CN117351321A - 一种单阶段轻量化的地铁衬砌空洞识别方法及相关设备 - Google Patents

一种单阶段轻量化的地铁衬砌空洞识别方法及相关设备 Download PDF

Info

Publication number
CN117351321A
CN117351321A CN202311102838.7A CN202311102838A CN117351321A CN 117351321 A CN117351321 A CN 117351321A CN 202311102838 A CN202311102838 A CN 202311102838A CN 117351321 A CN117351321 A CN 117351321A
Authority
CN
China
Prior art keywords
data
tunnel
cavity
stage
detection model
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
Application number
CN202311102838.7A
Other languages
English (en)
Inventor
周延峰
郑庆周
罗享寰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
Original Assignee
Shenzhen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN202311102838.7A priority Critical patent/CN117351321A/zh
Publication of CN117351321A publication Critical patent/CN117351321A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • 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
    • G01S13/885—Radar or analogous systems specially adapted for specific applications for ground probing
    • 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
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/094—Adversarial learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Electromagnetism (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种单阶段轻量化的地铁衬砌空洞识别方法及相关设备，其中，上述方法包括：获取隧道空洞病害数据，对所述隧道空洞病害数据进行隧道空洞预处理得到预处理数据，其中，所述隧道病害数据至少包括隧道空洞位置信息和隧道空洞大小信息；将所述预处理数据输入到训练完成的优化检测模型中，得到并输出具有空洞检测结果的图片，其中，所述优化检测模型通过真实数据和探地雷达深度卷积生成对抗网络优化得到的合成数据进行训练。本发明针对目前在对隧道空洞病害数据进行检测时，使用单阶段方法仍然存在不足之处，导致检测结果不准的问题，通过本发明上述方法，可以得到准确的空洞检测结果。

