邓桂萍
（长沙航空职业技术学院，湖南 长沙 410124）
探地雷达（Ground Penetrating Radar，简称GPR）是一种可无损探测地下结构的电磁波技术。它以无损、高效等优点成为路基病害检测的最佳选择。其基本原理是向地下发射电磁波，电磁波在地下介质传播的过程中，遇到存在电性差异的介质（如空洞、分界面等）时，会发生反射，接收天线接收反射回来的电磁波，并对这些信号进行分析和处理，根据接收到的雷达波形、强度和双程走时等参数，便可推断出地下介质的分布结构[1]。近年来，随着我国经济的快速发展，道路、桥梁、隧道等基础设施大量兴建和使用，在这些交通基础设施中存在大量如隧道、道路、桥梁这样的线下多层混凝土结构，这种结构通常具有平稳、耐腐蚀、维修量较少的优点。但是随着时间的推移，混凝土结构常会发生恶化，导致各种结构病害，如充气空洞、脱空和排水不良等，随时有可能威胁到繁忙的交通运行，给广大人民和社会带来无法挽回的损失。因此，为了适应我国城市地下空间的快速发展和保障人民的安全，应当对城市道路线下多层结构容易出现的裂缝、空洞、充水等病害进行科学的检测和识别。
目前，在GPR路基病害识别方面，研究人员提出了基于非一致性检测的脱空病害自动检测算法，非一致性检测出可疑的感兴趣区域，然后对可疑的感兴趣区域进行曲线拟合，识别脱空病害[2]。该算法保证了有效性并降低了运算量。也有学者根据不同介质在GPR图像上的表征不同这一特征，得到了空洞内填充不同的介质时的仿真图像，总结了空洞内不同的填充介质对GPR图像产生的影响[3]。还有学者在以混凝土为主体介质的实体模型上展开工作，研究了混凝土中各种常见病害的图像特征及识别方法，总结了混凝土病害识别的一些规律[4]。然而，以上方法只增加了图像病害的可解释性，总结了GPR图像人工解释的规律，并不能做到分析并识别常见病害类型，并且人工解译方法存在评价标准不客观且效率低下的问题。为解决上述问题，亟须实现对GPR路基病害的自动识别。近年来，随着深度学习技术的发展，卷积神经网络在图像识别领域取得了巨大的成功，有研究者应用深度学习技术识别GPR图像，并取得了成效[5]。但在GPR领域有标注的数据集往往较少，而标注数据少会导致低识别率问题，因此研究一种在标注数据少情况下的GPR路基病害图像分类识别方法具有重大的意义。为此，文章提出了一种基于半监督生成对抗网络(Semi-Supervised Generative Adversarial Learning/Networks，SGAN)的GPR路基病害分类识别方法。
基于SGAN的GPR路基病害分类识别方法框架如图1所示。基本思路是：先获取GPR路基病害B-scan图像数据集，并划分为训练数据集和测试数据集。然后搭建半监督生成对抗网络（SGAN），该SGAN包括一个生成器G和一个判别器D。再利用带标签和不带标签的GPR路基病害图像以及生成器G生成的伪GPR图像训练半监督生成对抗网络。最后将待识别的GPR路基病害图像输入至训练好的判别器，通过判别器输出GPR路基病害的识别结果。该方法能够在只标注少量GPR路基病害图像的情况下获得较高的识别准确率，克服在GPR领域中因标注数据少而造成的低识别准确率的问题。
图1 基于SGAN的GPR路基病害分类识别方法框架
半监督生成对抗网络包括一个生成器G和一个判别器D，生成器G包括一层全连接层和四层反卷积层，判别器D包括三层卷积层、两层LSTM（长短时记忆网络）层和一层全连接层。
若输入的图像大小为M×N×1，则生成器G中全连接层的神经元节点数设置为M/16×N/16×K，K=2n，n=4,5,6……。第一层反卷积层的反卷积核大小为3×3，反卷积核的个数为K/2，反卷积步长为2；
第二层反卷积层的反卷积核大小为3×3，反卷积核的个数为K/4，反卷积步长为2；
