基于地质雷达的城市道路病害智能识别系统分析与设计.pdf

2023年8 月第43卷增刊第1期四川地质学报Vol.43Suppl.No.1Aug.,2023基于地质雷达的城市道路病害智能识别系统分析与设计彭伟1.2，武斌1，余舟1，徐文刚1.2（1.四川省地球物理调查研究所，成都6 10 0 7 2；2.四川省西南大地集团有限公司，成都6 10 0 7 2）摘要：随着城市化进程的推进，地下空间安全问题日益突出，其中包括管线老化、路面塌陷、燃气泄露等危险。为解决这些城市道路病害问题，三维地质雷达被广泛认为是一种有效的手段。然而，由于三维地质雷达所获取的数据量庞大且人工判读效率低下，近年来研究者们开始尝试利用深度神经网络进行自动识别道路病害的研究。现有的研究成果在对主要城市道路病害如塌陷和空洞的智能识别方面还存在一定的不足，缺乏定量评估的数据支持。因此，本研究采用了Pytorch深度学习框架和Faster R-CNN目标检测网络，设计了一种基于三维地质雷达的城市道路病害人工智能识别系统。该系统的设计目标是达到9 0%以上的塌陷和空洞病害的正确识别率。该系统的主要功能是提供快速准确的城市道路地下病害监测手段，并实现对病害位置和类型的自动识别。为了处理三维地质雷达扫描切片图片长度超长的问题，研究采用了二次切分和缝合思路，以提高系统的处理效率和准确性。通过该系统，城市管理者和相关部门能够更有效地监测和识别地下病害，及时采取措施进行修复和维护，从而提高城市道路的安全性和可持续发展能力。关键字：地质雷达；城市道路病害；人工智能；FasterR-CNN；Py t o r c h中图分类号：P631.3DOI:10.3969/j.issn.1006-0995.2023.S1.026伴随着城市化进程，地下空间安全问题日益凸现，越来越多的管线和路面面临老化问题，以及城市地下空间如同看不见的“暗网”，潜藏着路面塌陷、燃气管线泄露、道路空洞、疏松、富水等土体病害等危险，仅2 0 18 年7 至10 月，国内共发生地下管线事故16 0 余起，路面塌陷事故6 0 多起，2 0 18 年10 月7日，四川省达州市达川区东环南路10 3号发生人行道路面塌陷灾害，面积约10 m，4人被困，其中2人经抢救无效死亡，2 人现场发现已死亡。三维地质雷达具有无损、高效、精度高、探测深度深等优点，是解决城市道路病害的有效手段，但三维地质雷达通道多、数据量大、人工判读效率低，通过深度神经网络自动识别道路病害是提高资料解释效率的有效方法，近年来成为研究热点。中国航天科工集团三院研制的探地雷达“鹰眼-A”，管线智能检测正确率超过90%，误报率小于5%（2 0 18 年）；法国南布列塔尼大学Minh-TanPham团队，首次采用FasterRCNN框架来检测GPRB-scan中的反射双曲线，使用gprMax工具箱模拟生成更多不同配置的GPR仿真图以解决真实数据集匮乏的问题（M in h-T a n Ph a m,2 0 18）;中南大学侯斐斐团队利用FasterRCNN网络对GPRB-scan中双曲线进行检测，利用DCSE算法分别两次扫描二进制图像以识别双曲线特征，再通过双曲线拟合（CTFP算法）进一步估计目标位置（侯斐斐等，2 0 2 0）；武汉大学杨必胜团队通过端到端的YOLOV3检测方法完成地下目标的自动识别与定位，对城市典型地下目标的检测精度和召回率达到8 5%以上，检测速度达到了16 顿/秒（杨必胜等，2 0 2 0）；山东大学JingWang团队针对连续长测线进行反演或目标识别可能会导致被测目标的重建形状失真或错位的问题，提出了一种名为GPRI2Net 的新型深度神经网络（DNN）架构，以同时重建介电常数图并从连续和长测量线的GPR数据中对对象类别标签进行分类（JingWang，2 0 2 1）；郑州大学Haobang Hu团队提出了一种基于深度学习的方法，用于探地雷达（GPR）自动识别和定位地下管道，基于FasterR-CNN提出并训练了平均精度（AP）为0.92 56 的自动识别模型（HaobangHuetal.，2 0 2 2）。上述研究成果，均缺乏对塌陷、空洞等主要城市道路病害智能识别的定量评估。