CN115902863A - 一种确定病害实际尺寸的方法、装置及设备 - Google Patents
一种确定病害实际尺寸的方法、装置及设备 Download PDFInfo
- Publication number
- CN115902863A CN115902863A CN202211548697.7A CN202211548697A CN115902863A CN 115902863 A CN115902863 A CN 115902863A CN 202211548697 A CN202211548697 A CN 202211548697A CN 115902863 A CN115902863 A CN 115902863A
- Authority
- CN
- China
- Prior art keywords
- disease
- map
- radar
- actual
- road
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 492
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 492
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012360 testing method Methods 0.000 claims abstract description 93
- 238000001514 detection method Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims description 64
- 238000013135 deep learning Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 10
- 230000003068 static effect Effects 0.000 claims description 10
- 230000003902 lesion Effects 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 4
- 239000000523 sample Substances 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 5
- 230000008439 repair process Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 31
- 238000012549 training Methods 0.000 description 13
- 230000000149 penetrating effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 239000010426 asphalt Substances 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- VWDWKYIASSYTQR-UHFFFAOYSA-N sodium nitrate Chemical compound [Na+].[O-][N+]([O-])=O VWDWKYIASSYTQR-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/06—Systems determining position data of a target
- G01S13/08—Systems for measuring distance only
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种确定病害实际尺寸的方法、装置及设备,所述方法包括:基于对试验路进行雷达探测的结果,获取所述试验路的实际病害雷达图谱;基于所述试验路中的病害位置和尺寸,设定正演参数,获取病害正演图谱;以所述实际病害雷达图谱为参照,绘制病害彩色像素图;构建自所述实际病害雷达图谱,经所述病害正演图谱至所述病害彩色像素图的演化模型;将待测试道路的实际病害雷达图谱输入至所述演化模型,获取所待测试道路对应的目标病害彩色像素图。本发明属于道路勘探领域,通过对道路进行雷达探测,获取道路病害的彩色像素图,可以直观的观察道路中隐形病害的实际尺寸,方便管养人员选择合适的养护措施,对道路病害进行修复。
Description
技术领域
本发明属于道路勘探领域,具体涉及一种确定病害实际尺寸的方法、装置及设备。
背景技术
探地雷达能够发射和接收微波段高频宽带电磁波。由于电磁波在地下介质交界面会发生反射,通过分析地下介质界面反射电磁波的波形特征,就能够获取地下目标的空间位置,构成材质等特征信息,因此利用探地雷达对道路进行采集道路病害是一种常用的方式,但利用探地雷达实际采集的道路病害图像受道路工况,采集人员操作,样本量有限等客观因素的影响,例如传统的采集方式是先对可能产生道路病害的位置进行数据采集,最后再对道路进行开挖验证,通过此方式难以调研清楚道路内部的实际环境,进而无法建立图像与病害的具体联系。
发明内容
鉴于上述问题,本发明实施例提供了一种确定病害实际尺寸的方法、装置及设备,以便克服上述问题或者至少部分地解决上述问题。
本发明实施例第一方面,提供了一种确定病害实际尺寸的方法,所述方法包括:
基于对试验路进行雷达探测的结果,获取所述试验路的实际病害雷达图谱;
基于所述试验路中的病害位置和尺寸,设定正演参数,获取病害正演图谱;
