基于YOLO算法的探地雷達(dá)道路圖像異常自動(dòng)檢測(cè)

覃紫馨,姜彥南*,徐立,王嬌,張世田,馮溫雅

(1.桂林電子科技大學(xué)信息與通信學(xué)院,桂林 541004; 2.中國(guó)電波傳播研究所,青島 266108)

伴隨著城市化進(jìn)程的發(fā)展,城市空間利用和城市道路安全受到愈來愈廣泛的關(guān)注。地下空洞、管線和既有建筑的基礎(chǔ)是城市道路勘查的主要異常目標(biāo),準(zhǔn)確、高效地檢測(cè)出道路內(nèi)部的異常目標(biāo)可為城市建設(shè)和治理提供技術(shù)保障,而探地雷達(dá)(ground penetrating radar,GPR)作為一種常用的、無損的城市工程勘查技術(shù),具有高速率、高精度和高經(jīng)濟(jì)性等特點(diǎn),目前已成為城市道路勘察主要的地球物理探測(cè)手段[1]。GPR的應(yīng)用十分廣泛,如混凝土中的空洞定位與治理[2]、地雷探測(cè)與排除[3]、地下設(shè)施追蹤和繪圖[4]、鐵路道碴的優(yōu)化和評(píng)估[5]等。雖然GPR在道路無損檢測(cè)方面有著很大的優(yōu)勢(shì),但其數(shù)據(jù)量通常十分龐大,且數(shù)據(jù)解釋主要依靠專業(yè)技術(shù)人員,具有人工經(jīng)驗(yàn)要求高、數(shù)據(jù)解譯難度大、解釋工作量大、解釋周期長(zhǎng)等突出問題。因此,研究從GPR圖像數(shù)據(jù)中準(zhǔn)確快速自動(dòng)解譯道路內(nèi)部異常目標(biāo)的方法具有重要的應(yīng)用價(jià)值和現(xiàn)實(shí)意義。

近年來,已有關(guān)于將深度學(xué)習(xí)應(yīng)用于GPR 圖像數(shù)據(jù)自動(dòng)識(shí)別掩埋物體的研究報(bào)道[6-8]。Dinh等[9]提出,通過預(yù)處理確定目標(biāo)雙曲線頂點(diǎn)后,提取頂點(diǎn)周圍固定大小的區(qū)域用作訓(xùn)練樣本。Lei等[7]使用了典型的目標(biāo)檢測(cè)框架,即更快的R-CNN(region-convolutional neural network)[10]對(duì)隱藏的線性對(duì)象進(jìn)行分類,并縮小了候選框的雙曲線范圍。馮德山等[11]利用深度學(xué)習(xí)模型自動(dòng)處理和分析地質(zhì)雷達(dá)圖像,從而實(shí)現(xiàn)隧道襯砌結(jié)構(gòu)物的自動(dòng)化識(shí)別和檢測(cè)。張世瑤等[12]使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取和裂縫檢測(cè),并通過數(shù)據(jù)增強(qiáng)和網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整來優(yōu)化檢測(cè)性。羅暉等[13]提出使用YOLOv4算法檢測(cè)道路路面病害在精度和速度上優(yōu)于Faster R-CNN算法。在目前的探地雷達(dá)道路圖像異常目標(biāo)識(shí)別相關(guān)研究中,尚未涌現(xiàn)出通用的公開數(shù)據(jù)集,多數(shù)研究借助模擬軟件生成道路結(jié)構(gòu)仿真圖像。雖然這些研究利用深度學(xué)習(xí)技術(shù)實(shí)現(xiàn)了一定的異常目標(biāo)檢測(cè)效果,但在高效性和實(shí)時(shí)性方面仍有提升的空間。因此,迫切需要探索更為優(yōu)越的目標(biāo)算法,以提升檢測(cè)模型的高效性、實(shí)時(shí)性和準(zhǔn)確性,以滿足實(shí)際應(yīng)用的需要。