1需求分析及系统目标地质雷达是一种利用高频电磁波技术探测地下物体的电子设备，其有效探测深度2 6 m，是有效解收稿日期：2 0 2 2-0 5-2 2作者简介：彭伟（198 5一），男，四川省资阳人，地球物理勘查及遥感高级工程师，主要从事地球物理算法研究与数字化应用工作文献标识码：A文章编号：10 0 6-0 995（2 0 2 3）S1-0133-04133基于地质雷达的城市道路病害智能识别系统分析与设计决城市道路病害的常用手段（武斌等，2 0 19）。但地质雷达通道多、数据量大，拾取病害位置、识别病害类别以及判别病害的级别需要依靠人工经验来判读，效率低下，容易错判漏判。如意大利IDS GeoRadar公司生成的StreamX三维地质雷达，配备16 个2 0 0 MHz天线阵列，具有15个数据通道，2 0 0 MHz的DML天线模块用于地下目标探测时，测线间隔12 cm，采用VV极化方式，扫描宽度1.8 m，一条1km长、30 m宽的城市主干道，需要16 个测幅，共计2 40 个通道数据，每个通道可探测3m深度，数据量高达8 GB。数据解译时，需要根据异常所在通道平面位置，对不同深度进行切片，分析其雷达图谱平面图上异常形态，根据异常形态，排除明显的干扰异常，比如井盖、管线等，再切换至剖面图，依据地下病害体雷达图谱特征，圈定异常点位，形成初步的病害卡，可以看到，数据解译时需要核实每条通道不同深度切片的异常，工作量非常大，常常1天的野外采集数据需要花费2 3天时间解译，工作效率极其低下。因此，城市道路地下病害检测效率呕待提升，更需要精准量化数据且及时来指导下一步的养护与修复工作。本次研究主要目标是为城市道路地下病害探测提供快速的、精准的监测手段，实现自动识别病害位置及病害类型，通过目标检测网络，在信噪比良好的情况下达到主要城市道路病害（塌陷、空洞）90%以上的正确识别率。2技术路线及技术难点目前主流的深度学习框架包括Pytorch、T e n s o r Fl o w、Ca f f e 等，其中Caffe已停止维护、安装比较复杂，上手难度也比较大，已逐渐淘汰，TensorFlow和Pytorch在动态图和静态图、社区和生态系统、部署和移动设备支持、API和易用性、网络可视化和调试工具等方面各有优劣，但Pytorch灵活性、易用性比TensorFlow更胜一筹，尤其是近年来，Pytorch生态系统逐渐完善，使用热度已明显超越TensorFlow。基于开发维护成本考虑，本次研究采用Pytorch作用深度学习框架。本次课题研究对象是计算机视觉领域的目标检测，目标检测网络是用于执行目标检测任务的深度学习模型，它可以自动学习和理解图像中的目标特征，并生成包含目标位置和类别信息的预测结果。常用的目标检测网络模型包括Faster R-CNN（Fa s t e r Re g i o n-b a s e d Co n v o l u t i o n a l Ne u r a l Ne t w o r k）、SSD（Si n g l eShot MultiBox Detector）YO LO（Yo u O n l y Lo o k O n c e）、Ef f i c i e n t D e t 等，Faster R-CNN通过在图像中提取候选区域，然后对每个候选区域进行分类和位置回归，从而实现目标检测，SSD是一种单阶段目标检测模型，它在图像的多个不同尺度上进行预测，以便检测不同大小的目标。SSD通过在卷积网络的不同层级上预测目标的位置和类别，实现了高效的目标检测。YOLO是另一种单阶段目标检测模型，它将目标检测任务转化为一个回归问题，同时预测目标的位置和类别。EfficientDet是一种基于EfficientNet网络结构的目标检测模型，它通过使用特征金字塔网络（FeaturePyramid Network）和BiFPN（Bi d i r e c t i o n a l Fe a t u r ePyramid Network）来实现多尺度目标检测，同时在模型效果和计算效率上取得了很好的平衡（RossGirshick，2 0 15；Sh a o q i n g Re n e t a l.，2 0 15；Ji f e n g D a i e t a l.，2 0 15)。SSD、YO LO、Ef f i c i e n t Ne t 主要针对视频进行目标检测，拥有更高推断速度FPS值，FasterR-CNN主要是对图片进行目标检测，拥有更高的平均精度mAP值，由于地质雷达探测成果是静态图像，所以本次研究采用更高精度的FasterR-CNN作为目标检测网络。