第三层反卷积层的反卷积核大小为3×3，反卷积核的个数为K/8，反卷积步长为2；
第四层反卷积层的反卷积核大小为3×3，反卷积核的个数为1，反卷积步长为2。在判别器D中，卷积网络结构中，第一层卷积层的卷积核大小为3×3，卷积核数量为K/8，卷积步长为2；
第二层卷积层的卷积核大小为3×3，卷积核数量为K/4，卷积步长为2；
第三层卷积层的卷积核大小为3×3，卷积核数量为8，卷积步长为2；
LSTM结构中两层LSTM层中的单元数量皆为K。在全连接层中，其神经元节点数为GPR路基病害的分类类别数C+1。
对于n1张有标签GPR路基病害图像数据集和n2张无标签GPR路基病害图像数据集，其中x表示GPR图像样本，尺寸大小为M×N×1，y表示该样本对应的标签。训练半监督生成对抗网络的过程如下：
（1）将一个随机噪声向量z输入生成器中，z通过一层全连接层和四层反卷积层输出伪GPR图像xf，尺寸大小为M×N×1。其过程可表示为：
其中，G表示生成器，θ表示生成器网络的权重参数。
（2）将带标签和不带标签GPR路基病害图像x与伪GPR图像xf输入至判别器，输入图像经过三层卷积层、两层LSTM层、一层全连接层后，最后通过SoftMax函数处理，输出一个类别数C+1维向量O，其中真实图像被分为第C类，伪GPR图像被分为第C+1类。该过程可表示为：
其中D表示判别器，ω表示判别器网络的权值参数。若x为伪图像，则输出的概率表示为：
若x为真图像且为i类，则输出的概率表示为：
（3）优化判别器。计算判别器D的损失函数L，并通过反向梯度传播计算方法不断优化判别器网络的权值参数ω。
（4）优化生成器。固定判别器参数，将随机向量z输入生成器，生成伪GPR图像xf，再将xf输入至判别器D，计算判别器D的损失函数L，并通过反向梯度传播计算方法不断优化生成器网络的权值参数θ。
半监督生成对抗网络的训练过程中，损失函数L包括两个部分，分别为监督损失和无监督损失，可表示如下：
其中，Lsupervised=-Ex,y～Pdatalog[P(y=i|x,i＜C+1)]
重复上述步骤，不断对判别器和生成器进行分别优化，直至损失函数L下降到一个稳定的值，该稳定值接近于0，在区间(0, 0.02)之间变动，则认为半监督生成对抗训练完成。
使用gprMax软件进行正演模拟，建立了不同尺寸的路基脱空、路基空洞充气、路基空洞充水、路基含水层4种典型的病害模型，4种典型病害图像如图2所示，共获取了400张GPR B-scan图像，为了扩大训练数据集，对原始数据集加入了三种不同程度的噪声，分别构成了信噪比为10 dB、5 dB和0 dB的数据集，最终获得1200张图像数据集。将数据集分为训练集800张，其中标注数据占200张，无标注数据占600张，测试集400张。在实验中，利用TensorFlow深度学习框架实现了所设计的半监督生成对抗网络，并对其进行了训练和测试。
图2 四种典型病害图像
生成器中，全连接层的神经元节点数为8×8×256, 第一层反卷积层的反卷积核大小为3×3，反卷积核的个数为128，反卷积步长为2；
第二层反卷积层的反卷积核大小为3×3，反卷积核的个数为64，反卷积步长为2；
第三层反卷积层的反卷积核大小为3×3，反卷积核的个数为32，反卷积步长为2；
第四层反卷积层的反卷积核大小为3×3，反卷积核的个数为1，反卷积步长为2。在判别器中，卷积网络结构中第一层卷积层的卷积核大小为3×3，卷积核数量为32，卷积步长为2；
第二层卷积层的卷积核大小为3×3，卷积核数量为64，卷积步长为2；
第三层卷积层的卷积核大小为3×3，卷积核数量为8，卷积步长为2；
LSTM结构中两层LSTM层中的单元数量皆为256。在全连接层中，其神经元节点数为5。
