高速公路淺層隱藏缺陷的模式識(shí)別技術(shù)應(yīng)用研究

(華北水利水電大學(xué) 河南 鄭州 450000)

引言

自上個(gè)世紀(jì)九十年代至今，我國(guó)的高速公路建設(shè)已有近30年的發(fā)展歷史，隨著高速公路的日?；褂?，許多高速公路逐漸進(jìn)入保養(yǎng)維護(hù)階段。

隨著無損物探技術(shù)的發(fā)展，探地雷達(dá)檢測(cè)技術(shù)在檢測(cè)高速公路隱藏裂縫的檢測(cè)中取得了良好的探測(cè)效果。探地雷達(dá)成像是通過反射、相干和無線電波疊加獲得的地下介質(zhì)的間接表征。不同類型的信號(hào)對(duì)探地雷達(dá)成像的影響有很多方面，包括直接耦合波、表面反射波、介質(zhì)反射波、目標(biāo)反射波和噪聲波。復(fù)雜的反射波在實(shí)際工程應(yīng)用中增加了檢測(cè)人員專業(yè)識(shí)別的難度，通過圖像處理和模式識(shí)別技術(shù)對(duì)雷達(dá)圖像進(jìn)行處理提取出圖像目標(biāo)可以提高檢測(cè)速度、提高檢測(cè)質(zhì)量、降低檢測(cè)誤差。

一、探地雷達(dá)技術(shù)

探地雷達(dá)(GPR)利用高頻脈沖電磁波產(chǎn)生周期行的脈沖信號(hào)，由雷達(dá)發(fā)射天線發(fā)射到地下，在電磁波的傳播過程中遇到其他介質(zhì)則會(huì)由于相對(duì)介電常數(shù)發(fā)生改變而產(chǎn)生反射信號(hào)。

(1)

(2)

式中：ε為介質(zhì)的相對(duì)介電常數(shù)；r為兩介質(zhì)之間的反射系數(shù)；c是光在真空中的傳播速度；式中的下表分別代表上介質(zhì)、下介質(zhì)。

空氣的相對(duì)介電常數(shù)值為1較小，高速公路混凝土瀝青路面的相對(duì)介電常數(shù)約為6～7，可見電磁波由空氣介質(zhì)進(jìn)入到瀝青介質(zhì)或由瀝青介質(zhì)進(jìn)入到空氣介質(zhì)時(shí)，將會(huì)發(fā)生強(qiáng)反射。如圖1若道路中存在裂縫或者空洞等，電磁波將會(huì)被反射，雷達(dá)回波信號(hào)剖面圖上將會(huì)產(chǎn)生明顯的波動(dòng)。

圖1 探地雷達(dá)在缺陷處的反射信號(hào)

二、探地雷達(dá)圖像預(yù)處理

在探地雷達(dá)的使用過程中由于天線直達(dá)波、地下非均勻介質(zhì)產(chǎn)生的回波、操作不當(dāng)產(chǎn)生的回波等探底雷達(dá)雜波嚴(yán)重的影響了探地雷達(dá)的探測(cè)準(zhǔn)確度。由于淺層路面的隱藏裂縫體積小寬度窄，目標(biāo)的反射回波較弱，因此抑制探底雷達(dá)雜波增強(qiáng)缺陷特征對(duì)接下來的特征提取尤為重要，其結(jié)果最終將影響整個(gè)系統(tǒng)的識(shí)別率以及執(zhí)行效率。

首先將圖像進(jìn)行灰度化處理并進(jìn)行高斯濾波從而降低圖像的噪聲；然后利用像素值的梯度差將缺陷的基本輪廓描繪出來；最后利用非極大值抑制的圖像處理手段抑制除局部最大值之外的所有梯度值，即只保留梯度最大的部分從而減少噪聲，然后通過閾值分割手段將缺陷提取出來，如圖2所示。

圖2 探地雷達(dá)圖像預(yù)處理

由處理結(jié)果我們可以看出圖像內(nèi)依然存在有少許噪聲，因而選擇使用開運(yùn)算刪除二值圖像中面積小于P的對(duì)象，得到如圖3(a)的結(jié)果，極大的降低了圖像的噪聲引起的誤差。通過對(duì)圖像的投影曲線分析如圖3(b)可以看出，統(tǒng)計(jì)處理過后的圖像垂直投影分布以及水平投影分布可以分割出希望的目標(biāo)區(qū)域的二值化結(jié)果。

圖3 目標(biāo)圖像提取

三、特征形成

傳統(tǒng)的探地雷達(dá)信號(hào)識(shí)別的方法主要是技術(shù)人員通過相關(guān)知識(shí)和經(jīng)驗(yàn)對(duì)雷達(dá)圖像的形狀、大小、位置及檢測(cè)環(huán)境作為主要辨別依據(jù)。探地雷達(dá)圖像中缺陷的紋理、形狀具有一定的差異，因此本文主要將裂縫和脫空缺陷的紋理、形態(tài)特征相結(jié)合來進(jìn)行特征提取，特征定義如下。

(一)紋理特征(textural features)

紋理通過像素及其周圍空間相鄰的灰度分布來進(jìn)行表述，其主要描述了圖像所對(duì)應(yīng)目標(biāo)的表面性質(zhì)。目前常用的幾類研究方法主要有小波變換法、統(tǒng)計(jì)法、模型法等。在紋理特征統(tǒng)計(jì)中通過灰度共生矩陣(GLCM)以及差分統(tǒng)計(jì)(GLDS)中的各個(gè)值來表述圖像的各個(gè)特征值。同時(shí)，我們引入自相關(guān)函數(shù)來判斷圖像的紋理方向和粗細(xì)度。探地雷達(dá)缺陷提取紋理特征如表1、表2所示。

