杜翠

（中國(guó)鐵道科學(xué)研究院集團(tuán)有限公司鐵道建筑研究所，北京 100081）

地質(zhì)雷達(dá)（Ground Penetrating Radar，GPR）技術(shù)作為一種快速、無(wú)損、高效的探測(cè)技術(shù)，在鐵路路基檢測(cè)領(lǐng)域得到廣泛應(yīng)用。車載地質(zhì)雷達(dá)技術(shù)是鐵路路基檢測(cè)的主要手段［1-3］。采用車載GPR 技術(shù)進(jìn)行路基檢測(cè)時(shí)，天線懸掛固定安裝在檢測(cè)車底部，與軌枕頂面保持相對(duì)固定的距離進(jìn)行快速檢測(cè)。由于車載GPR檢測(cè)速度可達(dá)100 km/h，長(zhǎng)距離檢測(cè)導(dǎo)致雷達(dá)數(shù)據(jù)的里程累積誤差較大，對(duì)病害解釋結(jié)果的空間準(zhǔn)確度有重要影響。因此，里程校正是鐵路路基GPR 檢測(cè)數(shù)據(jù)處理的必要步驟。

里程校正普遍采用的是橋梁標(biāo)記回歸計(jì)算的方法。數(shù)據(jù)處理人員從采集到的GPR 原始圖像中人工判讀橋梁，記錄其原始里程，與鐵路局相關(guān)部門提供的橋梁實(shí)際里程進(jìn)行回歸計(jì)算。由于鐵路路基檢測(cè)的數(shù)據(jù)量很大（3 條測(cè)線，每100 km 約12 GB），而人工判讀橋梁的效率較低，導(dǎo)致里程校正耗費(fèi)了大量的人力和時(shí)間，因此須研發(fā)快速、準(zhǔn)確的GPR 檢測(cè)數(shù)據(jù)里程校正方法。橋梁的識(shí)別效率是制約GPR 檢測(cè)數(shù)據(jù)里程校正效率的關(guān)鍵因素。近年來(lái)，隨著計(jì)算機(jī)視覺(jué)技術(shù)的發(fā)展，國(guó)內(nèi)外學(xué)者陸續(xù)開(kāi)展少量關(guān)于GPR 路基圖像識(shí)別的研究。主要以路基病害為識(shí)別目標(biāo)，采用處理后的GPR 圖像，以單道波形為單位，提取若干個(gè)一維特征值，采用神經(jīng)網(wǎng)絡(luò)、稀疏表示、支持向量機(jī)（Support Vector Machine，SVM）等方法進(jìn)行分類識(shí)別［4-7］。但識(shí)別的病害類型較少，且一維特征值對(duì)路基特征的表征能力有限，識(shí)別效果不佳，尚未達(dá)到滿足工程實(shí)際應(yīng)用的水平。

本文基于對(duì)GPR 圖像特征的分析，提出一種鐵路路基GPR 檢測(cè)數(shù)據(jù)智能里程校正方法。首先，將GPR原始圖像進(jìn)行二維離散，分段提取二維特征值，建立初始特征向量。其次，采用主成分分析（Principal Component Analysis，PCA）方法進(jìn)行降維，得到降維后的特征向量。再次，采用適合小樣本數(shù)據(jù)的SVM 方法，建立橋梁的識(shí)別模型。然后，將識(shí)別到的橋梁同設(shè)備表進(jìn)行自動(dòng)匹配，同真實(shí)里程進(jìn)行回歸計(jì)算，建立GPR 檢測(cè)數(shù)據(jù)原始里程與實(shí)際里程的相關(guān)關(guān)系，進(jìn)而得出GPR 文件的實(shí)際起止里程和道間距。最后，從京九線路基檢測(cè)數(shù)據(jù)提取訓(xùn)練樣本和測(cè)試樣本，對(duì)本文提出的鐵路路基GPR 檢測(cè)數(shù)據(jù)智能里程校正方法的準(zhǔn)確性進(jìn)行了驗(yàn)證。

1 GPR原始圖像特征提取

在處理后的GPR 圖像中，噪聲及干擾信號(hào)得到一定程度的去除，信噪比提高，與橋梁呈現(xiàn)相近特征的目標(biāo)反而增多，不利于橋梁的自動(dòng)識(shí)別。而在GPR 原始圖像中，能夠判別的目標(biāo)通常只有路基、橋梁、道岔3種，如圖1所示。GPR原始圖像更適合作為橋梁自動(dòng)識(shí)別的數(shù)據(jù)源類型。