三维地质雷达扫面切片图片是连续长测线的超长图片，根据道路扫面长度不同而不同，如一条1km的道路扫面切片规格约为8 11350 0 pixel，长度是深度的16 6 倍之多，而目标检测网络一般要求是相同长宽或特定长宽比例，对于超长图片会采取压缩或补零处理，这会导致病害形态发生改变，从而导致推断准确率降低。本文采用先切分图片，分别对切分图片进行推断，再对切分图片再缝合的思路，难点在于缝合处的同一病害如何识别和合并，采用以缝合处为图片中心进行二次切分再推断，以病害范围是否跨越缝合处为判断依据，识别处缝合处病害和非缝合处病害，舍弃非缝合处病害，保留缝合处病害，就可得到二次切分缝合处病害分布，相反，对一次切分推断结果，采用舍弃缝合处病害、保留非缝合处病害，最后再将两次切分保留病害按照位置进行映射，从而得到最终的病害推断结果。1342023年8 月第43卷增刊第1期3系统设计四川地质学报Vol.43Suppl.No.1Aug.,2023借鉴和吸收已有的国内外研究成果的基础上，依托本单位已有的地质雷达和病害分布资料，并根据病害特征，研究卷积核设计、池化类型选择、激活函数选择、损失函数选择等超参数设计，将地质雷达资料按照8/2 原则划分训练集和测试集，通过训练集进行模型训练，验证集对模型进行评估，并对超参数进行调优，最后利用测试集对模型识别能力进行检验。3.1图片标注按照路面脱空、道路空洞、疏松、富水等病害类别以及管道类别对病害图片进行截取，像素点范围以能完全圈定病害体并有一定背景像素点为标准，划定对象定位框，并记录左上角坐标和右下角坐标，做好分类编号，采用LabelImage 作为标注工具。以2021年成都市绕城内市政排水管网及下穿隧道空洞探测项目为例，道路空洞顶深分布在0.11.0 5m，小于0.7 m的占8 6%，底深分布在0.33 3.42 m，小于1.1m的占7 7%，净空分布0.1 3.42 m，小于0.9m的占92%，小于5m的空洞占比7 8%，可按净空5m、长度5m作为截图窗口，以像素点13.5pixel/m来计算，截图像素点规格为6 8 6 8 pixel。3.2图片格式转换将jpg压缩图片或bmp位图图片转换成uint8无符号整型的数据格式，方便进行后续的数据处理，具体以TFRecord作为训练数据和测试数据的输入格式，地质雷达成果图是黑白灰单颜色通道图像，单张训练图片为6 8 6 8 pixel像素点规格。labellmgEisengagingVOKdisengagingholelooserichwaterpipeline图 1图片标注Cancel区域分类候选区域划分RegionProposalNetworkSoftMax特征提取CNN(ROlpooling)边框回归Linear一pre-trainCNN面水：%image图2 网络架构图3.3网络设计采用FasterR-CNN网络作为整体系统设计框架，并在此基础上进行优化改造设计，该网络在VOC2007数据集上mAP能达到最高8 5%的平均准确率，网络整体分为五个部分，第一部分是原始图像切割，第二135基于地质雷达的城市道路病害智能识别系统分析与设计部分是对原始图片处理的提取特征向量的CNN卷积网络，第三部分是对卷积网络生成的特征图划分候选区域的RPN（Re g i o n Pr o p o s a l Ne t w o r k）网络，第四部分是对候选区域进行特征提取、区域分类、边框回归的目标检测网络，第五部分是图像合并。第一部分，由于地质雷达成果图像长度取决区探测道路的长度，往往图像长度相对于高度过长，并且图像规格不一，会导致网络对不同图像规格的适配性较差，同时也会影响特征提取，可按照2 7 0 40 5pixel进行图像切割，切割后分别进行之后的预测，对于不足部分补零。第二部分CNN卷积网络采用ResNetV1网络，第三部分和第四部分网络采用在COCO2017dataset数据集上预训练的Faster R-CNN Inception ResNetV2模型及权重作为初始模型及权重。