鄧桂萍

（長(zhǎng)沙航空職業(yè)技術(shù)學(xué)院，湖南 長(zhǎng)沙 410124）

探地雷達(dá)（Ground Penetrating Radar，簡(jiǎn)稱(chēng)GPR）是一種可無(wú)損探測(cè)地下結(jié)構(gòu)的電磁波技術(shù)。它以無(wú)損、高效等優(yōu)點(diǎn)成為路基病害檢測(cè)的最佳選擇。其基本原理是向地下發(fā)射電磁波，電磁波在地下介質(zhì)傳播的過(guò)程中，遇到存在電性差異的介質(zhì)（如空洞、分界面等）時(shí)，會(huì)發(fā)生反射，接收天線(xiàn)接收反射回來(lái)的電磁波，并對(duì)這些信號(hào)進(jìn)行分析和處理，根據(jù)接收到的雷達(dá)波形、強(qiáng)度和雙程走時(shí)等參數(shù)，便可推斷出地下介質(zhì)的分布結(jié)構(gòu)[1]。近年來(lái)，隨著我國(guó)經(jīng)濟(jì)的快速發(fā)展，道路、橋梁、隧道等基礎(chǔ)設(shè)施大量興建和使用，在這些交通基礎(chǔ)設(shè)施中存在大量如隧道、道路、橋梁這樣的線(xiàn)下多層混凝土結(jié)構(gòu)，這種結(jié)構(gòu)通常具有平穩(wěn)、耐腐蝕、維修量較少的優(yōu)點(diǎn)。但是隨著時(shí)間的推移，混凝土結(jié)構(gòu)常會(huì)發(fā)生惡化，導(dǎo)致各種結(jié)構(gòu)病害，如充氣空洞、脫空和排水不良等，隨時(shí)有可能威脅到繁忙的交通運(yùn)行，給廣大人民和社會(huì)帶來(lái)無(wú)法挽回的損失。因此，為了適應(yīng)我國(guó)城市地下空間的快速發(fā)展和保障人民的安全，應(yīng)當(dāng)對(duì)城市道路線(xiàn)下多層結(jié)構(gòu)容易出現(xiàn)的裂縫、空洞、充水等病害進(jìn)行科學(xué)的檢測(cè)和識(shí)別。

目前，在GPR路基病害識(shí)別方面，研究人員提出了基于非一致性檢測(cè)的脫空病害自動(dòng)檢測(cè)算法，非一致性檢測(cè)出可疑的感興趣區(qū)域，然后對(duì)可疑的感興趣區(qū)域進(jìn)行曲線(xiàn)擬合，識(shí)別脫空病害[2]。該算法保證了有效性并降低了運(yùn)算量。也有學(xué)者根據(jù)不同介質(zhì)在GPR圖像上的表征不同這一特征，得到了空洞內(nèi)填充不同的介質(zhì)時(shí)的仿真圖像，總結(jié)了空洞內(nèi)不同的填充介質(zhì)對(duì)GPR圖像產(chǎn)生的影響[3]。還有學(xué)者在以混凝土為主體介質(zhì)的實(shí)體模型上展開(kāi)工作，研究了混凝土中各種常見(jiàn)病害的圖像特征及識(shí)別方法，總結(jié)了混凝土病害識(shí)別的一些規(guī)律[4]。然而，以上方法只增加了圖像病害的可解釋性，總結(jié)了GPR圖像人工解釋的規(guī)律，并不能做到分析并識(shí)別常見(jiàn)病害類(lèi)型，并且人工解譯方法存在評(píng)價(jià)標(biāo)準(zhǔn)不客觀(guān)且效率低下的問(wèn)題。為解決上述問(wèn)題，亟須實(shí)現(xiàn)對(duì)GPR路基病害的自動(dòng)識(shí)別。近年來(lái)，隨著深度學(xué)習(xí)技術(shù)的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別領(lǐng)域取得了巨大的成功，有研究者應(yīng)用深度學(xué)習(xí)技術(shù)識(shí)別GPR圖像，并取得了成效[5]。但在GPR領(lǐng)域有標(biāo)注的數(shù)據(jù)集往往較少，而標(biāo)注數(shù)據(jù)少會(huì)導(dǎo)致低識(shí)別率問(wèn)題，因此研究一種在標(biāo)注數(shù)據(jù)少情況下的GPR路基病害圖像分類(lèi)識(shí)別方法具有重大的意義。為此，文章提出了一種基于半監(jiān)督生成對(duì)抗網(wǎng)絡(luò)(Semi-Supervised Generative Adversarial Learning/Networks，SGAN)的GPR路基病害分類(lèi)識(shí)別方法。