Description

一种单阶段轻量化的地铁衬砌空洞识别方法及相关设备
技术领域
本发明涉及隧道检查与维护领域，尤其涉及的是一种单阶段轻量化的地铁衬砌空洞识别方法***、智能终端及计算机可读存储介质。
背景技术
定期检查和维护地铁隧道衬砌对于确保安全可靠的地下地铁***运行至关重要，因为尽管隧道衬砌采用耐用材料建造，但由于磨损、水侵入和环境条件等各种因素，隧道衬砌会随着时间的推移而退化，尽早发现潜在问题对于防止服务中断、安全隐患或灾难性事件至关重要；然而，传统的视觉和激光雷达检测方法只能检查衬砌表面，需要一种可穿透的检测方法来检测衬砌内部的缺陷，如裂纹、空洞和分层。
隧道衬砌空洞的形成主要是由于衬砌层间灌浆不足。这些空洞通常分别在垂直和水平维度上较薄且细长。此外，衬砌后的岩石中有一些孔洞呈圆形，由于水土侵蚀，孔洞较大、较深。当隧道衬砌出现空洞时，空洞内的空气与周围混凝土之间的介电常数差异会产生强烈的反射，在雷达图中表现为较高的振幅。
探地雷达(Ground Penetrating Radar，简称GPR)具有穿透能力强、分辨率高、效率高、非接触等优点，是一种广泛应用于隧道衬砌检测的无损检测方法。然而，由于对专业知识和经验的依赖，隧道空洞病害数据，即GPR数据的解释具有挑战性，导致对其的解释结果存在差异，从而影响隧道衬砌空洞检测的准确性和一致性。另外，隧道内的基础设施、加固材料和不均匀的衬砌材料会产生复杂的噪音，这些噪声会干扰和扭曲探地雷达的响应，从而导致人为偏见和误解。目前，深度学习框架包括两种类型的GPR解释：一种包括识别和分类的两阶段方法，一种为单阶段方法。单阶段方法是轻量级的，更适合使用便携式设备分析大量数据，便于对GPR数据进行解释，并且在单阶段方法中，You Only Look Once(YOLO检测模型，简称YOLO)方法在解释GPR数据方面更加有效。
然而，现有技术中单阶段方法无法提供与两阶段方法相当的准确性，在对隧道空洞病害数据进行检测时，使用单阶段方法仍然存在不足之处，导致检测结果不准。
因此，现有技术还有待改进和发展。
发明内容
本发明的主要目的在于提供一种单阶段轻量化的地铁衬砌空洞识别方法***、智能终端及计算机可读存储介质，旨在解决现有技术中在对隧道空洞病害数据进行检测时，使用单阶段方法仍然存在不足之处，导致检测结果不准的问题。
为了实现上述目的，本发明第一方面提供一种单阶段轻量化的地铁衬砌空洞识别方法，其中，上述单阶段轻量化的地铁衬砌空洞识别方法包括：
获取隧道空洞病害数据，对所述隧道空洞病害数据进行隧道空洞预处理得到预处理数据，其中，所述隧道病害数据至少包括隧道空洞位置信息和隧道空洞大小信息；
将所述预处理数据输入到训练完成的优化检测模型中，得到并输出具有空洞检测结果的图片，其中，所述优化检测模型通过真实数据和探地雷达深度卷积生成对抗网络优化得到的合成数据进行训练。
可选的，所述获取隧道空洞病害数据，对所述隧道空洞病害数据进行隧道空洞预处理得到预处理数据，具体包括：
通过雷达获取所述隧道空洞病害数据；
对所述隧道空洞病害数据进行隧道空洞预处理得到所述预处理数据，所述预处理包括直流偏移消除、增益调整、时间零点校正、带通滤波和滑动平均操作中的至少一种。
可选的，所述优化检测模型的生成步骤，包括：
基于YOLOv7检测模型，通过对特征提取和融合过程进行优化，并对损失函数进行优化，得到所述优化检测模型。
可选的，上述对特征提取和融合过程进行优化，具体包括：
通过纯卷积模块、自注意力和卷积的融合模块以及优化后的高效聚合网络优化上述特征提取和上述融合过程。
可选的，上述对损失函数进行优化，具体包括：
通过加权交并比函数对上述损失函数进行优化。
可选的，上述优化检测模型通过真实数据和探地雷达深度卷积生成对抗网络优化得到的合成数据进行训练，具体包括：
根据时域有限差分法生成初步合成数据；
根据训练完成的探地雷达深度卷积生成对抗网络优化上述初步合成数据，得到上述合成数据。
可选的，上述探地雷达深度卷积生成对抗网络包括生成器网络和鉴别器网络，通过生成器网络和鉴别器网络对上述探地雷达深度卷积生成对抗网络进行训练，得到上述训练完成的探地雷达深度卷积生成对抗网络。
本发明第二方面提供一种单阶段轻量化的地铁衬砌空洞识别***，其中，上述单阶段轻量化的地铁衬砌空洞识别***包括：
数据预处理模块，用于获取隧道空洞病害数据，对所述隧道空洞病害数据进行隧道空洞预处理得到预处理数据，其中，所述隧道病害数据至少包括隧道空洞位置信息和隧道空洞大小信息；
数据处理模块，用于将所述预处理数据输入到训练完成的优化检测模型中，得到并输出具有空洞检测结果的图片，其中，所述优化检测模型通过真实数据和探地雷达深度卷积生成对抗网络优化得到的合成数据进行训练。
本发明第三方面提供一种智能终端，上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的单阶段轻量化的地铁衬砌空洞识别程序，上述单阶段轻量化的地铁衬砌空洞识别程序被上述处理器执行时实现任意一项上述单阶段轻量化的地铁衬砌空洞识别方法的步骤。
本发明第四方面提供一种计算机可读存储介质，上述计算机可读存储介质上存储有单阶段轻量化的地铁衬砌空洞识别程序，上述单阶段轻量化的地铁衬砌空洞识别程序被处理器执行时实现任意一项上述单阶段轻量化的地铁衬砌空洞识别方法的步骤。
由上可见，本发明方案中获取隧道空洞病害数据，对所述隧道空洞病害数据进行隧道空洞预处理得到预处理数据，其中，所述隧道病害数据至少包括隧道空洞位置信息和隧道空洞大小信息；将所述预处理数据输入到训练完成的优化检测模型中，得到并输出具有空洞检测结果的图片，其中，所述优化检测模型通过真实数据和探地雷达深度卷积生成对抗网络优化得到的合成数据进行训练。
与现有技术相比，针对目前在对隧道空洞病害数据进行检测时，使用单阶段方法仍然存在不足之处，导致检测结果不准的问题，本申请所提出的单阶段轻量化的地铁衬砌空洞识别方法中通过使用对YOLOv7(YOLO检测模型中的一种，简称YOLOv7)检测模型的特征提取和融合过程以及损失函数进行优化后得到的优化检测模型对隧道空洞病害数据进行处理，从而能够增强优化检测模型提取局部特征、全局特征以及融合特征的过程，同时可以降低计算成本而不影响模型的性能，从而提高模型的准确性，同时通过对损失函数进行优化从而提高模型的鲁棒性；并且本申请中，对模型的优化检测模型训练时采用的训练数据是通过真实数据以及探地雷达深度卷积生成对抗网络优化得到的合成数据，从而使得生成的合成数据更加正式，并且由于采用合成数据与真实数据的组合对优化检测模型进行训练，让训练数据集的数量大幅增加，进而提高了优化检测模型的训练效果，可以得到更加准确的训练完成的优化检测模型，使得通过得到的优化检测模型可以在短时间内对探地雷达获取到的隧道空洞病害数据进行处理从而得到有效准确的检测结果，通过检测结果可以发现隧道内潜在的得知隧道衬砌中哪里出现了空洞，从而可以对应的进行处理，防止隧道内由于空洞而导致的事故，从而使得隧道内部更加的安全。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术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单阶段轻量化的地铁衬砌空洞识别方法的流程示意图；
图2是本发明实施例提供的YOLOv7的网络架构示意图；
图3是本发明实施例提供的纯卷积模块具体结构示意图；
图4是本发明实施例提供的优化检测模型结构示意图；
图5是本发明实施例提供的自注意力和卷积的融合模块的结构示意图；
图6是本发明实施例提供的并行卷积和优化后的高效聚合网络的结构示意图；
图7是本发明实施例提供的使用三种不同的形状模拟空洞示意图；
图8是本发明实施例提供的一种初步合成数据示意图；
图9是本发明实施例提供的探地雷达深度卷积生成对抗网络训练过程示意图；
图10是本发明实施例提供的数据采集过程示意图；
图11是本发明实施例提供的隧道结构示意图；
图12是本发明实施例提供的一种单阶段轻量化的地铁衬砌空洞识别***的组成模块示意图；