在半监督生成对抗网络的训练过程中，首先将一个100维度的随机噪声向量z输入生成器中，z通过一层全连接层和四层反卷积层输出伪GPR图像xf，尺寸大小为128×128×1。然后，将带标签和不带标签GPR路基病害图像x与伪GPR图像xf（尺寸均为128×128×1）输入至判别器，输入图像经过三层卷积层、两层LSTM层、一层全连接层后，最后通过SoftMax函数处理，输出一个5维向量O，其中真实图像被分为第4类，伪GPR图像被分为第5类。接着，优化判别器。计算判别器D的损失函数L，并通过反向梯度传播计算方法不断优化判别器网络的权值参数ω。之后，优化生成器。固定判别器参数，将随机向量z输入生成器，生成伪GPR图像xf，再将xf输入至判别器D，计算判别器D的损失函数L，并通过反向梯度传播计算方法不断优化生成器网络的权值参数θ。重复上述步骤，不断对判别器和生成器进行分别优化，直至损失函数L下降到一个稳定的值，该稳定值接近于0，GPR路基病害数据集训练半监督生成对抗网络其判别器监督损失值下降曲线如图3所示。在实验中，每次训练时的批量大小设置为32；
为了提高模型的泛化能力，加入BN归一化方法和Dropout方法；
每个迭代对测试集做一次测试并计算准确率，经过800个迭代之后，监督损失L趋于稳定，模型训练完毕，保存好模型的权重参数ω和θ；
实验过程中测试准确率最高达到了98.65%，准确地给出了GPR路基病害的分类识别结果，病害图像分类识别测试准确率曲线如图4所示。
图3 GPR路基病害数据集训练半监督生成对抗网络其判别器监督损失值下降曲线图
图4 本方法的GPR路基病害图像分类识别准确率曲线图
表1给出了四种路基病害图像识别结果的混淆矩阵，分析了四种不同路基病害图像的分类结果。可以看出，提出的SGAN能够对四种路基病害图像类型进行高精度识别，识别准确率在95% ～ 100%。其中有一类直径的识别准确率为100%，另外三类直径的识别准确率分别为95%、96%和99%，分别对应空洞充水病害、脱空病害和含水层病害。整个数据集的识别准确率可达到98.65%。
表1 四种路基病害识别结果的混淆矩阵
与经典半监督生成对抗网络相比，本方法的半监督生成对抗网络其判别器增加LSTM网络结构，更有效地提取了雷达信号的时序特征，且只需少量标注数据便能训练好网络。将待识别的GPR路基病害图像输入至训练好的判别器便可得到分类识别结果，且可在只标注少量GPR路基病害图像的情况下获得较高的识别准确率，克服了在GPR领域中因标注数据少而造成的低识别准确率的问题。在实验过程中测试准确率最高达到了98.65%，准确地给出了GPR路基病害的分类识别结果。
猜你喜欢步长卷积准确率基于Armijo搜索步长的BFGS与DFP拟牛顿法的比较研究成都信息工程大学学报(2021年5期)2021-12-30基于3D-Winograd的快速卷积算法设计及FPGA实现北京航空航天大学学报(2021年9期)2021-11-02乳腺超声检查诊断乳腺肿瘤的特异度及准确率分析健康之家(2021年19期)2021-05-23不同序列磁共振成像诊断脊柱损伤的临床准确率比较探讨医学食疗与健康(2021年27期)2021-05-132015—2017 年宁夏各天气预报参考产品质量检验分析农业科技与信息(2021年2期)2021-03-27从滤波器理解卷积电子制作(2019年11期)2019-07-04高速公路车牌识别标识站准确率验证法中国交通信息化(2018年5期)2018-08-21基于傅里叶域卷积表示的目标跟踪算法北京航空航天大学学报(2018年1期)2018-04-20基于逐维改进的自适应步长布谷鸟搜索算法河北科技大学学报(2015年5期)2015-03-11一种新型光伏系统MPPT变步长滞环比较P&O法电测与仪表(2014年2期)2014-04-04