常用于目標(biāo)檢測(cè)的深度學(xué)習(xí)算法[14]有兩種,一種是先得到目標(biāo)的候選框,再對(duì)候選框中的目標(biāo)進(jìn)行分類,也稱為“雙階段”算法,以R-CNN、Faster-RCNN等為代表;另一種是直接預(yù)測(cè)到檢測(cè)的目標(biāo)位置和類別,也稱為“單階段”算法,以YOLO系列為代表。而YOLO系列目標(biāo)檢測(cè)算法擁有較高的精確率,較快的檢測(cè)速率,超越“雙階段”算法更適用于探地雷達(dá)圖像目標(biāo)檢測(cè)。為此,首先引入一個(gè)實(shí)測(cè)的GPR道路圖像異常目標(biāo)數(shù)據(jù)集,該數(shù)據(jù)集由山東青島多個(gè)城市道路路段的實(shí)測(cè)GPR B-scan圖像裁剪而成,用以研究開發(fā)新的GPR數(shù)據(jù)自動(dòng)檢測(cè)模型方法并評(píng)估其在實(shí)測(cè)數(shù)據(jù)中標(biāo)記和識(shí)別異常目標(biāo)體的性能。接著,對(duì)比研究YOLOv3和YOLOv4目標(biāo)檢測(cè)算法的基本網(wǎng)絡(luò)框架,以及YOLOv4的改進(jìn)算法,分析YOLOv4目標(biāo)檢測(cè)算法框架以及改進(jìn)算法帶來的檢測(cè)效率的提升。

1 YOLOv3和YOLOv4網(wǎng)絡(luò)框架對(duì)比

YOLOv3算法是應(yīng)用最為廣泛的目標(biāo)檢測(cè)算法之一,也是YOLO系列中最經(jīng)典的算法。YOLOv4算法[15]是基于YOLOv3網(wǎng)絡(luò)框架,優(yōu)化了主干網(wǎng)絡(luò)模塊和特征融合模塊。通過對(duì)比分析YOLOv3和YOLOv4的網(wǎng)絡(luò)框架,研究YOLOv4網(wǎng)絡(luò)如何提升實(shí)測(cè)GPR圖像目標(biāo)的檢測(cè)效果。

1.1 網(wǎng)絡(luò)模型整體架構(gòu)

YOLOv3和YOLOv4網(wǎng)絡(luò)模型架構(gòu)如圖1所示。其中圖1(a)所示的YOLOv3網(wǎng)絡(luò)模型架構(gòu)包含Darknet_53、特征融合網(wǎng)絡(luò)(feature pyramid networks,FPN)和YOLO Head等三部分,它是在YOLO 系列的基礎(chǔ)上將主干網(wǎng)絡(luò)Darknet_19改為Darknet_53,使得主干網(wǎng)絡(luò)的層數(shù)加深,提高了對(duì)道路內(nèi)部異常目標(biāo)特征的提取能力,并借助殘差網(wǎng)絡(luò)的思想,減小主干網(wǎng)絡(luò)由于層數(shù)增加帶來梯度消失的影響。另外,YOLOv3中引入的特征融合網(wǎng)絡(luò)FPN則用于檢測(cè)目標(biāo)的多尺度特征提取和多尺度特征預(yù)測(cè)。

YOLOv4網(wǎng)絡(luò)模型架構(gòu)主要也由三部分組成[圖1(b)]:CSPDarknet_53、路徑聚合網(wǎng)絡(luò)(path aggregation network,PAN)和YOLO_head,框架上的主要差別是在CSPDarknet_53與PAN模塊中間加入了空間金字塔池(spatial pyramid pooling,SPP)模塊。在YOLOv3的基礎(chǔ)上,YOLOv4將主干殘差網(wǎng)絡(luò)Darknet_53為CSPDarknet-53,后者集成了跨階段局部網(wǎng)絡(luò)(cross stage partial net,CSPNet),這有助于加強(qiáng)卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算能力和降低內(nèi)存成本,兼顧了算法模型的速度和精度。此外,PAN和SPP構(gòu)成的特征融合網(wǎng)絡(luò)極大地提高了實(shí)測(cè)GPR圖像數(shù)據(jù)的檢測(cè)精度。

1.2 主干殘差網(wǎng)絡(luò)

