王 輝 歐陽(yáng)繕 劉慶華 廖可非 周麗軍

①(桂林電子科技大學(xué)信息與通信學(xué)院 桂林 541004)

②(賀州學(xué)院人工智能學(xué)院 賀州 542899)

③(桂林電子科技大學(xué)衛(wèi)星導(dǎo)航定位與位置服務(wù)國(guó)家地方聯(lián)合工程研究中心 桂林 541004)

④(山西省交通科技研發(fā)有限公司 太原 030032)

1 引言

探地雷達(dá)技術(shù)是一種無(wú)損的遙感探測(cè)技術(shù)，在軍事[1–3]和土木工程等領(lǐng)域[4–6]都有廣泛應(yīng)用。反射測(cè)量模式下，隨著收發(fā)共置天線的探地雷達(dá)(Ground Penetrating Radar, GPR)掃描經(jīng)過(guò)目標(biāo)，在B掃描(B-SCAN)圖像中目標(biāo)對(duì)應(yīng)的響應(yīng)到達(dá)時(shí)間則表現(xiàn)為開口向下的雙曲線形態(tài)結(jié)構(gòu)，據(jù)此，對(duì)地下目標(biāo)的探測(cè)通?？赊D(zhuǎn)化為在GPR B-SCAN圖像中進(jìn)行目標(biāo)特征雙曲線檢測(cè)的問題。目前研究利用GPR進(jìn)行地下目標(biāo)探測(cè)的主要方法包括基于模型反演的方法、傳統(tǒng)機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法等。

模型反演方法根據(jù)麥克斯韋方程組得到格林函數(shù)并通過(guò)迭代進(jìn)行優(yōu)化求解，雖然研究人員對(duì)基于模型反演的方法開展了大量研究工作，在用于地下目標(biāo)的形狀、幾何尺寸及介質(zhì)參數(shù)估計(jì)等方面也取得了一些研究成果[7,8]，但反演的結(jié)果依賴對(duì)場(chǎng)景介質(zhì)電磁特性估計(jì)的精度，而真實(shí)的地下場(chǎng)景比較復(fù)雜，難以進(jìn)行準(zhǔn)確的估計(jì)。同時(shí)，由于迭代過(guò)程的計(jì)算量大，在很大程度上制約了其在GPR實(shí)時(shí)數(shù)據(jù)處理系統(tǒng)中的應(yīng)用。

傳統(tǒng)機(jī)器學(xué)習(xí)方法利用機(jī)器視覺技術(shù)來(lái)檢測(cè)B-SCAN圖像中的特征雙曲線，常用的算法包括基于Hough變換的方法和基于特征表達(dá)的方法。Hough變換[9]可用于對(duì)形變物體的擬合，但其參數(shù)空間大，計(jì)算復(fù)雜度高。特征表達(dá)的方法，如基于Haar-like小波特征的Viola-Jones 算法[10]；結(jié)合梯度方向直方圖(Histograms of Oriented Gradients,HOG )與邊緣直方圖描述符(Edge Histogram Descriptor, EHD)的雙曲線特征檢測(cè)算法等[11,12]，這些方法在應(yīng)用時(shí)需由人工參與特征的設(shè)計(jì)，同時(shí)檢測(cè)結(jié)果的準(zhǔn)確率不高。