1 算法框架

基于SGAN的GPR路基病害分類(lèi)識(shí)別方法框架如圖1所示?；舅悸肥牵合全@取GPR路基病害B-scan圖像數(shù)據(jù)集，并劃分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集。然后搭建半監(jiān)督生成對(duì)抗網(wǎng)絡(luò)（SGAN），該SGAN包括一個(gè)生成器G和一個(gè)判別器D。再利用帶標(biāo)簽和不帶標(biāo)簽的GPR路基病害圖像以及生成器G生成的偽GPR圖像訓(xùn)練半監(jiān)督生成對(duì)抗網(wǎng)絡(luò)。最后將待識(shí)別的GPR路基病害圖像輸入至訓(xùn)練好的判別器，通過(guò)判別器輸出GPR路基病害的識(shí)別結(jié)果。該方法能夠在只標(biāo)注少量GPR路基病害圖像的情況下獲得較高的識(shí)別準(zhǔn)確率，克服在GPR領(lǐng)域中因標(biāo)注數(shù)據(jù)少而造成的低識(shí)別準(zhǔn)確率的問(wèn)題。

圖1 基于SGAN的GPR路基病害分類(lèi)識(shí)別方法框架

2 系統(tǒng)參數(shù)設(shè)置

半監(jiān)督生成對(duì)抗網(wǎng)絡(luò)包括一個(gè)生成器G和一個(gè)判別器D，生成器G包括一層全連接層和四層反卷積層，判別器D包括三層卷積層、兩層LSTM（長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)）層和一層全連接層。

若輸入的圖像大小為M×N×1，則生成器G中全連接層的神經(jīng)元節(jié)點(diǎn)數(shù)設(shè)置為M/16×N/16×K，K=2n，n=4,5,6……。第一層反卷積層的反卷積核大小為3×3，反卷積核的個(gè)數(shù)為K/2，反卷積步長(zhǎng)為2；第二層反卷積層的反卷積核大小為3×3，反卷積核的個(gè)數(shù)為K/4，反卷積步長(zhǎng)為2；第三層反卷積層的反卷積核大小為3×3，反卷積核的個(gè)數(shù)為K/8，反卷積步長(zhǎng)為2；第四層反卷積層的反卷積核大小為3×3，反卷積核的個(gè)數(shù)為1，反卷積步長(zhǎng)為2。在判別器D中，卷積網(wǎng)絡(luò)結(jié)構(gòu)中，第一層卷積層的卷積核大小為3×3，卷積核數(shù)量為K/8，卷積步長(zhǎng)為2；第二層卷積層的卷積核大小為3×3，卷積核數(shù)量為K/4，卷積步長(zhǎng)為2；第三層卷積層的卷積核大小為3×3，卷積核數(shù)量為8，卷積步長(zhǎng)為2；LSTM結(jié)構(gòu)中兩層LSTM層中的單元數(shù)量皆為K。在全連接層中，其神經(jīng)元節(jié)點(diǎn)數(shù)為GPR路基病害的分類(lèi)類(lèi)別數(shù)C+1。

對(duì)于n1張有標(biāo)簽GPR路基病害圖像數(shù)據(jù)集和n2張無(wú)標(biāo)簽GPR路基病害圖像數(shù)據(jù)集，其中x表示GPR圖像樣本，尺寸大小為M×N×1，y表示該樣本對(duì)應(yīng)的標(biāo)簽。訓(xùn)練半監(jiān)督生成對(duì)抗網(wǎng)絡(luò)的過(guò)程如下：

（1）將一個(gè)隨機(jī)噪聲向量z輸入生成器中，z通過(guò)一層全連接層和四層反卷積層輸出偽GPR圖像xf，尺寸大小為M×N×1。其過(guò)程可表示為：

其中，G表示生成器，θ表示生成器網(wǎng)絡(luò)的權(quán)重參數(shù)。

（2）將帶標(biāo)簽和不帶標(biāo)簽GPR路基病害圖像x與偽GPR圖像xf輸入至判別器，輸入圖像經(jīng)過(guò)三層卷積層、兩層LSTM層、一層全連接層后，最后通過(guò)SoftMax函數(shù)處理，輸出一個(gè)類(lèi)別數(shù)C+1維向量O，其中真實(shí)圖像被分為第C類(lèi)，偽GPR圖像被分為第C+1類(lèi)。該過(guò)程可表示為：

其中D表示判別器，ω表示判別器網(wǎng)絡(luò)的權(quán)值參數(shù)。若x為偽圖像，則輸出的概率表示為：

若x為真圖像且為i類(lèi)，則輸出的概率表示為：

（3）優(yōu)化判別器。計(jì)算判別器D的損失函數(shù)L，并通過(guò)反向梯度傳播計(jì)算方法不斷優(yōu)化判別器網(wǎng)絡(luò)的權(quán)值參數(shù)ω。

（4）優(yōu)化生成器。固定判別器參數(shù)，將隨機(jī)向量z輸入生成器，生成偽GPR圖像xf，再將xf輸入至判別器D，計(jì)算判別器D的損失函數(shù)L，并通過(guò)反向梯度傳播計(jì)算方法不斷優(yōu)化生成器網(wǎng)絡(luò)的權(quán)值參數(shù)θ。

半監(jiān)督生成對(duì)抗網(wǎng)絡(luò)的訓(xùn)練過(guò)程中，損失函數(shù)L包括兩個(gè)部分，分別為監(jiān)督損失和無(wú)監(jiān)督損失，可表示如下：

其中，Lsupervised=-Ex,y～Pdatalog[P(y=i|x,i＜C+1)]

重復(fù)上述步驟，不斷對(duì)判別器和生成器進(jìn)行分別優(yōu)化，直至損失函數(shù)L下降到一個(gè)穩(wěn)定的值，該穩(wěn)定值接近于0，在區(qū)間(0, 0.02)之間變動(dòng)，則認(rèn)為半監(jiān)督生成對(duì)抗訓(xùn)練完成。

3 實(shí)驗(yàn)結(jié)果及分析

使用gprMax軟件進(jìn)行正演模擬，建立了不同尺寸的路基脫空、路基空洞充氣、路基空洞充水、路基含水層4種典型的病害模型，4種典型病害圖像如圖2所示，共獲取了400張GPR B-scan圖像，為了擴(kuò)大訓(xùn)練數(shù)據(jù)集，對(duì)原始數(shù)據(jù)集加入了三種不同程度的噪聲，分別構(gòu)成了信噪比為10 dB、5 dB和0 dB的數(shù)據(jù)集，最終獲得1200張圖像數(shù)據(jù)集。將數(shù)據(jù)集分為訓(xùn)練集800張，其中標(biāo)注數(shù)據(jù)占200張，無(wú)標(biāo)注數(shù)據(jù)占600張，測(cè)試集400張。在實(shí)驗(yàn)中，利用TensorFlow深度學(xué)習(xí)框架實(shí)現(xiàn)了所設(shè)計(jì)的半監(jiān)督生成對(duì)抗網(wǎng)絡(luò)，并對(duì)其進(jìn)行了訓(xùn)練和測(cè)試。

圖2 四種典型病害圖像

生成器中，全連接層的神經(jīng)元節(jié)點(diǎn)數(shù)為8×8×256, 第一層反卷積層的反卷積核大小為3×3，反卷積核的個(gè)數(shù)為128，反卷積步長(zhǎng)為2；第二層反卷積層的反卷積核大小為3×3，反卷積核的個(gè)數(shù)為64，反卷積步長(zhǎng)為2；第三層反卷積層的反卷積核大小為3×3，反卷積核的個(gè)數(shù)為32，反卷積步長(zhǎng)為2；第四層反卷積層的反卷積核大小為3×3，反卷積核的個(gè)數(shù)為1，反卷積步長(zhǎng)為2。在判別器中，卷積網(wǎng)絡(luò)結(jié)構(gòu)中第一層卷積層的卷積核大小為3×3，卷積核數(shù)量為32，卷積步長(zhǎng)為2；第二層卷積層的卷積核大小為3×3，卷積核數(shù)量為64，卷積步長(zhǎng)為2；第三層卷積層的卷積核大小為3×3，卷積核數(shù)量為8，卷積步長(zhǎng)為2；LSTM結(jié)構(gòu)中兩層LSTM層中的單元數(shù)量皆為256。在全連接層中，其神經(jīng)元節(jié)點(diǎn)數(shù)為5。