如圖2(a)所示為YOLOv3的主干殘差網(wǎng)絡(luò)Darknet_53,其中的主干部分為兩次卷積操作,即一次1×1卷積和一次3×3的卷積,而殘差邊部分不做任何處理直接將輸入與輸出結(jié)合,將二者的輸出相加便得到了殘差模塊的輸出。在Darknet_53網(wǎng)絡(luò)中,每層卷積層之后增加一個(gè)標(biāo)準(zhǔn)化處理來不斷地調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)的中間輸出以避免深層的卷積神經(jīng)網(wǎng)絡(luò)在參數(shù)更新的過程中導(dǎo)致的輸出急劇改變,使整個(gè)神經(jīng)網(wǎng)絡(luò)在各層的中間輸出的數(shù)值更穩(wěn)定,加快模型收斂速度提高訓(xùn)練速度。

圖2 YOLOv3的殘差模塊和 YOLOv4的殘差模塊

YOLOv4模型主干殘差網(wǎng)絡(luò)如圖2(b)所示,其采用了一種新的CSPDarknet-53網(wǎng)絡(luò)。CSPDarknet-53網(wǎng)絡(luò)借助了CSPNet算法思想對(duì)殘差模塊進(jìn)行優(yōu)化,這也是YOLOv4的重要改進(jìn)之一。CSPDarknet-53殘差模塊(CSP_resblock_body)中的特征層包括兩部分,一部分接連若干小的殘差網(wǎng)絡(luò)并輸出,另一部分只經(jīng)過簡(jiǎn)單的卷積操作輸出,將二者經(jīng)過張量拼接(concat)后進(jìn)行輸出。相較于Darknet_53網(wǎng)絡(luò)中的殘差模塊只是將殘差單元進(jìn)行簡(jiǎn)單的堆疊,CSP_resblock_body不僅顯著提高了網(wǎng)絡(luò)的特征提取能力,還解決了在其他常用的目標(biāo)檢測(cè)網(wǎng)絡(luò)框架中存在的重復(fù)信息計(jì)算的問題,并將梯度的變化從始至終集成到特征圖中,這種分流再結(jié)合的策略有效地豐富梯度流信息且減少了計(jì)算量,大大提高了GPR圖像中異常類別推理的速度和異常定位的準(zhǔn)確性。

1.3 特征融合網(wǎng)絡(luò)

如圖3(a)所示YOLOv3的特征融合網(wǎng)絡(luò)包含兩個(gè)部分,左邊部分從底層向上,卷積神經(jīng)網(wǎng)絡(luò)前向提取特征,右邊部分從頂層向下,特征層進(jìn)行上采樣,中間的橫向連接將當(dāng)前層的特征與上采樣后的特征進(jìn)行融合。由于不同層次的特征圖表達(dá)能力不同,淺層特征反映明暗、邊緣等細(xì)節(jié),深層特征則反映更豐富的整體結(jié)構(gòu)。FPN網(wǎng)絡(luò)通過簡(jiǎn)單的連接,將深層豐富的特征語義信息和淺層精確的目標(biāo)位置信息相結(jié)合,有利于小目標(biāo)物體的檢測(cè)。

圖3 特征融合網(wǎng)絡(luò)結(jié)構(gòu)

YOLOv4在CSP darknet-53提取相關(guān)特征后,同樣需要特征融合網(wǎng)絡(luò)對(duì)提取的特征進(jìn)行融合,以提高模型的檢測(cè)能力。YOLOv4的特征融合網(wǎng)絡(luò)包括SPP和PAN兩部分,前者位于CSP darknet_53網(wǎng)絡(luò)之后。SPP模塊由四個(gè)不同核大小的池化操作組成,將得到不同特征信息進(jìn)行融合,輸出具有豐富特征信息的特征層。由于卷積神經(jīng)網(wǎng)絡(luò)限制了輸入的GPR圖像尺寸,使得異常目標(biāo)受到不同程度的壓縮,引入SPP模塊增加不同感受野并有效分離重要的上下文特征,在降低限制輸入大小的影響同時(shí)不會(huì)降低網(wǎng)絡(luò)的運(yùn)行速度。

PAN網(wǎng)絡(luò)如圖3(b)所示,其中左半部分為FPN網(wǎng)絡(luò),右半部分為改進(jìn)部分。PAN網(wǎng)絡(luò)在FPN網(wǎng)絡(luò)的基礎(chǔ)上,再將底層特征層進(jìn)行下采樣,中間橫向連接將上采樣得到的強(qiáng)語義特征信息和下采樣得到的強(qiáng)定位特征信息相結(jié)合,輸出三個(gè)包含不同特征信息、不同尺度的檢測(cè)層。YOLOv4的特征融合網(wǎng)絡(luò)解決了GPR B-scan圖像異常目標(biāo)多尺度的問題,在不增加過多計(jì)算量的同時(shí),更好的提取到異常目標(biāo)的特征信息,從而提高模型的判別能力。

