高速公路路基病害自动检测算法研究

高速公路路基病害自动检测算法研究

0基于gpr的界面检测和时延估计近年来，我国高速公路运输流量快速增长，超车辆数据量逐年增加，高速公路容易出现早期故障。探地雷达(GPR)由于具有探测速度快、分辨率高、操作方便灵活、无损探测和探测费用低等优势,现已成为高速公路日常检测的首选方式。但是GPR不能像光学成像设备一样直接反映高速公路路基质量情况,且当前探地雷达数据解释还主要依赖专家经验,其解释结果存在主观性强、解释周期长等缺点,因此,迫切需要研究一种自动、高精度的高速公路路基病害检测算法。当前基于GPR高速公路路面路基介电常数、厚度和含水量等质量参数调查的国内外研究主要集中于GPR数据的人工解释和自动解释两方面,两者主要区别在于:人工解释主要依靠专家经验提取时延和幅度信息,而自动解释主要依靠相应算法自动提取时延和幅度信息。由于人工解释周期长,需依赖于解释专家的个人经验,而培养合格的解释专家需耗费大量的时间、物力、人力,且工作量大,这些局限性大大地制约着探地雷达成为高速公路路基质量探测的常规工具。为此,高速公路路基层界面检测、时延和幅度自动估计算法已成为现在研究的热点。Lahouar等认为GPR接收天线接收到的信号是各层界面反射信号与噪声的线性叠加,并在此基础上分别采用阈值检测器和匹配滤波器估计界面反射信号的时延和幅度之后发现:在低信噪比条件下,匹配滤波器的性能优于阈值检测器;随着信噪比增加,2种检测器的性能逐渐趋于一致。近年来高分辨率层界面检测算法成为超薄沥青层界面检测的研究热点。Chahine等提出了一种基于独立分量分析的超薄层厚度估计算法,基于仿真数据的试验结果表明,当BΔτ=0.45(B为雷达系统的带宽,Δτ为系统能识别的最小时延),信噪比为0.35dB时,超薄层厚度估计相对误差为0.9%。Bastard等提出了3种超分辨率超薄层厚度估计算法(Root-music,Root-min-normMusic和ESPRIT),结果表明,这3种算法能提取BΔτ=0.1时的2个相邻反射信号。基于模型法的层界面检测算法主要利用正演模拟与参数优化的方法,通过不断调整模拟参数,使模拟信号与实测信号的拟合达到精度要求。Spagnolini探讨和对比了反演和基于最小均方误差的参数优化的2种层界面检测和时延估计方法,试验结果表明:参数优化与反演算法相比,其时延和幅度估计的准确度更高,但其计算复杂度也很高,并指出层剥离算法是实时处理大量GPR数据唯一可行的方法。以上基于GPR高速公路路基调查的自动解释主要是利用有效的时延估计算法估计路面每层反射信号到达的时间和幅度,再利用经验公式自动估计每层的厚度、介电常数和含水量等信息。而这些信息只能间接反映高速公路路面路基是否存在病害。针对以上问题,本文中结合数字信号处理、信号检测和模式识别技术以实现高速公路路基病害的自动检测。1试验计划和数据预处理1.1实验数据和研究方案江西省天驰高速科技发展有限公司(原江西省高速公路质量检测站)受江西省高速公路集团公司委托,对江西省昌九高速公路南昌段进行常规质量调查。综合考虑探测深度、分辨率、数据采集速度和汽车行驶速度等因素,GPR参数设置如表1所示。GPR数据采集和GroundTruth数据库构建的主要流程为:①利用型号为GSSISIR10,天线中心频率为1GHz的车载GPR对昌九高速公路南昌段进行无损快速路基成像,共采集3366道雷达数据,每道数据采集512个点;②利用GPR工程专家经验对GPR图像进行解释;③对GPR工程专家标注出的可能存在路基病害的区域,利用钻孔取芯技术进行取样;④结合专家经验和钻孔取芯样本构建较为准确的GroundTruth数据库。具体采用的研究方案如图1所示,图2为针对昌九高速公路南昌段,采用车载GPR实测场景图。图3为结合专家经验和钻孔取芯数据构造的GroundTruth示意图。1.2savitcki-gola算法设计由研究方案的预处理模块可知,预处理算法主要包括:(1)通过滑动平均法抑制由地下介质不均匀而产生的杂波和天线附近的电磁干扰,提高回波信号的信噪比和结果的解释精度。假设信号模型用一个p阶差分方程描述y(n)+a1y(n-1)+…+apy(n-p)=w(n)+b1w(n-1)+…+bqw(n-q)(1)式中:w(n)是均值为0、方差为σ2的白噪声;y(n)为要研究的信号序列;ap,bp分别为所研究信号和白噪声之间的权值。当am=0,m=1,2,…,p时,此模型就变成了滑动平均模型。(2)采用包络阈值检测法对水平分层界面进行层界面检测,从而实现层界面的自动提取。该方法的阈值vt的选定取决于vt=−2σ2lg(Pf)−−−−−−−−−√vt=-2σ2lg(Ρf)(2)式中:Pf为噪声超过阈值时的虚警率。(3)采用Savitzky-Golay算法对水平分层界面进行滤波,从而剔除层界面曲线中的奇异分量。采用Savitzky-Golay算法进行滤波的主要思想是:通过在点xi左右两边取一定数量点的值进行平均,得到与点xi相对应的平滑数值gi,即gi=pi(xi)=∑Mk=0∑Μk=0bk(x−xiΔx)kbk(x-xiΔx)k(3)式中:Δx为xi+1与xi的间距;k为取点数量;pi(x)为第j个测量数据fj在最小二乘意义下的拟合;bk为使Y最小时的系数。