图13是本发明实施例提供的一种智能终端的内部结构原理框图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其他实施例中也可以实现本发明。在其他情况下，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其他特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其他情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当…时”或“一旦”或“响应于确定”或“响应于分类到”。类似的，短语“如果确定”或“如果分类到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦分类到[所描述的条件或事件]”或“响应于分类到[所描述条件或事件]”。
下面结合本发明实施例的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
定期检查和维护地铁隧道衬砌对于确保安全可靠的地下地铁***运行至关重要，因为尽管隧道衬砌采用耐用材料建造，但由于磨损、水侵入和环境条件等各种因素，隧道衬砌会随着时间的推移而退化，尽早发现潜在问题对于防止服务中断、安全隐患或灾难性事件至关重要；然而，传统的视觉和激光雷达检测方法只能检查衬砌表面，需要一种可穿透的检测方法来检测衬砌内部的缺陷，如裂纹、空洞和分层。
探地雷达具有穿透能力强、分辨率高、效率高、非接触等优点，是一种广泛应用于隧道衬砌检测的无损检测方法。探地雷达勘探依赖于电磁波在隧道衬砌中的传播和反射。探地雷达发射天线通过天线向目标地层发射具有中心频率的电磁波，在基质材料中传播。当遇到具有不同电磁特性的表面时，波被反射或折射回来并被接收器记录下来。反射振幅由介电常数的对比决定，而电导率会在向下穿透时衰减GPR信号，叠加的信号构建了一个雷达图。
隧道衬砌空洞的形成主要是由于衬砌层间灌浆不足。这些空洞通常分别在垂直和水平维度上较薄且细长。此外，衬砌后的岩石中有一些孔洞呈圆形，由于水土侵蚀，孔洞较大、较深。当隧道衬砌出现空洞时，空洞内的空气与周围混凝土之间的介电常数差异会产生强烈的反射，在雷达图中表现为较高的振幅。
在对GPR数据的解释过程中由于对专业知识和经验的依赖，以及隧道衬砌中的空洞受到上方钢筋的扭曲和干扰从而产生杂波的情况下，GPR数据的解释具有挑战性，导致不同方法得到的解释结果存在差异，从而影响隧道衬砌空洞检测的准确性和一致性。此外，隧道内的基础设施、加固材料和不均匀的衬砌材料会产生复杂的噪音，这些噪声会干扰和扭曲探地雷达的响应，从而导致人为偏见和误解。随着地铁隧道长度的增加，GPR数据的人工解释变得越来越耗时，需要开发一种快速、稳定的自动GPR解释方法。
目前，基于深度学习的GPR解释最近已成为解决该问题的有效解决方案。深度学习框架已分为两种类型的GPR解释：一种包括识别和分类的两阶段方法，以及一种单阶段方法。目前有几种方法来使用两阶段方法促进自动隧道衬砌GPR解释，包括使用卷积神经网络的隧道衬砌缺陷分割，使用基于掩模区域的神经网络进行隧道衬砌元素识别等。然而，这些方法对计算要求很高，这对操作服务器提出了挑战。相比之下，单阶段方法是轻量级的，更适合使用便携式设备分析大量数据。在RetinaNet(视网膜网络)、DetecNet(检测网络)和SqueezeNet(压缩网络)等流行的单阶段方法中，You Only Look Once方法已证明在解释GPR数据方面更加有效。
然而，目前单阶段方法无法提供与两阶段方法相当的准确性，因此需要提高单阶段方法的准确性，同时保持其计算效率。而且与光学图像相比，GPR雷达图的目标检测更具挑战性。这是由于叠加和衍射的地下信号使目标物体难以识别，导致边界和特征不清晰。此外，雷达图中不同材料之间的对比度较低，加上地下材料介电特性的细微差异，进一步复杂化了具有相似特性的物体之间的区别，使雷达图变得嘈杂和模糊。因此，有必要提高单阶段方法的特征提取能力以提高其准确性。
为了解决上述多个问题中的至少一个问题，本发明方案获取隧道空洞病害数据，对所述隧道空洞病害数据进行隧道空洞预处理得到预处理数据，其中，所述隧道病害数据至少包括隧道空洞位置信息和隧道空洞大小信息；将所述预处理数据输入到训练完成的优化检测模型中，得到并输出具有空洞检测结果的图片，其中，所述优化检测模型通过真实数据和探地雷达深度卷积生成对抗网络优化得到的合成数据进行训练。
与现有技术相比，针对目前在对隧道空洞病害数据进行检测时，使用单阶段方法仍然存在不足之处，导致检测结果不准的问题，本申请所提出的单阶段轻量化的地铁衬砌空洞识别方法中通过使用对YOLOv7(YOLO检测模型中的一种，简称YOLOv7)检测模型的特征提取和融合过程以及损失函数进行优化后得到的优化检测模型对隧道空洞病害数据进行处理，从而能够增强优化检测模型提取局部特征、全局特征以及融合特征的过程，同时可以降低计算成本而不影响模型的性能，从而提高模型的准确性，同时通过对损失函数进行优化从而提高模型的鲁棒性；并且本申请中，对模型的优化检测模型训练时采用的训练数据是通过真实数据以及探地雷达深度卷积生成对抗网络优化得到的合成数据，从而使得生成的合成数据更加正式，并且由于采用合成数据与真实数据的组合对优化检测模型进行训练，让训练数据集的数量大幅增加，进而提高了优化检测模型的训练效果，可以得到更加准确的训练完成的优化检测模型，使得通过得到的优化检测模型可以在短时间内对探地雷达获取到的隧道空洞病害数据进行处理从而得到有效准确的检测结果，通过检测结果可以发现隧道内潜在的得知隧道衬砌中哪里出现了空洞，从而可以对应的进行处理，防止隧道内由于空洞而导致的事故，从而使得隧道内部更加的安全。
示例性方法
如图1所示，本发明实施例提供一种单阶段轻量化的地铁衬砌空洞识别方法，具体地，上述单阶段轻量化的地铁衬砌空洞识别方法包括如下步骤：
步骤S100，获取隧道空洞病害数据，对所述隧道空洞病害数据进行隧道空洞预处理得到预处理数据，其中，所述隧道病害数据至少包括隧道空洞位置信息和隧道空洞大小信息。
具体的，上述隧道空洞病害数据是由探地雷达获取到的雷达图，其中雷达图的纵轴表示探测深度，通过对不同深度的图像进行比较，可以确定地下空洞的位置和深度，空洞的形状和大小可以通过观察雷达图中的信号强度变化来估计，因此隧道病害数据中包含有隧道空洞位置信息和隧道空洞大小信息，同时还包含有隧道空洞形状信息。在采用模型处理数据时首先要对模型所获取的数据进行相应的预隧道空洞处理。
进一步的，上述获取隧道空洞病害数据，对所述隧道空洞病害数据进行隧道空洞预处理得到预处理数据，具体包括：
通过雷达获取所述隧道空洞病害数据；
对所述隧道空洞病害数据进行隧道空洞预处理得到所述预处理数据，所述预处理包括直流偏移消除、增益调整、时间零点校正、带通滤波和滑动平均操作中的至少一种。
具体的，上述隧道空洞病害数据是通过探地雷达获取到的，探地雷达发射天线通过天线向目标地铁隧道发射具有中心频率的电磁波，在基质材料中传播，当遇到具有不同电磁特性的表面时，波被反射或折射回来并被接收器记录下来，反射振幅由介电常数的对比决定，而电导率会在向下穿透时衰减GPR信号，叠加的信号构建了一个雷达图，即得到对应的隧道空洞病害数据。在本申请的一种实施例中，上述探地雷达发射天线的频率较佳的选择500MHz和800MHz的。
在获取到上述隧道空洞病害数据后，对应的对上述隧道空洞病害数据进行隧道空洞预处理得到上述预处理数据，上述隧道空洞预处理包括直流偏移消除、增益调整、时间零点校正、带通滤波和滑动平均操作，以获得用于隧道检查的预处理数据。
其中，D-C漂移消除具体包括：D-C漂移是指信号中的直流偏移，即信号在零频率处的偏移；D-C漂移消除是一种去除信号中的直流偏移的方法，使信号在零频率处的数值为零，从而使信号更加稳定和准确。
增益调整包括：增益调整是对信号的幅度进行调整，使其适应特定的需求或范围；通过增益调整，可以放大或缩小信号的幅度，以便在后续处理步骤中更好地处理信号。
时间零点校正包括：时间零点校正是为了消除信号中的时间延迟或时间偏移；通过校正时间零点，可以将信号的起始点对齐或校正到所需的时间点上，以确保信号在时间上的准确性和一致性。