第五部分将分别预测的图像检测目标进行合并，对于相邻图像边界上同一深度位置的同一检测目标，取两个回归边框位置并集组成的最大边框作为合并目标边框，取两个目标分类精度的最大值作为合并目标的分类精度（安东尼奥吉利，2 0 18；伊恩古德费洛，2 0 17；黄文坚，2 0 17；周志华，2 0 16；PeterHarrington，2 0 13）。3.4模型训练与测试根据上述参数数量估计标注训练图片大概需要上千张。采用Pytorch深度学习框架，利用GPU方式进行网络训练，需要对学习率、正则项参数、Batchsize、Ep o c h s、分类损失与回归损失比例参数等超参数调优。3.5模型部署将训练好的Pytorch模型，使用torch.save函数导出为.pt或.pth文件，在服务器上创建一个Python脚本，用于加载模型并提供服务，使用Web框架（如Flask、D j a n g o 和TorchServer）创建一个API，接收请求并返回模型的预测结果，最终完成在地球物理数据处理云平台上的部署，并提供在线云推断服务。4总结基于地质雷达的城市道路病害人工智能识别系统的集成开发，可以实现对空洞、塌陷等城市道路病害的快速、准确识别，大大提高了三维地质雷达成果的解释效率，并解决了地质雷达超长图片的识别难题，提升了城市道路病害检测的整体工作效能，对于指导城市道路的养护与修复工作升级具有积极促进作用。参考文献：Minh-TanPham.Buried Object Detection From B-Scan Ground Penetrating Radar Data Using Faster-RcnnDB/OL.https:/arxiv.0rg/abs/1803.08414v1.侯斐斐，施荣华，雷文太，等：2 0 2 0.面向探地雷达B-Scan图像的目标检测算法综述J电子与信息学报，42(0 1)：191-2 0 0.杨必胜，宗泽亮，陈驰，等2 0 2 0 车载探地雷达地下目标实时探测法J.测绘学报，49(0 7)：8 7 4-8 8 2.Jing Wang.2022.GPRI2Net:GPRI2Net:A Deep-Neural-Network-Based Ground Penetrating Radar Data Inversion and Object IdentificationFramework for Consecutive and Long Survey LinesJJ.Transactions on Geoscience and Remote Sensing,60:1-20.H.Hu et al.A Study of Automatic Recognition and Localization of Pipeline for Ground Penetrating Radar Based on Deep LearningJJ.Geoscience and Remote Sensing Letters,19:1-5.武斌，李诗健，陈宁，等：2 0 19.成都市城市地下空间探测的地球物理方法研究J四川地质学报，39(S1)：194-2 0 2+2 2 4.Ross Girshick.Fast R-CNN DB/OLJ.https:/arxiv.org/abs/1504.08083.Shaoqing Ren,Kaiming He,Ross Girshick,Jian Sun.Faster R-CNN:Towards Real-Time Object Detection with Region Proposal NetworksDB/OL.https:/arxiv.0rg/abs/1506.01497.JifengDai,Kaiming He,Jian Sun.Instance-aware Semantic Segmentation via Multi-task Network CascadesDB/OL.https:/arxiv.0rg/abs/1512.04412.安东尼奥吉利2 0 18.Keras深度学习实战M北京：人民邮电出版社.伊恩古德费洛2 0 17.深度学习M.北京：人民邮电出版社黄文坚2 0 17.TensorFlow实战M。北京：电子工业出版社。周志华.2 0 16.机器学习M北京：清华大学出版社，PeterHarrington2 0 13.机器学习实战M北京：人民邮电出版社，136