2 YOLOv4的改進(jìn)算法

盡管YOLOv3框架已經(jīng)在目標(biāo)檢測(cè)領(lǐng)域取得很大的成就,但是由于GPR掃描圖像復(fù)雜,不僅背景多變,而且異常目標(biāo)回波時(shí)強(qiáng)時(shí)弱,導(dǎo)致該檢測(cè)框架在探地雷達(dá)異常目標(biāo)檢測(cè)任務(wù)中效果不理想。YOLOv4邊界框損失函數(shù)使用CIOU(complete intersection over union)損失函數(shù)代替均方誤差損失,使得邊界回歸更快、更準(zhǔn)確;將mosaic數(shù)據(jù)增強(qiáng)方法和遷移學(xué)習(xí)相結(jié)合,緩解了GPR數(shù)據(jù)緊缺的問題;引入標(biāo)簽平滑處理等一系列改進(jìn),進(jìn)一步提高了目標(biāo)檢測(cè)性能。

2.1 CIOU損失函數(shù)

目標(biāo)檢測(cè)算法中預(yù)測(cè)框的回歸損失函數(shù)隨著研究的發(fā)展不斷變化。最初在目標(biāo)檢測(cè)任務(wù)中使用IOU判斷預(yù)測(cè)的目標(biāo)位置是否正確。IOU計(jì)算公式為

(1)

式(1)中:A為預(yù)測(cè)框;B為真實(shí)框。但I(xiàn)OU無法區(qū)分預(yù)測(cè)框和真實(shí)框不同的相交情況。隨后提出的DIOU(distance-IOU)將預(yù)測(cè)框和真實(shí)框的重合度考慮進(jìn)去,解決了預(yù)測(cè)框和真實(shí)框出現(xiàn)包含的現(xiàn)象時(shí)IOU損失值相同的問題。DIOU 損失函數(shù)計(jì)算公式為

(2)

式(2)中:d為預(yù)測(cè)框和真實(shí)框中心點(diǎn)間的距離;c為能夠同時(shí)包含預(yù)測(cè)框和真實(shí)框的最小閉合區(qū)域的對(duì)角線距離。

在此基礎(chǔ)上,CIOU損失函數(shù)還將長(zhǎng)寬比用于判斷預(yù)測(cè)框和真實(shí)框的相似度,解決了DIOU無法判斷同樣面積的預(yù)測(cè)框形狀不同的情況。同時(shí)考慮重疊面積、中心距離和長(zhǎng)寬比三個(gè)因素的損失函數(shù)CIOU計(jì)算公式為

(3)

式(3)中:α為懲罰因子;μ為預(yù)測(cè)框和真實(shí)框長(zhǎng)寬比相似度。CIOU損失函數(shù)可以不斷拉近預(yù)測(cè)框和真實(shí)框之間的距離,而且是預(yù)測(cè)框向更靠近真實(shí)框的方向前進(jìn),且CIOU損失函數(shù)的精度更高,收斂速度更快。

2.2 Mosaic算法增強(qiáng)數(shù)據(jù)集

在實(shí)驗(yàn)中,GPR道路內(nèi)部異常目標(biāo)樣本數(shù)量較少,異常目標(biāo)形態(tài)多變,而且GPR工作時(shí)干擾較多,異常目標(biāo)檢測(cè)效果受背景影響較大。Mosaic算法與常見數(shù)據(jù)增強(qiáng)算法最大的不同在于,常見的數(shù)據(jù)增強(qiáng)辦法是在模型訓(xùn)練前進(jìn)行樣本數(shù)量的擴(kuò)充,而Mosaic算法則是在訓(xùn)練過程中實(shí)時(shí)進(jìn)行數(shù)據(jù)增強(qiáng)。在訓(xùn)練過程中每個(gè)迭代(epoch)訓(xùn)練前使用Mosaic算法,隨機(jī)在訓(xùn)練集樣本中選取4張圖像,然后按照一定的順序排列在新圖像的4個(gè)固定位置,最后在新圖像中間部分畫切十字割線,剪切掉圖像重疊部分即可。Mosaic算法在訓(xùn)練過程中進(jìn)行隨機(jī)的數(shù)據(jù)增強(qiáng),使每個(gè)迭代過程中訓(xùn)練集都會(huì)增加新的樣本,從而有效解決較少數(shù)量的訓(xùn)練樣本使模型陷入過擬合的問題。同時(shí),Mosaic數(shù)據(jù)增強(qiáng)算法,將4個(gè)不同背景的圖像進(jìn)行拼接,豐富了訓(xùn)練集中GPR圖像異常目標(biāo)的背景,提高了模型的檢測(cè)性能。Mosaic算法處理的GPR道路實(shí)測(cè)數(shù)據(jù)效果如圖4所示。