以所述实际病害雷达图谱为参照,基于所述试验路中的病害位置和尺寸,绘制病害彩色像素图;其中,所述病害彩色像素图中病害的位置及尺寸与所述实际病害雷达图谱一一对应;
构建自所述实际病害雷达图谱,经所述病害正演图谱至所述病害彩色像素图的演化模型;
将待测试道路的实际病害雷达图谱输入至所述演化模型,获取所待测试道路对应的目标病害彩色像素图,所述目标病害彩色像素图用于描述所述待测试道路中病害的实际尺寸。
进一步地,所述构建自所述实际病害雷达图谱,经所述病害正演图谱至所述病害彩色像素图的演化模型,所述方法包括:
对所述实际病害雷达图谱与所述病害正演图谱进行深度学习,构建第一反演模型;其中,所述第一反演模型,用于输出与所述实际病害雷达图谱对应的病害正演模拟图谱;
对所述病害正演模拟图谱与所述病害彩色像素图进行深度学习,构建第二反演模型;其中,所述第二反演模型,用于输出与所述病害正演模拟图谱对应的所述目标病害彩色像素图;
基于所述第一反演模型与所述第二反演模型,获取所述演化模型。
进一步地,所述基于所述试验路中的病害位置和尺寸,设定正演参数,获取病害正演图谱,所述方法包括:
获取所述试验路的道路结构;
基于所述正演参数,对所述道路结构、所述试验路中的病害位置和尺寸进行正演,获取病害正演图谱;
其中,所述正演参数与所述对试验路进行雷达探测的参数一致。
进一步地,所述基于对试验路进行雷达探测的结果,获取所述试验路的实际病害雷达图谱之前,所述方法还包括:
获取与所述雷达探测的结果对应的探测病害雷达图谱;
基于所述探测病害雷达图谱,获取病害位置的深度;
基于所述病害位置的深度,对所述探测病害雷达图谱进行目标处理,所述目标处理包括直流漂移、静校正、增益、带通滤波及背景去除中的至少一种处理;
将所述目标处理后的所述探测病害雷达图谱,确定为所述试验路的实际病害雷达图谱。
进一步地,所述基于所述病害位置的深度,对所述探测病害雷达图谱进行目标处理,包括:
在所述深度处于第一深度的情况下,对所述探测病害雷达图谱进行一次信号处理,并将所述一次信号处理后的所述探测病害雷达图谱,确定为所述试验路的实际病害雷达图谱;
在所述病害位置的深度位于第二深度的情况下,对所述一次信号处理后的探测病害雷达图谱进行二次信号处理,并将所述二次信号处理后的所述探测病害雷达图谱,确定为所述试验路的实际病害雷达图谱;
其中,所述一次信号处理包括:直流漂移处理、静校正处理、增益处理、带通滤波处理及背景去除处理;所述二次信号处理包括所述增益处理;
所述第一深度小于所述第二深度。
进一步地,所述以所述实际病害雷达图谱为参照,基于所述试验路中的病害位置和尺寸,绘制病害彩色像素图,包括:
获取所述试验路中的病害位置、病害宽度、病害介电常数;
获取所述实际病害雷达图谱中的病害长度;
获取所述试验路的道路结构介电常数;
基于所述病害长度、所述病害位置、所述病害宽度、所述病害介电常数与所述道路结构介电常数,绘制所述病害彩色像素图。
进一步地,所述获取所述实际病害雷达图谱中的病害长度,所述方法包括:
获取所述实际病害雷达图谱的波形图;
基于所述波形图,拾取所述病害的初至雷达波;其中,所述病害的初至雷达波包括多个初至雷达波;
基于所述多个初至雷达波,根据病害长度指标对所述多个初至雷达波进行判断,获取所述病害的起点位置与终点位置;
基于所述病害的起点位置与终点位置的差值,获取所述实际病害雷达图谱中的病害长度。
进一步地,所述基于所述多个初至雷达波,根据病害长度指标对所述多个初至雷达波进行判断,获取所述病害的起点位置与终点位置,包括:
获取所述多个初至雷达波的波谷信息;其中,所述波谷信息为波谷幅度与波谷高度的比值;
基于所述波谷幅度与所述波谷高度的比值,构建所述病害长度指标;
将所述波谷信息满足所述病害长度指标,且处于所述多个初至雷达中端头的两个初至雷达波,确定为起点初至雷达波与终点初至雷达波;
基于所述起点初至雷达波的波谷位置与所述终点初至雷达波的波谷位置,获取所述病害的起点位置与终点位置。
本发明实施例第二方面,提供了一种确定病害实际尺寸的装置,所述装置包括:
第一获取模块:用于基于对试验路进行雷达探测的结果,获取所述试验路的实际病害雷达图谱;
第二获取模块:用于基于所述试验路中的病害位置和尺寸,设定正演参数,获取病害正演图谱;
绘制模块:用于以所述实际病害雷达图谱为参照,基于所述试验路中的病害位置和尺寸,绘制病害彩色像素图;其中,所述病害彩色像素图中病害的位置及尺寸与所述实际病害雷达图谱一一对应;
第三获取模块:用于构建自所述实际病害雷达图谱,经所述病害正演图谱至所述病害彩色像素图的演化模型;
第四获取模块:用于将待测试道路的实际病害雷达图谱输入至所述演化模型,获取所待测试道路对应的目标病害彩色像素图,所述目标病害彩色像素图用于描述所述待测试道路中病害的实际尺寸。
本发明实施例第三方面,提供了一种电子设备,包括存储器、处理器及存储在所述存储器上的计算机程序,所述处理器执行所述计算机程序以实现本发明实施例第一方面所述的方法的步骤。
本发明实施例提供的方法包括:提供了一种确定病害实际尺寸的方法,所述方法包括:首先基于对试验路进行雷达探测的结果,获取试验路的实际病害雷达图谱;以及基于试验路中的病害位置和尺寸,通过设定正演参数,获取病害正演图谱;然后以实际病害雷达图谱为参照,基于试验路中的病害位置和尺寸,绘制病害彩色像素图;使病害彩色像素图中病害的位置及尺寸与实际病害雷达图谱一一对应,建立病害像素图与实际雷达图谱的关系;进而实现构建自实际病害雷达图谱,经病害正演图谱至病害彩色像素图的演化模型,通过该演化模型可以将实际雷达图谱与实际病害尺寸联系起来,实现定量确定病害实际尺寸的目的。