带通滤波包括：带通滤波是一种信号处理技术，通过选择特定的频率范围(带通)内的信号，而滤除其他频率范围的信号；带通滤波可以用于去除噪音或不需要的频率成分，保留感兴趣的频率成分。
滑动平均包括：滑动平均是一种平滑信号的方法，通过对信号进行平均处理来减小信号中的噪音和不规则波动；滑动平均通常使用一个滑动窗口，在每个窗口内计算信号的平均值，并将该平均值作为平滑后的信号值。
其中预处理时，用户根据具体应用场景、数据的特点以及所需数据质量预先选择其中的一种或多种进行操作进行隧道空洞预处理。通过对隧道空洞病害数据进行隧道空洞预处理后，得到对应的预处理数据，得到的预处理数据在通过直流偏移消除、增益调整、时间零点校正、带通滤波和滑动平均操作后可以使得优化检测模型处理预处理数据时可以得到更加准确的检测结果。
步骤S200，将上述预处理数据输入到训练完成的优化检测模型中，得到并输出具有空洞检测结果的图片，其中，上述优化检测模型通过真实数据和探地雷达深度卷积生成对抗网络优化得到的合成数据进行训练。
具体的，在得到上述预处理数据后，将预处理数据输入到训练完成的优化检测模型中，则可以对应输出具有空洞检测结果的图片，其中，具有空洞检测结果的图片中通过识别框和置信率来对检测结果进行相应的表示，通过具有空洞检测结果的图片，可以知晓隧道哪一部分出现空洞，则对应的可以快速的去进行修复，提高了隧道使用的安全性。
进一步的，上述优化检测模型，具体包括：
基于YOLOv7检测模型，通过对特征提取和融合过程进行优化，并对损失函数进行优化，得到上述优化检测模型。
具体的，本申请实施例的优化检测模型是在YOLOv7(YOLO检测模型中的一种，简称YOLOv7)检测模型的基础上进行改进得到的。其中，YOLOv7相比YOLO系列的检测模型中以前的版本，YOLOv7采用了基于锚点的方法，并在卷积层模块中使用Silu(sigmoid激活函数加权线性组合得到)作为激活函数。此外，它还在网络架构中引入了有效的ELAN(EffectiveLong-range Aggregation Network，高效聚合网络，简称ELAN)模块和REP(Re-parameterization，重新参数化，简称REP)模块。而ELAN模块通过控制最短和最长的梯度路径，在更深的网络中实现了有效的学习和收敛。YOLOv7的网络架构包括四个部分，即输入、骨干网络、中间层和输出层，具体如图2所示。
如图2所示，其中YOLOv7的网络架构中，骨干网络负责特征提取，包括多个CNN(Convolutional Neural Networks，卷积神经网络，简称CNN)基础模块CBS(CompactBilinear Pooling，紧凑双线性池化，简称CBS)、ELAN模块和最大池化(Max Pooling，最大池化，简称MP)模块,其中MP1和MP2的通道数的比不同，因此采用MP1和MP2进行区分。CBS模块使用常规卷积、批生成特征，与传统CNN网络中的卷积层有所不同。ELAN模块增强了量归一化和SiLU激活函数模型的稳定性和泛化能力，而MP模块用于下采样操作。中间层即颈部，作为特征融合部分，由多个模块组成，包括空间金字塔池化和SPPCSPC(patial PyramidPooling based on Convolutional and Spatial Pooling Convolutional，基于卷积和空间池化卷积的空间金字塔池化，简称SPPCSPC)模块、CBS模块、MP2模块和UP(Upsample，上采样，简称UP)模块。其主要目的是将来自骨干网络的不同尺度特征融合，更好地检测不同大小的目标。SPPCSPC模块可以提取不同感受野的特征，而CBS模块、MP2模块和UP模块用于特征融合和压缩，减少参数和计算复杂度。通过中间层的特征融合，YOLOv7可以更准确地检测不同大小的目标，从而提高检测精度和效率。输出层即头部，利用三个检测头输出目标的预测类别概率、置信度得分和边界框坐标。每个检测头对应于不同的特征图尺度，用于检测不同大小的目标。每个特征图单元格预测一个目标的概率和位置，并输出预测边界框的置信度得分，表示该边界框中是否存在目标。在训练过程中，每个特征图单元格被分配为检测一个或多个目标，负责特定目标的特征图单元格预测目标的类别和位置。在YOLOv7中，正负样本的匹配基于计算目标框和锚点框之间的交并比(Intersection over Union，交并比，简称IOU)。具体的，模型计算每个目标框与所有锚点框的IOU，并将其分配给具有最高IOU的锚点框。如果一个锚点框与多个目标框的IOU值小于某个阈值，则被视为负样本。相反，如果一个锚点框与目标框的IOU值大于某个阈值，则被视为正样本。最后，如果一个锚点框与目标框的IOU值介于两个阈值之间，则被视为忽略样本，不包含在损失函数的计算中。通过该方式来对YOLOv7检测模型进行训练。
对上述YOLOv7检测模型进行优化后，可以得到上述优化检测模型。
进一步的，上述对特征提取和融合过程进行优化，具体包括：
通过纯卷积模块、自注意力和卷积的融合模块以及优化后的高效聚合网络优化上述特征提取和上述融合过程。
其中，纯卷积模块(CNXB)的具体结构如图3所示，纯卷积模块中包含有纯卷积块(ConvNeXt Block)。通过ConvNeXt Block改进了原有的ELAN模块。ELAN模块中的4个3×3的卷积被ConvNeXt Block模块取代，并由ConvNeXt Block提供便利，从而采用一个CNXB模块与一个CBS模块取代了骨干网络中的第一个ELAN模块。
ConvNeXt Block首先通过一个7×7的深度卷积层和规范化层来提取和规范化特征；然后，通过1×1卷积和GELU(Gaussian Error Linear Unit，一种激活函数，简称GELU)激活函数将通道大小扩大四倍并引入非线性；随后，通过1×1卷积、层缩放和Drop Path(正则化)层将通道大小恢复到原来的大小，最后将输入和输出加在一起；其中，在ConvNeXtBlock中，只有一个归一化层位于深度卷积之后，它使用层归一化(Layer Normalization，简称LN)作为归一化。此外，ConvNeXt Block减少了对激活和正则化函数的要求，因为每个模块只采用一个激活函数和一个正则化函数。
CNXB添加的位置如图4所示，在骨干网络中，通过4个CBS模块后，得到一个大小为160×160×128的特征图，为了捕捉更多的特征信息并为后续任务提供更多有用的信息，CXNB模块被放置在CBS模块序列的末尾作为一个特殊块，同时还加上了一个额外的3x3卷积层CBS。这样可以更好地处理输入特征，并在输出层提供更高质量的特征表示。此外，CXNB模块的更高计算效率有效加速了模型的训练和推断，使其在实际应用中更为可行。
自注意力和卷积的融合模块(Attention and Convolution Mix，自注意力和卷积的融合，简称ACmix)，在本申请实施例中，Acmix结合了自注意力和卷积范式，具有自注意力和卷积的优点，同时与纯卷积或自注意力相比具有更小的计算开销。ACmix模块的结构如图5所示，ACmix结构分为两个阶段：阶段I和阶段II。在阶段I中，输入特征经过卷积投影并分别重塑为N个块，以获取包含特征图的中间特征集。在阶段II中，结构分为两条路径：自注意力和卷积。在自注意力路径中，中间特征集被聚类成N个组，每个组包含3个特征图。这3个特征图分别用作查询、键和值，并根据传统的多头自注意模型进行处理。在卷积路径中，使用轻量级全连接层生成N个组，每个组具有K2个特征图。对于生成的特征图，它们通过平移和聚合进行处理，以卷积方式处理输入特征并从局部感知域收集信息。最后，自注意力和卷积路径的输出被求和。
在ACmix中，标准卷积过程为：
其中，Kp,q表示核位置(p，q)的核权重；gij和fij分别为像素(i,j)对应的输出和输入特征张量；k是核大小；是核位置(p，q)的输出特征；/>是转换算子后核位置(p，q)的输出特征；/>表示对矩阵/>进行平移，水平方向移动/>个单位，垂直方向移动/>p和q是原始的行和列索引，/> 表示k除以2取整，其中k是一个常数，用中括号表示向下取整。
多头注意力机制过程为：
