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(xué) 交通學(xué)院, 江蘇 南京 211189;3.中公高科養(yǎng)護(hù)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(wǎng)已日趨完善,約60%的服役年限達(dá)到或超過8年。隨著服役年限的不斷增加,在繁重荷載與復(fù)雜環(huán)境作用下,瀝青路面結(jié)構(gòu)逐漸出現(xiàn)破壞,如結(jié)構(gòu)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(shí)采取措施會加快路面整體結(jié)構(gòu)的破壞,影響行車安全性與舒適性。探地雷達(dá)作為一種高效、連續(xù)、無損檢測技術(shù),近年來被廣泛應(yīng)用于路面結(jié)構(gòu)層厚度與內(nèi)部病害的檢測。高頻電磁波在路面結(jié)構(gòu)內(nèi)部不同電性介質(zhì)會產(chǎn)生反射,通過分析目標(biāo)回波波形、幅值、走時(shí)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(dá)進(jìn)行路面結(jié)構(gòu)損傷檢測時(shí)存在兩個(gè)問題:

1)當(dāng)前研究多將結(jié)構(gòu)層簡化為層狀均質(zhì)體系,雷達(dá)波僅在不同結(jié)構(gòu)層分界面及目標(biāo)體處發(fā)生反射。而實(shí)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(dá)波在結(jié)構(gòu)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(shí)測雷達(dá)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(jīng)網(wǎng)絡(luò)自動辨識雷達(dá)圖譜已成為當(dāng)下主流[4-6]。但由于雷達(dá)圖譜數(shù)據(jù)集較少,在數(shù)據(jù)集構(gòu)建時(shí)常采用數(shù)值模擬批量生成目標(biāo)在圖譜上的回波特征[7]。而勻質(zhì)模型獲取的圖譜特征與實(shí)測數(shù)據(jù)存在差異,若采用勻質(zhì)圖譜來訓(xùn)練模型可能會導(dǎo)致網(wǎng)絡(luò)結(jié)構(gòu)的特征提取能力不足,從而導(dǎo)致結(jié)構(gòu)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(zhì)圖譜與實(shí)測圖譜融合的瀝青路面結(jié)構(gòu)病害自動辨識技術(shù)研究。采用IDS雷達(dá)系統(tǒng)檢測瀝青路面內(nèi)部裂縫與層間不連續(xù)兩類病害,獲取實(shí)測剖面圖異常回波特征;基于芯樣CT掃描圖,在gprMax軟件中構(gòu)建“瀝青-集料”二相介質(zhì)模型,融合仿真圖譜與實(shí)測圖譜分別構(gòu)建兩類數(shù)據(jù)集;并采用YOLO v5深度神經(jīng)網(wǎng)絡(luò)對兩類數(shù)據(jù)集進(jìn)行訓(xùn)練,在實(shí)測圖譜組成的測試集上進(jìn)行模型識別結(jié)果的性能評估。研究結(jié)果表明二相介質(zhì)模型數(shù)值模擬的圖譜特征可提高模型識別的準(zhǔn)確性。

1 雷達(dá)剖面圖數(shù)據(jù)集構(gòu)建

1.1 實(shí)測剖面數(shù)據(jù)采集

選用IDS探地雷達(dá)采集瀝青路面結(jié)構(gòu)損傷數(shù)據(jù)。依據(jù)路面結(jié)構(gòu)、病害類型與深度,采集參數(shù)設(shè)為:采樣點(diǎn)512個(gè),時(shí)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(jié)構(gòu)損傷的檢測要求。

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

圖1 不同類型病害在雷達(dá)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(shù)值模擬

1.2.1 勻質(zhì)模型

瀝青路面結(jié)構(gòu)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(shù)設(shè)為6,基層介電常數(shù)為12。

裂縫數(shù)值模型:設(shè)計(jì)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(shù)值模型:設(shè)計(jì)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(shè)置一個(gè)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(shè)在面層與基層之間。激勵(lì)源選擇Ricker子波,設(shè)置收發(fā)一體天線,中心頻率選用900 MHz,與實(shí)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(shí)間窗為12 ns,網(wǎng)格步長1 mm。

