基于神經網絡的道路病害圖片識別研究

周廷楠，郭 建

(桂林電子科技大學，廣西壯族自治區 桂林 541004)

1 引 言

道路由于車輛荷載的作用和自然環境等影響，原路面結構也隨之發生變化，產生脫空、疏松、裂縫等道路病害，使道路承載能力降低，對道路的使用壽命產生了嚴重影響。目前對于道路病害的檢測方法主要是鉆芯取樣，但是鉆芯取樣的弊端也尤為明顯，對路面破壞大、取樣速度慢、存在安全隱患。而探地雷達通過向地下發射高頻電磁波，電磁波通過地下介質進行傳播，一旦遇存在電位差的目標，立即返回到接收天線端，并根據目標的空間位置、幾何形態等參數確定目標類型，從而達到對目標的探測作用，具有不耽誤工期、效率高、便捷快速等優勢。

傳統病害識別中往往依賴人工鑒別的方式，不僅耗時費力且主觀性強，由于科學技術的飛速發展，神經網絡在圖片識別中的應用也隨之進入發展的新高度。在各項工程項目中也有顯著作用，其中，對于道路病害的研究也提供了一個新方向。

基于上述GPR優勢和神經網絡圖片識別的進步，可以將探地雷達與神經網絡相結合，達到道路病害圖像識別快速高效、半自動化的目的。

利用仿真雷達模擬的開源軟件GprMax，對探地雷達各病害圖片進行正演數值模擬，生成不同道路病害的圖片，為之后YOLO網絡訓練提供基礎數據集。通過運用訓練好的YOLO框架對道路病害圖片進行自主識別及分類。最后，通過探地雷達實地勘測圖片對數據集進行檢測，驗證仿真模擬的有效性。

2 仿真模擬

2.1 數值模擬

雖然病害形式各有不同，但主要原因是由于施工過程中壓實度不夠導致疏松，使得空氣和水進入，導致病害區域電位差發生變化，這樣便可使用探地雷達對病害進行檢測。運用GprMax對探地雷達圖像進行仿真模擬，如圖1將道路橫切面分為面層、基層、底基層、墊層。

圖1 結構面剖面圖

利用源軟件GprMax對各道路病害建模，獲得充足數據集，以便訓練神經網絡。設置整個結構剖面大小為2 m×1.5 m的矩形，其中結構層電性參數如表1所示。

表1 結構層電性參數表

表中：f1：靜態時介質的相對介電常數。f2：在理論上的無限頻率的相對介電常數。f3：介質的弛豫時間，s。f4：靜態時介質的電導率，S/m。f5：相對磁導率的介質。f6：介質的磁導率。

2.2 病害分析

道路在使用過程中會因為不可控因素產生不特定道路病害在，以此仿真模擬中，模擬不同病害位置、大小、類型，仿真路基病害主要分為脫空病害、疏松病害、裂縫病害。

在雷達圖像中可以看出。

(1)脫空病害區域的電磁波有較強的反射波，并且所在邊界存在繞射現象。

(2)疏松病害區域內介質與周邊介質存在明顯的電位差，電磁波在疏松區域頂端會產生較強的反射回波，疏松區域含水的孔隙也有較強的反射波，且存在較多的衍射。

(3)裂縫病害區域反射雙曲線的定點對應裂縫的頂端位置，位于垂直裂縫的多次散射波能量高強，多以裂縫地段的位置不易確定。

(4)空洞頂部和底部均有較強的反射波信號，空洞頂部的反射波最強，并且還存在多次反射波，隨著探測深度的增加，反射信號逐漸變弱，空洞底部的反射信號不明顯。

3 訓練數據集與圖片識別

在仿真制作足夠的道路病害樣本后，選擇適當神經網絡對其進行數據集的分類并訓練，觀察優化神經網絡辨別病害準確率。

3.1 檢測框架的選擇

YOLO是一種基于深度學習神經網絡的對象識別和定位算法，其最大的特點是運行速度很快，可用于實時系統。YOLO網絡是目標檢測的一個強大框架，使用已經在大型目標檢測數據庫預訓練過的模型參數，這樣可以達到很好的識別效果。具體過程如圖2所示。

圖2 yolo框架

由于存在訓練速度慢的明顯特點，前期的訓練需花費大量的時間，前期的訓練優化可在GPU上完成。訓練完成后只需要前向傳播，而這種傳播方式基本是矩陣乘法，可很快的達到應用水準。

3.2 訓練優化

由于存在訓練速度慢的特點，如果使用較少數量的圖像進行深度網絡訓練時，容易是網絡陷入局部最優點，產生擬合現象。并且這樣得到的算法在測試集上的泛化能力差。此時，可以引用隨機隱退機制。

隨機隱退是，在隱退層引入過濾函數，過濾函數直接作用于隱含層H1，過濾后得到新的隱含層，如下

(1)

對于線性網絡，其h層的第i個單元的表達形式，如下

(2)

(3)

式中：δ為一個服從伯努利方程的變量。此時，可以得到這個單元的數學期望，如下

(4)

此算法加快訓練速率，減少時間消耗，并且對于圖片樣本數量大大降低。

3.3 實例驗證準確性

利用GprMax仿真建模的探地雷達數據樣本對神經網絡進行訓練，訓練完成后使用探地雷達在實際工程中采回的道路病害回波樣本，對訓練后的神經網絡進行檢驗。對于不同道路病害的識別結果如表2所示。

表2 不同道路病害的識別結果

由表2的結果可以看出，使用訓練后的YOLO網絡對各病害的識別率平均值可達到67.1%，并可自主定位病害位置，可高效的完成道路病害圖像識別，提升效率，具有在工程上進行應用與推廣的潛能。

4 結 論

通過結果可知，運用GprMax正演建模可近真實的仿真出道路病害回波特征，本文使用的算法中引入隨即引退機制，使得數據集的訓練對樣本數量大幅下降，解決了前期訓練速度慢的弊端。在此基礎上，利用YOLO網絡對道路各種病害的識別率平均值可達到67.1%，在一定程度上可輔助人工對病害進行識別，克服了傳統人工辨別的主觀性。同時，利用YOLO網絡對道路病害識別并定位可大大縮短時間，提高效率。由此此網絡的道路病害圖像識別可快速準確的對道路病害進行識別及分類，大幅提升工作效率，較傳統人工識別方法快捷、準確、客觀，可為道路病害勘測提供幫助。日后可繼續通過訓練，提高YOLO網絡識別準確率。