摘要：中国的城镇化加快了地下空间大规模开发与利用的进程。摸清地下空间目标的分布状况，保障城市可持续发展和地下空间资源的永久利用，是维护未来城市安全中的重要任务。探地雷达（GPR）凭借其数据采集速度快、成像分辨率高、无损检测等优点在地下空间资源调查中得以广泛应用。但仍存在GPR数据地下目标识别不准确、自动化程度低等缺陷，自动检测GPR数据中的地下目标或目标缺陷仍然是一个亟待解决的难题。为此，本文分析并确定了GPR影像中可进行识别的城市道路地下空间的7类典型目标（如雨水井、电缆等）。并根据其反射信号特征，标记了GSSI SIR30设备以400 MHz波段采集的GPR数据中的典型地下目标，构建了GPR地下目标样本库，共包含7类总数为3033个。通过迁移学习的方法，精调预训练后的darknet53网络参数，通过端到端的YOLOV3检测方法完成地下目标的自动识别与定位。最后，利用深圳福田区彩田路GSSI SIR30装备以400 MHz波段采集的GPR数据进行试验验证。试验结果表明，本文提出的基于深度学习的地下目标探测方法对城市典型地下目标的检测精度和召回率达到85%以上，检测速度达到了16帧/秒，能够有效探测GPR数据中的城市地下目标。
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
随着城市化的快速进程，城市地下空间的开发与利用愈加受到重视和关注。精准、高效地探测城市地下空间目标，摸清其类型与分布是保障城市地下空间安全的前提和关键。城市地下空间目标既有大量的人工构筑物(如地铁、管廊等)，又有复杂的潜在病害(如空洞等)。以摄影和激光扫描为主的测绘手段不具有穿透性，因此无法有效探测城市地下空间目标的形态和分布。探地雷达(ground penetrating radar，GPR)具有高效、无损、可穿透性、成像分辨率高等特点，被广泛运用于地球物理勘探[1]、建筑物质量检测、道路桥梁检测、隧道质量检测、地下目标探测分类等[2]。由于地下目标形态的复杂性、潜在病害的多样性以及空间分布的未知性，对GPR图像的解析仍主要依赖于人机交互，而该方式无法满足大范围城市地下空间探测普查的需求。
目前针对GPR数据的地下目标探测方法主要分为两类，即传统机器学习方法与深度学习方法。传统机器学习方法包括基于霍夫变换提取双曲线特征检测法[3-4]、基于模板匹配的双曲线特征检测法[5-6]、基于特征的梯度方向直方图(histogram of oriented gradients, HOG)和基于哈尔特征学习算法[7-8]等。基于霍夫变换提取双曲线特征检测法受限于处理和离散化大量参数而导致的巨大计算量。基于模板匹配的双曲线特征则需要手工设计大量参数刻画不同的目标特征。而基于特征的梯度方向直方图和基于哈尔特征学习算法的GPR图像地下目标检测方法的自动化和准确率需要进一步提高。近年来，基于深度学习的光学图像目标检测取得了突破性进展[9-12]并在遥感图像识别领域逐渐普及[13-14]。在GPR图像目标检测方面，针对具有双曲线回波特征的地下目标检测，有学者提出了基于FASTER RCNN深度学习方法[15]。虽然无须手工刻画目标特征且检测精度上显著提高，但该类方法与传统GPR目标检测方法一致，通常依赖GPR影像中定位提取双曲线回波特征，实现管道[3-8, 16]、地雷[17]等单类地下目标的识别与提取。城市道路地下目标分布未知且复杂多样，现有方法无法精准定位和提取地下埋藏的多类目标，且时效性难以满足城市道路埋藏物调查对检测效率、目标种类与提取精度方面的实际需求。
针对以上问题，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。
