探地雷達于瀝青路面內部病害檢測中的應用

李佳興 秦志超 李凱強

摘要：隨著交通運輸業的不斷發展，道路交通設施建設日益增多，維護工作也越來越重要。傳統的瀝青路面檢測方法往往需要封閉路段進行施工，甚至拆掉路面，不僅成本高還會影響行車。為了對路面進行快速、高效檢測，基于探地雷達技術構建3D-GPR數據集，選取典型的裂縫以及層間不良病害的回波特征，并進行數值模擬驗證回波特征的準確性。對YOLOv4模型進行訓練與驗證，并將其測試結果與現場檢測進行對比。結果表明：裂縫的回波特征呈雙曲線形，層間不良病害呈梯形；YOLOv4模型具有較高的檢測精度，使用模型檢測的病害結果與鉆芯取樣法一致。

關鍵詞：探地雷達；瀝青路面；病害檢測；回波特征

0? ?引言

道路交通是現代社會最基本的交通方式之一，而良好的道路狀況則是確保道路交通安全和暢通的基礎。然而，由于道路使用頻繁，路面往往會出現損壞和病害，如裂縫、坑洼和起伏等，對交通安全和車輛壽命產生負面影響。及時對路面進行檢測，以便識別路面病害，變得至關重要。現有的路面病害檢測方法主要包括人工巡檢、車載巡檢、靜態攝像機巡檢等，這些方法依賴于人工或設備，且檢測精度和效率較低。探地雷達技術來因具有快速、高效、無損等優勢，逐漸成為一種廣受歡迎的路面病害檢測方法。

近年來，已經有學者在道路內部病害檢測方面做了相關研究，并取得了有益成果[1-3]。鄒桂蓮等[4]對目前流行的幾種路面脫空檢測方法進行了對比，并發現落錘式彎沉儀（FWD）在對路基頂面彎沉、板底脫空檢測等多方面具有體積小、經濟、快速、準確等優點。特別是在廣清高速公路水泥硂路面養護工程中的實際應用，FWD設備被證明是一種具有推廣意義的最先進的路面強度無損檢測設備之一。周奇才等[5]對探地雷達數據構成及干擾來源進行分析，利用均值法去除背景噪聲，并運用HIL-BERT變換數據處理技術，得到了雷達圖像瞬時振幅、瞬時相位和瞬時頻率等瞬時剖面圖像，從而提高了圖像的分辨率和目標識別的準確性。盧超等[6]研究探地雷達在對介電常數無損檢測方面的可行性，并基于室內試驗分析了瀝青混合料中空隙率對介電常數的影響。結果表明，空隙率和介電常數之間存在一定的相關性。

在現有研究中，國內外學者對探地雷達技術在瀝青路面內部病害檢測中的研究較少，鑒于此本文對探地雷達在瀝青路面病害檢測中的應用開展研究，研究成果對道路質量檢測具有重要的參考價值。

1? ?構建GPR圖像數據集

1.1? ?3D-GPR數據采集

瀝青路面上的橫向裂縫和結構層間的黏結不良，是常見的早期隱性病害問題，這兩種病害會在探地雷達圖像中顯示出明顯的回波特征。本文著重研究這兩種病害，并選取典型的內部橫向裂縫和層間不良的3D-GPR圖像進行詳細研究。內部橫向裂縫在縱剖面上呈對稱的雙曲線形狀，繞射波較細，頂部有缺口；而在水平剖面上呈現為橫向裂紋狀。在縱剖面上，層間不良缺陷的回波特征呈梯形形狀，中部具有連續的高振幅同相軸，而兩端呈現明顯的繞射波。在水平截面上，層間不良缺陷表現存在高振幅的回波特征，在橫截面上，存在一系列連續的高振幅回波特征。

1.2? ?數值模擬

1.2.1? ?數值模型參數

為了深入研究探地雷達剖面圖中瀝青路面內部病害的回波特征，本文采用時域有限差分法和gprMAX軟件進行數值仿真，得到了瀝青路面數值模型的探地雷達剖面檢測結果。瀝青路面的結構包括上、中、下面層、基層和路基，數值模型參數詳見表1。