最后将待测试道路的实际病害雷达图谱输入至演化模型,获取所待测试道路对应的目标病害彩色像素图,通过该目标病害彩色像素图描述待测试道路中病害的实际尺寸。通过本发明所提供的方法,可以通过实际雷达图谱直接得到道路隐性病害的大小和位置,以便于管养人员选择合适的养护措施,对道路病害进行修复,还可以为道路结构体内部异常区域的识别与反演提供一定的理论分析方法和技术支撑,进一步丰富相关领域的研究。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种确定病害实际尺寸方法的步骤流程图;
图2是本发明实施例提供的一种实际病害雷达图谱的示意图;
图3是本发明实施例提供的一种病害正演图谱的示意图;
图4是本发明实施例提供的一种S-Z反演模型输出的病害正演模拟图谱的示意图;
图5是本发明实施例提供的一种病害彩色像素图的示意图;
图6是本发明实施例提供的一种Z-B反演模型输出的目标病害彩色像素图的示意图;
图7是本发明实施例提供的图2对应的病害图谱A-scan的示意图;
图8是本发明实施例提供的图7对应的A-scan波谷示意图;
图9是本发明实施例提供的一种确定病害实际尺寸装置的示意图。
具体实施方式
下面将结合本发明实施例中的附图更详细地描述本发明的示例性的实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
由于路基病害的检测和结果智能化解译已成为我国公路建设与养护管理中亟需解决的问题,针对目前现有研究更多关注于对某种隐性病害的自动识别技术,而非探讨如何求解病害的尺寸大小,导致雷达图谱不能完全反映道路内部的真实情况。此外,采集人员目前只能从雷达图谱中得到道路隐性病害的大致情况,如病害所在埋深,但是无法确定病害的实际尺寸,难以支持对病害辨识特征的深入研究与解释。
因此本发明提供了一种确定病害实际尺寸的方法,来对目前存在无法反映道路内部病害尺寸大小的问题进行优化。
图1是本发明实施例提供的一种确定病害实际尺寸方法的步骤流程图,参照图1,所述步骤包括:
步骤S101:基于对试验路进行雷达探测的结果,获取所述试验路的实际病害雷达图谱。
在本实施例中,通过日常生活中道路存在的病害情况与道路结构构建足尺标准化道路结构损伤试验路,其中病害情况可以包括裂缝、坑槽、松散、沉陷等常见隐性道路病害,道路结构可以包括水泥路面或沥青路面,本实施例对具体的道路病害与道路结构不做限定,只是用来举例说明,待试验路构建完成以后,通过选择不同频率的探地雷达天线对试验路进行探测,就可以获取不同种探地雷达的实际病害图谱。其中不同频率的探地雷达天线可以包括:500MHz雷达屏蔽天线、800MHz雷达屏蔽天线、300MHz雷达屏蔽天线,根据试验路的需求,选择合适的工作频率雷达屏蔽天线对试验路进行实地探测,本发明不做限定,以现场的设备为准。
示例地,试验路是一条五公里的沥青道路,道路中设置多个隐性病害,病害的位置与大小是以及道路结构是已知的。选择300MHz雷达屏蔽天线,按照预设的雷达天线初始位置与步长对该试验路进行探测,那么探测结果就会是一条完整的五公里的原始雷达探测图谱,该原始雷达探测图谱对应300MHz雷达屏蔽天线,然后将该原始雷达探测图谱输入至雷达处理软件中,通过雷达软件对其进行处理,就会获取处理后的原始雷达探测图谱,并将原始雷达图谱中的病害按照预设尺寸参数进行裁剪,获取试验路的实际病害雷达图,例如按照3m×40ns大小对五公里的原始雷达探测图谱进行裁剪,就会获取多张预设尺寸参数的实际病害雷达图谱。
步骤S102:基于所述试验路中的病害位置和尺寸,设定正演参数,获取病害正演图谱。
在本实施例中,由于受到环境信号干扰,实际病害雷达图谱不能单独反映病害,图谱较为杂乱,不利于反演的深度学习,因此需要构建病害正演图谱,在构建足尺标准化道路结构损伤试验路时,是根据已知的病害尺寸与病害位置,以及试验路的道路结构,输入与探地雷达对试验路进行探测的对应的探测数据,即正演参数,至正演雷达图谱生成软件,就可以实现通过设定正演参数来获取病害正演图谱的目的。
示例地,根据步骤S101中的雷达对试验路进行探测的参数,设定正演参数,其中正演参数包括根据雷达天线频率对应的频率设定时窗,可以理解为电磁波行走的时间长度,获取沥青路面与病害的介电常数及电导率,雷达天线初始位置及步长,将确定好的正演参数构建病害正演模型,将试验路的道路结构,以及埋设的每个病害的尺寸大小和所处深度,设定与实际雷达图谱相同预设尺寸参数对完整的病害正演图谱进行裁剪,就可以得到与实际雷达图谱对应的病害正演图谱,本实施例中,可以通过输入与试验路实际病害雷达图谱对应的正演参数与尺寸参数至雷达正演图谱生成软件,就可以获取该试验路实际病害雷达图谱对应的病害正演图谱。为后续S-Z反演模型的深度学习打下基础,保障精度。
步骤S103:以所述实际病害雷达图谱为参照,基于所述试验路中的病害位置和尺寸,绘制病害彩色像素图;其中,所述病害彩色像素图中病害的位置及尺寸与所述实际病害雷达图谱一一对应。
在本实施例中,以实际病害雷达图谱为参照,通过病害常数指标确定病害的长度,根据试验路中的病害位置和尺寸,确定病害的宽度与所处试验路中的深度,定量化绘制病害彩色像素图,从而保证病害彩色像素图中病害的位置及尺寸与实际病害雷达图谱一一对应。
示例地,以试验路的道路结构沥青道路,其中设置多个病害为例,获取裂缝的介电常数与沥青的介电常数,在绘图软件中将它们对应的介电常数赋予不同颜色,进行绘制彩色像素图,在绘制过程中,病害尺寸中长度以实际雷达图谱中病害长度为准,病害宽度与位置以试验路为准,进而保证像素图中的病害尺寸及位置与实际雷达图谱一一对应,获取病害彩色像素图,通过观察病害像素图中的病害与道路结构对应的不同颜色,可以确定病害的具体尺寸与位置,为后续Z-B反演模型的深度学习打下基础,保障精度。
步骤S104:构建自所述实际病害雷达图谱,经所述病害正演图谱至所述病害彩色像素图的演化模型。