深度學(xué)習(xí)方法在圖像特征檢測(cè)方面具有很好的性能表現(xiàn)，近年來(lái)越來(lái)越多的研究人員利用深度學(xué)習(xí)技術(shù)來(lái)檢測(cè)GPR B-SCAN圖像中的特征雙曲線。如Pham等人[13]、Lei等人[14]及王輝等人[15]都是在更快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Faster Region-based Convolutional Neural Network, Faster RCNN)[16]的基礎(chǔ)上分別研究了不同場(chǎng)景下B-SCAN圖像中的雙曲線檢測(cè)問題；楊必勝等人[17]在單級(jí)式目標(biāo)檢測(cè)(You Only Look Once V3, YOLOV3)[18]網(wǎng)絡(luò)模型的基礎(chǔ)上，研究了城市地下空間中典型目標(biāo)的特征雙曲線檢測(cè)方法；Zhang等人[19]利用ResNet50[20]和YOLOV2[21]網(wǎng)絡(luò)研究了瀝青路面水破壞損傷目標(biāo)的特征雙曲線檢測(cè)問題。這些基于深度學(xué)習(xí)的方法主要采用數(shù)據(jù)驅(qū)動(dòng)方式，通過(guò)對(duì)訓(xùn)練樣本的學(xué)習(xí)來(lái)識(shí)別目標(biāo)的特征信息，其檢測(cè)結(jié)果的準(zhǔn)確率在很大程度上依賴訓(xùn)練樣本集的大小，而沒有充分利用在GPR工作物理機(jī)制先驗(yàn)條件下得到的B-SCAN圖像自身的特點(diǎn)。為此，本文提出了在深度學(xué)習(xí)網(wǎng)絡(luò)模型中結(jié)合GPR物理機(jī)制的方法，設(shè)計(jì)了一種級(jí)聯(lián)結(jié)構(gòu)的B-SCAN圖像特征檢測(cè)網(wǎng)絡(luò)。同時(shí)，針對(duì)特征雙曲線中存在結(jié)構(gòu)信息不完整的問題，為提高其識(shí)別結(jié)果的準(zhǔn)確率，采用了基于方向引導(dǎo)的策略來(lái)對(duì)目標(biāo)特征雙曲線中缺失的特征數(shù)據(jù)進(jìn)行補(bǔ)全預(yù)處理，以使本文方法能更好地應(yīng)用于復(fù)雜場(chǎng)景下的目標(biāo)檢測(cè)。

2 物理機(jī)制約束下的GPR目標(biāo)特征檢測(cè)

GPR在探測(cè)地下目標(biāo)的過(guò)程中，受電磁散射及干擾等因素的影響，得到的B-SCAN圖像中會(huì)存在形狀上與目標(biāo)特征雙曲線相似的各種干擾信息，因而直接利用CNN來(lái)檢測(cè)B-SCAN圖像中的雙曲線形態(tài)特征時(shí)易出現(xiàn)誤檢問題。由于目標(biāo)與地下背景介質(zhì)的相對(duì)介電常數(shù)通常具有明顯的差異性，在BSCAN圖像中則表現(xiàn)為目標(biāo)的特征雙曲線具有較大的幅值，當(dāng)使用CNN檢測(cè)B-SCAN圖像的語(yǔ)義特征時(shí)，其結(jié)果中將主要包含目標(biāo)的顯著性特征信息，同時(shí)利用分類器網(wǎng)絡(luò)可有效識(shí)別出語(yǔ)義特征圖中的目標(biāo)特征雙曲線和干擾信號(hào)?？梢?，在GPR物理模型的約束下設(shè)計(jì)語(yǔ)義特征提取CNN結(jié)構(gòu)，以B-SCAN圖像中目標(biāo)的強(qiáng)度特征為先驗(yàn)信息，再結(jié)合目標(biāo)的形態(tài)結(jié)構(gòu)特征可獲得更高精度的雙曲線檢測(cè)結(jié)果。檢測(cè)方法的整體框架如圖1所示。