灰度共生矩陣(GLCM)和差分統(tǒng)計(jì)法(GLDS)中的屬性：

①占空比：

(1)

②對(duì)比度：

(2)

③熵：

(3)

④角度方向二階矩：

(4)

⑤相關(guān)性：

(5)

⑥自相關(guān)函數(shù)：

ε,η>0

(6)

(二)七階hu矩(seven invariants)

探地雷達(dá)信號(hào)的采集過程中往往會(huì)因?yàn)樵O(shè)備震動(dòng)、操作不當(dāng)?shù)葘?dǎo)致圖像目標(biāo)區(qū)域的空間變換(如：平移、尺度、旋轉(zhuǎn)等)因?yàn)樾枰诖嘶A(chǔ)上構(gòu)造出具有空間變換不變性的特征，通常應(yīng)用不變矩1到7。探地雷達(dá)圖像中裂縫脫空提取七個(gè)不變矩的結(jié)果如表3所示。

表1 裂縫和脫空灰度共生矩陣特征

表2 裂縫和脫空差分統(tǒng)計(jì)矩陣特征

表3 七階hu矩特征

四、基于支持向量機(jī)(SVM)的公路隱含裂縫圖像識(shí)別

(一)SVM的基本理論

支持向量機(jī)(support vector machine)是一種基于有監(jiān)督學(xué)習(xí)的二分類模型算法，該模型的基本工作原理為尋找一個(gè)使兩種樣本在該超平面下邊緣距離最大的最優(yōu)分類超平面，邊緣距離越大兩類樣本就分的越開，分類的結(jié)果越好。該超平面的方程為：

ωTx+b=0

(5.1)

式子中：ω=(w1;w2;...wd)是該超平面的法向量，決定超平面的角度；b為位移項(xiàng)。

使用核函數(shù)目的為了使樣本在特征空間內(nèi)現(xiàn)行可分，特征空間的好壞幾乎決定著SVM的整個(gè)性能。然而在不知道特征映射的形式時(shí)，何種核函數(shù)合適也無法被知曉，核函數(shù)只是隱式的定義了該特征空間。因?yàn)楹撕瘮?shù)的選擇成為了SVM的最大影響因素。

表4展示出了幾類常見κ=(·,·)

表4 SVM常用的κ函數(shù)

除了直接使用以上核函數(shù)外，我們還可以通過函數(shù)組合來得到

·如果κ1與κ2都是核函數(shù)，那么對(duì)于正數(shù)γ1、γ2，線性組合的結(jié)果,

γ1κ1+γ2κ2

也是一個(gè)核函數(shù)。

·如果κ1與κ2都是核函數(shù)，那么兩個(gè)核的直積,

κ1?κ2(x,z)=κ1(x,z)κ2(x,z)

可以組合為一個(gè)核函數(shù)。

·如果κ1是核函數(shù)，那么對(duì)于任意的函數(shù)g(x,z),

κ(x,z)=g(x)κ1(x,z)g(z)

同樣也可以看成一個(gè)核函數(shù)。

在實(shí)驗(yàn)過程中我們選擇使用常用的5種核作為測(cè)試核，對(duì)每一種核進(jìn)行測(cè)試，得出測(cè)試結(jié)果。

(二)SVM對(duì)缺陷識(shí)別的分類應(yīng)用

本實(shí)驗(yàn)共計(jì)768個(gè)樣本，其中80%的樣本作為學(xué)習(xí)樣本，剩余20%作為測(cè)試樣本，采用網(wǎng)格迭代的方式，因?yàn)镚aussian核函數(shù)可以處理分類標(biāo)注與分類屬性之間非線性的關(guān)系，同時(shí)線性核函數(shù)又是Gaussian核函數(shù)的特殊形式，因此我們分別對(duì)Gaussian 核函數(shù)、Sigmoid核函數(shù)進(jìn)行網(wǎng)格遍歷，通過交叉驗(yàn)證5的正確率來估計(jì)模型的正確率。

采用網(wǎng)格迭代算法首先設(shè)置超參數(shù)g和c的范圍是log2g(-14，1)、log2c(-5,15)，每次迭代的步長(zhǎng)為2，分別對(duì)則可以得到一下結(jié)果。如圖4所示：

圖4 不同核函數(shù)分類結(jié)果

可得出以Gaussian為核函數(shù)的SVM模型的超參數(shù)范圍是log2g(-8,-6)、log2c(6,11)；以Sigmoid核函數(shù)進(jìn)行網(wǎng)格迭代的超參數(shù)范圍log2g(-11,-6)、log2c(9,15)因此，縮小每次迭代的步距(step=0.1)并對(duì)該范圍內(nèi)的超參數(shù)進(jìn)一步的縮小范圍，可以得到如下結(jié)果，圖5所示：

圖5 進(jìn)一步篩選超參數(shù)

由此可得Gaussian核超參數(shù)log2g=-6.4、log2c=9.40時(shí)模型的交叉檢驗(yàn)5的正確率最高為78.00%，Sigmoid核超參數(shù)log2g=-7.60、log2c=14.40時(shí)模型的交叉檢驗(yàn)5的正確率最高為77.47%。

五、結(jié)論

本文先將高速公路隱藏缺陷在探地雷達(dá)中的圖像提取出來；并利用七階hu矩、傅里葉形狀描述符、占空比作為特征值建立數(shù)據(jù)集；利用支持向量機(jī)算法的分類功能將不同類型的缺陷進(jìn)行分類，通過網(wǎng)格迭代算法篩選出最適合本數(shù)據(jù)集的核函數(shù)、超參數(shù)；通過實(shí)地的取芯檢測(cè)與模擬結(jié)果進(jìn)行對(duì)比，證明出本算法能夠滿足高速公路隱藏缺陷的快速識(shí)別。