在本实施例中,构建演化模型,其中包括构建自实际病害雷达图谱至病害正演图谱的反演模型,找到实际并害图谱与病害正演图谱的关系,构建病害正演图谱至病害像素图的反演模型,找到病害正演图谱与病害像素图的关系,最后通过实际病害图谱与病害正演图谱的关系,病害正演图谱与病害彩色像素图的关系,寻找到实际病害正演图谱与病害彩色像素图的关系,构建演化模型,达到通过该演化模型,当输入一张实际病害雷达图谱至该演化模型时,演化模型输出与实际雷达图谱对应的病害彩色像素图的目的。
步骤S105:将待测试道路的实际病害雷达图谱输入至所述演化模型,获取所待测试道路对应的目标病害彩色像素图,所述目标病害彩色像素图用于描述所述待测试道路中病害的实际尺寸。
在本实施例中,通过步骤S104获取的演化模型,可以将待测试道路的实际病害雷达图谱输入至该演化模型,获取所待测试道路对应的目标病害彩色像素图,所述目标病害彩色像素图用于描述所述待测试道路中病害的实际尺寸,其中待测试道路是指非本实施例提供的试验路,是现实生活中,可以使用的真实道路,目标病害彩色像素图是指真实道路的病害彩色像素图,通过该病害彩色像素图,可以方便养护道路的人直观的确定道路病害的尺寸与位置,在对道路病害进行精确的处理。
在一种实施例中,所述构建自所述实际病害雷达图谱,经所述病害正演图谱至所述病害彩色像素图的演化模型,所述方法包括:对所述实际病害雷达图谱与所述病害正演图谱进行深度学习,构建第一反演模型;其中,所述第一反演模型,用于输出与所述实际病害雷达图谱对应的病害正演模拟图谱;对所述病害正演模拟图谱与所述病害彩色像素图进行深度学习,构建第二反演模型;其中,所述第二反演模型,用于输出与所述病害正演模拟图谱对应的所述目标病害彩色像素图;基于所述第一反演模型与所述第二反演模型,获取所述演化模型。
在本实施例中,通过对实际病害雷达图谱与病害正演图谱进行深度学习,根据病害正演图谱与病害正演图谱的关系,构建第一反演模型,第一反演模型用于输出与实际病害雷达图谱对应的病害正演模拟图谱;对病害正演模拟图谱与病害彩色像素图进行深度学习,病害正演图谱与病害彩色像素图的关系,构建第二反演模型,第二反演模型用于输出与病害正演模拟图谱对应的所述目标病害彩色像素图;再根据第一反演模型与第二反演模型结合,构建演化模型,演化模型用于输出与实际病害雷达图谱对应目标病害彩色像素图。
示例地,下面对构建第一反演模型与第二反演模型进行阐述:
首先构建第一反演模型,即S-Z反演模型。采用U-NET网络通过梯度下降的方法进行反演模型的构建和优化,所用图谱均调至512×512像素大小,训练集的图谱数量应大于100张,训练所用的图谱数量应大于总图谱数量的50%。以总图谱为1000张为例,选择800张进行模型训练,训练结束后,将剩余的正演模拟图谱作为测试集,验证模型的精确度,每次参与训练的图谱为35张,模型参数设置如下:
(1)niter=400,nither_decay=400。
(2)batch_size=35。
S-Z反演模型的训练集分为a集与b集两部分,a集存放被训练的实际雷达图谱,参照图2,图2是本发明实施例提供的一种实际病害雷达图谱的示意图,b集存放与a集图谱相对应的病害正演图谱,参照图3,图3是本发明实施例提供的一种病害正演图谱的示意图,从图中可以看出,病害正演图谱摒除环境等其余信号干扰,仅显示反映病害的雷达波,为之后从波形定量确定病害尺寸奠定基础。实际雷达图谱与病害正演图谱共同成为S-Z反演模型训练数据集。在深度学习过程中,通过二者的对应关系,训练S-Z反演模型在雷达图谱中识别反映病害的雷达波的能力,用于将实际雷达图谱中反映病害的雷达波过滤出来,并输出实际病害雷达图谱对应的病害正演模拟图谱,参照图4,图4是本发明实施例提供的一种S-Z反演模型输出的病害正演模拟图谱的示意图。
其次构建第二反演模型,即Z-B反演模型。同理地,基于与构建第一反演模型相同原理,以总图谱为1000张为例,选择700张进行模型训练,训练结束后,将剩余的病害正演图谱作为测试集,验证模型的精确度,每次参与训练的图谱为35张,模型参数设置如下:
(1)niter=350,nither_decay=350。
(2)batch_size=35。
Z-B反演模型的训练集分为c集与d集两部分,c集存放被训练的病害正演模拟图谱,如图4所示,d集存放与c集图谱相对应的病害彩色像素图,参照图5,图5是本发明实施例提供的一种病害彩色像素图的示意图。在深度学习过程中,通过二者的对应关系,训练Z-B反演模型在正演模拟图谱中识别病害的能力,使用病害正演模拟图谱将实际雷达图谱与病害像素图联系起来,并输出实际病害正演图谱对应的目标病害彩色像素图,参照图6,图6是本发明实施例提供的一种Z-B反演模型输出的目标病害彩色像素图的示意图。通过对比图6与图5可知,Z-B反演模型精确度较高,图6可以病害彩色像素图可以直观的反映出病害的尺寸和所在深度。
最后通过S-Z反演模型与Z-B反演模型,构建演化模型,就可以实现当输入一张实际病害雷达图谱至该演化模型时,演化模型输出与实际雷达图谱对应的目标病害彩色像素图的目的,其中目标病害彩色像素图可以精准的反映病害的实际尺寸。
在一种实施例中,所述基于所述试验路中的病害位置和尺寸,设定正演参数,获取病害正演图谱,所述方法包括:获取所述试验路的道路结构;基于所述正演参数,对所述道路结构、所述试验路中的病害位置和尺寸进行正演,获取病害正演图谱;其中,所述正演参数与所述对试验路进行雷达探测的参数一致。
在本实施例中,获取试验道路结构的介电常数与电导率,设定与试验路进行雷达探测的参数一致的正演参数,参数包括时窗、模型所需材料的介电常数和电导率、雷达天线初始位置及步长,通过确定的正演参数,按照试验路数据构建病害的正演图谱,参照图2与图3,图3是根据图2的参数进行正演构建的病害正演图,从图中可知,图3的病害的正演图相比于图2的实际病害正演图谱,将雷达图谱中反映病害的雷达波过滤出来,病害显示更加清楚。