圖1所示框架中，首先利用直達(dá)波特征檢測(cè)網(wǎng)絡(luò)得到輸入B-SCAN圖像中直達(dá)波信號(hào)所處的空間位置，并將其去除(本文將直達(dá)波所處的區(qū)域進(jìn)行置0處理)。在濾除直達(dá)波后的B-SCAN圖像中，由于目標(biāo)對(duì)應(yīng)的特征雙曲線具有較大的幅值，進(jìn)而采用CNN提取B-SCAN圖像的語(yǔ)義特征圖，并通過(guò)反卷積網(wǎng)絡(luò)進(jìn)行上采樣使輸出特征圖與輸入B-SCAN圖像的大小保持一致。實(shí)際中，往往會(huì)受干擾等因素的影響，一方面語(yǔ)義特征的提取結(jié)果中可能存在強(qiáng)度較大的噪聲信號(hào)，另一方面目標(biāo)的特征雙曲線結(jié)構(gòu)可能不完整。為此，采用了基于方向引導(dǎo)的特征數(shù)據(jù)補(bǔ)全方法對(duì)缺失的目標(biāo)特征信息進(jìn)行補(bǔ)全，這里需要說(shuō)明的是，經(jīng)過(guò)多次池化對(duì)特征圖降維后，提取的語(yǔ)義特征主要對(duì)應(yīng)于B-SCAN圖像中目標(biāo)的全局信息，為獲得目標(biāo)的細(xì)節(jié)特征，我們先將語(yǔ)義特征圖中目標(biāo)對(duì)應(yīng)的空間位置映射到B-SCAN圖像中，再進(jìn)行特征補(bǔ)全處理。最后通過(guò)分類器網(wǎng)絡(luò)來(lái)識(shí)別雙曲線和噪聲信號(hào)，輸出目標(biāo)特征雙曲線的檢測(cè)結(jié)果。

圖1 目標(biāo)特征檢測(cè)框架

2.1 GPR目標(biāo)檢測(cè)的物理機(jī)理分析

根據(jù)GPR回波數(shù)據(jù)進(jìn)行地下目標(biāo)檢測(cè)，即利用GPR B-SCAN圖像中目標(biāo)的幅度特征信息來(lái)檢測(cè)對(duì)應(yīng)的特征雙曲線，其實(shí)現(xiàn)過(guò)程通常是基于回波信號(hào)中目標(biāo)的強(qiáng)度大于背景介質(zhì)強(qiáng)度這一前提條件。在反射測(cè)量模式下，GPR探測(cè)地下場(chǎng)景的模型如圖2(a)所示，GPR發(fā)射天線向地下發(fā)射超寬帶電磁脈沖信號(hào)，在不同屬性介質(zhì)的分界面處會(huì)發(fā)生電磁波的反射、折射和散射等電磁物理現(xiàn)象。由于介質(zhì)的非均勻性以及多次反射波之間的相互影響，GPR B-SCAN圖像的結(jié)構(gòu)特征通常較為復(fù)雜，對(duì)應(yīng)的一幅GPR B-SCAN仿真圖像如圖2(b)所示。

圖2 GPR反射測(cè)量模式及仿真2維剖面圖像

2.2 GPR B-SCAN目標(biāo)特征檢測(cè)網(wǎng)絡(luò)

由于GPR收發(fā)天線之間的直接耦合波以及地面強(qiáng)反射波等因素的影響，GPR B-SCAN圖像中直達(dá)波信號(hào)(干擾信號(hào))的強(qiáng)度遠(yuǎn)大于目標(biāo)特征信號(hào)的強(qiáng)度。為濾除B-SCAN圖像中的直達(dá)波干擾信號(hào)，設(shè)計(jì)了一種兩級(jí)級(jí)聯(lián)結(jié)構(gòu)的CNN來(lái)提取顯著性特征并識(shí)別目標(biāo)特征雙曲線，其網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