裂縫與層間不連續(xù)數(shù)值模擬的部分雷達(dá)圖譜特征如圖2。數(shù)值模擬的裂縫回波特征呈兩個(gè)上下平行的開口向下雙曲線,頂部反射波幅值較強(qiáng),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(qiáng);數(shù)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(qiáng),兩側(cè)繞射不顯著,當(dāng)層間不連續(xù)長度發(fā)展時(shí),雙曲線將逐漸呈梯形狀。

圖2 結(jié)構(gòu)病害勻質(zhì)Fig. 2 Homogeneous maps of structural diseases

由數(shù)值模擬結(jié)果可知,裂縫與層間不連續(xù)在勻質(zhì)模型中的圖譜特征與實(shí)測圖譜存在一定差異,這是由于在勻質(zhì)模型中,裂縫頂?shù)撞块g的介電常數(shù)不變,雷達(dá)波僅在頂部與底部兩處發(fā)生反射,而實(shí)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(dá)波進(jìn)入裂縫內(nèi)部后因各相材料介電常數(shù)存在差異會產(chǎn)生多次反射。

1.2.2 “瀝青-集料”二相模型

為獲取雷達(dá)波在非均質(zhì)結(jié)構(gòu)層內(nèi)傳播的真實(shí)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(diǎn)擊表征不同材料組分的顏色區(qū)域的順序進(jìn)行介電常數(shù)賦值,再將圖片左下角與右上角坐標(biāo)引入電磁差分模型中,開展“瀝青-集料”二相介質(zhì)的雷達(dá)波數(shù)值模擬,具體建模流程如下:

1)輸入圖譜數(shù)據(jù)增強(qiáng):采用裁剪、旋轉(zhuǎn)、拼接等方法對輸入圖像進(jìn)行增強(qiáng),滿足集料實(shí)際粒徑與圖像在結(jié)構(gòu)層中的真實(shí)厚度,如圖3。

圖3 “瀝青-集料”二相介質(zhì)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(jìn)行二值化處理,基于圖像灰度范圍設(shè)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(shù)賦值:在gprMax軟件中依次點(diǎn)擊不同顏色區(qū)域?qū)吓c瀝青兩相進(jìn)行分類[8]。路面材料均為非磁性材料,磁導(dǎo)率與損耗分別為1與0,膠漿與集料的介電常數(shù)[9]分別為3與8,電導(dǎo)率分別為0.005與0.001,如圖3(c)。

4)逐坐標(biāo)圖片引入:依據(jù)掃描圖左下角坐標(biāo)信息構(gòu)造路面結(jié)構(gòu)層的長度與厚度。掃描圖在模型中的長度與厚度,可依據(jù)模型網(wǎng)格大小與圖像像素比的乘積進(jìn)行計(jì)算。瀝青面層掃描圖譜像素為1 000×180,左下角坐標(biāo)設(shè)為(0,0.220,0.001),網(wǎng)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(biāo)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(zhì)模型中的回波特征如圖4。與勻質(zhì)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(shí)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(zhì)模型與“瀝青-集料”二相模型數(shù)值模擬的圖譜特征可知,雷達(dá)波在非均質(zhì)中會發(fā)生小尺度的隨機(jī)散射,導(dǎo)致剖面圖產(chǎn)生隨機(jī)擾動,可表征實(shí)測情況下的噪聲干擾。因此,采用二相介質(zhì)獲取的仿真圖譜較傳統(tǒng)勻質(zhì)模型更符合結(jié)構(gòu)病害在實(shí)測圖譜上的回波特征。

1.3 病害回波特征標(biāo)注

在LableImg標(biāo)注軟件中,采用矩形框標(biāo)注病害回波在圖譜上的具體位置,并分配各回波對應(yīng)的病害類別標(biāo)簽,裂縫和層間不連續(xù)回波特征的類別標(biāo)簽分別為crack和interlayer discontinuity(ID),獲取矩形框?qū)?yīng)標(biāo)注信息的xml格式文件。將病害標(biāo)簽轉(zhuǎn)化為Class_id,裂縫編碼為(1,0),層間不連續(xù)編碼為(0,1),框?qū)蔷€兩點(diǎn)坐標(biāo)轉(zhuǎn)化為矩形框中心點(diǎn)坐標(biāo)、寬與高的歸一化值。