其中，分别是查询、键和值的投影矩阵；/>表示以(i,j)为中心的空间范围为kc的局部像素区域；/>的上标(l)代表着层数或层次，这表示位置(i,j)在第l层的查询(Query)向量，/>表示位置(a,b)在第l层的键(Key)向量，/>表示位置(a,b)在第l层的值(Value)向量。/>是/>内特征的相应注意力权重。
将卷积部分和自注意力部分融合，即自注意力和卷积路径的输出被求和过程，使用不同的权重融合：
Fout＝αFatt+βFconv，(6)；
Fout、Fatt、Fconv分别是ACmix、自注意力和卷积的输出特征；α和β是可学习的参数。
在YOLOv7中，位于网络的骨干和颈部的ELAN模块和SPPCSPC模块使得网络能够专注于有助于物体检测的重要区域，从而提高检测准确性。为了增强优化检测模型对受钢筋影响的空洞特征的表示能力，在YOLOv7的基础上引入了三个ACmix模块，如图4所示。这些ACmix模块被放置在ELAN和SPPCSPC模块之后，允许它们在这些模块生成的特征映射上运行，具体的在骨干网络中，在YOLOv7的基础上在第二个和第三个ELAN模块后都放置一个ACmix模块，在颈部的SPPCSPC模块之后也放置一个ACmix模块。这样设置有助于更有效地提取局部和全局特征，从而增强网络识别和定位物体的能力。此外，由于ELAN和SPPCSPC模块已经将网络的注意力集中于物体检测的关键区域，因此ACmix模块可以精确提取有价值的特征信息，从而提高物体检测的准确性。
优化后的高效聚合网络(本申请实施例中用PELAN表示优化后的高效聚合网络)在高效聚合网络的基础上采用并行卷积(Parallel Convolution，并行卷积，简称PConv)和1x1CBS模块的组合来替代原本的高效聚合网络中的CBS模块，从而创建了一个新的PELAN模块。其中，通过并行卷积同时减少冗余计算和内存访问，有效地提取空间特征。其中，PELAN和PConv的具体结构如图6所示，PConv的设计利用了特征图中的冗余，只对部分输入通道进行常规卷积而不影响其余通道。其中，PConv的浮点运算量(Floating Point Operations，浮点运算量，简称FLOPs)采用以下公式计算：
PConvFLOPs是PConv的FLOPs；h,w,cp分别是数据的高度、宽度和通道数；k是滤波器中3D张量的行数或列数。从浮点运算量可知，当时，PConv的FLOPs只有传统卷积的1/16，可以更好地利用计算资源。
具体如图4所示，在YOLOv7的基础上，第一个ELAN模块替换为CXNB和CBS模块外，其他所有的ELAN模块替换为PELAN；PELAN可以通过掩码灵活控制卷积操作范围，使其能够处理各种规模的输入，同时降低计算成本。这导致了模型泛化的改善和计算资源消耗的减少。
可以理解的是，在YOLOv7框架中，骨干网络在特征提取中起着至关重要的作用，这对于深度学习中准确的物体识别来说是必不可少的。在骨干网络中，通过在第四个CBS模块后加入CXNB模块和CBS模块(卷积核为3，步长为1)，并在骨干和颈部之间的三个连接点处添加了ACmix模块，改进了YOLOv7的主干，从而提高了特征提取的效果。此外，为了进一步优化模型，在骨干和颈部的ELAN模块中，将CBS模块(卷积核为3，步长为1)替换为PELAN模块，从而降低了模型的计算复杂度和参数数量。这些改进使得优化检测模型的输入图像样本中的有意义内容和位置更加集中，并且即使存在钢筋干扰，也能更有效地提取特征信息，从而提高检测精度。
进一步的，上述对损失函数进行优化，具体包括：
通过加权交并比函数对上述损失函数进行优化。
具体的，由于地下异质性引起的类别不平衡和复杂背景，导致基于深度学习的GPR解释会出现不稳定的收敛。因此，在本申请实施例中，将YOLOv7检测模型中原始损失函数加权交集替换为优化后的损失函数，即加权交并比函数Wise-IoU(Weighted Intersectionover Union，加权交并比函数，简称WIoU)来解决这些问题。
WIoU采用动态非单调聚焦机制，平衡具有不同质量的样本的边界框回归，从而提高了整体模型性能。在YOLO系列模型中，交叉熵通常用作损失函数，但在存在不平衡的正负样本时，它可能对模型精度有害。而本申请中的WIoU考虑了目标框与真实框之间的交并比和预测框与真实框之间的IoU这两个关键指标。WIoU调整了目标框与真实框之间的IoU以解决样本不平衡问题，同时提高了预测框与真实框之间的IoU以增强模型性能。在本申请实施例中，采用WIoU损失函数可以更好地解决隧道衬砌GPR图像中正负样本不平衡问题，提高模型性能，并产生更准确的检测结果。
具体的，WIoU损失定义如下公式(8)、(9)、(10)和(11)：
/>
其中，Wg和Hg分别表示最小包围框的宽度和高度，是单调聚焦因子，β是动态非单调FM锚点帧的异常值，γ是非单调聚焦因子，α和δ为超参数，xgt和ygt表示GT框横纵点坐标，x和y表示预测框中心点坐标，/>分别代表的是WIoU三种版本的损失loss，/>表示IoU的权重，用于加权计算/>r是一个缩放因子，根据一组常数参数(β、δ、α)计算得出，在一些损失函数或评估指标中，α和δ被用作超参数，用于调整模型的训练或优化过程。这些参数的具体值是根据经验或实验来选择的，以便获得更好的模型性能。
进一步的，在采用优化检测模型对上述隧道空洞病害数据进行检测前，还要对上述优化检测模型进行训练。用于训练优化检测模型的数据集由实际的真实数据和合成雷达图数据即合成数据组成。在本申请的一种实施例中，在优化检测模型训练之前，将数据集分成了统一大小的部分，预定像素大小为800×320；最终上述数据集由400个部分组成，这些部分被分成两个集合，即训练集和验证集，其中训练集和验证集比例为8:2。并且，在生成训练集时，采用了传统的数据增强技术，通过裁剪、平移、亮度调整、旋转和镜像对真实数据和合成数据进行处理，进一步增强了数据集中的数据的质量和数量，最终得到了一个包含2000个空洞病害数据的数据集，而此外还采用模糊和缩放的操作对真实数据和合成数据进行处理，从而模拟不同天线产生的雷达图。这些数据增强技术有助于使数据集多样化，并使模型能够更好地推广到未见过的数据。其中，数据集中包含各种空洞几何形状的片段使用lambelimg(图形图像注释工具)进行注释，以使模型学习识别不同的空洞形状和大小。通过使用数据集中的带有注释的多样化的多个数据，可以提高优化检测模型的准确性，得到效果更好的优化检测模型。
进一步的，上述优化检测模型通过真实数据和探地雷达深度卷积生成对抗网络优化得到的合成数据进行训练，具体包括：
根据时域有限差分法生成初步合成数据；
根据训练完成的探地雷达深度卷积生成对抗网络优化上述初步合成数据，得到上述合成数据。
由于地面实况不可用，数值模拟是研究探地雷达在不同缺陷情况下的响应的一种流行方法。时域有限差分(Finite-Difference Time-Domain，时域有限差分，简称FDTD)方法通常用于数值模拟GPR传播。FDTD方法将空间网格上的电磁场离散化，并使用时间步进技术来模拟电磁波在介质中的传播。在每个时间步长中，麦克斯韦方程组被离散化以计算空间中电场和磁场的变化。因此，FDTD方法对于多源或宽频率范围的建模问题在计算上是有效的。GPRMAX是一个开源软件，它使用FDTD方法在用户定义的模型中模拟电磁波的传播。因此可以通过时域有限差分法以及GPRMAX，生成初步合成数据。
在本申请的一种实施例中，根据地铁隧道衬砌设计标准，衬砌由两层钢筋网组成，二次衬砌厚度为0.3～0.4m。因此在FDTD模型中，总高度为1.2m，空气空间高度为0.2m，二次衬砌厚度为0.4m，一次衬砌厚度为0.2m，其余0.4m为围岩层。为进一步增强模型的泛化能力，采用FDTD对隧道衬砌空洞进行建模，分别为混凝土无钢筋、一层钢筋、两层钢筋三种场景。嵌入的空洞大小、形状和位置各不相同，如图7所示。考虑探地雷达隧道检测对空间分辨率和穿透深度的要求，设计的FDTD模型如下表1所示。
表1，FDTD模型参数
如图7所示，其中在图7中，∈r是相对介电常数；σ是电导率(西门子/米)；μr是相对磁导率；σr是磁损耗(欧姆/米)；使用三种不同的形状模拟空洞，即薄椭圆形、圆形和矩形。椭圆形空洞位于较浅的地下，代表层与层之间的边界，而圆形和矩形空洞埋在更深的地方，代表衬砌后面岩石中的空洞，衬砌模型的材料特性和结构与实际情况相符。
