基于探地雷達的路橋過渡段病害檢測識別方法

李長生 杜翠 劉杰 張千里

1.國能朔黃鐵路發展有限責任公司，河北肅寧 062350；2.中國鐵道科學研究院集團有限公司鐵道建筑研究所，北京 100081；3.中國鐵道科學研究院集團有限公司高速鐵路軌道技術國家重點實驗室，北京 100081

鐵路路基過渡段的長期動力穩定性和后續沉降變形對列車能否高速運行起到控制作用［1］。由于施工階段難以使用大型機械，壓實度不夠，導致過渡段成為路基病害的高發區域。重載鐵路軸重的增大和牽引質量、行車密度的不斷提高，將進一步加劇列車與線路系統之間的動力相互作用，過渡段路基的工作狀況將更為惡化［2］。

由于路堤與橋涵剛度差別較大引起軌道剛度突變，路堤與橋涵的差異沉降導致軌面不平順，引起列車與線路結構的相互作用增加，使過渡段更容易產生橋頭跳車、道砟囊等病害。這些問題限制了列車的平順、舒適和安全運行，影響了線路的穩定性，縮短了軌道結構的使用壽命。

國內外學者針對過渡段的檢測監測、養護維修技術開展了大量研究，如沉降監測、病害發育規律等［3-4］。探地雷達（Ground Penetrating Radar，GPR）是目前鐵路路基檢測的最主要手段，具有快速、無損、高效的優點，廣泛應用于鐵路路基、隧道等基礎設施檢測領域。但在數據處理解釋中，還缺乏對過渡段處信號處理與病害解釋的深度分析。

本文提出雷達信號過渡段邊界效應壓制算法，在分析過渡段病害的雷達信號響應特征的基礎上，提出相應的解釋方法，從而提高鐵路路橋過渡段路基病害的檢測效率和檢測精度。

1 路橋過渡段GPR信號特征分析

采用意大利車載多通道探地雷達對一鐵路線路進行路基檢測，采集的探地雷達原始圖像如圖1所示。可知：橋梁部分與路基部分呈現明顯的差異。道心測線的圖像中，橋梁部分呈現貫穿整個圖像深度范圍的水平條紋，長度為136 m；而左側、右側測線中，可微弱分辨出道心測線水平條紋的邊界，并可識別出其內部的一個明顯的界限，長度為100 m。根據橋梁設備表顯示，該橋全長122 m，擋碴墻間距為98.4 m，梁跨式樣為3×32 m預應力鋼筋混凝土T形梁。由此可驗證，道心測線的水平條紋長度即護軌長度。左側、右側測線的內部界限為孔跨的總長度，并可分辨橋墩位置。

圖1 路橋過渡段探地雷達原始圖像

通過信號處理，地質雷達圖像中規則和隨機的干擾信號得到壓制，信號信噪比得到提高，路基結構層間界面或混合體界面反射波振幅、波形、相位及頻譜隨時間、里程變化等有用的圖像特征得到凸顯。正常的鐵路路基探地雷達圖像通常為低幅、高頻細密波，波形均勻，同相軸連續、平直，可連續追蹤。

橋梁和路基銜接區域道心測線處理后圖像見圖2。可知，在道心測線數據中，該位置呈現平直的水平條紋，且通常貫穿整個圖像深度，同路基有顯著差別，長度同處理前一致。橋梁兩側大約100 m長度區域呈現延伸狀的水平條紋，遮擋住這部分路基的真實信號。在此稱該現象為邊界效應，由于護軌部位信號與路基部分信號差異過大，經濾波等信號處理算法處理所致。由于該區域通常為各類路基病害的高發區域，若采用目前雷達數據處理軟件的處理方法，該區域的真實信號往往被橋梁結構引起的邊界效應所干擾，無法獲取準確的解釋結果，尤其是對下沉和道床厚度的辨識影響較大。

圖2 路橋過渡段道心測線處理后圖像

2 邊界效應處理方法

壓制邊界效應的關鍵在于濾除相鄰道的信號差異。因此，本文提出的邊界效應壓制算法首先定位探地雷達信號中橋梁的里程范圍，采用適當的重采樣方法，形成濾除橋梁結構的時空過濾篩，再進行常規的雷達信號處理，最后將橋梁結構的探地雷達信號平移回相應位置，得到最終的處理結果。

該壓制算法的步驟為：①橋梁識別，獲取里程的起點和終點。②橋梁過濾，從原始文件中提取或替換橋梁結構所在位置的探地雷達信號；然后對文件進行信號處理，對過濾后的雷達文件進行常規信號處理，如背景去噪、濾波、增益等信號處理算法。③橋梁復位，將步驟2提取的橋梁結構探地雷達信號插入到步驟③的處理結果中，得到最終的處理結果。

橋梁過濾和橋梁復位步驟實現的主要工作為解析雷達文件格式，進而對雷達文件進行讀寫和編輯。算法實現的關鍵在于橋梁識別步驟。

在目前的數據處理流程中，采集到雷達原始數據后，首先通過人工識別橋梁，將其同設備表的橋梁進行匹配和里程回歸，從而進行雷達文件的里程校正。因此，實現準確、高效的橋梁識別，不僅是邊界效應壓制算法實現的關鍵，也會顯著提高里程校正的效率和自動化程度。

針對雷達圖像識別，除傳統機器學習方法外，國內外學者近年來采用卷積神經網絡、YOLO（You Only Look Once)等深度學習方法開展了一些研究［5-8］。其中，YOLO是一種屬于one-stage系列的目標檢測算法，它將目標檢測視為一類回歸問題，直接從輸入的圖像中預測目標包圍框的坐標和類別概率，從而實現了端到端的識別。