在一种实施例中,所述基于对试验路进行雷达探测的结果,获取所述试验路的实际病害雷达图谱之前,所述方法还包括:获取与所述雷达探测的结果对应的探测病害雷达图谱;基于所述探测病害雷达图谱,获取病害位置的深度;基于所述病害位置的深度,对所述探测病害雷达图谱进行目标处理,所述目标处理包括直流漂移、静校正、增益、带通滤波及背景去除中的至少一种处理;将所述目标处理后的所述探测病害雷达图谱,确定为所述试验路的实际病害雷达图谱。
在本实施例中,获取对试验路进行雷达探测的探测病害雷达图谱,通过探测病害雷达图谱中病害位置的深度;对探测病害雷达图谱进行目标处理,所述目标处理包括直流漂移、静校正、增益、带通滤波及背景去除中的至少一种处理;将目标处理后的探测病害雷达图谱,确定为试验路的实际病害雷达图谱。其中直流漂移用于将雷达信号的直流漂移归零;静校正用于去除雷达信号第一个波峰以上的图谱;增益用于对雷达信号进行竖向增益,增强雷达信号;带通滤波用于滤去不需要展示的杂波;背景去除用于去除雷达图谱的背景噪音。
在一种实施例中,所述基于所述病害位置的深度,对所述探测病害雷达图谱进行目标处理,包括:在所述深度处于第一深度的情况下,对所述探测病害雷达图谱进行一次信号处理,并将所述一次信号处理后的所述探测病害雷达图谱,确定为所述试验路的实际病害雷达图谱;在所述病害位置的深度位于第二深度的情况下,对所述一次信号处理后的探测病害雷达图谱进行二次信号处理,并将所述二次信号处理后的所述探测病害雷达图谱,确定为所述试验路的实际病害雷达图谱;其中,所述一次信号处理包括:直流漂移、静校正、增益、带通滤波及背景去除;所述二次信号处理包括所述增益处理;所述第一深度小于所述第二深度。
在本实施例中,雷达图谱的有效信号深度在0~2m范围内,在0~2m深度范围内的病害图谱的处理流程为:去除直流漂移、静校正、增益、带通滤波和背景去除,其中1~2m范围内会受到反射雷达波的影响,因此需要在1~2m深度范围内的病害图谱进行二次增益处理,以突出1~2m深度范围的雷达波。因此需要对病害所处位置的深度进行分析,当病害位置的深度在0~1范围内时,进行一次信号处理,一次信号处理包括:去除直流漂移、静校正、增益、带通滤波和背景去除,将一次信号处理后的探测病害雷达图谱,确定为试验路的实际病害雷达图谱。
当病害位置的深度在1~2m范围内时,在已经进行一次信号处理的基础上,再进行二次信号处理,二次信号处理包括增益处理,此时,将二次信号处理后的探测病害雷达图谱,确定为试验路的实际病害雷达图谱。
在一种实施例中,所述以所述实际病害雷达图谱为参照,基于所述试验路中的病害位置和尺寸,绘制病害彩色像素图,包括:获取所述试验路中的病害位置、病害宽度、病害介电常数;获取所述实际病害雷达图谱中的病害长度;获取所述试验路的道路结构介电常数;基于所述病害长度、所述病害位置、所述病害宽度、所述病害介电常数与所述道路结构介电常数,绘制所述病害彩色像素图。
在本实施例中,以图2为参照,获取图2实际病害雷达图谱中的病害长度,再获取试验路中的病害位置、病害宽度、病害介电常数,道路结构介电常数;通过绘图软件,将病害介电常数与道路结构赋予不同颜色,其中,病害介电常数赋黑色,道路结构介电常数赋灰色,就可以绘制病害彩色像素图,参照图5所示,图5是以图2为参照绘制的病害彩色像素图。
在一种实施例中,所述获取所述实际病害雷达图谱中的病害长度,所述方法包括:获取所述实际病害雷达图谱的波形图;基于所述波形图,拾取所述病害的初至雷达波;其中,所述病害的初至雷达波包括多个初至雷达波;基于所述多个初至雷达波,根据病害长度指标对所述多个初至雷达波进行判断,获取所述病害的起点位置与终点位置;基于所述病害的起点位置与终点位置的差值,获取所述实际病害雷达图谱中的病害长度。
在本实施例中,由于雷达波从一种介质进入另一种介质时会出现突变,形成波峰,依据相邻波峰的距离即可定量确定不同材料的结构层层厚,基于此原理,通过雷达处理软件,将实际病害雷达图谱的波形图转化为波形图,即A-scan单道波形图,参照图7,图7是本发明实施例提供的图2对应的病害图谱A-scan的示意图,对波形图进行分析,其中病害包含多个初至雷达波,利用病害长度指标对多个初至雷达波进行判断,可以知道病害的起点位置与终点位置,病害的起点位置与终点位置在道路路面水平方向上的差值就是病害的实际长度。
在一种实施例中,所述基于所述多个初至雷达波,根据病害长度指标对所述多个初至雷达波进行判断,获取所述病害的起点位置与终点位置,包括:获取所述多个初至雷达波的波谷信息;其中,所述波谷信息为波谷幅度与波谷高度的比值;基于所述波谷幅度与所述波谷高度的比值,构建所述病害长度指标;基于所述病害长度指标,对所述多个初至雷达波的波谷信息进行定量判断,选择所述波谷信息满足所述病害长度指标,且处于所述多个初至雷达中端头的两个初至雷达波,确定为起点初至雷达波与终点初至雷达波;基于所述起点初至雷达波的波谷位置与终点初至雷达波的波谷位置,获取所述病害的起点位置与终点位置。
在本实施例中,通过大量对病害图谱的研究显示,病害最明显的位置处于波峰下方的波谷处,因此本发明选择雷达初至波的波峰下方的波谷进行研究,获取多个初至雷达波的波谷信息,参照图8,图8是本发明实施例提供的图7对应的A-scan(单道波形图)波谷示意图,从图中可知,黑色阴影面积处为波峰下方的波谷,通过A-scan波形最明显的波峰下方的波谷信息来确定病害起终点的A-scan,从而精确的得到病害在雷达图谱中的长度。波谷信息以波谷幅度l与波谷宽度h之比来表示,构建病害长度指标BC,病害长度指标的表达式如下:
其中,a表示第i条A-scan波谷信息,b表示表示第i条A-scan的相邻两条A-scan波谷信息的差值,则病害长度为起终点处的两条A-scan之间对应的路面长度。