通过FDTD方法，从而可以得到初步合成数据，即初步合成雷达图，在本申请的一种实施例中，如图8所示，为得到的初步合成雷达图。初步合成雷达图中，圆形腔体产生双曲线反射，而矩形腔体产生交叉反射；其中对加固层和衬砌层的混响干扰进行了适当的建模，它们导致了空洞响应的失真。然而，在实际中真实空洞呈现不规则形状，而采用FDTD方法进行数值模拟GPR传播中使用的规则形状过于理想化，因此在将它们用作训练样本之前需要进行优化。
在得到初步合成数据后，根据训练完成的探地雷达深度卷积生成对抗网络优化上述初步合成数据，得到上述合成数据。
进一步的，上述探地雷达深度卷积生成对抗网络包括生成器网络和鉴别器网络，通过生成器网络和鉴别器网络对上述探地雷达深度卷积生成对抗网络进行训练，得到上述训练完成的探地雷达深度卷积生成对抗网络。
具体的，探地雷达深度卷积生成对抗网络(Ground penetrating radar-DeepConvolutional Generative Adversarial Networks，探地雷达深度卷积生成对抗网络，简称GPR-DCGAN)本质上为深度卷积生成对抗网络(Deep Convolutional GenerativeAdversarial Networks，深度卷积生成对抗网络，简称DCGAN)，用于本申请实施例中对生成的初步合成数据进行优化。其中，GPR-DCGAN架构包括两个深度卷积神经网络：生成器和鉴别器。DCGAN中的生成器由五个转置卷积层组成，将低维噪声向量映射到高维图像空间。另一方面，鉴别器由五个常规卷积层组成，产生二进制分类结果，指明雷达图是真实还是伪造的，生成器和鉴别器网络之间的对抗使生成器逐渐生成更逼真的雷达图。
上述生成的初步合成数据由于存在不真实的内容，因此需要，需要消除真实和合成雷达图之间的不匹配。而未训练的探地雷达深度卷积生成对抗网络不能较好的处理初步合成数据，因此采用真实雷达图和由FDTD方法生成的初步合成数据来构成探地雷达深度卷积生成对抗网络训练数据，通过探地雷达深度卷积生成对抗网络训练数据来对探地雷达深度卷积生成对抗网络训练。在训练过程中，最初，真实的雷达图，即真实数据被指定为“真”，而随机噪声，即初步合成数据被鉴别器指定为“假”；鉴别器随后提取并学习了真实和初步合成数据之间的差异，包括误差信息，而上述误差信息包括色散引起的模糊和散射引起的噪声；然后通过反向传播将误差信息传播回生成器，生成器将这些误差纳入合成雷达图中，以增强其真实性。同时，生成器和鉴别器一起训练和更新，生成器通过引入噪声试图提高其输出以达到鉴别器要求，而鉴别器则增强其正确区分真实数据和生成数据的能力。随后，将真实的和修改后的合成雷达图输入回鉴别器进行下一轮鉴别。这种交替的训练过程一直持续到鉴别器将修改后的合成雷达图指定为“真”为止，这表明生成器生成的合成雷达图具有足够的说服力，鉴别器无法将其与真实雷达图区分开来。其中，具体的探地雷达深度卷积生成对抗网络训练过程如图9所示。
在本申请的一种实施例中，在GPR-DCGAN中，学***衡收敛速度和稳定性，最终设置为0.0002。选择的优化器是“Adam(Adaptive Moment Estimation，Adam优化器，简称Adam)”，模型是从头开始训练的，没有加载任何预训练的权重。并将输入和输出图像大小设置为800×320像素，当判别器损失达到预设阈值时停止训练，在一种实施例中设置预设阈值为趋近于0时停止训练，此时生成器的权重用于优化初步合成数据，得到合成数据。
通过训练完成的探地雷达深度卷积生成对抗网络，采用其中训练得到的生成器的权重，去优化初步合成数据，从而得到更加真实的合成数据。
通过得到的合成数据以及真实数据，从而去训练上述优化检测模型，从而得到训练完成的优化检测模型。
在本申请中，同时给出了采用上述单阶段轻量化的地铁衬砌空洞识别方法的一个实施例，具体的数据采集是使用天线频率分别为800MHz和500MHz采集到的，采集区域为一段地铁路段，该段曾采用了矿山法施工。在本申请中，图10和图11展示了数据采集过程和隧道结构。雷达天线的道间距为0.02m，采样频率为12000MHz，时间窗口为63ns，集测线为左右拱腰部分，采集数据时将探地雷达天线紧贴隧道衬砌表面，并推动雷达天线进行移动，雷达***将通过发送无线脉冲信号并记录接收到的回波信号来探测地下物体。在得到探地雷达收集到的隧道空洞病害数据后，对上述隧道空洞病害数据进行预处理得到用于隧道检查的预处理数据。
之后，为了评估单阶段轻量化的地铁衬砌空洞识别方法中对YOLOv7网络进行的四种不同的优化方法对YOLOv7网络模型的影响，以及了解优化检测模型达到的较佳效果，本申请实施例进行了消融实验对上述得到的预处理数据进行处理，包括五组实验，每组实验添加不同的模块进行测试，并与原始的YOLOv7模型进行比较。模型的性能是使用F1得分(F1Score，F1得分)、参数数量、浮点运算量(Floating Point Operations，简称FLOPs)、FPS(Frames Per Second，FPS表示每秒处理的图像帧数，用于衡量模型的推理速度，较高的FPS值表示模型能够更快地进行推理)和0.5阈值下的平均精度(mean Average Precision，平均精度均值，mAP)等指标进行测量的。其中，带有ACmix模块的YOLOv7模型被称为YOLOv7+ACmix，带有纯卷积模块骨干网络的模型被称为YOLOv7+CXNB，带有PELAN模块的模型被称为YOLOv7+PELAN，带有WIoU损失函数的模型被称为YOLOv7+WIoU，优化检测模型被称为CAPW-YOLO。
消融实验是利用一个配备有48GB VRAM的NVIDIA GeForce RTX A6000GPU的计算***进行的；采用的操作***是Windows10，以Python3.8版作为软件开发框架。实验中用于模型的训练参数分别记录在表2和表3中。
参数 值 参数 值
学习率 0.001 批量大小 32
权重衰减 0.0005 图像大小 800×320
动量 0.937 迭代周期 200
表2，实验环境
表3，消融实验
由表3可知，在YOLOv7中加入CNXB模块后，在0.5阈值下的平均精度升了4.8％，F1得分上升了3％；同时，浮点运算量显著下降了60％，这些表明，CNXB模块不仅可以提高优化检测模型的准确性，而且大大减少了优化检测模型的浮点运算量，从而使优化检测模型更加轻便。添加ACmix模块后，0.5阈值下的平均精度改善了1.4％，F1得分增加了1％；然而，添加ACmix模块也导致了参数增加11％，浮点运算量增加18.9％，虽然增加ACmix模块对模型的准确性有积极影响，但它的实施与计算需求的增加和效率的降低有关。在YOLOv7模型中加入PELAN模块，显示出模型性能的明显提高，0.5阈值下的平均精度提高了2.7％，F1得分提高了3％，同时模型的复杂性也大大降低；具体来说，PELAN模块成功地将参数减少了23.9％，浮点运算量减少了28.4％。这些结果表明，PELAN模块能有效地提高模型的准确性，同时降低计算成本。由上述表3同样可知，优化检测模型能够检测到YOLOv7未能检测到的具有不明显特征的小规模缺陷，而且在检测具有突出空洞特征的缺陷方面也显示出明显的提高。
由上可见，与现有技术相比，针对目前在对隧道空洞病害数据进行检测时，使用单阶段方法仍然存在不足之处，导致检测结果不准的问题，本申请所提出的单阶段轻量化的地铁衬砌空洞识别方法中通过使用对YOLOv7(YOLO检测模型中的一种，简称YOLOv7)检测模型的特征提取和融合过程以及损失函数进行优化后得到的优化检测模型对隧道空洞病害数据进行处理，从而能够增强优化检测模型提取局部特征、全局特征以及融合特征的过程，同时可以降低计算成本而不影响模型的性能，从而提高模型的准确性，同时通过对损失函数进行优化从而提高模型的鲁棒性；并且本申请中，对模型的优化检测模型训练时采用的训练数据是通过真实数据以及探地雷达深度卷积生成对抗网络优化得到的合成数据，从而使得生成的合成数据更加正式，并且由于采用合成数据与真实数据的组合对优化检测模型进行训练，让训练数据集的数量大幅增加，进而提高了优化检测模型的训练效果，可以得到更加准确的训练完成的优化检测模型，使得得到的优化检测模型可以在短时间内得到有效准确的检测结果。