本文采用YOLO目標檢測算法實現雷達圖像中橋梁的自動識別。YOLO模型輸入為離散后的GPR原始圖像。部分橋梁的長度可能大于樣本圖片的長度，分段存在于連續的圖像中，因此根據橋梁的分布形態橋梁樣本圖像可分為5種類型，即左側局部、右側局部、中間局部、整體、無。識別模型的目標是盡可能精準定位邊界。

3 試驗與分析

3.1 橋梁智能識別

從一線路路基檢測數據提取訓練樣本和測試樣本，對本文的模型和方法進行驗證。數據采集參數：中心頻率為400 MHz的屏蔽天線，采樣時窗為64 ns，采樣點數為512，采集道間距為0.114 9 m。試驗的硬件環 境 參 數為：Intel（R）Xeon（R）Gold 5115 CPU@2.40 GHz，64 GB內存。GPU為NVIDIA GeForce GTX 1080 Ti。

因為橋梁兩端的邊界部位有明顯差異且特征較為鮮明，本文將2種邊界作為目標檢測的識別目標。將橋梁目標標注為2類：左側邊界，右側邊界。這2種類型在目標檢測圖像中分別被標注為L、R。每個標注的里程范圍約5 m。

訓練約耗時25 min，橋梁模型訓練結果見表1。可知，左側邊界、右側邊界的準確率分別為94%、100%，召回率均達到100%。識別目標的邊界同標注目標有輕微差異。左側邊界的標注目標全部識別，但有6處道岔被誤判為左側邊界類型。

表1 橋梁模型訓練結果

橋梁模型測試結果見表2。可知，左側邊界、右側邊界的準確率分別為91%、97%，召回率均達到100%。誤判類型均為道岔區域，但并未成對出現。因此，在對識別結果的進一步處理中，可濾除未配對的左側邊界和右側邊界。并在今后的模型優化中，增加對道岔類型的訓練。

表2 橋梁模型測試結果

3.2 邊界效應處理

進行常規信號處理后，原始圖像及進行橋梁過濾的結果見圖3。可知，3種橋梁過濾方法均可較好地壓制邊界效應，橋梁護軌區域兩側未出現延伸的條紋，圖像特征更加清晰。3種方法實現的復雜度相近，剪切移除后的雷達文件道數減少，可節約部分信號處理運算的時間；而單道替換方法的圖像視覺上能夠顯著區分橋梁和路基，可省去橋梁復位步驟。

圖3 邊界效應處理原始及結果圖像

4 過渡段病害分析

4.1 下沉

下沉是由于基床、路基土密實度不足或地基松軟，在水、上覆荷載、自重、列車動荷載及振動耦合作用下發生局部或較大面積的豎向下沉或沉降變形，局部或范圍較小且有道砟陷入基床時又稱道砟陷槽、道砟囊或道砟袋。下沉部位的雷達圖像中，道砟和基床結構層間界面、基床表層和底層間界面反射同相軸發生明顯的彎曲下沉、層位向下錯斷或偏移，同相軸在相同深度位置附近中斷不連續、時斷時續或高低不平，砟土混合比較嚴重時同相軸可能有缺失。朔黃鐵路某區段GPR檢測圖像如圖4所示。可知，橋頭兩側均呈現明顯的下沉特征。小里程一側還呈現含水較多的特征。在進行常規處理的圖像中，大里程一側的下沉趨勢可辨識，但小里程一側的圖像特征被掩蓋，同相軸延伸特征難以辨識。

圖4 過渡段下沉圖像

4.2 含水異常

含水異常指不同路基結構層道床、基床或地基及不同結構層界面中含水量相對臨近區段較大的現象。基床或地基含水量較大會導致路基質量惡化穩定性不足，易引發翻漿冒泥、下沉等病害。圖像特征為界面低頻強反射、振幅較大、相位反相且存在多次反射。在實際檢測中，含水異常和下沉病害相伴發生。過渡段含水異常圖像見圖5。可知，橋頭大里程一側呈現含水異常特征，但其與橋之間的區段由于邊界效應無法辨識。采用本文提出的邊界效應壓制算法進行處理后，橋頭大里程一側的含水異常特征一直延續到橋頭，并呈現下沉特征。橋頭小里程一側也有小區段的含水異常。

圖5 過渡段含水異常圖像

5 結語

邊界效應由護軌部位信號與路基部分信號差異過大，經濾波等信號處理算法處理所致。本文提出了一種邊界效應壓制算法：首先定位探地雷達信號中橋梁的里程范圍，采用適當的重采樣方法，形成濾除橋梁結構的時空過濾篩，再進行常規的雷達信號處理，最后將橋梁結構的探地雷達信號平移回相應位置，得到最終的處理結果。

YOLO目標檢測算法在樣本規模較小的情況下，取得了較高的識別精度，但計算量較大，訓練時長較長，在未訓練道岔樣本時，出現了將道岔誤認為是識別目標的錯誤分類。后續研究可增加訓練樣本和類別，以修正此種錯誤。

通過試驗對比分析了2種橋梁識別方法的效果以及3種橋梁過濾方法的效果。3種橋梁過濾方法均可較好地壓制邊界效應，橋梁護軌區域兩側未出現延伸的條紋，圖像特征更加清晰。3種方法實現的復雜度相近，單道替換方法可省去橋梁復位步驟，而且剪切移除后的雷達文件道數減少，還可節約部分信號處理運算的時間。