标题：车载探地雷达地下目标实时探测法

作者：杨必胜,宗泽亮,陈驰,孙文鹿, 米晓新, 吴唯同,黄荣刚

关键词：探地雷达 地下目标探测 卷积神经网络 深度学习  城市空间安全    

全文概述

本文提出一种车载探地雷达城市道路地下多目标实时探测方法，分析并确定了GPR影像中7类可识别的城市道路地下空间典型目标(即：雨水井，电缆，稀疏、密集钢筋网，金属、非金属管，空洞)，并根据其反射信号特征，创建了典型城市道路GPR地下目标样本库。通过迁移学习的方法，使用扩容后的数据精调已在ImageNet等^[18-20]大型数据集上训练后的预训练权重，实现端到端的实时精确检测。

1  基于深度学习的GPR图像地下目标探测  

图 1 卷积神经网络GPR图像地下目标检测框架

Fig. 1 Target detection from GPR imagery based on convolutional neural network

(1) 构建地下目标样本数据集。主要通过人机交互的方式完成地下目标样本标注并进行数据增容，完成地下目标标准数据集的构建。

(2) 采用联合训练机制训练卷积神经网络，联合ImageNet数据集、COCO数据集、PASCAL VOC数据集训练Darknet-53^[21]卷积神经网络，获得预训练神经元参数集合。

(3) 训练与推想(Inference)卷积神经网路。采用迁移学习方法，先冻结网络前50层参数集，使用GPR标注数据集训练网。

(4) 网络精调(Fine-tune)51—53层网络权重参数，获得GPR图像地下目标提取卷积神经网络第一阶段参数集，后解冻前50层参数集进行全层训练，训练出可以实时预测多个边界框位置及多个类别的模型。最后载入网络训练后的模型，进行前向传播，推想获得测试数据集中地下目标的位置与类别信息。

1.1  构建地下目标训练数据集

针对城市地下空间的几类典型目标(如雨水井、电缆等)训练样本数量不足的问题，本文基于实测的车载GPR图像，利用albumentations^[22]库增加实测GPR图像的样本，同时顾及GPR图像的分辨率和地下目标的特征，对GPR图像进行增强、随机裁剪、小角度旋转、模糊化和镜像翻转等处理，从而获得足够的样本对卷积神经网络进行训练。表 1为城市地下空间7类典型目标波形特征表。样本标注过程以表中列举的波形特征作为依据。

表 1 地下空间7类典型目标波形特征表

Tab. 1 Seven types of typical target waveform characteristics table in underground space

1.2  地下目标检测骨干网络

Darknet-53兼顾网络复杂度与检测准确率，与常用的目标检测特征提取网络VGG-16^[23-24]相比不仅运算量更少、模型更轻量且有更强的特征提取能力。图 2展示了Darknet-53的结构。它由连续的3×3和1×1卷积核组成，在充分提取图片特征的情况下减少了网络参数量。借鉴Resnet思想加入残差(Res)块以解决网络因层数较深而导致的梯度弥散或者梯度爆炸的现象^[23]，将传统深层神经网络的逐层训练调整为逐阶段训练。除此以外，各卷积层后都接有Batch_Normalize(BN)层^[25]和LeakyReLU层^[26]，简化计算量的同时加速收敛，并且防止模型过拟合。

图 2 Darknet-53网络结构

Fig. 2 Darknet-53 network

1.3  神经网络训练与推想

本文的网络训练方法遵循YOLO v3^[21]提出的网络训练方法，网络使用由k均值聚类得到的锚框(anchor box)来辅助预测边界框，并且训练逻辑回归分类器预测每个边界框的对象分数。每个框可以预测边界框包含的多个类别。神经网络直接对GPR图像进行卷积后形成特征图，并对特征图逐格预测地下目标位置和概率。算法核心在于将地下目标检测问题转化为回归问题，实现了端到端(end to end)的检测。

2  GPR图像地下目标探测试验与分析  

为验证本文方法的有效性，分别利用SIR-30车载GPR系统采集的深圳市彩田路中往返两条路线的GPR数据进行试验验证(图 4)。GPR采集原理如图 5(a)所示，本次试验数据样例如图 5(b)所示，其中右侧单点波形对应红线标注位置。GPR采集频段、采集范围与场景类别见表 2。为了保证模型收敛而不过拟合，本文对数据进行了增容，增容后保证loss收敛于一个合适范围。表 3展示了专家解译的样本数量和数据增容后的样本数量。

图 4 SIR-30车载雷达深圳市测试路段(谷歌地球)

Fig. 4 SIR-30 vehicle radar Shenzhen test section(Google Earth)

图 5 SIR-30车载雷达工作原理及样例

Fig. 5 Working principle and sample of SIR-30 vehicle-borne radar

表 2 GPR设备与试验测试区域

Tab. 2 GPR equipment and test area

表 3 扩容后不同类别样本统计

Tab. 3 Statistical quantitative table of samples of different categories after expansion

2.1  地下目标探测结果

本文的测试数据为SIR-30车载探地雷达系统以400 MHz频率获取的深圳市数据。图 6为训练后的神经网络识别GPR波形图像数据中雨水井、稀疏/密集钢筋网、桥梁、金属/非金属管道、电缆等目标的试验结果。深度学习预测结果表明，本文提出的方法能够根据GPR图像对地下目标的类型与位置进行准确的探测与定位。

 点击获取原文