1.2.2? ?數值模型類型設計

針對瀝青路面內部的病害，本文設計了2種數值模型：一是橫向裂縫數值模型，二是層間不良松散空隙數值模型。橫向裂縫數值模型包括9種不同寬度的裂縫，寬度分別為2mm、4mm、6mm、8mm、10mm、12mm、16mm、18mm和20mm，所有裂縫都穿透每個結構層。層間不良松散空隙數值模型共包括9個不同高度的松散空隙，間隙分別為1mm、3mm、5mm、10mm、15mm、20mm、40mm、60mm和80mm，寬度為40cm，位于瀝青層的底部。

1.2.3? ?數值模擬要點

數值模型中使用ricker波作為探地雷達的激勵源，中心頻率為1300MHz。數值模型離散網格間距為2mm，采用了10個單元的完全匹配層作為吸收邊界條件。

根據數值模擬結果發現，瀝青混凝土路面結構的橫向裂縫在探地雷達數值模擬中仍呈雙曲線狀。隨著深度的增加，雙曲線的角度增大，同時衍射波也會更加明顯，回波信號的強度逐漸降低。裂縫越寬，回波信號越強，當裂縫較窄時，如2mm、4mm，回波信號較差，難以被清晰地分辨出來。

層間不良的數字雷達模擬回波特征呈梯形，中間部分為連續同相軸，兩端有明顯的繞射波。如果脫空高度較小，例如1mm和3mm，回波信號也會變弱，并可能被其他信號阻擋。

綜上所述，數值模擬結果與實測探地雷達圖上病害回波特征吻合，說明用探地雷達圖內部病害的回波特征對瀝青路面內部病害做出評價的方法是可行的。

1.3? ?病害回波特征數據增強及標注

本次研究所采集的瀝青路面3D-GPR數據涵蓋多條高速公路，總長度約為100km。數據集中涵蓋了瀝青路面內部橫向裂縫和結構層間不良等病害的回波特征。該數據集共包含1830張大小不同、病害特征的類別和數量也不相同的GPR圖像，共有3090個內部病害回波特征，其中2340個是內部橫向裂縫，750個是層間不良特征。

為了評估模型的性能，將數據集進行了劃分，分為訓練集、驗證集和測試集3個部分。數據集的劃分比例約為7：1：2，每個部分的數據都是相互獨立的，不存在重復數據，數據集劃分及數量見表2。

2? ?YOLOv4深度學習算法模型訓練與驗證

2.1? ?YOLOv4深度學習算法模型概述

YOLOv4深度學習算法模型是一種基于卷積神經網絡的目標檢測模型，由一系列卷積層、池化層和全連接層構成。其網絡架構采用了anchor-based模式，利用以往物體的大小和縱橫比進行建模，能夠更好地適應目標檢測任務中物體的多樣性。在損失函數方面，YOLOv4模型基于多維二元交叉熵損失函數，能夠對病害目標的定位和分類同時進行優化，大大提高了模型的檢測準確率。采用查準率P、召回率R、AP@0.5（交并比為0.5時的平均精度）、mAP@0.5（多個交并比為0.5時的平均精度求平均值）指標和宏-F1分數指標，進行模型性能的評估，為模型性能的分析提供有效依據。

2.2? ?模型訓練及驗證

在訓練YOLOv4模型期間，記錄了其在不同迭代次數下的性能指標，包括訓練集上的模型損失值和測試集上的mAP@0.5值。模型訓練驗證結果如圖1所示。

根據圖1可以看出，模型損失值在訓練集上隨著迭代次數的增加而不斷減小，并逐漸趨于穩定下降的狀態。在驗證集上，模型的mAP@0.5值則出現了先上升后下降的趨勢，最大值達到了97.21%。說明隨著訓練次數的增加，模型整體回歸擬合收斂，訓練效果較好。

在訓練集上，模型的驗證集mAP@0.5值隨著訓練次數的增加逐漸達到最大值。其中，當訓練次數為4522次時，模型訓練了6000次迭代的時間為118min，并且驗證集mAP@0.5值達到了最大值。這表明模型網絡已經達到了最佳權重，在該訓練次數下獲得了較好的性能。

