目標檢測模型的雷達圖像識別研究綜述

摘要：探地雷達（GPR）檢測技術是目前城市道路脫空檢測中常用的無損檢測技術。傳統的探地雷達檢測方法需要人工對雷達圖像進行識別，但這種方式容易出現漏檢、誤檢和效率低下等問題，嚴重影響檢測結果的準確性。通過基于深度學習的目標檢測網絡對雷達圖像進行識別可以避免這些問題，目標檢測算法已經在圖像和視頻中證明了識別各種類型物體的能力。雖然目前關于探地雷達圖像檢測的研究還不夠充分，但本文總結了探地雷達技術與常用的目標檢測網絡模型在路基病害檢測方面的研究成果。

關鍵詞：圖像檢測；目標檢測網絡；探地雷達；路基病害

一、引言

城市道路是城市交通安全平穩運行的關鍵，道路情況直接影響人們出行的舒適與安全。在城市道路的長期服役中，路基h會不可避免地產生缺陷（如空洞和疏松等病害）。定期對路基進行檢測、判斷病害類型，并及時修復對維護道路安全具有十分重要的意義。

探地雷達（GPR）檢測技術是目前城市道路脫空檢測中常用的無損檢測技術。傳統方法中常用人工判讀分析，通過識別雷達圖像中的雙曲線特征來判斷病害。然而，人工判讀存在效率低、主觀性強、耗時耗力等問題，影響了技術的推廣應用。近年來，隨著深度學習技術的發展，基于目標檢測網絡的研究對探地雷達圖像識別取得了進展，解決了傳統方法依賴操作人員經驗和耗費人力物力的問題。

病害檢測評估模型，基于深度學習的目標檢測網絡識別結果最終與現行城市道路病害規范城市地下病害體綜合探測與風險評估技術標準綜合考慮，做出對病害治理最準確的判斷。將目標檢測模型應用于探地雷達圖像識別具有重要的現實意義和應用價值。通過訓練和優化目標檢測模型，可以實現地下目標的自動識別和定位，提高探測的準確性和效率。這不僅支持地質勘探和考古挖掘，還幫助工程師和研究人員更好地了解地下結構，為城市規劃和土木工程設計提供決策依據。

二、深度學習網絡模型簡介

深度學習模型是一種利用人工神經網絡模擬和學習人類大腦神經網絡，從數據中獲取知識和經驗的機器學習算法。它基于神經網絡原理，模擬人腦工作方式進行學習和決策。深度學習模型由多個神經網絡層組成，每個層包含多個神經元，通過不斷堆疊多個層次形成深度神經網絡結構。深度學習概念最早于2006年由Hinton[1]等人提出，通過學習深層非線性網絡結構，實現復雜函數逼近和數據特征提取。深度學習模型自適應性強，可以在大規模、復雜數據中發現更多規律和模式，具有強泛化和特征學習能力。它能自動學習數據特征表示，使其靈活、通用。深度學習模型有多種類型，其中前饋神經網絡是最簡單的，適用于分類和回歸任務。循環神經網絡（RNNs）則

專門處理具有時序關系的數據，常用于語音識別和自然語言處理等任務。與此不同，淺層網絡模型依賴人為設計的特征提取算法，盡管這些算法清晰易懂，但總會留下一些盲區[2]。而深層神經網絡并不依賴特征工程，盡管每一層的計算方式可能難以理解，但只要訓練充分，就能很好地反應數據。深度學習根據監督情況分為監督學習方法、無監督學習方法和半監督學習方法三類。監督學習方法指訓練集數據均帶有標記，通過訓練得到一個模型（分類器），再用得到的分類器對新樣數據進行分類。

卷積神經網絡在多層感知器的基礎上發展而來，最早的卷積神經網絡模型由日本學者福島根據腦部神經元感受區域原理提出了神經認知機[3]。神經認知機模擬人腦識別模式，能夠提取圖像關鍵的特征，卷積神經網絡通常由輸入層、卷積層、池化層、全連接層以及輸出層構成。卷積層與池化層又合稱為隱藏層，一般取若干個并交替設置。在卷積層中，輸出特征面的每個神經元與其輸入進行局部連接，并通過對應的連接權值與局部輸入進行加權求和再加上偏置值，得到該神經元輸入值，該過程等同于卷積過程。卷積神經網絡通過局部連接和權值共享減少參數數量，提高計算效率和模型泛化能力，且具有平移和空間變換的不變性，適用于圖像識別任務，還能夠多層次提取特征，從淺層到深層逐步抽象化，高效處理大規模數據。卷積神經網絡同樣適用于處理圖像、語音和文本等多種類型數據，使之成為現階段深度學習領域的重要工具之一。