針對(duì)路基、橋梁、道岔3種類型，各選取1道A-scan數(shù)據(jù)（采樣點(diǎn)為512）觀察單道波形，為便于觀察，將振幅歸一化到［-10，10］內(nèi)。如圖2 所示，波形能量集中于前100 個(gè)采樣點(diǎn)，即淺層區(qū)域，橋梁波形的能量最強(qiáng)，道岔與路基相近。3 種類型的目標(biāo)在A-scan 維度的差異主要體現(xiàn)在沿深度方向的能量和方差變化。

圖1 GPR原始數(shù)據(jù)主要類型

圖2 單道波形對(duì)比

綜合圖1、圖2，路基、道岔、橋梁的圖像特征差異主要為能量強(qiáng)弱、沿深度方向的分布以及紋理表征。因此，本文對(duì)GPR 圖像進(jìn)行二維離散，沿水平方向劃分為若干個(gè)識(shí)別單元，再將每個(gè)識(shí)別單元沿深度方向劃分為若干個(gè)子單元，每個(gè)識(shí)別單元的特征值由其所有子單元的特征值組成，其維度為子單元個(gè)數(shù)與特征值個(gè)數(shù)的乘積。選取能量、方差以及6 個(gè)反映圖像紋理的直方圖統(tǒng)計(jì)特征作為特征值［8］。

2 特征降維

2.1 特征值表征性能對(duì)比

為檢驗(yàn)前文選取的特征值對(duì)路基、道岔、橋梁3種類型的表征性能，采用京九線實(shí)測(cè)數(shù)據(jù)進(jìn)行計(jì)算驗(yàn)證。以5 m 為單位劃分識(shí)別單元，每種類型各選2 個(gè)。將其沿深度方向分為5 個(gè)子單元，計(jì)算特征值并進(jìn)行歸一化處理。

特征值計(jì)算結(jié)果見(jiàn)圖3，各個(gè)特征值表征性能分析見(jiàn)表1。標(biāo)準(zhǔn)方差和三階矩可區(qū)分3種類型，而其他特征值則只能區(qū)分2類或不具有區(qū)分性能。方差與能量的表征是冗余的，熵與一致性的表征是冗余的。此外，特征值在不同深度的表征性能不同?？傮w來(lái)說(shuō)，具有有效表征能力的特征值約16個(gè)。

圖3 特征值曲線

表1 特征值表征性能分析

2.2 PCA降維

在2.1 節(jié)中構(gòu)建了40 維的特征向量，但存在一定的冗余，且并非所有特征值都具有較高的表征性能。此外，特征向量的維數(shù)過(guò)高還會(huì)增加計(jì)算的復(fù)雜度。因此，本文采用主成分分析（Principal Component Analysis，PCA）對(duì)原始特征向量進(jìn)行降維。

為了確定最終的特征向量的維度，以4維為步長(zhǎng)，分別進(jìn)行PCA 降維，檢驗(yàn)降維后的數(shù)據(jù)集對(duì)原始數(shù)據(jù)集的表征性能。表征性能通過(guò)2個(gè)矩陣的均方根誤差來(lái)衡量，計(jì)算結(jié)果見(jiàn)圖4。隨著維度增高，均方根誤差呈指數(shù)降低趨勢(shì)，20 維處為近似的拐點(diǎn)，即降維至20維后，特征向量表征性能接近原始維度，同2.1節(jié)得出的具有有效表征能力的特征值約16 個(gè)的結(jié)論基本一致。

圖4 不同降維維度的重構(gòu)均方根誤差

3 SVM識(shí)別模型

SVM 是在統(tǒng)計(jì)學(xué)習(xí)理論的基礎(chǔ)上發(fā)展起來(lái)的新一代學(xué)習(xí)算法，通過(guò)把低維的復(fù)雜問(wèn)題轉(zhuǎn)換到高維空間，尋求一個(gè)最優(yōu)分類超平面，從而降低問(wèn)題的復(fù)雜度，尤其適用于訓(xùn)練樣本較小的數(shù)據(jù)分類問(wèn)題［9］。

核函數(shù)的選擇是SVM 的關(guān)鍵步驟，采用適當(dāng)?shù)暮撕瘮?shù)就可以實(shí)現(xiàn)從低維空間向高維空間的映射，從而實(shí)現(xiàn)某一非線性分類變換后的線性分類，并且沒(méi)有增加計(jì)算復(fù)雜度。常用的核函數(shù)有線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基核函數(shù)RBF與Sigmoid核函數(shù)等。本文經(jīng)試驗(yàn)對(duì)比，選用徑向基核函數(shù)構(gòu)建SVM識(shí)別模型。