將數(shù)值模擬獲取的圖譜數(shù)據(jù)劃分為兩組,并添加相同的實(shí)測圖譜共同組成網(wǎng)絡(luò)初始數(shù)據(jù)集。勻質(zhì)圖譜構(gòu)建的數(shù)據(jù)集為圖譜數(shù)據(jù)集1#,二相介質(zhì)圖譜構(gòu)建的數(shù)據(jù)集為圖譜數(shù)據(jù)集2#。對數(shù)據(jù)集進(jìn)行預(yù)處理以增加數(shù)據(jù)集中的圖譜數(shù)量。最終共標(biāo)注了1 584張雷達(dá)圖譜,實(shí)測圖譜563張,仿真圖譜1 021張。裂縫回波特征共893個(gè),仿真圖譜437個(gè),實(shí)測圖譜456個(gè),層間不連續(xù)共1 146個(gè),仿真圖譜520個(gè),實(shí)測圖譜626個(gè)。為滿足網(wǎng)絡(luò)訓(xùn)練要求,數(shù)據(jù)集以7∶3的比例隨機(jī)劃分為訓(xùn)練集(1 108張圖譜,裂縫625條、層間不連續(xù)802個(gè))與測試集(476張圖譜,裂縫268條、層間不連續(xù)344個(gè))。

2 深度學(xué)習(xí)算法模型

2.1 網(wǎng)絡(luò)架構(gòu)

YOLO模型只需遍歷圖譜數(shù)據(jù)集一次,即可直接輸出目標(biāo)位置、類別與置信度,被廣泛應(yīng)用于目標(biāo)檢測工作中。筆者采用YOLO v5算法對兩類雷達(dá)圖譜數(shù)據(jù)集進(jìn)行訓(xùn)練。模型由輸入端、Backbone、Neck與預(yù)測端等部分組成,具體架構(gòu)如圖5。

圖5 YOLO v5網(wǎng)絡(luò)架構(gòu)Fig. 5 YOLO v5 network architecture

模型輸入端基于Mosaic數(shù)據(jù)增強(qiáng)方法,對輸入圖像進(jìn)行隨機(jī)縮放、裁剪、旋轉(zhuǎn)以增強(qiáng)數(shù)據(jù)集。Backbone由Focus結(jié)構(gòu)與CSP卷積神經(jīng)網(wǎng)絡(luò)所組成,以提取淺層維度的圖譜特征。Neck結(jié)構(gòu)由FPN特征金字塔網(wǎng)絡(luò)與PAN路徑聚合網(wǎng)絡(luò)兩部分組成,對淺層特征進(jìn)行增強(qiáng),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(shù)的不斷迭代,以輸出一個(gè)與標(biāo)注錨框近似的預(yù)測邊界框。

2.2 損失函數(shù)

網(wǎng)絡(luò)訓(xùn)練本質(zhì)是損失函數(shù)不斷迭代達(dá)到最優(yōu)解的過程,即要求預(yù)測框的位置坐標(biāo)、置信度與類型概率能無比接近真實(shí)框。因此,YOLO模型中的損失計(jì)算主要由預(yù)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(jìn)行評價(jià),可由式(1)表示:

(1)

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

2.3 評價(jià)指標(biāo)

當(dāng)完成數(shù)據(jù)集與網(wǎng)絡(luò)結(jié)構(gòu)搭建后,需采用相應(yīng)指標(biāo)來評價(jià)網(wǎng)絡(luò)識別的效果。分類問題常采用mAP與F1分?jǐn)?shù)進(jìn)行評價(jià)。P-R曲線描述了準(zhǔn)確率隨召回率的變化趨勢,曲線與橫坐標(biāo)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(jì)算而來,故將均值平均精度表示為mAP@0.5。

(2)

(3)

模型準(zhǔn)確率與召回率的加權(quán)平均F1分?jǐn)?shù)可用于評價(jià)二分類模型的準(zhǔn)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(zhǔn)率;R為召回率。