通过设置具体的病害长度指标的约束条件,就可以知道满足病害的长度指标的条件,本发明设置病害处最明显的波峰下方的波谷处,幅度与宽度之比应大于等于0.4,且前后两条A-scan中此处的变化不应大于0.2,选择波谷信息满足病害长度指标,且处于多个初至雷达中端头的两个初至雷达波,确定为起点初至雷达波与终点初至雷达波,就可以获取则病害长度为起终点处的两条A-scan之间对应的路面长度,通过测量路面长度,就可以知道病害的实际长度。
此外,还可以设置当病害较明显时,以病害长度指标BC求得的病害长度与实际病害长度最大相差7%;当病害较不明显时,BC的差值最大为27%,精度较高,即可以满足定量化反映病害长度的需求,也可以满足反演模型所需的病害彩色像素图的绘制。通过本发明提供的病害长度指标,可以依据病害处波谷幅度与波谷宽度的比值定量化的确定了病害长度,将雷达图谱与病害尺寸联系起来,达到了通过雷达图谱就能得到病害长度的目的,降低了病害雷达图谱人工解译难度。
本发明实施例第二方面,提供了一种确定病害实际尺寸的装置,参照图9,图9是本发明实施例提供的一种确定病害实际尺寸装置的示意图。所述装置包括:第一获取模块901、第二获取模块902、绘制模块903、第三获取模块904、第四获取模块905。
第一获取模块901:用于基于对试验路进行雷达探测的结果,获取所述试验路的实际病害雷达图谱;
第二获取模块902:用于基于所述试验路中的病害位置和尺寸,设定正演参数,获取病害正演图谱;
绘制模块903:用于以所述实际病害雷达图谱为参照,基于所述试验路中的病害位置和尺寸,绘制病害彩色像素图;其中,所述病害彩色像素图中病害的位置及尺寸与所述实际病害雷达图谱一一对应;
第三获取模块904:用于构建自所述实际病害雷达图谱,经所述病害正演图谱至所述病害彩色像素图的演化模型;
第四获取模块905:用于将待测试道路的实际病害雷达图谱输入至所述演化模型,获取所待测试道路对应的目标病害彩色像素图,所述目标病害彩色像素图用于描述所述待测试道路中病害的实际尺寸。
通过本发明所提供的装置,在进行道路病害探测时,可以利用实际病害雷达图谱与病害正演图谱进行训练,过滤实际图谱中的背景噪声,突出病害图谱,得到S-Z反演模型,输出病害正演模拟图谱。然后再利用病害正演模拟图谱与病害像素图进行训练,得到Z-B反演模型,将雷达图谱与病害尺寸及位置相关联。以病害正演模拟图谱为桥梁,将实际雷达图谱与病害像素图联系起来。
依据这两种反演模型构建实现了通过雷达图谱直接获知病害信息的目的。进而实现以实际雷达图谱直接得到道路隐性病害的大小和位置,以便于养护人员之后做出合理的应对,提高了探地雷达在实际道路探测中的应用能力,为结构体内部异常区域的识别与反演提供了一定的技术支撑。此外,本发明操作简单,对雷达信号解译能力没有过高要求,可以面向有无雷达知识储备的所有操作人员。
在本实施例中,通过上述装置应用于道路雷达探测,获取道路的实际雷达图谱,通过实际雷达图谱直接得到道路隐性病害的大小和位置,以便于养护人员之后做出合理的应对,还可以为道路结构体内部异常区域的识别与反演提供一定的理论分析方法和技术支撑,进一步丰富相关领域的研究。
本发明实施例第三方面,提供了一种电子设备,包括存储器、处理器及存储在所述存储器上的计算机程序,所述处理器执行所述计算机程序以实现本发明实施例第一方面所述的方法的步骤。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本发明实施例是参照根据本发明实施例的方法、装置的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种确定病害实际尺寸的方法、装置及设备,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种确定病害实际尺寸的方法,其特征在于,所述方法包括:
基于对试验路进行雷达探测的结果,获取所述试验路的实际病害雷达图谱;
基于所述试验路中的病害位置和尺寸,设定正演参数,获取病害正演图谱;
以所述实际病害雷达图谱为参照,基于所述试验路中的病害位置和尺寸,绘制病害彩色像素图;其中,所述病害彩色像素图中病害的位置及尺寸与所述实际病害雷达图谱一一对应;
构建自所述实际病害雷达图谱,经所述病害正演图谱至所述病害彩色像素图的演化模型;
将待测试道路的实际病害雷达图谱输入至所述演化模型,获取所待测试道路对应的目标病害彩色像素图,所述目标病害彩色像素图用于描述所述待测试道路中病害的实际尺寸。
2.根据权利要求1所述的方法,其特征在于,所述构建自所述实际病害雷达图谱,经所述病害正演图谱至所述病害彩色像素图的演化模型,所述方法包括:
对所述实际病害雷达图谱与所述病害正演图谱进行深度学习,构建第一反演模型;其中,所述第一反演模型,用于输出与所述实际病害雷达图谱对应的病害正演模拟图谱;
对所述病害正演模拟图谱与所述病害彩色像素图进行深度学习,构建第二反演模型;其中,所述第二反演模型,用于输出与所述病害正演模拟图谱对应的所述目标病害彩色像素图;
基于所述第一反演模型与所述第二反演模型,获取所述演化模型。
3.根据权利要求1所述的方法,其特征在于,所述基于所述试验路中的病害位置和尺寸,设定正演参数,获取病害正演图谱,所述方法包括:
获取所述试验路的道路结构;
基于所述正演参数,对所述道路结构、所述试验路中的病害位置和尺寸进行正演,获取病害正演图谱;
其中,所述正演参数与所述对试验路进行雷达探测的参数一致。
4.根据权利要求1所述的方法,其特征在于,所述基于对试验路进行雷达探测的结果,获取所述试验路的实际病害雷达图谱之前,所述方法还包括:
获取与所述雷达探测的结果对应的探测病害雷达图谱;
基于所述探测病害雷达图谱,获取病害位置的深度;
基于所述病害位置的深度,对所述探测病害雷达图谱进行目标处理,所述目标处理包括直流漂移、静校正、增益、带通滤波及背景去除中的至少一种处理;