4 智能里程校正方法

綜上所述，本文提出的鐵路路基GPR 檢測(cè)數(shù)據(jù)智能里程校正方法的流程如圖5 所示，其關(guān)鍵環(huán)節(jié)分述如下：

1）模型訓(xùn)練。對(duì)訓(xùn)練樣本進(jìn)行特征提取和PCA降維后，對(duì)降維后的特征向量集進(jìn)行訓(xùn)練，建立SVM識(shí)別模型。

2）橋梁智能識(shí)別。對(duì)待處理的GPR 檢測(cè)數(shù)據(jù)進(jìn)行特征提取和PCA 降維，再利用識(shí)別模型進(jìn)行自動(dòng)分類識(shí)別，將識(shí)別出的各個(gè)橋梁的中心里程作為橋梁標(biāo)記。

圖5 鐵路路基GPR檢測(cè)數(shù)據(jù)智能里程校正方法流程

3）里程回歸。利用橋梁標(biāo)記和設(shè)備表，根據(jù)長(zhǎng)度、前后橋梁的里程差等信息，將GPR 檢測(cè)數(shù)據(jù)中的橋梁與設(shè)備表中橋梁的自動(dòng)匹配，得到每個(gè)橋梁的實(shí)際中心里程。再將原始中心里程、實(shí)際中心里程進(jìn)行回歸計(jì)算。根據(jù)回歸公式，即可計(jì)算GPR 文件的實(shí)際起止里程與道間距。

5 試驗(yàn)與分析

從京九線路基檢測(cè)數(shù)據(jù)提取訓(xùn)練樣本和測(cè)試樣本，對(duì)本文的模型和方法進(jìn)行驗(yàn)證。數(shù)據(jù)采集參數(shù)：中心頻率為400 MHz 的屏蔽天線，采樣時(shí)窗為64 ns，采樣點(diǎn)數(shù)為512，采集道間距為0.114 9 m。

試驗(yàn)的硬件環(huán)境：Intel（R）Xeon（R）Gold 5115 CPU@2.40 GHz，64 GB內(nèi)存。在Windows10 64 位系統(tǒng)下使用Visual Studio 2017+MySQL+ OpenCVSharp3.4編程實(shí)現(xiàn)算法。

5.1 SVM識(shí)別模型

樣本集構(gòu)建情況見(jiàn)表2。對(duì)各類樣本計(jì)算特征值后進(jìn)行歸一化處理，再通過(guò)PCA 方法降維至20 維。SVM 模型訓(xùn)練采用徑向基核函數(shù)RBF，得到82個(gè)支持向量，訓(xùn)練精度達(dá)到了98%。

表2 各類型樣本集構(gòu)建情況

各類型樣本識(shí)別結(jié)果見(jiàn)表3。可知，路基、橋梁、道岔3 類樣本的識(shí)別正確率分別為100%，94%，81%。識(shí)別錯(cuò)誤均為橋梁和道岔的錯(cuò)誤分類。

表3 各類型樣本識(shí)別結(jié)果

5.2 里程校正

選取30 km 京九線路基檢測(cè)數(shù)據(jù)，分別采用人工判讀和自動(dòng)識(shí)別的方法得出該區(qū)段的實(shí)際里程和道間距，驗(yàn)證自動(dòng)識(shí)別方法的誤差。為避免道岔的干擾，將橋梁長(zhǎng)度設(shè)置為不小于30 m。

人工判讀與自動(dòng)識(shí)別結(jié)果見(jiàn)表4?？芍?，2種方法均識(shí)別出8 座橋梁，中心里程的誤差均低于0.005%。回歸計(jì)算后得出的里程起止范圍的誤差約2 m，道間距誤差低于1 mm，精度高，滿足鐵路路基檢測(cè)工程的實(shí)際需求。

表4 人工判讀與自動(dòng)識(shí)別結(jié)果

6 結(jié)論

1）針對(duì)目前GPR 檢測(cè)數(shù)據(jù)里程校正效率低的問(wèn)題，提出了一種鐵路路基GPR 檢測(cè)數(shù)據(jù)智能里程校正方法。

2）本文提出的里程校正方法通過(guò)“二維離散+特征提取+PCA+SVM”的方法自動(dòng)識(shí)別橋梁、路基、道岔，對(duì)樣本的需求量小，且降維后計(jì)算復(fù)雜度降低，計(jì)算簡(jiǎn)便，不需要較高的硬件配置。

3）經(jīng)京九線路基檢測(cè)數(shù)據(jù)驗(yàn)證測(cè)試表明，基于SVM 的橋梁識(shí)別方法具有較高的精度，與人工判讀結(jié)果的誤差低于0.005%，最終里程校正的誤差約為2 m，滿足鐵路路基檢測(cè)工程的實(shí)際需求。