3 模型訓(xùn)練與驗(yàn)證

3.1 參數(shù)設(shè)置

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

為適應(yīng)網(wǎng)絡(luò)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(yīng)為32像素的倍數(shù),輸入圖像的實(shí)際尺寸為15.8 m×0.6 m。由于本中數(shù)據(jù)量較少,選擇COCO數(shù)據(jù)集訓(xùn)練的初始權(quán)重,遷移到模型進(jìn)行訓(xùn)練。訓(xùn)練200個(gè)epoch,每次迭代批量輸入8張圖片,初始學(xué)習(xí)率為0.001,動量為0.843,權(quán)重衰減為0.000 36。

3.2 模型訓(xùn)練

兩類數(shù)據(jù)集在YOLO v5模型中的訓(xùn)練結(jié)果如圖6。在前75個(gè)訓(xùn)練輪次中,損失值迅速下降。當(dāng)模型訓(xùn)練100輪后,損失下降趨于穩(wěn)定,在極小范圍內(nèi)反復(fù)震蕩,并未出現(xiàn)上翹,模型收斂未過擬合。均值平均精度mAP@0.5在訓(xùn)練集上呈先上升后趨于穩(wěn)定的變化趨勢。對比兩類數(shù)據(jù)集,采用二相介質(zhì)模型獲取圖譜的訓(xùn)練損失下降較快。采用勻質(zhì)圖譜訓(xùn)練mAP@0.5在197輪次達(dá)到最大值0.971 4,而采用二相介質(zhì)圖譜訓(xùn)練188輪后精度最高,為0.988 1。

圖6 兩類數(shù)據(jù)集的訓(xùn)練結(jié)果Fig. 6 Training results for two types of datasets

4 結(jié)果分析

采用未經(jīng)模型訓(xùn)練的測試集圖譜評估模型的檢測性能。采用數(shù)據(jù)集2# 訓(xùn)練后測試集上的mAP@0.5在148輪次達(dá)到最大值,為0.963 3,數(shù)據(jù)集1#的mAP@0.5在163輪次達(dá)到最大值,為0.937 9,此時(shí)模型迭代至最優(yōu)權(quán)重。數(shù)據(jù)集2# 的F1分?jǐn)?shù)為0.938,數(shù)據(jù)集1# 的F1分?jǐn)?shù)為0.913。采用二相介質(zhì)圖譜訓(xùn)練模型后的mAP@0.5與F1分?jǐn)?shù)值均大于勻質(zhì)圖譜的測試結(jié)果,可見采用二相介質(zhì)圖譜訓(xùn)練YOLO v5模型后的檢測精度更高。兩類數(shù)據(jù)集在不同網(wǎng)絡(luò)中的測試結(jié)果如表1,采用YOLO v5模型檢測雷達(dá)圖譜的mAP@0.5最高且浮點(diǎn)操作最少,驗(yàn)證了模型的優(yōu)越性。

表1 不同模型的檢測結(jié)果評價(jià)指標(biāo)

模型經(jīng)兩類數(shù)據(jù)集訓(xùn)練后在測試集上的病害檢測結(jié)果如圖7。其中,虛線框與實(shí)線框分別為采用勻質(zhì)圖譜與二相介質(zhì)圖譜在實(shí)測圖譜上裂縫與層間不連續(xù)的檢測結(jié)果,框內(nèi)數(shù)字表示框內(nèi)含有病害回波的概率,即置信度。

圖7 基于兩類數(shù)據(jù)集訓(xùn)練模型后的檢測結(jié)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(dá)圖譜上的回波特征,兩類數(shù)據(jù)集對裂縫頂部回波的識別效果較好,預(yù)測框內(nèi)置信度分別為0.92與0.93。采用數(shù)據(jù)集1# 進(jìn)行訓(xùn)練后未能檢測出裂縫底端的回波特征,而采用數(shù)據(jù)集2# 訓(xùn)練后裂縫雙曲線組均可被有效檢測,但預(yù)測框內(nèi)的置信度不高。這是由于圖譜未經(jīng)過信號預(yù)處理,病害回波信號的深度特征不顯著,網(wǎng)絡(luò)特征提取結(jié)構(gòu)的學(xué)習(xí)能力有限。