第1級(jí)級(jí)聯(lián)網(wǎng)絡(luò)結(jié)構(gòu)如圖3上半部分直達(dá)波特征提取網(wǎng)絡(luò)所示，GPR原始回波數(shù)據(jù)中直達(dá)波的強(qiáng)度較大，B-SCAN圖像中其通常表現(xiàn)為具有水平線狀結(jié)構(gòu)的顯著性特征，如圖3中圖片A所示。直達(dá)波特征提取網(wǎng)絡(luò)中，其輸出層對(duì)應(yīng)的特征圖內(nèi)容應(yīng)主要包含幅值大的水平線狀結(jié)構(gòu)特征信息。即提取B-SCAN圖像中直達(dá)波對(duì)應(yīng)的全局結(jié)構(gòu)信息，以確定其所處的空間位置。為此，依據(jù)直達(dá)波信號(hào)強(qiáng)度大且呈水平線狀的結(jié)構(gòu)特點(diǎn)來(lái)設(shè)計(jì)網(wǎng)絡(luò)模型，并利用CNN中卷積和池化操作的特點(diǎn)來(lái)提取直達(dá)波特征信息：(1)由于直達(dá)波信號(hào)的幅值較大，對(duì)應(yīng)于B-SCAN圖像中其邊緣特征明顯，采用卷積運(yùn)算能很好地檢測(cè)這一邊緣特征。同時(shí)，CNN中卷積核通過(guò)在圖像上的滑動(dòng)來(lái)提取特征，保留了直達(dá)波特征在B-SCAN圖像中的相對(duì)空間位置信息；(2)由于直達(dá)波具有連續(xù)線狀的結(jié)構(gòu)特點(diǎn)，其寬度與B-SCAN圖像一致，根據(jù)池化的平移不變性，進(jìn)行多次池化特征降維處理后，輸出的特征圖中(如本文對(duì)CNN最后池化層的特征圖進(jìn)行融合處理，得到大小為53×15的特征圖)直達(dá)波連續(xù)線狀的結(jié)構(gòu)特征能很好地體現(xiàn)，而B-SCAN圖像中的局部特征信息很大程度上受到抑制?？梢?，直達(dá)波語(yǔ)義特征提取CNN結(jié)構(gòu)中，通過(guò)對(duì)不同卷積和池化層的輸出特征進(jìn)行組合，進(jìn)而形成對(duì)顯著性特征的描述，可有效提取直達(dá)波的全局結(jié)構(gòu)特征信息。

對(duì)輸入大小為2016×480的B-SCAN圖像，先通過(guò)5層連續(xù)的卷積和池化運(yùn)算來(lái)提取B-SCAN圖像的高層語(yǔ)義特征，共得到512幅輸出尺寸大小為53×15的特征圖，再對(duì)這些特征圖進(jìn)行特征融合處理，并通過(guò)Cubic插值上采樣操作使提取的特征圖與輸入的B-SCAN圖像在尺寸大小上保持一致(提取的特征圖如圖3中的圖片B所示)，以定位直達(dá)波在B-SCAN圖像中所處的區(qū)域進(jìn)而將其去除。對(duì)比分析B-SCAN圖像及提取的直達(dá)波特征圖可知，圖片A中的直達(dá)波信號(hào)與圖片B中的直達(dá)波特征信息所處的區(qū)域位置是相同的，可見，設(shè)計(jì)的CNN能夠有效提取直達(dá)波特征信息。另外，當(dāng)回波信號(hào)中直達(dá)波干擾的強(qiáng)度遠(yuǎn)大于目標(biāo)強(qiáng)度時(shí)，對(duì)應(yīng)的B-SCAN中在主觀視覺效果上將難以觀察到目標(biāo)的結(jié)構(gòu)特征分布。去除直達(dá)波后的B-SCAN圖像如圖3中圖片C所示，目標(biāo)的結(jié)構(gòu)特征清晰可見。需要說(shuō)明的是，下文中的B-SCAN圖像均表示已去除了直達(dá)波干擾信號(hào)。

圖3 B-SCAN圖像特征提取的級(jí)聯(lián)CNN結(jié)構(gòu)

