周廷楠，郭 建

(桂林电子科技大学，广西壮族自治区 桂林 541004)

1 引 言

道路由于车辆荷载的作用和自然环境等影响，原路面结构也随之发生变化，产生脱空、疏松、裂缝等道路病害，使道路承载能力降低，对道路的使用寿命产生了严重影响。目前对于道路病害的检测方法主要是钻芯取样，但是钻芯取样的弊端也尤为明显，对路面破坏大、取样速度慢、存在安全隐患。而探地雷达通过向地下发射高频电磁波，电磁波通过地下介质进行传播，一旦遇存在电位差的目标，立即返回到接收天线端，并根据目标的空间位置、几何形态等参数确定目标类型，从而达到对目标的探测作用，具有不耽误工期、效率高、便捷快速等优势。

传统病害识别中往往依赖人工鉴别的方式，不仅耗时费力且主观性强，由于科学技术的飞速发展，神经网络在图片识别中的应用也随之进入发展的新高度。在各项工程项目中也有显著作用，其中，对于道路病害的研究也提供了一个新方向。

基于上述GPR优势和神经网络图片识别的进步，可以将探地雷达与神经网络相结合，达到道路病害图像识别快速高效、半自动化的目的。

利用仿真雷达模拟的开源软件GprMax，对探地雷达各病害图片进行正演数值模拟，生成不同道路病害的图片，为之后YOLO网络训练提供基础数据集。通过运用训练好的YOLO框架对道路病害图片进行自主识别及分类。最后，通过探地雷达实地勘测图片对数据集进行检测，验证仿真模拟的有效性。

2 仿真模拟

2.1 数值模拟

虽然病害形式各有不同，但主要原因是由于施工过程中压实度不够导致疏松，使得空气和水进入，导致病害区域电位差发生变化，这样便可使用探地雷达对病害进行检测。运用GprMax对探地雷达图像进行仿真模拟，如图1将道路横切面分为面层、基层、底基层、垫层。

图1 结构面剖面图

利用源软件GprMax对各道路病害建模，获得充足数据集，以便训练神经网络。设置整个结构剖面大小为2 m×1.5 m的矩形，其中结构层电性参数如表1所示。

表1 结构层电性参数表

表中：f1：静态时介质的相对介电常数。f2：在理论上的无限频率的相对介电常数。f3：介质的弛豫时间，s。f4：静态时介质的电导率，S/m。f5：相对磁导率的介质。f6：介质的磁导率。

2.2 病害分析

道路在使用过程中会因为不可控因素产生不特定道路病害在，以此仿真模拟中，模拟不同病害位置、大小、类型，仿真路基病害主要分为脱空病害、疏松病害、裂缝病害。

在雷达图像中可以看出。

(1)脱空病害区域的电磁波有较强的反射波，并且所在边界存在绕射现象。

(2)疏松病害区域内介质与周边介质存在明显的电位差，电磁波在疏松区域顶端会产生较强的反射回波，疏松区域含水的孔隙也有较强的反射波，且存在较多的衍射。

(3)裂缝病害区域反射双曲线的定点对应裂缝的顶端位置，位于垂直裂缝的多次散射波能量高强，多以裂缝地段的位置不易确定。

(4)空洞顶部和底部均有较强的反射波信号，空洞顶部的反射波最强，并且还存在多次反射波，随着探测深度的增加，反射信号逐渐变弱，空洞底部的反射信号不明显。

3 训练数据集与图片识别

在仿真制作足够的道路病害样本后，选择适当神经网络对其进行数据集的分类并训练，观察优化神经网络辨别病害准确率。

3.1 检测框架的选择

YOLO是一种基于深度学习神经网络的对象识别和定位算法，其最大的特点是运行速度很快，可用于实时系统。YOLO网络是目标检测的一个强大框架，使用已经在大型目标检测数据库预训练过的模型参数，这样可以达到很好的识别效果。具体过程如图2所示。

图2 yolo框架

由于存在训练速度慢的明显特点，前期的训练需花费大量的时间，前期的训练优化可在GPU上完成。训练完成后只需要前向传播，而这种传播方式基本是矩阵乘法，可很快的达到应用水准。

3.2 训练优化

由于存在训练速度慢的特点，如果使用较少数量的图像进行深度网络训练时，容易是网络陷入局部最优点，产生拟合现象。并且这样得到的算法在测试集上的泛化能力差。此时，可以引用随机隐退机制。

随机隐退是，在隐退层引入过滤函数，过滤函数直接作用于隐含层H1，过滤后得到新的隐含层，如下

(1)

对于线性网络，其h层的第i个单元的表达形式，如下

(2)

(3)

式中：δ为一个服从伯努利方程的变量。此时，可以得到这个单元的数学期望，如下

(4)

此算法加快训练速率，减少时间消耗，并且对于图片样本数量大大降低。

3.3 实例验证准确性

利用GprMax仿真建模的探地雷达数据样本对神经网络进行训练，训练完成后使用探地雷达在实际工程中采回的道路病害回波样本，对训练后的神经网络进行检验。对于不同道路病害的识别结果如表2所示。

表2 不同道路病害的识别结果

由表2的结果可以看出，使用训练后的YOLO网络对各病害的识别率平均值可达到67.1%，并可自主定位病害位置，可高效的完成道路病害图像识别，提升效率，具有在工程上进行应用与推广的潜能。

4 结 论

通过结果可知，运用GprMax正演建模可近真实的仿真出道路病害回波特征，本文使用的算法中引入随即引退机制，使得数据集的训练对样本数量大幅下降，解决了前期训练速度慢的弊端。在此基础上，利用YOLO网络对道路各种病害的识别率平均值可达到67.1%，在一定程度上可辅助人工对病害进行识别，克服了传统人工辨别的主观性。同时，利用YOLO网络对道路病害识别并定位可大大缩短时间，提高效率。由此此网络的道路病害图像识别可快速准确的对道路病害进行识别及分类，大幅提升工作效率，较传统人工识别方法快捷、准确、客观，可为道路病害勘测提供帮助。日后可继续通过训练，提高YOLO网络识别准确率。