圖7(b)與圖7(c)分別表示原始雷達(dá)圖譜在經(jīng)過預(yù)處理后的裂縫回波特征。當(dāng)雷達(dá)圖譜經(jīng)過預(yù)處理后,病害回波特征與路面完好區(qū)域差異顯著,預(yù)測框內(nèi)的置信度明顯提高,裂縫底端回波特征在勻質(zhì)圖譜的訓(xùn)練集中也能被有效辨識,說明對圖譜進(jìn)行預(yù)處理后可以提高網(wǎng)絡(luò)的檢測準(zhǔn)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(qiáng)、兩翼繞射的顯著特征,模型均可準(zhǔn)確識別,而對于部分波形特征缺失的裂縫回波,采用勻質(zhì)圖譜訓(xùn)練無法有效辨識。勻質(zhì)圖譜中雷達(dá)波不會產(chǎn)生隨機(jī)散射,裂縫回波雙曲線較緩,頂部均勻無起伏。在實(shí)測圖譜上,當(dāng)裂縫為貫穿裂縫時(shí),其雙曲線頂部在穿過層位分界面時(shí)會發(fā)生中斷,這與勻質(zhì)圖譜中的特征存在差異,導(dǎo)致識別效果不佳。

圖7(e)為原始雷達(dá)圖譜中層間不連續(xù)形成的異常回波區(qū)域。采用兩類數(shù)據(jù)集進(jìn)行訓(xùn)練后的模型均能有效識別,預(yù)測框內(nèi)的置信度分別為0.93與0.95。由于層間不連續(xù)回波表現(xiàn)為突然出現(xiàn)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(shí)存在裂縫與層間不連續(xù)兩類病害,二相介質(zhì)圖譜訓(xùn)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(zhì)圖譜訓(xùn)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(cè)存在兩處裂縫與不連續(xù)病害的相似波,兩類數(shù)據(jù)集訓(xùn)練模型均未發(fā)生誤判,說明網(wǎng)絡(luò)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(jié)果。可見,放大異常區(qū)域后檢測置信度有所增加,且用勻質(zhì)圖譜訓(xùn)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(jìn)行增強(qiáng)處理可能會提高網(wǎng)絡(luò)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(shù)據(jù)集在YOLO v5模型訓(xùn)練后的測試結(jié)果可知,道路結(jié)構(gòu)內(nèi)部存在連續(xù)開裂,采用二相介質(zhì)圖譜訓(xùn)練模型的檢測精度較高,適度的圖像預(yù)處理(如增益)可提高模型識別病害回波的準(zhǔn)確性,數(shù)據(jù)增強(qiáng)處理(如裁剪過小)可能會導(dǎo)致波形特征缺少而造成模型誤判。兩類數(shù)據(jù)集訓(xùn)練模型均可準(zhǔn)確識別層間不連續(xù)導(dǎo)致的異常回波特征,在圖譜中同時(shí)存在裂縫、層間不連續(xù)與兩類病害回波的相似波時(shí),采用二相介質(zhì)圖譜訓(xùn)練模型能精準(zhǔn)識別兩類病害且不會誤判,證明二相介質(zhì)圖譜訓(xùn)練模型較勻質(zhì)圖譜訓(xùn)練更具準(zhǔn)確性與穩(wěn)定性。

5 結(jié) 論

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

2)勻質(zhì)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(qiáng);層間不連續(xù)同相軸隨長度發(fā)展逐漸呈梯形狀。

3)雷達(dá)波在“瀝青-集料”二相介質(zhì)中會發(fā)生小尺度的隨機(jī)散射,導(dǎo)致波面不平滑、波形模糊不清,雷達(dá)波在均勻介質(zhì)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(zhì)獲取的仿真圖譜較傳統(tǒng)勻質(zhì)模型更符合實(shí)測圖譜的病害回波特征。

4)采用二相介質(zhì)圖譜訓(xùn)練模型后在測試集上的mAP@0.5為96.33%,F1分?jǐn)?shù)為0.938,兩項(xiàng)指標(biāo)均大于采用勻質(zhì)圖譜訓(xùn)練模型后的檢測結(jié)果,表明采用二相介質(zhì)圖譜進(jìn)行訓(xùn)練可提高網(wǎng)絡(luò)檢測的精度。采用YOLO v5模型檢測雷達(dá)圖譜較其他深度學(xué)習(xí)模型的浮點(diǎn)操作最少,表明模型具有一定的優(yōu)越性。