圖4 Mosaic數(shù)據(jù)增強(qiáng)效果圖

2.3 標(biāo)簽平滑處理

在分類任務(wù)中,常使用交叉熵?fù)p失函數(shù)計(jì)算預(yù)測(cè)異常目標(biāo)和真實(shí)異常目標(biāo)的誤差,從而推動(dòng)模型向更精確的預(yù)測(cè)靠近。在交叉熵?fù)p失函數(shù)的計(jì)算中,使用獨(dú)熱編碼的形式區(qū)分正負(fù)樣本,即標(biāo)簽1為正樣本,標(biāo)簽0為負(fù)樣本。

交叉熵?fù)p失函數(shù)可表示為

(4)

式(4)中:m為樣本總數(shù);n為樣本類別總數(shù);yi為one-hot標(biāo)簽信息;pi為概率。

例如,對(duì)類別總數(shù)為5的一批樣本,假設(shè)存在一個(gè)未平滑處理的one-hot標(biāo)簽[0,0,0,1,0]通過網(wǎng)絡(luò)模型后的概率矩陣p為[0.1,0.1,0.1,0.36,0.34],代入交叉熵?fù)p失函數(shù)可得單個(gè)樣本的loss為1.47。標(biāo)簽經(jīng)計(jì)算的平滑處理后的one-hot標(biāo)簽為[0.02,0.02,0.02,0.92,0.02],代入交叉熵?fù)p失函數(shù)可得單個(gè)樣本的損失為2.63。計(jì)算公式為

(5)

式(5)中:ε為平滑因子。

可以看出,未做標(biāo)簽平滑處理的損失只考慮了正確標(biāo)簽位置的損失,導(dǎo)致了模型在訓(xùn)練過程中過于擬合GPR道路圖像訓(xùn)練集中的異常目標(biāo)形態(tài),而在測(cè)試集中存在大量復(fù)雜特征的異常目標(biāo)未能正確檢測(cè),即模型過擬合,泛化能力差;經(jīng)過平滑處理后的損失既考慮了正確標(biāo)簽位置的損失也考慮了錯(cuò)誤標(biāo)簽位置的損失,使得損失值增大,模型在提高異常目標(biāo)正確分類的同時(shí)減少異常目標(biāo)錯(cuò)誤分類,增強(qiáng)了模型的學(xué)習(xí)能力,提高模型的泛化能力,使訓(xùn)練后的模型在背景多變,形態(tài)復(fù)雜的探地雷達(dá)圖像中也能準(zhǔn)確識(shí)別異常目標(biāo)。

由于可用于GPR道路內(nèi)部異常檢測(cè)目標(biāo)的樣本集數(shù)量較少,在訓(xùn)練網(wǎng)絡(luò)模型時(shí)常常使之陷入訓(xùn)練驗(yàn)證效果較好但測(cè)試結(jié)果差的困境,這是由于較小的數(shù)據(jù)集導(dǎo)致訓(xùn)練模型過擬合,而標(biāo)簽平滑處理較好地解決了小樣本數(shù)據(jù)集的過擬合問題,這對(duì)提升本文算法的實(shí)用性具有十分重要的意義。

3 實(shí)驗(yàn)方案與實(shí)驗(yàn)結(jié)果

3.1 探地雷達(dá)異常目標(biāo)數(shù)據(jù)集

本文中GPR道路內(nèi)部異常目標(biāo)數(shù)據(jù)集數(shù)據(jù)主要從原始實(shí)測(cè)的長(zhǎng)剖面數(shù)據(jù)截取。其中,數(shù)據(jù)集類別包括空洞、破碎、管線、鋼筋網(wǎng)、雨污井(檢測(cè)中分別命名為cavity、broken、pipeline、rebar、well)五類異常目標(biāo);共145張1 000道實(shí)測(cè)去除直達(dá)波的探地雷達(dá)圖像數(shù)據(jù)。