将所述目标处理后的所述探测病害雷达图谱,确定为所述试验路的实际病害雷达图谱。
5.根据权利要求4所述的方法,其特征在于,所述基于所述病害位置的深度,对所述探测病害雷达图谱进行目标处理,包括:
在所述深度处于第一深度的情况下,对所述探测病害雷达图谱进行一次信号处理,并将所述一次信号处理后的所述探测病害雷达图谱,确定为所述试验路的实际病害雷达图谱;
在所述病害位置的深度位于第二深度的情况下,对所述一次信号处理后的探测病害雷达图谱进行二次信号处理,并将所述二次信号处理后的所述探测病害雷达图谱,确定为所述试验路的实际病害雷达图谱;
其中,所述一次信号处理包括:直流漂移处理、静校正处理、增益处理、带通滤波处理及背景去除处理;所述二次信号处理包括所述增益处理;
所述第一深度小于所述第二深度。
6.根据权利要求1所述的方法,其特征在于,所述以所述实际病害雷达图谱为参照,基于所述试验路中的病害位置和尺寸,绘制病害彩色像素图,包括:
获取所述试验路中的病害位置、病害宽度、病害介电常数;
获取所述实际病害雷达图谱中的病害长度;
获取所述试验路的道路结构介电常数;
基于所述病害长度、所述病害位置、所述病害宽度、所述病害介电常数与所述道路结构介电常数,绘制所述病害彩色像素图。
7.根据权利要求6所述的方法,其特征在于,所述获取所述实际病害雷达图谱中的病害长度,所述方法包括:
获取所述实际病害雷达图谱的波形图;
基于所述波形图,拾取所述病害的初至雷达波;其中,所述病害的初至雷达波包括多个初至雷达波;
基于所述多个初至雷达波,根据病害长度指标对所述多个初至雷达波进行判断,获取所述病害的起点位置与终点位置;
基于所述病害的起点位置与终点位置的差值,获取所述实际病害雷达图谱中的病害长度。
8.根据权利要求7所述的方法,其特征在于,所述基于所述多个初至雷达波,根据病害长度指标对所述多个初至雷达波进行判断,获取所述病害的起点位置与终点位置,包括:
获取所述多个初至雷达波的波谷信息;其中,所述波谷信息为波谷幅度与波谷高度的比值;
基于所述波谷幅度与所述波谷高度的比值,构建所述病害长度指标;
将所述波谷信息满足所述病害长度指标,且处于所述多个初至雷达中端头的两个初至雷达波,确定为起点初至雷达波与终点初至雷达波;
基于所述起点初至雷达波的波谷位置与所述终点初至雷达波的波谷位置,获取所述病害的起点位置与终点位置。
9.一种确定病害实际尺寸的装置,其特征在于,所述装置包括:
第一获取模块:用于基于对试验路进行雷达探测的结果,获取所述试验路的实际病害雷达图谱;
第二获取模块:用于基于所述试验路中的病害位置和尺寸,设定正演参数,获取病害正演图谱;
绘制模块:用于以所述实际病害雷达图谱为参照,基于所述试验路中的病害位置和尺寸,绘制病害彩色像素图;其中,所述病害彩色像素图中病害的位置及尺寸与所述实际病害雷达图谱一一对应;
第三获取模块:用于构建自所述实际病害雷达图谱,经所述病害正演图谱至所述病害彩色像素图的演化模型;
第四获取模块:用于将待测试道路的实际病害雷达图谱输入至所述演化模型,获取所待测试道路对应的目标病害彩色像素图,所述目标病害彩色像素图用于描述所述待测试道路中病害的实际尺寸。
10.一种电子设备,包括存储器、处理器及存储在所述存储器上的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现权利要求1至8中任一项所述的确定病害实际尺寸的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211548697.7A CN115902863A (zh) | 2022-12-05 | 2022-12-05 | 一种确定病害实际尺寸的方法、装置及设备 |
PCT/CN2023/077465 WO2024119624A1 (zh) | 2022-12-05 | 2023-02-21 | 一种确定病害实际尺寸的方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211548697.7A CN115902863A (zh) | 2022-12-05 | 2022-12-05 | 一种确定病害实际尺寸的方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115902863A true CN115902863A (zh) | 2023-04-04 |
Family
ID=86476036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211548697.7A Pending CN115902863A (zh) | 2022-12-05 | 2022-12-05 | 一种确定病害实际尺寸的方法、装置及设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115902863A (zh) |
WO (1) | WO2024119624A1 (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9036861B2 (en) * | 2010-04-22 | 2015-05-19 | The University Of North Carolina At Charlotte | Method and system for remotely inspecting bridges and other structures |
CN112363163B (zh) * | 2020-11-04 | 2022-07-12 | 武汉理工大学 | 一种基于雷达无损检测的路面空洞含水率计算方法及装置 |
