一种桥梁钢筋的雷达智能识别方法

1.本发明涉及一种桥梁钢筋的雷达智能识别方法，具体涉及桥梁检测、探地雷达和深度学习领域。


背景技术：

2.我国是一个桥梁大国，桥梁作为交通重要的组成部分，在现代人们出行中不可缺少。桥梁工程一般都是钢筋混凝土结构，混凝土结构施工时钢筋移位、钢筋质量是常见的问题，由此引起不少安全隐患，甚至发生安全事故。因此进行桥梁钢筋混凝土结构无损检测(钢筋的位置、直径等)对桥梁建筑正常运营具有重大意义。
3.探地雷达技术是一种用于对介质(如大地，混凝土)本身及其内部物体(如钢筋，管道，孔洞)进行探测的无损检测技术。探地雷达技术具有探测速度快、分辨率高、操作灵活、探测费用低、探测范围广等优点，使得该技术已经在市政工程、环境工程、地质工程等多领域得到了广泛应用。十多年以来，电子元器件及无线电技术的快速发展使得探地雷达硬件系统具有采集精度高、速度快、数据量大等特点，而与之配套的探地雷达数据处理技术则相对薄弱，这阻碍了探地雷达技术的进一步推广。探地雷达数据反演精度依赖于专业人员的经验。另外实际工程中探地雷达所采集的数据量很大，需要投入很大的精力和时间去处理及解释雷达数据。因此，提高钢筋直径、位置等识别效率和准确率是钢筋检测技术发展的必然趋势。
4.随着大数据时代到来，各行业对数据分析需求的持续增加，致使机器学习得到飞速发展。目前，诸多机器学习方法已广泛应用于解决地球物理反问题，并取得了较好的效果。深度学习为机器学习的一个重要分支，如今已成为人工智能的核心算法。其实质为一个具有通用普适近似能力的复合函数。对于任何非线性复杂函数，只要神经元足够多，网络函数就能任意逼近它。其在目标检测、自然语言处理、医学图像分割等领域取得的成果，远远超过先前相关技术。
5.基于此，本发明立足于桥梁钢筋智能识别的实际需求，利用全卷积神经网络在处理非线性问题的独特优势，提出了一种桥梁钢筋的雷达智能识别方法。