三、基于目標檢測網絡模型的雷達圖像識別

（一）基于單階段目標檢測網絡模型的雷達圖像識別

傳統的圖像識別算法錯檢率和運行時間上難以滿足工程需要。早期學者利用深度置信網絡（Deep Belief Networks）和受限玻爾茲曼機（Restricted Boltzmann Machine）的深度學習模型對探地雷達數據進行特征提取，證明了深度學習算法能夠較好地識別雷達圖像[4]。隨后，圖像識別算法融合了卷積神經網絡，使得算法能夠有效減少干擾物的影響，在克服障礙物遮擋方面具有較好的魯棒性。

單階段目標檢測模型能夠直接預測目標的類別和位置，不需要額外的候選框生成過程，因此具有較快的檢測速度，對于實時性要求高的應用場景非常適用。在研究探地雷達檢測水泥道路病害時，周廷楠[5]利用YOLO v3對病害圖像自動識別，研究對水泥道路病害圖像自動識別的方法。該方法通過對神經網絡技術進行分析，利用其可以進行自學習，尋找發現實際樣本中的特征和規律，可以根據訓練習得的特點，正確預測新樣本的分類，多運算可獨立并行，提高運行訓練速度等優越性和識別準確率。馬王鵬等[6]利用Yolov1模型在基于TensorFlow深度學習框架下對探地雷達圖像進行目標檢測，雖結果準確率與置信度較低，但為使用Yolo系列模型對探地雷達B-scan圖像的目標檢測方面提供了寶貴經驗。單階段模型通常采用端到端的訓練方式，這有助于模型更好地學習和捕捉探地雷達圖像中的特征，從而提高識別精度，注意力Cbam模塊的處理機制類似于人類視覺系統，看待視野將注意力側重于重要的有用信息，提高分類準確率。改進SF-Camb-SSD算法在實際工程測試集上驗證了算法的有效性，對比SF-SSD算法模型，將兩個模型在西部某機場上的檢測脫空病害結果進行量化和可視化。

單階段模型簡化了檢測流程，減少了計算復雜度，使得在處理大量探地雷達圖像數據時更為高效。對于地下管線的識別問題[7]，有學者提出一種基于YOLOv7的地下管線的GPR圖像識別方法。其方法首先對GPR圖像進行去噪，然后進行智能識別。為了提升YOLOv7對小目標的識別性能，引入了SimAM注意力機制。該機制無需額外參數，直接為特征圖推導出3D注意力權值，增強了重要特征的提取能力，有效抑制了非重要特征的干擾。同時，將YOLOv7損失函數中的坐標損失函數CIoU改為EIoU，解決了寬高縱橫比定義不明確的問題。實驗證明該方法在檢測速度和精度上都有提升，完美解決了地下管線探測工程中數據無法實時高效解譯的問題。

雖然單階段模型在速度上有所優勢，但在目標定位精度方面可能略遜于兩階段模型。對于探地雷達圖像識別，特別是需要精確識別地下目標的位置和形狀時，這成為一個不可避免的缺點。探地雷達圖像中可能包含各種大小的地下目標，而單階段模型在處理小目標時可能會遇到一些困難，因為小目標在圖像中的特征信息較少，模型可能難以準確識別和定位這些小目標。

（二）基于兩階段目標檢測網絡模型的雷達圖像識別

在探地雷達圖像識別中，地下環境復雜多變，目標可能受到多種因素的影響（如噪聲、干擾等）。兩階段模型通過精細的候選框生成和目標分類機制，能夠更好地應對這些復雜場景，提高識別的準確性。同時兩階段目標檢測模型通常具有更高的定位精度。在第一階段，模型生成一系列候選目標框，然后在第二階段對這些框進行精細地分類和位置回歸。這種機制使得模型能夠更準確地識別并定位探地雷達圖像中的目標，特別是在需要精確識別地下目標的位置和形狀時表現優異。與單階段模型相比，兩階段模型在小目標檢測方面通常更具優勢，因為它在生成候選框時考慮更多可能性，從而對圖像中較小的目標也能保持較好的檢測性能。可供兩階段網絡特征提取骨架選擇的有AlexNet、GoogLeNet、MobileNetv2、Inceptionv3、SqueezeNet、ResNet-18、ResNet-50、ResNet-101、VGG-16、VGG-19等10種經典卷積神經網絡模型。然而，VGG-19的測試準確率低于驗證準確率，可能出現了過擬合現象。相比之下，ResNet-50、VGG-16和ResNet-50這三個網絡的驗證準確率超過了90%，模型遷移學習的方法可適用于雷達圖像數據集。