示例性设备
如图12中所示，对应于上述单阶段轻量化的地铁衬砌空洞识别方法，本发明实施例还提供一种单阶段轻量化的地铁衬砌空洞识别***，上述单阶段轻量化的地铁衬砌空洞识别***包括：
数据预处理模块51，用于获取隧道空洞病害数据，对所述隧道空洞病害数据进行隧道空洞预处理得到预处理数据，其中，所述隧道病害数据至少包括隧道空洞位置信息和隧道空洞大小信息；
数据处理模块52，用于将所述预处理数据输入到训练完成的优化检测模型中，得到并输出具有空洞检测结果的图片，其中，所述优化检测模型通过真实数据和探地雷达深度卷积生成对抗网络优化得到的合成数据进行训练。
需要说明的是，上述单阶段轻量化的地铁衬砌空洞识别***及其各个模块或单元的具体结构和实现方式可以参照上述方法实施例中的对应描述，在此不再赘述。
需要说明的是，上述单阶段轻量化的地铁衬砌空洞识别***的各个模块的划分方式并不唯一，在此也不作为具体限定。
基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图13所示。上述智能终端包括通过***总线连接的处理器、存储器、网络接口以及显示屏。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和单阶段轻量化的地铁衬砌空洞识别程序。该内存储器为非易失性存储介质中的操作***和单阶段轻量化的地铁衬砌空洞识别程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该单阶段轻量化的地铁衬砌空洞识别程序被处理器执行时实现上述任意一种单阶段轻量化的地铁衬砌空洞识别方法的步骤。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解，图13中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体的智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种智能终端，上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的单阶段轻量化的地铁衬砌空洞识别程序，上述单阶段轻量化的地铁衬砌空洞识别程序被上述处理器执行时实现本发明实施例提供的任意一种单阶段轻量化的地铁衬砌空洞识别方法的步骤。
本发明实施例还提供一种计算机可读存储介质，上述计算机可读存储介质上存储有单阶段轻量化的地铁衬砌空洞识别程序，上述单阶段轻量化的地铁衬砌空洞识别程序被处理器执行时实现本发明实施例提供的任意一种单阶段轻量化的地铁衬砌空洞识别方法的步骤。
应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各实例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟是以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的***/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的***/终端设备实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以由另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。
上述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不是相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种单阶段轻量化的地铁衬砌空洞识别方法，其特征在于，所述单阶段轻量化的地铁衬砌空洞识别方法包括：
获取隧道空洞病害数据，对所述隧道空洞病害数据进行隧道空洞预处理得到预处理数据，其中，所述隧道病害数据至少包括隧道空洞位置信息和隧道空洞大小信息；
将所述预处理数据输入到训练完成的优化检测模型中，得到并输出具有空洞检测结果的图片，其中，所述优化检测模型通过真实数据和探地雷达深度卷积生成对抗网络优化得到的合成数据进行训练。
2.根据权利要求1所述的单阶段轻量化的地铁衬砌空洞识别方法，其特征在于，所述获取隧道空洞病害数据，对所述隧道空洞病害数据进行隧道空洞预处理得到预处理数据，具体包括：
通过雷达获取所述隧道空洞病害数据；
对所述隧道空洞病害数据进行隧道空洞预处理得到所述预处理数据，所述预处理包括直流偏移消除、增益调整、时间零点校正、带通滤波和滑动平均操作中的至少一种。
3.根据权利要求1所述的单阶段轻量化的地铁衬砌空洞识别方法，其特征在于，所述优化检测模型的生成步骤，包括：
基于YOLOv7检测模型，通过对特征提取和融合过程进行优化，并对损失函数进行优化，得到所述优化检测模型。
4.根据权利要求3所述的单阶段轻量化的地铁衬砌空洞识别方法，其特征在于，所述对特征提取和融合过程进行优化，具体包括：
通过纯卷积模块、自注意力和卷积的融合模块以及优化后的高效聚合网络优化所述特征提取和所述融合过程。
5.根据权利要求3所述的单阶段轻量化的地铁衬砌空洞识别方法，其特征在于，所述对损失函数进行优化，具体包括：
通过加权交并比函数对所述损失函数进行优化。
6.根据权利要求1所述的单阶段轻量化的地铁衬砌空洞识别方法，其特征在于，所述优化检测模型通过真实数据和探地雷达深度卷积生成对抗网络优化得到的合成数据进行训练，具体包括：
根据时域有限差分法生成初步合成数据；
根据训练完成的探地雷达深度卷积生成对抗网络优化所述初步合成数据，得到所述合成数据。
7.根据权利要求6所述的单阶段轻量化的地铁衬砌空洞识别方法，其特征在于，所述探地雷达深度卷积生成对抗网络包括生成器网络和鉴别器网络，通过生成器网络和鉴别器网络对所述探地雷达深度卷积生成对抗网络进行训练，得到所述训练完成的探地雷达深度卷积生成对抗网络。
8.一种单阶段轻量化的地铁衬砌空洞识别***，其特征在于，所述单阶段轻量化的地铁衬砌空洞识别***包括：
数据预处理模块，用于获取隧道空洞病害数据，对所述隧道空洞病害数据进行隧道空洞预处理得到预处理数据，其中，所述隧道病害数据至少包括隧道空洞位置信息和隧道空洞大小信息；
数据处理模块，用于将所述预处理数据输入到训练完成的优化检测模型中，得到并输出具有空洞检测结果的图片，其中，所述优化检测模型通过真实数据和探地雷达深度卷积生成对抗网络优化得到的合成数据进行训练。
9.一种智能终端，其特征在于，所述智能终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的单阶段轻量化的地铁衬砌空洞识别程序，所述单阶段轻量化的地铁衬砌空洞识别程序被所述处理器执行时实现如权利要求1-7任意一项所述单阶段轻量化的地铁衬砌空洞识别方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有单阶段轻量化的地铁衬砌空洞识别程序，所述单阶段轻量化的地铁衬砌空洞识别程序被处理器执行时实现如权利要求1-7任意一项所述单阶段轻量化的地铁衬砌空洞识别方法的步骤。
CN202311102838.7A 2023-08-29 2023-08-29 一种单阶段轻量化的地铁衬砌空洞识别方法及相关设备 Pending CN117351321A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311102838.7A CN117351321A (zh) 2023-08-29 2023-08-29 一种单阶段轻量化的地铁衬砌空洞识别方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311102838.7A CN117351321A (zh) 2023-08-29 2023-08-29 一种单阶段轻量化的地铁衬砌空洞识别方法及相关设备