技术实现要素：

6.针对上述现有技术中的问题，本技术提出了一种桥梁钢筋的雷达智能识别方法，包括以下步骤：
7.s1、通过改变桥梁结构的介电常数和电导率，通过正演获取其响应特征；
8.s2、收集已有桥梁钢筋探地雷达响应典型图谱，系统梳理响应特征，构建样本数据集；
9.s3、为二维介电模型划分网格，所述二维介电模型包含不同直径、不同埋深的钢筋；设计混凝土中不同直径、不同埋深及不同位置的钢筋介电模型，通过时域有限差分法正演计算，获得样本数据对的数据集；每个样本数据对均由介电模型和相应的探地雷达数据
组成；
10.s4、基于全卷积神经网络的m-net架构为骨干网络设计桥梁钢筋的雷达智能识别网络，使用keras构建雷达智能识别网络模型框架，采用tensorflow作为后端；
11.s5、对雷达智能识别网络进行训练与优化，将样本数据库随机分为训练数据，测试数据和验证数据，在训练过程中，所有输入和输出值均被标准化为[0，1]的范围，在每次训练之后进行验证；
[0012]
s6、对物理模型实测探地雷达数据进行反演，验证钢筋位置、介电常数和直径与真实情况是否相符。
[0013]
在一个实施方式中，通过调节钢筋直径、保护层厚度、钢筋间距，改变桥梁结构的介电常数和电导率。
[0014]
在一个实施方式中，通过双线性插值使步骤s3中的探地雷达数据与模型数据同大小。
[0015]
在一个实施方式中，雷达智能识别网络包括探地雷达桥梁钢筋多尺度输入模块、编码模块、金字塔卷积模块、解码模块和多尺度输出模块。
[0016]
在一个实施方式中，探地雷达桥梁钢筋多尺度输入模块用于构建数据金字塔输入，并实现不同层级感受野融合；其使用平均池化层自然地对雷达数据进行降采样，并在编码器路径中构造多尺度输入。
[0017]
在一个实施方式中，步骤s4中，在m-net测输入层的基础之上，加入了金字塔型卷积层，将多尺度输入集成到编码模块中，避免参数的大幅度增长，增加编码模块路径的网络宽度，增加雷达智能识别网络的泛化性。
[0018]
在一个实施方式中，编码模块包括8个卷积层、3个池化层；所述卷积层负责获取探地雷达桥梁钢筋数据局域特征，所述池化层对数据进行下采样并且将尺度不变特征传送到下一层；为保障网络学习性能稳定的情况下提升网络的学习速度，在卷积层后加入批量归一化算法，通过激活函数解决网络训练时存在梯度消失和收敛速度问题。
[0019]
在一个实施方式中，金字塔卷积模块在编码阶段结束后，将特征图进行金字塔卷积操作，金字塔卷积模块包含不同尺度的卷积核，能够提取多尺度信息，提高探地雷达桥梁钢筋识别效果。
[0020]
在一个实施方式中，解码模块对缩小后的特征图像进行上采样，然后进行卷积处理，从而完善异常体的几何形状，弥补之前操作造成的细节损失。
[0021]
在一个实施方式中，多尺度输出模块为早期的层生成一个相应的局部输出映射；将多个局部输出映射的平均值作为最终输出；从而实现深层监控，能够缓解梯度消失问题，有助于早期层的训练。
[0022]
上述技术特征可以各种适合的方式组合或由等效的技术特征来替代，只要能够达到本发明的目的。
[0023]
本发明提供的一种桥梁钢筋的雷达智能识别方法，与现有技术相比，至少具备有以下有益效果：
[0024]
1)将多尺度输入集成到编码模块中，避免参数的大幅度增长；2)增加编码模块路径的网络宽度；3)增加了big-inv net网络的泛化性；4)可以提取多尺度信息，提高探地雷达桥梁钢筋识别效果；5)可以缓解梯度消失问题；6)智能识别结果与模型位置、直径、介电
常数均高度吻合。
附图说明
[0025]
在下文中将基于实施例并参考附图来对本发明进行更详细的描述。其中：
[0026]
图1显示了本发明的桥梁钢筋的雷达智能识别方法技术总路线图；
[0027]
图2显示了本发明的探地雷达工作原理示意图；
[0028]
图3显示了本发明的big-inv net网络结构图；
[0029]
图4显示了本发明的探地雷达桥梁钢筋数据多尺度输入模块图；
[0030]
图5显示了本发明的编码模块示意图；
[0031]
图6显示了本发明的金字塔卷积模块示意图；
[0032]
图7显示了本发明的解码模块示意图；
[0033]
图8显示了本发明的多尺度输出模块示意图；
[0034]
图9(a)-9(c)显示了本发明的两根钢筋模型智能识别示意图；
[0035]
图10(a)-10(c)显示了本发明的三根钢筋模型智能识别示意图；
[0036]
图11显示了本发明的物理模型图；
[0037]
图12显示了本发明的实测数据智能识别示意图。
具体实施方式
[0038]
下面将结合附图对本发明作进一步说明。
[0039]
本发明技术总路线如图1所示。
[0040]
探地雷达采用高频电磁波进行探测。如图2所示，探地雷达通过发射天线t向地下发射高频脉冲电磁波，电磁波在地下介质传播时，在电磁属性有变化的地方就会使部分雷达波被反射回来，由接收天线r接收反射回来的电磁波，后经雷达专用软件处理后形成二维雷达数据图像，据此就可对介质分布规律(如介质厚度，分界面，内部埋藏物或缺陷的埋藏深度、大小、形状、走向等)进行推断。钢筋作为圆柱状目标，其在探地雷达剖面图中呈双曲线形状表示。
[0041]
地下半空间存在的介电常数异常体会在观测面上引起电磁场响应，不同异常体引起的电磁场响应也表现出不同特征。即具有一定的空间相关性和局部存在性。而全卷积神经网络方法作为一种特殊的深度学习方法，其利用卷积算子代替矩阵相乘，重点学习输入图像与输出标签的局部性和空间性。因此，利用全卷积神经网络方法对探地雷达数据进行反演是切实可行的。
[0042]