第2級(jí)級(jí)聯(lián)網(wǎng)絡(luò)結(jié)構(gòu)如圖3下半部分目標(biāo)特征提取及分類網(wǎng)絡(luò)所示。首先提取目標(biāo)特征，與直達(dá)波特征提取網(wǎng)絡(luò)不同，為使提取的目標(biāo)特征圖中能包含高層語(yǔ)義特征及更多的底層視覺特征，卷積網(wǎng)絡(luò)在結(jié)構(gòu)上增加了3層卷積層、減少了1層池化層，同時(shí)特征圖的上采樣過(guò)程采用反卷積網(wǎng)絡(luò)進(jìn)行計(jì)算；然后根據(jù)目標(biāo)的特征圖來(lái)制作相應(yīng)的標(biāo)簽，并用于訓(xùn)練分類識(shí)別網(wǎng)絡(luò)，實(shí)現(xiàn)對(duì)目標(biāo)特征和干擾信號(hào)的分類識(shí)別，有效提取出目標(biāo)的特征信息。在3800幅B-SCAN圖像上進(jìn)行了目標(biāo)特征檢測(cè)網(wǎng)絡(luò)模型的訓(xùn)練，訓(xùn)練模型的主要參數(shù)設(shè)置為：初始學(xué)習(xí)率取0.0001，最大epoch為20，總共迭代76000次，采用交叉熵?fù)p失函數(shù)，每迭代100次輸出一次loss，采用帶動(dòng)量的隨機(jī)梯度下降(Stochastic Gradient Descent Momentum, SGDM)方法進(jìn)行優(yōu)化。訓(xùn)練損失變化曲線如圖4所示，經(jīng)過(guò)40000次的迭代后模型趨于穩(wěn)定。

圖4 目標(biāo)特征雙曲線提取網(wǎng)絡(luò)訓(xùn)練模型的損失曲線

由于真實(shí)場(chǎng)景下地質(zhì)環(huán)境的復(fù)雜性，當(dāng)GPR B-SCAN圖像中目標(biāo)的特征雙曲線形態(tài)受到破損時(shí)會(huì)導(dǎo)致網(wǎng)絡(luò)對(duì)目標(biāo)特征識(shí)別準(zhǔn)確率的降低，因此需對(duì)提取的特征圖在分類識(shí)別前進(jìn)行預(yù)處理。

2.3 目標(biāo)特征數(shù)據(jù)補(bǔ)全

在圖1所示反射測(cè)量模型中，根據(jù)目標(biāo)與其周圍介質(zhì)電特性參數(shù)的差異性，回波數(shù)據(jù)中目標(biāo)所在的邊界位置處散射電場(chǎng)具有一定的強(qiáng)度特征，而在雙程走時(shí)條件約束下，B-SCAN圖像中目標(biāo)則通常表現(xiàn)為具有開口向下的雙曲線結(jié)構(gòu)特征，且具有對(duì)稱性。據(jù)此，我們采用基于方向引導(dǎo)的數(shù)據(jù)補(bǔ)全方法來(lái)得到B-SCAN圖像中結(jié)構(gòu)信息完整的目標(biāo)特征雙曲線。圖5(a)所示是利用特征提取網(wǎng)絡(luò)得到的一幅雙曲線結(jié)構(gòu)信息不完整的B-SCAN圖像，記為I(?|S)。

圖5 結(jié)構(gòu)信息不完整的GPR B-SCAN特征雙曲線示意圖

3 實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)場(chǎng)景設(shè)置

用于實(shí)驗(yàn)的GPR B-SCAN圖像總共4200幅，其中3800幅用于分類網(wǎng)絡(luò)的訓(xùn)練，400幅用于測(cè)試。在地下場(chǎng)景中設(shè)定了空洞和充水介質(zhì)目標(biāo)，其個(gè)數(shù)分別設(shè)置為1個(gè)和2個(gè)，本文實(shí)驗(yàn)中的充水介質(zhì)目標(biāo)泛指對(duì)各種原因形成的地下空隙，將其填充水介質(zhì)后得到的目標(biāo)體。利用GPRMAX軟件[23]對(duì)這4種不同的場(chǎng)景各仿真1000幅，共得到4000幅圖像。另外，采用隨機(jī)添加干擾信息源的方式得到了160幅圖像，并通過(guò)沙坑實(shí)驗(yàn)以及實(shí)測(cè)[24]得到了40幅圖像，用于驗(yàn)證算法的有效性。