3? ?模型測試與現場驗證

3.1? ?模型測試

3.1.1? ?性能評估結果分析

經過訓練的YOLOv4模型在測試集上的性能評估表明，該模型對GPR圖像中的病害特征識別效果顯著，性能評估結果見表3。該模型在測試集上取得的mAP@0.5值為97.56%，宏-F1得分為0.95，表明該模型在檢測GPR圖像中的病害回波特征方面具有很高的準確性。

3.1.2? ?P-R曲線分析

該模型能夠檢測到內部橫向裂縫和層間不良病害，并針對兩類病害繪制出查準率-召回率曲線曲線，如圖2所示。其中，曲線下面積為AP@0.5。模型檢測到的內部橫向裂縫的F1值為0.923，AP@0.5值為96.22%，低于層間不良的0.975和98.89%，表明層間不良回波特征更容易被正確識別。

分析認為，由于內部橫向裂縫的形狀和紋理等特征較難識別，而層間不良回波通常更規則，因此更容易被模型識別。

3.1.3? ?整體評估

YOLOv4模型能夠較好地識別穿過瀝青路面不同結構層內部橫向裂縫的回波特征，并且具有高置信度，至少為0.97，與真實數據非常吻合。但由于下方基層存在較強的背景噪聲，模型無法識別出回聲特征，因此無法對下方基層進行準確識別。同時也驗證了內部橫向裂縫相比層間不良更難以識別的事實。

在層間不良回波特征區域，同時存在著裂縫的雙曲線回波特征。然而，經過使用該模型對GPR圖像進行分析，發現該模型只能識別層間不良回波特征，未能正確識別出裂縫回波特征。由于層間不良病害廣泛存在且潛在危害范圍更大，模型能夠有效地識別層間不良特征，足以滿足工程維護和檢測的需求。

3.2? ?現場驗證

使用YOLOv4模型檢測瀝青路面縱剖面的GPR圖像的回波特征，記錄病害的準確坐標。通過已獲的坐標數據，在地圖上標注缺陷的位置，然后利用RTK定位來確定道路表面的實際坐標。

在已確定的位置使用二維GPR放置測線來進一步確認病害的確切位置。鉆芯取樣的結果顯示，瀝青層芯樣結構良好，而基層芯樣在側面出現了裂縫，這與模型得出的結果一致。在層間不良病害位置，瀝青層下部為顆粒狀或碎石狀，表明上部基層材料疏松，層間黏結失效。

4? ?結束語

本研究先構建3D-GPR數據集，選取典型的裂縫、層間不良病害的回波特征，并進行了數值模擬驗證回波特征的準確性。再對YOLOv4模型進行了訓練與驗證，并將其測試結果與現場檢測進行對比，得出如下結論：

內部橫向裂縫在縱剖面上呈對稱的雙曲線形，繞射波較細，頂部有缺口；而在水平剖面上呈現為橫向裂紋狀。層間不良缺陷的回波特征，在縱剖面上呈梯形形狀，中部具有連續的高振幅同相軸，而兩端呈現明顯的繞射波。

YOLOv4模型在測試集上取得的mAP@0.5值為97%，宏-F1得分為0.94，相對于裂縫回波特征層間不良回波特征更容易被模型正確識別。鉆芯取樣法檢測的瀝青路面病害結果，與模型的檢測結果一致。

參考文獻

[1] 張科.瀝青混凝土路面病害成因及處治研究[J].技術與市場，2014，21（5）：232.

[2] 白日華.瀝青路面病害檢測與養護決策研究[D].長春：吉林大學，2013.

[3] 韓凱，秦曉萍.多通道探地雷達成像技術分析[J].企業發，2011，30（16）：87.DOI：10.14165/j.cnki.hunansci.2011.16.064.

[4] 鄒桂蓮，廖宣錦，韓青英.FWD技術在水泥混凝土路面檢測中的應用[J].科學技術與工程，2010，10（16）：4065-4067.

[5] 周奇才，陳秋鋒，馮雙昌.探地雷達圖像數據處理及應用研究[J].物探化探計算技術，2010，32（6）：665-668+570.

[6] 盧超，劉化學，劉強.介電常數在瀝青混合料壓實度測試中的應用探討[J].路基工程，2012（4）：98-100+104.