基于YOLO算法的探地雷达道路图像异常自动检测.pdf
《基于YOLO算法的探地雷达道路图像异常自动检测.pdf》由会员分享,可在线阅读,更多相关《基于YOLO算法的探地雷达道路图像异常自动检测.pdf(8页珍藏版)》请在咨信网上搜索。
1、投稿网址:2023 年 第23 卷 第27 期2023,23(27):11505-08科 学 技 术 与 工 程Science Technology and EngineeringISSN 16711815CN 114688/T引用格式:覃紫馨,姜彦南,徐立,等.基于 YOLO 算法的探地雷达道路图像异常自动检测J.科学技术与工程,2023,23(27):11505-11512.Qin Zixin,Jiang Yannan,Xu Li,et al.Automatic detection of anomalies in GPR images based on YOLO algorithmJ.Sc
2、ience Technologyand Engineering,2023,23(27):11505-11512.天文学、地球科学基于 YOLO 算法的探地雷达道路图像异常自动检测覃紫馨1,姜彦南1,徐立1,王娇1,张世田2,冯温雅2(1.桂林电子科技大学信息与通信学院,桂林 541004;2.中国电波传播研究所,青岛 266108)摘 要 探地雷达(ground-penetrating radar,GPR)是一种可用于道路内部异常目标识别的无损检测方法。GPR 工作时往往产生海量的扫描数据,而数据解释是技术要求高、任务繁重的工作,通常需要人工完成。此外,道路内部的复杂性和异常目标的多样性增加了
3、图像异常检测的难度。近年来,人工智能(artificial intelligence,AI)技术的快速发展为基于 AI 的探地雷达B-scan图像自动解释提供了可行的技术思路,常用的深度学习算法有 RCNN(region-convolutional neural network)和 YOLO(you onlylook once)。虽然 YOLOv3 在目标检测方面已经有了一定的成效,但 YOLOv4 的改进算法可以进一步提高检测能力。结合YOLOv3 算法,对比研究分析 YOLOv4 目标检测算法的改进对于目标检测任务的影响,以及 YOLOv4 算法对探地雷达图像异常目标检测效率的提升能力。结
4、果表明,YOLOv4 的改进算法更适用于探地雷达异常目标的自动检测,经过训练后的 YOLOv4网络模型满足探地雷达道路内部异常目标智能化检测需求,具有较强的实用价值。关键词 探地雷达;人工智能;目标检测;深度学习算法;卷积神经网络中图法分类号 P227;文献标志码 A收稿日期:2022-11-30;修订日期:2023-07-06基金项目:国家自然科学基金(62261015);广西自然科学基金(2019GXNSFFA245002);电波环境特性及模化技术重点实验室基金(202003007);广西无线宽带通信与信号处理重点实验室基金(GXKL06200126);桂林电子科技大学研究生教育创新计划(
5、2021YCXB04)第一作者:覃紫馨(1995),女,壮族,广西崇左人,硕士研究生。研究方向:信号与信息处理。E-mail:549292320 。通信作者:姜彦南(1980),男,汉族,河南周口人,博士,教授。研究方向:电磁辐射与散射、探地雷达应用技术等。E-mail:ynjiang 。Automatic Detection of Anomalies in GPR Images Based on YOLO AlgorithmQIN Zi-xin1,JIANG Yan-nan1,XU Li1,WANG Jiao1,ZHANG Shi-tian2,FENG Wen-ya2(1.Informati
6、on and Communication College,Guilin University of Electronic Technology,Guilin 541004,China;2.China Research Institute of Radiowave Propagation,Qingdao 266108,China)Abstract Ground-penetrating radar(GPR)is a non-destructive testing method used for identifying internal anomalies in roads.GPR often ge
7、nerates a massive amount of scan data during operation,which requires high technical skills and a heavy workload for in-terpretation and is typically completed manually.Moreover,the complexity of road structures and the diversity of anomalies increase thedifficulty of image anomaly detection.In rece
8、nt years,the rapid development of artificial intelligence(AI)technology has provided fea-sible technical solutions for automatic interpretation of GPR B-scan images based on AI.Common deep learning algorithms for objectdetection include RCNN(region-convolutional neural network)and YOLO(you only look