在圖2(a)所示GPR目標(biāo)探測(cè)模型中，將介質(zhì)層1設(shè)置為混凝土，介質(zhì)層2設(shè)置為泥土，設(shè)定混凝土層和泥土層之間的接觸面是粗糙的，空洞和充水介質(zhì)目標(biāo)位于泥土層區(qū)域。GPR向地下發(fā)射雷克子波脈沖信號(hào)的頻率設(shè)為400 MHz，時(shí)窗設(shè)置為45 ns，收、發(fā)天線緊貼混凝土路面移動(dòng)其間距設(shè)置為0.25 m。仿真場(chǎng)景的具體參數(shù)設(shè)置如下：

(1) 沿方位向的寬度5 m，沿距離向的深度2 m，混凝土的平均厚度設(shè)置為0.25 m；

(2) 為模擬混凝土層和泥土層之間的交界面是粗糙的，在混凝土的下邊界處隨機(jī)生成4～6個(gè)最大寬度0.3 m、最大幅度0.05 m的凹凸混凝土塊；

(3) 沿距離向泥土的介電常數(shù)通過(guò)隨機(jī)的方式來(lái)生成，考慮到不同深度泥土中溫、濕度因素的影響，其取值范圍設(shè)定在9～25；

(4) 目標(biāo)數(shù)量設(shè)定為1個(gè)或2個(gè)，其中空洞的大小其寬度在0.4～0.5 m，高度在0.3～0.4 m隨機(jī)生成，充水介質(zhì)目標(biāo)寬度在0.5～0.7 m，高度在0.25～0.35 m隨機(jī)生成。只有單個(gè)目標(biāo)時(shí)，其隨機(jī)分布在泥土層區(qū)域，當(dāng)有兩個(gè)目標(biāo)時(shí)分別隨機(jī)分布在泥土層的左、右半?yún)^(qū)域。

3.2 GPR B-SCAN特征雙曲線檢測(cè)實(shí)驗(yàn)

針對(duì)不同場(chǎng)景下的目標(biāo)分布情況，從仿真得到的4000幅GPR B-SCAN圖像中隨機(jī)選取4幅圖像進(jìn)行分析，如圖6所示。

圖6(a)所示的4幅B-SCAN圖像中分別對(duì)應(yīng)于存在1個(gè)充水介質(zhì)、1個(gè)空洞、2個(gè)充水介質(zhì)和2個(gè)空洞目標(biāo)的情形。采用基于GPR物理機(jī)制約束條件下的顯著性特征檢測(cè)網(wǎng)絡(luò)，得到B-SCAN圖像對(duì)應(yīng)的特征圖如圖6(b)所示。從特征提取的結(jié)果來(lái)看，特征圖中含有混凝土層與泥土層分界面的結(jié)構(gòu)特征F_sep、目標(biāo)的雙曲線結(jié)構(gòu)特征F_hyp以及干擾信息SN(如圖6(b)中充水介質(zhì)目標(biāo)的特征圖所示)。將這些特征信息用于分類網(wǎng)絡(luò)的訓(xùn)練，以實(shí)現(xiàn)對(duì)目標(biāo)特征雙曲線圖像的有效識(shí)別?？紤]真實(shí)情況下的地質(zhì)環(huán)境通常比較復(fù)雜，如溫度、濕度和干擾源等因素的影響，當(dāng)目標(biāo)的雙曲線結(jié)構(gòu)特征不連續(xù)時(shí)將直接影響到對(duì)其識(shí)別的準(zhǔn)確率。對(duì)B-SCAN圖像中不連續(xù)的特征雙曲線進(jìn)行數(shù)據(jù)補(bǔ)全的結(jié)果如圖7所示。