本发明反演的目标是通过全卷积神经网络的方法得到探地雷达回波数据到模型体介电常数的映射函数。模型体介质物理参数见表1。
[0043]
εr＝f(ez),
[0044]
式中：εr为模型介电常数；f为全卷积网络映射函数；ez为回波数据。
[0045]
表1模型体介质物理参数
[0046][0047]
桥梁钢筋的雷达智能识别主要包括桥梁钢筋探地雷达响应特征分析、样本数据集构建、big-inv net网络模型搭建、网络训练与优化、模型试验、实例检测等步骤。
[0048]
(1)桥梁钢筋探地雷达响应特征分析
[0049]
由于桥梁结构由多种介质组成，其介电性存在差异，可以通过改变混凝土的介电常数和电导率，以及调节钢筋直径、保护层厚度、钢筋间距等，通过正演获取其响应特征，从而掌握不同条件下电磁波的传播规律。此外，广泛收集已有桥梁钢筋探地雷达响应典型图谱，系统梳理响应特征，为样本数据集构建提供依据。
[0050]
(2)样本数据集构建
[0051]
本文将二维介电模型划分为256
×
128个网格，每个网格的大小为0.25cm
×
0.25cm。介电模型包含不同直径、不同埋深的钢筋。设计了均质混凝土中不同直径、不同埋深及不同位置的钢筋介电模型，通过时域有限差分法正演计算，获得了1152个样本数据对的数据集。每个样本数据对均由介电模型(大小为256
×
128)和相应的探地雷达数据(通过双线性插值使其与模型数据同大小)组成。
[0052]
(3)big-inv net网络模型搭建
[0053]
本发明基于全卷积神经网络的m-net架构为骨干网络设计了桥梁钢筋的雷达智能识别网络(big-inv net)，如图3所示。big-inv net包括5个模块。
[0054]
探地雷达桥梁钢筋数据多尺度输入模块见图4，该模块用于构建数据金字塔输入并实现不同层级感受野融合。具体实现使用平均池化层自然地对雷达数据进行降采样，并在编码器路径中构造多尺度输入。本发明在m-net测输入层的基础之上，加入了金字塔型卷积层，这样做的优势是：1)将多尺度输入集成到编码模块中，避免参数的大幅度增长；2)增加编码模块路径的网络宽度；3)增加了big-inv net网络的泛化性。
[0055]
编码模块见图5，该模块由8个卷积层，3个池化层组成。卷积层负责获取探地雷达桥梁钢筋数据局域特征，池化层对数据进行下采样并且将尺度不变特征传送到下一层。为保障网络学习性能稳定的情况下提升网络的学习速度，在卷积层后加入批量归一化算法；激活函数能解决网络训练时存在梯度消失和收敛速度问题，线性整流函数的数学表达式如下：
[0056]frelu
(x)＝max(x,0),
[0057]
当输入大于0时，输出等于输入；当输入小于0时，输出为0。
[0058]
金字塔卷积模块见图6，在编码阶段结束后，将特征图进行金字塔卷积操作，该模块包含不同尺度的卷积核，可以提取多尺度信息，提高探地雷达桥梁钢筋识别效果。
[0059]
解码模块见图7，前面模块已经获取了所有异常信息与大致的位置信息，那么下一步就需要将这些异常对应到具体的像素级位置上。解码模块对缩小后的特征图像进行上采样，然后进行卷积处理，从而完善异常体的几何形状，弥补之前操作造成的细节损失。
[0060]
多尺度输出模块见图8，为早期的层生成一个相应的局部输出映射。将多个局部输出映射的平均值作为最终输出。从而实现深层监控，可以缓解梯度消失问题，有助于早期层的训练。
[0061]
(4)网络训练与优化
[0062]
网络训练与优化包括训练数据和测试网络两个部分。将样本数据库随机分为训练数据，测试数据和验证数据，对应比例为10：1：1(训练集：920对；验证集：116对；测试集116对)。在训练过程中，所有输入和输出值均被标准化为[0，1]的范围。本发明big-inv net网络模型框架是使用keras构建的，并采用tensorflow作为后端。在训练时，设置批量大小为10，学习率为0.001，动量为0.9和权重衰减为1e-8的adam优化器。总共进行了60轮训练。为防止出现过拟合现象，在每次训练之后进行验证。设定理论模型与反演结果的均方误差为反演模型评价指标，均方误差函数表达式如下：
[0063][0064]
式中：n为反演参数个数，mi为归一化后测试模型介电常数参数理论值，为归一化反演介电常数参数。
[0065]
(5)模型试验
[0066]
图9(a)、图10(a)为介电常数模型fdtd正演形成的回波数据；图9(b)、图10(b)为介电常数模型；图9(c)、图10(c)为训练好的神经网络的识别结果。模型识别值与理论值对比表如下：
[0067]
表2两根钢筋模型智能识别值与理论值对比表
[0068][0069]
表3三根钢筋模型智能识别值与理论值对比表
[0070][0071][0072]
模型试验表明，智能识别结果与模型位置、直径、介电常数均高度吻合。
[0073]
(6)实例检测
[0074]
采用本发明方法对物理模型实测探地雷达数据进行反演。物理模型如图11所示，图中蓝色箭头方向为测线方向，被测体内部垂向布置7根半径0.006m钢筋，8根半径0.005m钢筋，钢筋位置参数见表4。
[0075]
表4被测体钢筋参数
[0076]
[0077]
本发明所用采集设备为ltd-2600型智能化探地雷达。测线长为2.56m，时窗为10ns，天线频率为1500mhz。实测探地雷达数据及其识别结果见图12。可以看出，其钢筋位置、介电常数和直径均与真实情况基本相符。
[0078]
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。