9、 once).While YOLOv3 has achieved somesuccess in object detection,the YOLOv4 algorithm based on its improvements can further enhance detection capabilities.The impact ofthe improvement in YOLOv4 on the object detection and the ability of YOLOv4 improving the efficiency of detecting abnormal object in
10、the GPR image was investigated.The results show that YOLOv4 with the network framework and algorithm improvements is more suit-able for automatic detection of anomalies in GPR images.The trained YOLOv4 network meets the requirements of intelligent detectionof abnormal object in GPR images and posses
11、ses the high practical value.Keywords ground penetrating radar;artificial intelligence;object detection;deep learning algorithm;convolutional neural network 伴随着城市化进程的发展,城市空间利用和城市道路安全受到愈来愈广泛的关注。地下空洞、管线和既有建筑的基础是城市道路勘查的主要异常目标,准确、高效地检测出道路内部的异常目标可投稿网址:11506科 学 技 术 与 工 程Science Technology and Engineering2
12、023,23(27)为城市建设和治理提供技术保障,而探地雷达(ground penetrating radar,GPR)作为一种常用的、无损的城市工程勘查技术,具有高速率、高精度和高经济性等特点,目前已成为城市道路勘察主要的地球物理探测手段1。GPR 的应用十分广泛,如混凝土中的空洞定位与治理2、地雷探测与排除3、地下设施追踪和绘图4、铁路道碴的优化和评估5等。虽然 GPR 在道路无损检测方面有着很大的优势,但其数据量通常十分庞大,且数据解释主要依靠专业技术人员,具有人工经验要求高、数据解译难度大、解释工作量大、解释周期长等突出问题。因此,研究从 GPR 图像数据中准确快速自动解译道路内部异常
13、目标的方法具有重要的应用价值和现实意义。近年来,已有关于将深度学习应用于 GPR 图像数据自动识别掩埋物体的研究报道6-8。Dinh等9提出,通过预处理确定目标双曲线顶点后,提取顶点周围固定大小的区域用作训练样本。Lei等7使用了典型的目标检测框架,即更快的 R-CNN(region-convolutional neural network)10对隐藏的线性对象进行分类,并缩小了候选框的双曲线范围。冯德山等11利用深度学习模型自动处理和分析地质雷达图像,从而实现隧道衬砌结构物的自动化识别和检测。张世瑶等12使用卷积神经网络进行特征提取和裂缝检测,并通过数据增强和网络结构调整来优化检测性。罗晖等
14、13提出使用YOLOv4 算法检测道路路面病害在精度和速度上优于 Faster R-CNN 算法。在目前的探地雷达道路图像异常目标识别相关研究中,尚未涌现出通用的公开数据集,多数研究借助模拟软件生成道路结构仿真图像。虽然这些研究利用深度学习技术实现了一定的异常目标检测效果,但在高效性和实时性方面仍有提升的空间。因此,迫切需要探索更为优越的目标算法,以提升检测模型的高效性、实时性和准确性,以满足实际应用的需要。常用于目标检测的深度学习算法14有两种,一种是先得到目标的候选框,再对候选框中的目标进行分类,也称为“双阶段”算法,以 R-CNN、Faster-RCNN 等为代表;另一种是直接预测到检测
15、的目标位置和类别,也称为“单阶段”算法,以YOLO系列为代表。而 YOLO 系列目标检测算法拥有较高的精确率,较快的检测速率,超越“双阶段”算法更适用于探地雷达图像目标检测。为此,首先引入一个实测的 GPR 道路图像异常目标数据集,该数据集由山东青岛多个城市道路路段的实测 GPR B-scan 图像裁剪而成,用以研究开发新的GPR 数据自动检测模型方法并评估其在实测数据中标记和识别异常目标体的性能。接着,对比研究 YOLOv3 和 YOLOv4 目标检测算法的基本网络框架,以及 YOLOv4 的改进算法,分析 YOLOv4 目标检测算法框架以及改进算法带来的检测效率的提升。1YOLOv3 和