圖6 提取GPR B-SCAN圖像的特征圖

在圖2(a)所示模型的泥土層中，將隨機(jī)生成的球狀石塊作為干擾源，其半徑取值范圍為0.1～0.2 m，得到的B-SCAN圖像如圖7(a)所示。其中圖7(a1)、圖7(a2)中的球狀石塊分別位于單個(gè)充水介質(zhì)目標(biāo)和單個(gè)空洞目標(biāo)的上方，圖7(a3)、圖7(a4)中的球狀石塊分別位于兩個(gè)充水介質(zhì)和兩個(gè)空洞目標(biāo)之間。受干擾信息的影響B(tài)-SCAN圖像的結(jié)構(gòu)信息更復(fù)雜，而當(dāng)一定強(qiáng)度的干擾信號(hào)與目標(biāo)的特征信號(hào)疊加時(shí)會(huì)破壞目標(biāo)雙曲線結(jié)構(gòu)信息的完整性，如圖7(b)中紅色標(biāo)記框中的特征曲線所示。其中圖7(b1)、圖7(b2)中單個(gè)充水介質(zhì)和空洞目標(biāo)的特征雙曲線不連續(xù)，圖7(b3)中左、右兩個(gè)充水介質(zhì)目標(biāo)的特征雙曲線不連續(xù)，圖7(b4)中右邊空洞目標(biāo)的特征雙曲線不連續(xù)。進(jìn)一步對(duì)特征圖中的特征雙曲線進(jìn)行分割，結(jié)果如圖7(c)所示，對(duì)應(yīng)的數(shù)據(jù)矩陣記為R，對(duì)R中缺失的特征數(shù)據(jù)利用式(10)進(jìn)行補(bǔ)全。為此，一方面采用LS算法對(duì)R進(jìn)行2次曲線擬合，結(jié)果如圖7(d)中的綠色擬合曲線所示；另一方面取R中每一列的最大強(qiáng)度值得到對(duì)應(yīng)的離散序列如圖7(e)所示，并求得R中的所有局部極值點(diǎn)信息，進(jìn)而以擬合曲線的變化方向?yàn)橐龑?dǎo)對(duì)R中缺失的特征數(shù)據(jù)進(jìn)行補(bǔ)全，獲得在數(shù)值分布上滿足連續(xù)性變化的特征數(shù)據(jù)矩陣，也得到了視覺效果上平滑的特征雙曲線，如圖7(f)所示。

圖7 目標(biāo)雙曲線特征數(shù)據(jù)補(bǔ)全

3.3 實(shí)驗(yàn)結(jié)果分析

將本文方法與3種其他GPR地下目標(biāo)特征雙曲線檢測(cè)算法進(jìn)行了比較，包括傳統(tǒng)的HOG算法[11]和2種深度學(xué)習(xí)方法，即YOLOV3算法[18]和Faster RCNN算法[16]。從400幅測(cè)試集B-SCAN圖像中隨機(jī)選取了7幅圖像進(jìn)行分析，如圖8所示。

