度：	2022