采用VOC數(shù)據(jù)集格式標(biāo)記道路內(nèi)部異常目標(biāo)檢測(cè)數(shù)據(jù)集。將標(biāo)記的數(shù)據(jù)集按照9∶1的比例劃分為訓(xùn)練集和測(cè)試集。為了進(jìn)一步提高模型的泛化能力,增加樣本的多樣性,對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行圖片隨機(jī)水平翻轉(zhuǎn)、豎直或水平移動(dòng)、放大或縮小、高斯模糊和明亮變換等增強(qiáng)操作,得到1 419張訓(xùn)練集圖片,再按照9∶1的比例將訓(xùn)練集劃分出142張數(shù)據(jù)圖片用作驗(yàn)證集,實(shí)時(shí)監(jiān)控模型的檢測(cè)性能。

3.2 實(shí)驗(yàn)方案、平臺(tái)及配置

為了進(jìn)一步加快網(wǎng)絡(luò)的訓(xùn)練速度,聯(lián)合VOC 2007數(shù)據(jù)集預(yù)訓(xùn)練YOLOv4 CSPDarknet-53卷積神經(jīng)網(wǎng)絡(luò),獲得預(yù)訓(xùn)練權(quán)重;采用遷移學(xué)習(xí)方法,基于道路內(nèi)部異常目標(biāo)數(shù)據(jù)集進(jìn)一步訓(xùn)練模型。訓(xùn)練時(shí),先凍結(jié)主干網(wǎng)絡(luò)的權(quán)重參數(shù),精調(diào)訓(xùn)練后半部分網(wǎng)絡(luò)的權(quán)重參數(shù),經(jīng)過50個(gè)迭代訓(xùn)練后再解凍主干網(wǎng)絡(luò),訓(xùn)練全部網(wǎng)絡(luò)層,并更新整個(gè)模型的權(quán)重參數(shù)。本文中YOLOv4使用SGD優(yōu)化器[16],并采用余弦退火衰減調(diào)整學(xué)習(xí)率。實(shí)驗(yàn)平臺(tái)使用的軟件情況為:Pycharm2020,Python3.6,CUDNN11.0和CUDA11.0.2。訓(xùn)練YOLOv3和YOLOv4網(wǎng)絡(luò)的參數(shù)如表1所示。

表1 YOLOv3、YOLOv4訓(xùn)練網(wǎng)絡(luò)參數(shù)

3.3 探地雷達(dá)目標(biāo)檢測(cè)性能比較

目標(biāo)檢測(cè)任務(wù)在類別判斷正確的基礎(chǔ)上,通過設(shè)置IOU判斷檢測(cè)是否準(zhǔn)確。IOU的值超過閾值,即預(yù)測(cè)目標(biāo)位置準(zhǔn)確,判斷檢測(cè)正確;IOU的值低于閾值,即預(yù)測(cè)目標(biāo)位置不準(zhǔn)確,判斷檢測(cè)錯(cuò)誤。本次研究將IOU的閾值設(shè)置為0.3。

在目標(biāo)檢測(cè)任務(wù)中,通常使用準(zhǔn)確率和召回率作為衡量一個(gè)模型檢測(cè)效果的標(biāo)準(zhǔn)。準(zhǔn)確率即判斷模型所檢測(cè)到道路內(nèi)部異常目標(biāo)類別是否準(zhǔn)確,召回率即判斷模型所檢測(cè)到的道路內(nèi)部異常目標(biāo)數(shù)量是否完全。準(zhǔn)確率和召回率是一對(duì)相互矛盾的性能指標(biāo),但是它們對(duì)模型檢測(cè)性能同等重要,故引入F1計(jì)算準(zhǔn)確率和召回率調(diào)和平均數(shù),進(jìn)行綜合評(píng)價(jià)。準(zhǔn)確率越高則說明模型判別效果越好;召回率越高則說明模型識(shí)別能力越強(qiáng);而F1數(shù)值越高則說明模型越穩(wěn)健。