CN113447536B (zh) * | 2021-06-24 | 2022-09-30 | 山东大学 | 一种混凝土介电常数反演与病害识别方法及*** |
CN114296075B (zh) * | 2021-12-29 | 2022-10-28 | 中路交科科技股份有限公司 | 一种探地雷达图像人工智能识别方法及装置 |
CN114821296B (zh) * | 2022-03-14 | 2024-07-19 | 西安电子科技大学 | 地下病害探地雷达图像识别方法、***、存储介质及终端 |
CN115390033A (zh) * | 2022-07-26 | 2022-11-25 | 广西北投交通养护科技集团有限公司 | 基于探地雷达路面下空洞及水损检测方法、***及装置 |
-
2022
- 2022-12-05 CN CN202211548697.7A patent/CN115902863A/zh active Pending
-
2023
- 2023-02-21 WO PCT/CN2023/077465 patent/WO2024119624A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2024119624A1 (zh) | 2024-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shaw et al. | Location of steel reinforcement in concrete using ground penetrating radar and neural networks | |
Benedetto et al. | Novel perspectives in bridges inspection using GPR | |
US11900630B2 (en) | Method for detecting leakage of water supply pipe based on ground-penetrating radar three-dimensional image attribute analysis | |
CN111476088B (zh) | 沥青路面水损害识别模型构建方法、识别方法及*** | |
CN103675920B (zh) | 道路基层隐含裂缝深度和水平位置的无损检测方法 | |
CN110133639B (zh) | 一种传力杆施工质量检测方法 | |
CN104458895A (zh) | 管道三维漏磁成像检测方法及*** | |
Ocaña-Levario et al. | GPR image analysis to locate water leaks from buried pipes by applying variance filters | |
Fontul et al. | Railway track condition assessment at network level by frequency domain analysis of GPR data | |
CN112731377B (zh) | 一种介电常数反演方法、路基检测方法和检测*** | |
CN115390033A (zh) | 基于探地雷达路面下空洞及水损检测方法、***及装置 | |
CN108918679A (zh) | 基于弹性波和机器学习的预制柱套筒灌浆无损检测方法 | |
CN112326785B (zh) | 同步注浆充填效果冲击映像法检测与评价方法 | |
Barkataki et al. | Classification of soil types from GPR B scans using deep learning techniques | |
CN115616674A (zh) | 探地雷达训练数据集模拟扩增与道路无损检测方法及*** | |
Gagarin et al. | Development of Novel Methodology for Assessing Bridge Deck Conditions Using Step Frequency Antenna Array Ground Penetrating Radar | |
CN114942436A (zh) | 基于地质雷达及深度学习的隧道衬砌病害识别方法及*** | |
Yue et al. | Road subsurface distress recognition method using multiattribute feature fusion with ground penetrating radar | |
CN115902863A (zh) | 一种确定病害实际尺寸的方法、装置及设备 | |
CN113917562B (zh) | 深埋软弱夹层宏细观结构表征及三维空间构造方法及装置 | |
CN109143232A (zh) | 一种预应力混凝土梁无损检测方法 | |
CN115630492A (zh) | 隧道衬砌病害变化特征智能反演方法、***及存储介质 | |
CN112213396A (zh) | 一种轨道交通无砟轨道板无损检测方法 | |
Hu et al. | A machine learning-based framework for automatic bridge deck condition assessment using ground penetrating radar | |
CN117269954B (zh) | 基于yolo的探地雷达道路多重隐蔽病害实时识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |