洪小剛,張偉光,王浩仰,田宏寶

(1.山西高速公路工程檢測有限公司, 山西 太原030008; 2.東南大學 交通學院, 江蘇 南京 211189;3.中公高科養(yǎng)護科技股份有限公司, 北京100095; 4.云加一科技有限公司, 湖北 武漢430205)

0 引 言

目前我國高速公路網已日趨完善,約60%的服役年限達到或超過8年。隨著服役年限的不斷增加,在繁重荷載與復雜環(huán)境作用下,瀝青路面結構逐漸出現破壞,如結構裂縫、層間不連續(xù)、不均勻沉降等[1]。此類病害無法從表面直接觀測,若不及時采取措施會加快路面整體結構的破壞,影響行車安全性與舒適性。探地雷達作為一種高效、連續(xù)、無損檢測技術,近年來被廣泛應用于路面結構層厚度與內部病害的檢測。高頻電磁波在路面結構內部不同電性介質會產生反射,通過分析目標回波波形、幅值、走時等特征,從而推斷出隱性病害的位置、形態(tài)與介電特性[2]。然而,采用探地雷達進行路面結構損傷檢測時存在兩個問題:

1)當前研究多將結構層簡化為層狀均質體系,雷達波僅在不同結構層分界面及目標體處發(fā)生反射。而實際傳播過程中,集料、瀝青膠漿、孔隙等材料的電性存在差異,雷達波在結構層中會頻繁發(fā)生反射并造成擾動,致使能量衰減灰度暗淡,與實測雷達剖面圖的回波特征不符[3]。

2)為解決人工檢測效率低、精度差等問題,采用深度神經網絡自動辨識雷達圖譜已成為當下主流[4-6]。但由于雷達圖譜數據集較少,在數據集構建時常采用數值模擬批量生成目標在圖譜上的回波特征[7]。而勻質模型獲取的圖譜特征與實測數據存在差異,若采用勻質圖譜來訓練模型可能會導致網絡結構的特征提取能力不足,從而導致結構病害的自動檢測精度低下。

為解決上述問題,筆者開展基于“瀝青-集料”二相介質圖譜與實測圖譜融合的瀝青路面結構病害自動辨識技術研究。采用IDS雷達系統(tǒng)檢測瀝青路面內部裂縫與層間不連續(xù)兩類病害,獲取實測剖面圖異?；夭ㄌ卣?基于芯樣CT掃描圖,在gprMax軟件中構建“瀝青-集料”二相介質模型,融合仿真圖譜與實測圖譜分別構建兩類數據集;并采用YOLO v5深度神經網絡對兩類數據集進行訓練,在實測圖譜組成的測試集上進行模型識別結果的性能評估。研究結果表明二相介質模型數值模擬的圖譜特征可提高模型識別的準確性。

1 雷達剖面圖數據集構建

1.1 實測剖面數據采集

選用IDS探地雷達采集瀝青路面結構損傷數據。依據路面結構、病害類型與深度,采集參數設為:采樣點512個,時間窗20 ns,天線中心頻率為900 MHz,有效檢測深度約為0.8 m,測量精度可至厘米級。精度與深度均能夠滿足瀝青路面結構損傷的檢測要求。

結構裂縫與層間黏結不良(松散破碎、層間不連續(xù))是瀝青路面常見的結構病害,在雷達圖譜中的回波特征存在顯著差異。圖1為瀝青路面結構裂縫與層間黏結不良的典型雷達圖譜,圖1(a)為基層反射裂縫在圖譜中的回波特征,表現為上下平行的多個開口向下雙曲線組,兩翼開口較窄,頂部振幅較強,且穿過層位回波同相軸時有間斷;圖1(b)為結構層材料松散破碎的回波特征,表現為均勻連續(xù)的層間界面出現顯著抖動模糊或突然斷開;圖1(c)為層間不連續(xù)的回波特征,表現為“白-黑-白”類梯形同相軸,兩端繞射不顯著,同相軸灰度增強。由于層間黏結不良在實測中多表現為層間不連續(xù),因此筆者主要針對結構裂縫與層間不連續(xù)這兩類病害進行研究。

圖1 不同類型病害在雷達圖譜上的回波特征Fig. 1 Echo features of different types of diseases on GPR maps

1.2 病害回波特征數值模擬

1.2.1 勻質模型

瀝青路面結構由瀝青面層、水穩(wěn)基層與土基組成,考慮裂縫與層間不連續(xù)常發(fā)生在面層與基層,筆者僅建立瀝青路面面層與水穩(wěn)碎石基層模型,面層介電常數設為6,基層介電常數為12。

裂縫數值模型:設計5種寬度(1.0、 1.5、 2.0、 2.5、 3.0 cm)與8種長度(裂縫頂端距離路表面1.0、3.0、 6.0、 9.0、 13.0、 17.0、 27.0、 37.0 cm),寬度與長度可相互組合,共40種裂縫模型,包含面層裂縫與基層貫穿裂縫。層間不連續(xù)數值模型:設計9種寬度(1.0 、1.5 、2.0 、2.5 、3.0 、3.5 、4.0 、4.5 、5.0 cm)與32種長度(層間不連續(xù)位于模型中央向左右均勻延伸,每間隔5 cm設置一個長度,5～30 cm),寬度與長度可相互組合,共288種層間不連續(xù)模型,布設在面層與基層之間。激勵源選擇Ricker子波,設置收發(fā)一體天線,中心頻率選用900 MHz,與實測一致。模型深度0.42 m(0.02 m空氣層+0.2 m水穩(wěn)基層+0.18 m瀝青面層+0.02 m空氣層),時間窗為12 ns,網格步長1 mm。

裂縫與層間不連續(xù)數值模擬的部分雷達圖譜特征如圖2。數值模擬的裂縫回波特征呈兩個上下平行的開口向下雙曲線,頂部反射波幅值較強,底部反射波幅值較弱且開口窄,反射波幅值隨裂縫長度增加而增強;數值模擬的層間不連續(xù)回波特征呈開口向下,曲率較緩的雙曲線,雙曲線頂部振幅強,兩側繞射不顯著,當層間不連續(xù)長度發(fā)展時,雙曲線將逐漸呈梯形狀。

圖2 結構病害勻質Fig. 2 Homogeneous maps of structural diseases

由數值模擬結果可知,裂縫與層間不連續(xù)在勻質模型中的圖譜特征與實測圖譜存在一定差異,這是由于在勻質模型中,裂縫頂底部間的介電常數不變,雷達波僅在頂部與底部兩處發(fā)生反射,而實際情況中路面材料為瀝青、孔隙、集料組成的多相混合物,雷達波進入裂縫內部后因各相材料介電常數存在差異會產生多次反射。

1.2.2 “瀝青-集料”二相模型

為獲取雷達波在非均質結構層內傳播的真實圖譜,開發(fā)基于圖像處理的多相材料建模方法。在輸入圖像中以不同灰度值區(qū)分各相材料,通過點擊表征不同材料組分的顏色區(qū)域的順序進行介電常數賦值,再將圖片左下角與右上角坐標引入電磁差分模型中,開展“瀝青-集料”二相介質的雷達波數值模擬,具體建模流程如下:

1)輸入圖譜數據增強:采用裁剪、旋轉、拼接等方法對輸入圖像進行增強,滿足集料實際粒徑與圖像在結構層中的真實厚度,如圖3。

圖3 “瀝青-集料”二相介質模型Fig. 3 "Asphalt-aggregate" two-phase medium model

2)圖像二值化處理:采用ImageJ軟件對芯樣圖片進行二值化處理,基于圖像灰度范圍設定閾值將像素劃分為兩類,如圖3(b)。RGB(0,0,0)即黑色區(qū)域,表征集料相,RGB(255,255,255)即白色區(qū)域,表征瀝青相。

3)介電常數賦值:在gprMax軟件中依次點擊不同顏色區(qū)域對集料與瀝青兩相進行分類[8]。路面材料均為非磁性材料,磁導率與損耗分別為1與0,膠漿與集料的介電常數[9]分別為3與8,電導率分別為0.005與0.001,如圖3(c)。

4)逐坐標圖片引入:依據掃描圖左下角坐標信息構造路面結構層的長度與厚度。掃描圖在模型中的長度與厚度,可依據模型網格大小與圖像像素比的乘積進行計算。瀝青面層掃描圖譜像素為1 000×180,左下角坐標設為(0,0.220,0.001),網格大小為0.001。引入模型后表征面層的長度為1.0 m,厚度為0.18 m,右上角坐標為(1.000,0.400,0.001)。

裂縫與層間不連續(xù)兩類病害在二相介質模型中的回波特征如圖4。與勻質模型獲取的圖譜特征相比,裂縫上下平行的雙曲線間存在多次反射,且兩翼極窄,這與實際圖譜中的裂縫特征更相似。

圖4 “瀝青-集料”二相模型圖譜Fig. 4 "Asphalt-aggregate" two-phase model graph

對比分析勻質模型與“瀝青-集料”二相模型數值模擬的圖譜特征可知,雷達波在非均質中會發(fā)生小尺度的隨機散射,導致剖面圖產生隨機擾動,可表征實測情況下的噪聲干擾。因此,采用二相介質獲取的仿真圖譜較傳統(tǒng)勻質模型更符合結構病害在實測圖譜上的回波特征。

1.3 病害回波特征標注

在LableImg標注軟件中,采用矩形框標注病害回波在圖譜上的具體位置,并分配各回波對應的病害類別標簽,裂縫和層間不連續(xù)回波特征的類別標簽分別為crack和interlayer discontinuity(ID),獲取矩形框對應標注信息的xml格式文件。將病害標簽轉化為Class_id,裂縫編碼為(1,0),層間不連續(xù)編碼為(0,1),框對角線兩點坐標轉化為矩形框中心點坐標、寬與高的歸一化值。

將數值模擬獲取的圖譜數據劃分為兩組,并添加相同的實測圖譜共同組成網絡初始數據集。勻質圖譜構建的數據集為圖譜數據集1#,二相介質圖譜構建的數據集為圖譜數據集2#。對數據集進行預處理以增加數據集中的圖譜數量。最終共標注了1 584張雷達圖譜,實測圖譜563張,仿真圖譜1 021張。裂縫回波特征共893個,仿真圖譜437個,實測圖譜456個,層間不連續(xù)共1 146個,仿真圖譜520個,實測圖譜626個。為滿足網絡訓練要求,數據集以7∶3的比例隨機劃分為訓練集(1 108張圖譜,裂縫625條、層間不連續(xù)802個)與測試集(476張圖譜,裂縫268條、層間不連續(xù)344個)。

2 深度學習算法模型

2.1 網絡架構

YOLO模型只需遍歷圖譜數據集一次,即可直接輸出目標位置、類別與置信度,被廣泛應用于目標檢測工作中。筆者采用YOLO v5算法對兩類雷達圖譜數據集進行訓練。模型由輸入端、Backbone、Neck與預測端等部分組成,具體架構如圖5。

圖5 YOLO v5網絡架構Fig. 5 YOLO v5 network architecture

模型輸入端基于Mosaic數據增強方法,對輸入圖像進行隨機縮放、裁剪、旋轉以增強數據集。Backbone由Focus結構與CSP卷積神經網絡所組成,以提取淺層維度的圖譜特征。Neck結構由FPN特征金字塔網絡與PAN路徑聚合網絡兩部分組成,對淺層特征進行增強,為病害檢測提供豐富的位置和語義信息,提高模型的檢測精度。輸出端基于損失函數的不斷迭代,以輸出一個與標注錨框近似的預測邊界框。

2.2 損失函數

網絡訓練本質是損失函數不斷迭代達到最優(yōu)解的過程,即要求預測框的位置坐標、置信度與類型概率能無比接近真實框。因此,YOLO模型中的損失計算主要由預測邊界框位置誤差、置信度誤差與類別誤差共同決定。

置信度誤差在模型中采用廣義交并比GIoU進行評價,可由式(1)表示:

(1)

式中:C為包含真實與預測框的最小框;A為真實框;B為預測框;C(A∪B)為包含最小框減去真實與預測框的并集;IoU為交并比。

2.3 評價指標

當完成數據集與網絡結構搭建后,需采用相應指標來評價網絡識別的效果。分類問題常采用mAP與F1分數進行評價。P-R曲線描述了準確率隨召回率的變化趨勢,曲線與橫坐標召回率圍成的面積為平均精度AP,裂縫與層間不連續(xù)兩類病害的均值定義為均值平均精度mAP。由于P-R曲線是以IoU=0.5為界限計算而來,故將均值平均精度表示為mAP@0.5。

(2)

(3)

模型準確率與召回率的加權平均F1分數可用于評價二分類模型的準確度。F1值越大,表示模型檢測精度越高,可由式(4)表示:

(4)

式中:P為查準率;R為召回率。

3 模型訓練與驗證

3.1 參數設置

模型的工作流程均在PyTorch框架下完成,計算機參數為Inter(R) Xeon 6226R CPU,RAM 128 GB與NVIDA GeForce RTX3090 24 GB。

為適應網絡對輸入圖譜的像素要求,將每張圖譜的分辨率分割為640×640像素,滿足YOLO模型輸入圖像的尺寸應為32像素的倍數,輸入圖像的實際尺寸為15.8 m×0.6 m。由于本中數據量較少,選擇COCO數據集訓練的初始權重,遷移到模型進行訓練。訓練200個epoch,每次迭代批量輸入8張圖片,初始學習率為0.001,動量為0.843,權重衰減為0.000 36。

3.2 模型訓練

兩類數據集在YOLO v5模型中的訓練結果如圖6。在前75個訓練輪次中,損失值迅速下降。當模型訓練100輪后,損失下降趨于穩(wěn)定,在極小范圍內反復震蕩,并未出現上翹,模型收斂未過擬合。均值平均精度mAP@0.5在訓練集上呈先上升后趨于穩(wěn)定的變化趨勢。對比兩類數據集,采用二相介質模型獲取圖譜的訓練損失下降較快。采用勻質圖譜訓練mAP@0.5在197輪次達到最大值0.971 4,而采用二相介質圖譜訓練188輪后精度最高,為0.988 1。

圖6 兩類數據集的訓練結果Fig. 6 Training results for two types of datasets

4 結果分析

采用未經模型訓練的測試集圖譜評估模型的檢測性能。采用數據集2# 訓練后測試集上的mAP@0.5在148輪次達到最大值,為0.963 3,數據集1#的mAP@0.5在163輪次達到最大值,為0.937 9,此時模型迭代至最優(yōu)權重。數據集2# 的F1分數為0.938,數據集1# 的F1分數為0.913。采用二相介質圖譜訓練模型后的mAP@0.5與F1分數值均大于勻質圖譜的測試結果,可見采用二相介質圖譜訓練YOLO v5模型后的檢測精度更高。兩類數據集在不同網絡中的測試結果如表1,采用YOLO v5模型檢測雷達圖譜的mAP@0.5最高且浮點操作最少,驗證了模型的優(yōu)越性。

表1 不同模型的檢測結果評價指標

模型經兩類數據集訓練后在測試集上的病害檢測結果如圖7。其中,虛線框與實線框分別為采用勻質圖譜與二相介質圖譜在實測圖譜上裂縫與層間不連續(xù)的檢測結果,框內數字表示框內含有病害回波的概率,即置信度。

圖7 基于兩類數據集訓練模型后的檢測結果Fig. 7 Detection results after training models based on two types of datasets

圖7(a)為層間裂縫在原始雷達圖譜上的回波特征,兩類數據集對裂縫頂部回波的識別效果較好,預測框內置信度分別為0.92與0.93。采用數據集1# 進行訓練后未能檢測出裂縫底端的回波特征,而采用數據集2# 訓練后裂縫雙曲線組均可被有效檢測,但預測框內的置信度不高。這是由于圖譜未經過信號預處理,病害回波信號的深度特征不顯著,網絡特征提取結構的學習能力有限。

圖7(b)與圖7(c)分別表示原始雷達圖譜在經過預處理后的裂縫回波特征。當雷達圖譜經過預處理后,病害回波特征與路面完好區(qū)域差異顯著,預測框內的置信度明顯提高,裂縫底端回波特征在勻質圖譜的訓練集中也能被有效辨識,說明對圖譜進行預處理后可以提高網絡的檢測準確性。

圖7(d)為連續(xù)裂縫在剖面圖上的回波特征。對于裂縫回波雙曲線頂端灰度增強、兩翼繞射的顯著特征,模型均可準確識別,而對于部分波形特征缺失的裂縫回波,采用勻質圖譜訓練無法有效辨識。勻質圖譜中雷達波不會產生隨機散射,裂縫回波雙曲線較緩,頂部均勻無起伏。在實測圖譜上,當裂縫為貫穿裂縫時,其雙曲線頂部在穿過層位分界面時會發(fā)生中斷,這與勻質圖譜中的特征存在差異,導致識別效果不佳。

圖7(e)為原始雷達圖譜中層間不連續(xù)形成的異?；夭▍^(qū)域。采用兩類數據集進行訓練后的模型均能有效識別,預測框內的置信度分別為0.93與0.95。由于層間不連續(xù)回波表現為突然出現的層位同相軸,或均勻同相軸灰度顯著增亮,故較裂縫更易識別。圖7(f)同時存在裂縫與層間不連續(xù)兩類病害,二相介質圖譜訓練模型對于層間不連續(xù)的檢測區(qū)域更為精確,并能檢測出下層裂縫的回波特征,采用勻質圖譜訓練模型僅能識別出層間不連續(xù)回波特征,且檢測區(qū)域范圍不精確。

圖7(g)中層間不連續(xù)回波左側存在兩處裂縫與不連續(xù)病害的相似波,兩類數據集訓練模型均未發(fā)生誤判,說明網絡具有較好的穩(wěn)定性。圖7(h)、圖7(i)、圖7(j)分別表示一定程度縮小或放大剖面圖中病害特征的檢測結果?？梢?放大異常區(qū)域后檢測置信度有所增加,且用勻質圖譜訓練模型在縮放圖譜上將層間不連續(xù)誤判為裂縫,這表明對輸入圖像進行增強處理可能會提高網絡提取圖譜特征的能力,但也可能會造成誤判。

綜合圖7中兩類數據集在YOLO v5模型訓練后的測試結果可知,道路結構內部存在連續(xù)開裂,采用二相介質圖譜訓練模型的檢測精度較高,適度的圖像預處理(如增益)可提高模型識別病害回波的準確性,數據增強處理(如裁剪過小)可能會導致波形特征缺少而造成模型誤判。兩類數據集訓練模型均可準確識別層間不連續(xù)導致的異常回波特征,在圖譜中同時存在裂縫、層間不連續(xù)與兩類病害回波的相似波時,采用二相介質圖譜訓練模型能精準識別兩類病害且不會誤判,證明二相介質圖譜訓練模型較勻質圖譜訓練更具準確性與穩(wěn)定性。

5 結 論

1)結構裂縫在實測圖譜中的回波特征,表現為上下平行的多個開口向下雙曲線組,兩翼開口較窄,頂部振幅較強,穿過層位回波同相軸時有間斷;層間不連續(xù)回波表現為梯形同相軸,振幅較強,兩端繞射不顯著。

2)勻質模型中裂縫回波雙曲線組之間無反射,信號幅值隨裂縫長度增加而增強;層間不連續(xù)同相軸隨長度發(fā)展逐漸呈梯形狀。

3)雷達波在“瀝青-集料”二相介質中會發(fā)生小尺度的隨機散射,導致波面不平滑、波形模糊不清,雷達波在均勻介質中不會受到散射,波面保持平滑,波形無畸變。因此,采用二相介質獲取的仿真圖譜較傳統(tǒng)勻質模型更符合實測圖譜的病害回波特征。

4)采用二相介質圖譜訓練模型后在測試集上的mAP@0.5為96.33%,F1分數為0.938,兩項指標均大于采用勻質圖譜訓練模型后的檢測結果,表明采用二相介質圖譜進行訓練可提高網絡檢測的精度。采用YOLO v5模型檢測雷達圖譜較其他深度學習模型的浮點操作最少,表明模型具有一定的優(yōu)越性。