在研究中，方振華[8]提出了一種基于Faster-RCNN架構的探地雷達病害圖像檢測模型，利用深度學習算法根據病害圖像特征進行檢測，實現了探地雷達圖像的精確識別。大多數Faster-RCNN目標檢測運用VGG16作為特征提取網絡，但研究者采用ResNet50殘差網絡代替常見的VGG16網絡，調整了區域建議生成器的大小，讓其更適合病害圖像。結果表明，Faster-RCNN目標檢測模型能以較高準確率識別病害圖像，可代替人工應用于公路病害檢測，提高路面病害檢測準確率。

對比單階段目標檢測網絡模型，兩階段目標檢測模型由于需要進行兩次計算（候選框生成和目標分類），其處理速度通常較慢，這使得它在實時性要求較高的應用場景中可能受到限制。其結構也更為復雜，需要更多的計算資源來支持其運行，這可能導致在資源有限的環境中，模型的部署和運行變得困難。因此，在選擇是否使用兩階段模型時，需要根據具體的應用場景和需求進行權衡。

四、結束語

近年來，隨著目標檢測技術的發展，從機器學習到SSD、RCNN、Yolo等深度學習目標檢測模型被越來越廣泛地應用于探地雷達圖像的目標檢測中。這些模型在探地雷達圖像識別應用中發揮著重要作用，為地下目標的識別與定位提供了有效的技術手段。無論是單階段還是兩階段目標檢測模型，它們都在不同程度上展現了各自的優點和適用性。復雜的路基土壤環境、路面濕滑影響，以及雜亂的雷達回波噪聲干擾等因素，都是影響雷達圖像識別精度的重要因素，為了更好地解決此類干擾，研究人員利用采用中值濾波法、均值濾波法、雙邊濾波法對探地雷達所采集的回波進行降噪處理，以過濾掉雷達圖像中過多的椒鹽噪聲干擾。經過預處理的圖像能夠最大程度減少神經網絡在目標檢測過程中對于噪聲特征的干擾。

早期的yolov2、yolov3、yolov4檢測模型中，為了提高目標檢測的訓練精度，研究人員習慣于改進模型的預訓練階段，將殘差網絡代替為backbone部分，或者將特征提取部分直接遷移學習至雷達圖像的目標檢測模型中。對于Yolov7模型，研究人員則習慣于添加SimAM注意力機制。SimAM注意力機制能夠高效評估雷達圖像中目標的雙曲線特征權重，并為路基病害的雙曲線特征圖推導出3D注意力權值，從而增強探地雷達圖像中管線的雙曲線特征，提高目標檢測網絡對探地雷達圖像中路基病害目標的檢測精度。

探地雷達圖像中的目標往往與周圍環境存在關聯。因此，充分利用上下文信息有助于提高目標檢測的準確性。引入多尺度特征融合、上下文建模等技術可以增強模型對上下文信息的捕捉和利用能力。兩階段目標檢測模型通常依賴于卷積神經網絡（CNN）進行特征提取。針對探地雷達圖像的特點，可以設計更為專業的特征提取網絡，以更好地捕捉圖像中的關鍵信息，利用深度可分離卷積、空洞卷積等技術來增強特征提取能力，同時減少計算量。此外，還可以采用模型壓縮技術（如剪枝、量化等）和加速技術（如硬件加速、模型并行化等）來減小模型的規模和計算量，提高其實時性能。

作者單位：茹曉儉 汪光旺 杭州上城區市政工程集團有限公司

陳斌 浙江省長三角城市基礎設施科學研究院 "浙大城市學院工程學院

張崢崢 浙大城市學院工程學院

參考文獻

[1]Joachims T. Making large-scale SVM learning practical[R]. Technical report， 1998. JOACHIMS T.Making Large-scale SVM Learning Practical[G]//Advances in Kernel Methods-Support Vector Learning. [S.l]： MIT， Press： 169-184.

[2]徐活耀. 基于深度學習的路面病害識別方法研究[D]. 重慶： 重慶交通大學， 2020.

[3]Fukushima K. A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position[J]. Biol， Cybern， 1980， 36： 193/202.

[4]張彥航， 蘇小紅， 馬培軍. 基于最大置信度的多目標檢測算法[J]. 信號處理， 2012， 28（1）： 39-46.

[5]周廷楠. 基于神經網絡的水泥路面探地雷達病害圖像識別研究[D]. 桂林： 桂林電子科技大學， 2021.

[6]馬王鵬， 王曉東， 劉冬. 探地雷達圖像異常識別中YOLO目標檢測算法的研究[J]. 測繪通報， 2019（S1）： 72-76.

[7]高大慶. 城市地下管線的探地雷達圖像智能解譯[D]. 蘭州： 蘭州理工大學， 2023.

[8]房振華， 譚治海， 朱哲等. 基于Faster-RCNN的探地雷達公路病害圖像檢測[J]. 施工技術， 2023， 52（24）： 76-82.