Publications (1)

Publication Number Publication Date
CN117351321A true CN117351321A (zh) 2024-01-05

Family

ID=89356420

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311102838.7A Pending CN117351321A (zh) 2023-08-29 2023-08-29 一种单阶段轻量化的地铁衬砌空洞识别方法及相关设备

Country Status (1)

Country Link
CN (1) CN117351321A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117540178A (zh) * 2024-01-09 2024-02-09 武汉大学 一种隧道衬砌内部空洞病害评估方法及***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117540178A (zh) * 2024-01-09 2024-02-09 武汉大学 一种隧道衬砌内部空洞病害评估方法及***
CN117540178B (zh) * 2024-01-09 2024-03-29 武汉大学 一种隧道衬砌内部空洞病害评估方法及***

Similar Documents

Publication Publication Date Title
Travassos et al. Artificial neural networks and machine learning techniques applied to ground penetrating radar: A review
Liu et al. GPR-based detection of internal cracks in asphalt pavement: A combination method of DeepAugment data and object detection
CN110287932B (zh) 基于深度学习图像语义分割的道路阻断信息提取方法
Zhu et al. Intelligent logging lithological interpretation with convolution neural networks
KR101811270B1 (ko) 화물을 검사하는 방법 및 그 시스템
CN108550259A (zh) 道路拥堵判断方法、终端设备及计算机可读存储介质
CN102938071B (zh) 基于非局部均值的sar图像变化检测模糊聚类分析方法
CN107016677A (zh) 一种基于fcn和cnn的云图分割方法
CN114595732B (zh) 基于深度聚类的雷达辐射源分选方法
CN110929621B (zh) 一种基于拓扑信息细化的道路提取方法
CN117351321A (zh) 一种单阶段轻量化的地铁衬砌空洞识别方法及相关设备
Ma et al. Automatic detection of steel rebar in bridge decks from ground penetrating radar data
CN102930519A (zh) 基于非局部均值的sar图像变化检测差异图生成方法
CN104850867A (zh) 一种基于直觉模糊c均值聚类的目标识别方法
CN110298410A (zh) 基于深度学习的低对比度图像中弱目标检测方法及装置
CN110706208A (zh) 一种基于张量均方最小误差的红外弱小目标检测方法
Liang et al. Hybrid support vector machine optimization model for inversion of tunnel transient electromagnetic method
Xiong et al. GPR-GAN: A ground-penetrating radar data generative adversarial network
Zhu et al. Evaluating the optimised YOLO-based defect detection method for subsurface diagnosis with ground penetrating radar
Hu et al. Defects identification and location of underground space for ground penetrating radar based on deep learning
Liu et al. Advances in automatic identification of road subsurface distress using ground penetrating radar: State of the art and future trends
CN116681936A (zh) 基于单级式卷积神经网络的地波雷达杂波分类识别方法
CN109615007A (zh) 基于粒子滤波的深度学习网络目标检测方法
Dai et al. A new B-scan interpretation model in complex environments
Wang et al. Underground defects detection based on GPR by fusing simple linear iterative clustering phash (SLIC-phash) and convolutional block attention module (CBAM)-YOLOv8

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