在半監(jiān)督生成對(duì)抗網(wǎng)絡(luò)的訓(xùn)練過(guò)程中，首先將一個(gè)100維度的隨機(jī)噪聲向量z輸入生成器中，z通過(guò)一層全連接層和四層反卷積層輸出偽GPR圖像xf，尺寸大小為128×128×1。然后，將帶標(biāo)簽和不帶標(biāo)簽GPR路基病害圖像x與偽GPR圖像xf（尺寸均為128×128×1）輸入至判別器，輸入圖像經(jīng)過(guò)三層卷積層、兩層LSTM層、一層全連接層后，最后通過(guò)SoftMax函數(shù)處理，輸出一個(gè)5維向量O，其中真實(shí)圖像被分為第4類(lèi)，偽GPR圖像被分為第5類(lèi)。接著，優(yōu)化判別器。計(jì)算判別器D的損失函數(shù)L，并通過(guò)反向梯度傳播計(jì)算方法不斷優(yōu)化判別器網(wǎng)絡(luò)的權(quán)值參數(shù)ω。之后，優(yōu)化生成器。固定判別器參數(shù)，將隨機(jī)向量z輸入生成器，生成偽GPR圖像xf，再將xf輸入至判別器D，計(jì)算判別器D的損失函數(shù)L，并通過(guò)反向梯度傳播計(jì)算方法不斷優(yōu)化生成器網(wǎng)絡(luò)的權(quán)值參數(shù)θ。重復(fù)上述步驟，不斷對(duì)判別器和生成器進(jìn)行分別優(yōu)化，直至損失函數(shù)L下降到一個(gè)穩(wěn)定的值，該穩(wěn)定值接近于0，GPR路基病害數(shù)據(jù)集訓(xùn)練半監(jiān)督生成對(duì)抗網(wǎng)絡(luò)其判別器監(jiān)督損失值下降曲線(xiàn)如圖3所示。在實(shí)驗(yàn)中，每次訓(xùn)練時(shí)的批量大小設(shè)置為32；為了提高模型的泛化能力，加入BN歸一化方法和Dropout方法；每個(gè)迭代對(duì)測(cè)試集做一次測(cè)試并計(jì)算準(zhǔn)確率，經(jīng)過(guò)800個(gè)迭代之后，監(jiān)督損失L趨于穩(wěn)定，模型訓(xùn)練完畢，保存好模型的權(quán)重參數(shù)ω和θ；實(shí)驗(yàn)過(guò)程中測(cè)試準(zhǔn)確率最高達(dá)到了98.65%，準(zhǔn)確地給出了GPR路基病害的分類(lèi)識(shí)別結(jié)果，病害圖像分類(lèi)識(shí)別測(cè)試準(zhǔn)確率曲線(xiàn)如圖4所示。

圖3 GPR路基病害數(shù)據(jù)集訓(xùn)練半監(jiān)督生成對(duì)抗網(wǎng)絡(luò)其判別器監(jiān)督損失值下降曲線(xiàn)圖

圖4 本方法的GPR路基病害圖像分類(lèi)識(shí)別準(zhǔn)確率曲線(xiàn)圖

表1給出了四種路基病害圖像識(shí)別結(jié)果的混淆矩陣，分析了四種不同路基病害圖像的分類(lèi)結(jié)果。可以看出，提出的SGAN能夠?qū)λ姆N路基病害圖像類(lèi)型進(jìn)行高精度識(shí)別，識(shí)別準(zhǔn)確率在95% ～ 100%。其中有一類(lèi)直徑的識(shí)別準(zhǔn)確率為100%，另外三類(lèi)直徑的識(shí)別準(zhǔn)確率分別為95%、96%和99%，分別對(duì)應(yīng)空洞充水病害、脫空病害和含水層病害。整個(gè)數(shù)據(jù)集的識(shí)別準(zhǔn)確率可達(dá)到98.65%。

表1 四種路基病害識(shí)別結(jié)果的混淆矩陣

4 結(jié)論

與經(jīng)典半監(jiān)督生成對(duì)抗網(wǎng)絡(luò)相比，本方法的半監(jiān)督生成對(duì)抗網(wǎng)絡(luò)其判別器增加LSTM網(wǎng)絡(luò)結(jié)構(gòu)，更有效地提取了雷達(dá)信號(hào)的時(shí)序特征，且只需少量標(biāo)注數(shù)據(jù)便能訓(xùn)練好網(wǎng)絡(luò)。將待識(shí)別的GPR路基病害圖像輸入至訓(xùn)練好的判別器便可得到分類(lèi)識(shí)別結(jié)果，且可在只標(biāo)注少量GPR路基病害圖像的情況下獲得較高的識(shí)別準(zhǔn)確率，克服了在GPR領(lǐng)域中因標(biāo)注數(shù)據(jù)少而造成的低識(shí)別準(zhǔn)確率的問(wèn)題。在實(shí)驗(yàn)過(guò)程中測(cè)試準(zhǔn)確率最高達(dá)到了98.65%，準(zhǔn)確地給出了GPR路基病害的分類(lèi)識(shí)別結(jié)果。