在圖8所示結(jié)果中，分類器網(wǎng)絡(luò)通過(guò)計(jì)算檢測(cè)結(jié)果為目標(biāo)特征雙曲線概率的大小來(lái)得到最后的識(shí)別結(jié)果，設(shè)置概率的閾值太小會(huì)出現(xiàn)誤檢，太大又會(huì)導(dǎo)致漏檢。本文實(shí)驗(yàn)過(guò)程中取經(jīng)驗(yàn)值，將得分大于0.8的特征雙曲線檢測(cè)結(jié)果判為有效目標(biāo)。圖8(a1)所示是單個(gè)充水介質(zhì)目標(biāo)的B-SCAN圖像，受混凝土層和泥土層接觸面是粗糙因素的影響，HOG算法出現(xiàn)了漏檢情況，同時(shí)HOG算法、YOLOV3算法和Faster RCNN算法都存在誤檢的問題，而本文算法則準(zhǔn)確地檢測(cè)到了目標(biāo)特征雙曲線，主要原因是本文方法通過(guò)卷積網(wǎng)絡(luò)(如圖2所示)能夠有效獲取B-SCAN圖像的高層語(yǔ)義特征信息，對(duì)應(yīng)的特征圖中混凝土層和泥土層的分界面具有整體的結(jié)構(gòu)特征，如圖6(b)的F_sep所示，有效地避免了對(duì)局部特征信息的誤判。圖8(b1)所示含單個(gè)空洞的B-SCAN圖像中，目標(biāo)的特征雙曲線結(jié)構(gòu)信息完整，4種算法都得到了準(zhǔn)確的檢測(cè)結(jié)果。圖8(c1)所示的兩個(gè)充水介質(zhì)目標(biāo)B-SCAN圖像中，由于左邊目標(biāo)特征曲線的強(qiáng)度較小，同時(shí)右邊目標(biāo)的特征曲線破壞了其結(jié)構(gòu)的完整性，HOG算法、YOLOV3算法和Faster RCNN算法均未能檢測(cè)到左邊的充水介質(zhì)目標(biāo)。圖8(d1)所示的兩個(gè)空洞目標(biāo)B-SCAN圖像中，由于設(shè)置了球狀石塊干擾源，右邊目標(biāo)的特征雙曲線結(jié)構(gòu)不完整，而左邊的雙曲線較為完整，HOG算法、YOLOV3算法和Faster RCNN算法都漏檢了右邊的空洞目標(biāo)。圖8(e1)是實(shí)測(cè)混凝土中含有并列排放鋼筋目標(biāo)的B-SCAN圖像，由于目標(biāo)之間的距離較近，特征曲線之間相互影響，HOG算法、YOLOV3算法和Faster RCNN算法均漏檢了部分目標(biāo)，本文方法根據(jù)檢測(cè)到的語(yǔ)義信息(目標(biāo)的主要特征強(qiáng)度)能夠有效區(qū)分出各個(gè)目標(biāo)，得到了準(zhǔn)確的檢測(cè)結(jié)果。圖8(f1)和圖8(g1)分別是實(shí)測(cè)泥土中的石塊和墻體中的空洞對(duì)應(yīng)的B-SCAN圖像，由于圖像的背景結(jié)構(gòu)較為復(fù)雜、特征曲線不連續(xù)等，HOG算法、YOLOV3算法和Faster RCNN算法都沒有檢測(cè)到目標(biāo)?？傮w上，本文方法在GPR物理機(jī)制的約束下，先通過(guò)檢測(cè)B-SCAN圖像中的顯著性特征，再對(duì)特征曲線進(jìn)行分類識(shí)別，同時(shí)補(bǔ)全目標(biāo)特征雙曲線中的缺失數(shù)據(jù)，得到更高準(zhǔn)確率的檢測(cè)結(jié)果。

圖8 B-SCAN圖像中的目標(biāo)特征雙曲線檢測(cè)結(jié)果對(duì)比

圖9 不同算法的F均值統(tǒng)計(jì)結(jié)果

4 結(jié)束語(yǔ)

受GPR工作物理機(jī)制的約束，在反射測(cè)量模式下的散射電場(chǎng)中目標(biāo)通常具有一定的強(qiáng)度和幾何結(jié)構(gòu)信息。根據(jù)這一先驗(yàn)條件信息，并充分利用CNN在圖像特征提取上的良好性能表現(xiàn)，采用數(shù)據(jù)驅(qū)動(dòng)和模型驅(qū)動(dòng)相結(jié)合的方法，設(shè)計(jì)了一種級(jí)聯(lián)結(jié)構(gòu)的CNN來(lái)檢測(cè)并去除B-SCAN圖像中的直達(dá)波干擾信號(hào)、提取目標(biāo)的特征信息。特別是當(dāng)干擾信號(hào)影響到目標(biāo)雙曲線結(jié)構(gòu)信息的完整性時(shí)，采用基于方向引導(dǎo)的特征數(shù)據(jù)補(bǔ)全方法，在很大程度上提高了目標(biāo)特征曲線識(shí)別結(jié)果的準(zhǔn)確率，這也體現(xiàn)了本文方法的魯棒性，能更好地應(yīng)用于復(fù)雜場(chǎng)景下的目標(biāo)檢測(cè)。進(jìn)一步地，在有效獲取目標(biāo)特征信息的基礎(chǔ)上，為采用深度學(xué)習(xí)方法反演地下目標(biāo)及背景介質(zhì)的電特性參數(shù)奠定了基礎(chǔ)，這也是后續(xù)工作中要深入研究的問題。