基于測(cè)試集數(shù)據(jù)實(shí)驗(yàn)測(cè)試訓(xùn)練完成的目標(biāo)檢測(cè)網(wǎng)絡(luò)模型結(jié)果如表2、表3所示。

表2 道路異常類別檢測(cè)結(jié)果比較

表3 YOLOv3和YOLOv4檢測(cè)結(jié)果比較

由表2可以看出,較之YOLOv3算法,YOLOv4算法在檢測(cè)GPR 道路內(nèi)部五類異常目標(biāo)時(shí),除雨污井外,其他類別異常的檢測(cè)準(zhǔn)確率和召回率均有較大提升。進(jìn)一步由表3可知,YOLOv4的平均準(zhǔn)確率提升了24.91%,平均召回率提升了10.09%,綜合評(píng)價(jià)F1由0.739 5提高到0.918 8。YOLOv4的改進(jìn)算法,既繼承了YOLOv3的優(yōu)點(diǎn),又帶來檢測(cè)性能的進(jìn)一步的提升。

圖5為L(zhǎng)TD-2600型號(hào)探地雷達(dá)對(duì)山東省青島市江西路某路段實(shí)際探測(cè)圖并經(jīng)過本文研究的目標(biāo)檢測(cè)模型進(jìn)行檢測(cè)。該圖片中,兩個(gè)紫色框中自動(dòng)定位識(shí)別異常目標(biāo)為雨污井,并判斷為雨污井的概率分別為0.98和0.93,綠色框中異常目標(biāo)為管線,為管線的概率為0.96,即極大的概率異常目標(biāo)為雨污井和管線。經(jīng)由經(jīng)驗(yàn)豐富的技術(shù)人員人工判別該路段存在兩個(gè)雨污井和一根管線。證實(shí)基于YOLOv4的探地雷達(dá)異常目標(biāo)自動(dòng)檢測(cè)模型檢測(cè)正確。

圖5 山東省青島市江西路某路段探地雷達(dá)實(shí)測(cè)圖

圖6給出了不同類型異常目標(biāo)檢測(cè)結(jié)果對(duì)比。明顯可以看出,YOLOv3網(wǎng)絡(luò)對(duì)于較明顯、單一、較大的道路內(nèi)部異常目標(biāo)檢測(cè)結(jié)果較好;但對(duì)于GPR實(shí)測(cè)圖像數(shù)據(jù)中經(jīng)常出現(xiàn)的密集、相互重疊、規(guī)模小的目標(biāo),YOLOv4網(wǎng)絡(luò)有更好的檢測(cè)結(jié)果。基于YOLOv3的YOLOv4改進(jìn)算法,明顯提高了GPR 道路異常檢測(cè)的正確率,極大地降低了異常的漏檢率。

圖6 YOLOv3和YOLOv4目標(biāo)檢測(cè)模型結(jié)果比較

4 結(jié)論

探地雷達(dá)道路內(nèi)部異常目標(biāo)智能化檢測(cè)技術(shù)在道路維護(hù)、城市基建等領(lǐng)域具有重要的應(yīng)用意義。YOLOv4的改進(jìn)算法重點(diǎn)解決了自建探地雷達(dá)數(shù)據(jù)集中YOLOv3檢測(cè)精度不足的問題。在YOLOv3的基礎(chǔ)上,本文中YOLOv4不僅改進(jìn)網(wǎng)絡(luò)模型,還使用CIOU損失函數(shù)、Mish激活函數(shù)提高模型收斂精度,結(jié)合Mosaic數(shù)據(jù)增強(qiáng)算法以解決數(shù)據(jù)集數(shù)量過少的問題,加入標(biāo)簽平滑處理防止小樣本訓(xùn)練集導(dǎo)致的模型過擬合問題。實(shí)驗(yàn)結(jié)果表明,YOLOv4模型在探地雷達(dá)地下目標(biāo)檢測(cè)任務(wù)中的準(zhǔn)確率高于YOLOv3,平均準(zhǔn)確率提高了24.91%,平均召回率提高了10.09%,綜合參考指標(biāo)F1提升了0.18滿足探地雷達(dá)道路內(nèi)部異常目標(biāo)智能化檢測(cè)需求,具有較強(qiáng)的實(shí)用價(jià)值。