Y可表示为Y=∑i+nRj=i−nL∑i+nRj=i-nL[(pi(xj)-fj)]2(4)式中:nR,nL分别为拟合矩阵的行数和列数。(4)根据文献中的相关理论,层界面反射信号随发射信号时延和幅度的变化而变化,而波形形状并不会发生改变,且发射信号是对称的Ricker子波。因此,根据时窗大小和采样点道数可计算采样周期,再根据发射脉冲宽度和采样周期可计算发射脉冲所对应的采样点数,从而可提取每层界面反射信号所处区域。(5)选取合适的特征向量,从而减少GPR回波信号分析的时间,并提高目标检测和分类的性能。本文共提取了每层反射信号所对应的时间序列的时域和小波域共6个特征,分别为时间域所对应的时间序列的最大幅值、幅值的平均绝对偏差、原始信号幅值互相关,以及小波域所对应的第3层小波近似系数的最大幅值、第3层小波近似系数的平均绝对偏差、合成信号在各层小波上的互相关之和。将得到的探地雷达原始图像经过上述预处理方案进行处理,得到预处理结果如图4～8所示,由于图像数据过大,图5～8中只截取了整个处理图像的前1000道数据进行绘制,图中用方框标出的为高速公路路基病害区域。2最优分类函数支持向量机(SVM)通过某种事先选择的非线性映射将输入向量映射到一个高维特征空间,然后在这个空间中构造最优分类超平面,而这种非线性变换是通过定义适当的内积函数来实现的。在形式上,支持向量机分类函数类似于一个神经网络,输出是中间节点的线性组合,每一个中间层节点对应于输入样本与一个支持向量的内积。最终的判别函数中实际只包含与支持向量的内积及其求和,支持向量的个数将决定识别时的复杂度。经过非线性变换后,可通过约束条件式(5)求得使函数Q(α)取最大值的第i道信号相对应的拉格朗日乘子αi。∑Ti=1∑Τi=1yiαi=0αi≥0,i=1,2,…,T(5)式中:yi为第i道信号所对应的特征向量中的元素。Q(α)=∑Ti=1∑Τi=1αi−12αi-12∑Ti,s=1∑Τi,s=1αiαsyiysK(xi,xs)(6)由此可得最优分类函数为f(x)=sgn{∑Ti=1∑Τi=1α*iyiK(xi,x)+b*}(7)式中:K(xi,xs),K(xi,x)分别表示xi和xs的乘积,xi和x的乘积,其值为常数;α*i是式(6)的解(即对应的拉格朗日系数αi),对于绝大多数样本,其系数α*i为0,而系数α*i不为0的样本就是支持向量;b*是分类阈值,为常数。如果一组训练样本能够被1个最优分类面分开,则对于测试样本分类错误率Pe的期望的上界是训练样本中平均的支持向量占总训练样本数的比例,即E(Pe)≤E(M)N−1E(Ρe)≤E(Μ)Ν-1(8)式中:M为支持向量机数;N为训练样本总数,即支持向量机的推广性与变换空间的维数无关,只要能够适当地选择一种内积定义,构造一个支持向量数相对较少的最优分类面,即可得到较好的泛化能力。3测试结果和算法本文中所处理的探地雷达图像包含3366道信号。将提取的每道信号的小波域和时域共6个特征作为分类的输入特征子集。根据GroundTruth数据库的解释可知,图像病害区分别为22～50道、164～229道、802～1179道、1341～1439道、1941～1999道、2260～2719道和3313～3366道。即本文中所处理的图像含有1144道“坏”信号和2222道“好”信号,整幅研究图像中“坏”“好”信号的比例约为1∶2,所以本文中亦按1∶2的比例分别随机提取了233道“坏”信号和466道“好”信号共699道信号的特征作为其训练样本集,而将剩下的2667道信号的特征作为其测试样本集。由于提取到的这6个特征的数据单位存在不同,以致数据大小之间存在较大的差距。这不但会对网络的训练结果产生极大的影响,有时甚至会产生结果无法收敛的情况。为了避免这两种情况的发生,需对已提取的特征数据整体进行归一化处理。本文中采用代数法将整体数据归一化至-1～1。然后将挑选出的699道数据的特征向量输入SVM网络中进行训练,再运用已训练好的SVM网络进行特征分类,即测试过程。测试后得到的结果经过一定的处理再与专家经验和钻孔取芯结果对比,从而获得其测试正确率。本文中提出的算法根据比例随机选取训练样本,分别训练预测20次,得到预测正确率的平均值为88.0%,方差为0.000044。其预测的效果完全能够达到工程应用的需要,因此可采用训练好的分类器去预测整幅雷达图像。图9为从GroundTruth数据库中调取的原始图像专家解释的病害区域。图10为通过Libsvm预测得到的病害区,其中1表示“好”信号,-1表示“坏”信号。图9,10中只截取了图像中的前1000道信号。通过SVM学习预测的结果发现,大部分病害道是连续的,部分预测出现的病害道是单独存在的。结合在实际高速公路中病害不可能独立存在的先验信息,本文利用探地雷达的设置参数和先验信息,选择病害持续道数5为阈值,如病害持续道数小于5,则判为“好”信号,否则,为“坏”信号。将测试处理后得到的结果与专家经验和钻孔取芯结果对比,获得其测试处理后的正确率。本文同样随机训练学习并处理20次,得到处理后正确率的平均值为92.7%,方差为0.00016。图11为经过上述处理后得到的病害区域图。从图11中可以看出经过处理后其结果更加接近专家解释的结果。4svm技术的应用(1)利用高速公路路基病害导致其厚度和层界面