硕士论文导读《基于探地雷达技术及卷积神经网络理论的公路路基病害评价》

论文题目：基于探地雷达技术及卷积神经网络理论的

公路路基病害评价

作者及单位：长安大学 姜海强

摘要

本文介绍了探地雷达检测的原理和影响检测性能的因素。在此基础上，综述了各类道路材料及包括裂缝、脱空、路基疏松等在内的公路路基病害在探地雷达信号下的典型图像特征，着重介绍了基于病害反射的探地雷达信号识别与优化算法.

。探地雷达技术可以有效克服路基病害的隐蔽性问题，但当前探地雷达的数据分析还依赖于人工识别。为此，本文建立了级联卷积神经网络来实现自动识别探地雷达图像所反映路基病害的任务。级联卷积神经网络系统由两个卷积神经网络组成，分别用于识别低分辨率和高分辨率探地雷达图像。神经网络的建立包括训练、验证和测试三个步骤。通过训练和测试的结果验证了级联卷积神经网络系统的稳定性。将级联卷积神经网络和其他识别算法进行比较，以论证其优越性。结果表明，级联卷积神经网络在路基病害分类训练中的识别准确率为 97.46％，验证中的识别准确率为 95.80％。级联卷积神经网络的识别准确性不受雷达发射频率和路面结构的影响。此外，与 Sobel 边缘检测和 K 值聚类分析相比，级联卷积神经网络系统识别精度更高。

本文做了三件事：

介绍探地雷达监测的原理和影响监测性能的因素综述各类道路材料及各类病害在雷达信号下的典型图像特征介绍基于病害反射的探地雷达信号识别与优化算法建立级联卷积神经网络将该神经网络与其他识别算法进行比较探究级联卷积神经网络的识别准确性是否受雷达频率、道路结构影响

第四章 路基病害信号识别与优化算法

本章分析了 7 种路基病害信号识别与优化的算法，分别是：“三维一体化”检测技术；谱剖面技术；支持向量机（SVM）技术；S 变换技术；Sobel 边缘检测技术；K 值聚类分析技术；卷积神经网络技术。本文选取卷积神经网络技术对探地雷达图像进行路基病害的识别

以山西省境内的四条高速公路（平阳高速、侯平高速、太旧高速、太佳高速）作为研究对象，路面结构如表 5-1 所示。每条公路分别采集了 50 张路基病害图像，一共获得分辨率为 5,120×3,072 的 200 张图像

将这 200 张图像进行裁剪，使得像素分辨率为 256×256，并手动注释图像反应的路基状态。为保证后续训练的收敛速度及响应速度，对图像采用正交编码注释。

网络结构描述：

本文建立了级联卷积神经网络，其结构如图 5.3 所示。级联卷积神经网络有两个分类器，这两个分类器都是卷积神经网络，结构相同。二者的区别在于分辨率的不同：分类器 1 采用的是高分辨率样本训练，分类器 2 采用的是低分辨率样本训练。在探地雷达病害图像识别中，低分辨率样本为 300MHz 发射频率采集的样本，其余样本命名高分辨率样本

卷积神经网络有四个结构层，分别为：输入层、卷积层、池化层和 softmax 层。由 于卷积层和池化层的使用，探地雷达中 256256 的小尺寸图像可作为样本直接输入到卷积神经网络中，用作训练和测试样本。最后样本再进行卷积操作、池化操作以及 softmax操作进行病害分类。

小样本数据：

数据增强（实现数据扩充）加入噪声数据裁剪仿真实验K-折交叉检验方法将多个这样的“弱学习组”进行组合（可以是一批诸如Support VectorMachines或Decision Trees之类的程序），使得它们能够“协同工作”，共同产生一个预测结果。这就是集成学习的主要内容。迁移学习

集成学习

参考文档