16、YOLOv4 网络框架对比YOLOv3 算法是应用最为广泛的目标检测算法之一,也是 YOLO 系列中最经典的算法。YOLOv4算法15是基于 YOLOv3 网络框架,优化了主干网络模块和特征融合模块。通过对比分析 YOLOv3 和YOLOv4 的网络框架,研究 YOLOv4 网络如何提升实测 GPR 图像目标的检测效果。1.1 网络模型整体架构YOLOv3 和 YOLOv4 网络模型架构如图 1 所示。其中图 1(a)所示的 YOLOv3 网络模型架构包含 Darknet_53、特征融合网络(feature pyramid net-works,FPN)和 YOLO Head 等三部分,它是在Y
17、OLO系列的基础上将主干网络Darknet_19 改为Darknet_53,使得主干网络的层数加深,提高了对道路内部异常目标特征的提取能力,并借助残差网络的思想,减小主干网络由于层数增加带来梯度消失的影响。另外,YOLOv3 中引入的特征融合网络 FPN 则用于检测目标的多尺度特征提取和多尺度特征预测。YOLOv4 网络模型架构主要也由三部分组成图 1(b):CSPDarknet_53、路径聚合网络(pathaggregation network,PAN)和 YOLO_head,框架上的主要差别是在 CSPDarknet_53 与 PAN 模块中间加入了空间金字塔池(spatial pyram
18、id pooling,SPP)模块。在 YOLOv3 的基础上,YOLOv4 将主干残差网络Darknet_53 为 CSPDarknet-53,后者集成了跨阶段局部网络(cross stage partial net,CSPNet),这有助于加强卷积神经网络的计算能力和降低内存成本,兼顾了算法模型的速度和精度。此外,PAN 和 SPP 构成的特征融合网络极大地提高了实测 GPR 图像数据的检测精度。1.2 主干残差网络如图 2(a)所示为 YOLOv3 的主干残差网络Darknet_53,其中的主干部分为两次卷积操作,即一次 1 1 卷积和一次 3 3 的卷积,而残差边部分不做任何处理直接将
19、输入与输出结合,将二者的输出相加便得到了残差模块的输出。在 Darknet_53 网络中,每层卷积层之后增加一个标准化处理来不断投稿网址:2023,23(27)覃紫馨,等:基于 YOLO 算法的探地雷达道路图像异常自动检测11507图 1 YOLOv3 和 YOLOv4 网络架构对比Fig.1 Comparison of network architectures of YOLOv3 and YOLOv4图 2 YOLOv3 的残差模块和 YOLOv4 的残差模块Fig.2 YOLOv3 residual module and YOLOv4 residual module地调节神经网络的中间输
20、出以避免深层的卷积神经网络在参数更新的过程中导致的输出急剧改变,使整个神经网络在各层的中间输出的数值更稳定,加快模型收敛速度提高训练速度。YOLOv4 模型主干残差网络如图 2(b)所示,其采用了一种新的 CSPDarknet-53 网络。CSPDarknet-53 网络借助了 CSPNet 算法思想对残差模块进行优化,这也是 YOLOv4 的重要改进之一。CSPDarknet-53 残差模块(CSP_resblock_body)中的特征层包括两部分,一部分接连若干小的残差网络并输出,另一部分只经过简单的卷积操作输出,将二者经过张量拼接(concat)后进行输出。相较于 Darknet_53
21、网络中的残差模块只是将残差单元进行简单的堆叠,CSP_resblock_body 不仅显著提高了网络的特征提取能力,还解决了在其他常用的目标检测网络框架中存在的重复信息计算的问题,并将梯度的变化从始至终集成到特征图中,这种分流再结合的策略有效地丰富梯度流信息且减少了计算量,大大提高了GPR 图像中异常类别推理的速度和异常定位的准确性。1.3 特征融合网络如图 3(a)所示 YOLOv3 的特征融合网络包含两个部分,左边部分从底层向上,卷积神经网络前向提取特征,右边部分从顶层向下,特征层进行上采样,中间的横向连接将当前层的特征与上采样后的特征进行融合。由于不同层次的特征图表达投稿网址:11508
22、科 学 技 术 与 工 程Science Technology and Engineering2023,23(27)能力不同,浅层特征反映明暗、边缘等细节,深层特征则反映更丰富的整体结构。FPN 网络通过简单的连接,将深层丰富的特征语义信息和浅层精确的目标位置信息相结合,有利于小目标物体的检测。YOLOv4 在 CSP darknet-53 提取相关特征后,同样需要特征融合网络对提取的特征进行融合,以提高模型的检测能力。YOLOv4 的特征融合网络包括SPP 和 PAN 两部分,前者位于 CSP darknet_53 网络之后。SPP 模块由四个不同核大小的池化操作组成,将得到不同特征信息进行
23、融合,输出具有丰富特征信息的特征层。由于卷积神经网络限制了输入的 GPR 图像尺寸,使得异常目标受到不同程度的压缩,引入 SPP 模块增加不同感受野并有效分离重要的上下文特征,在降低限制输入大小的影响同时不会降低网络的运行速度。图 3 特征融合网络结构Fig.3 Feature pyramid networks structurePAN 网络如图 3(b)所示,其中左半部分为FPN 网络,右半部分为改进部分。PAN 网络在FPN 网络的基础上,再将底层特征层进行下采样,中间横向连接将上采样得到的强语义特征信息和下采样得到的强定位特征信息相结合,输出三个包含不同特征信息、不同尺度的检测层。YOL
24、Ov4的特征融合网络解决了 GPR B-scan 图像异常目标多尺度的问题,在不增加过多计算量的同时,更好的提取到异常目标的特征信息,从而提高模型的判别能力。2 YOLOv4 的改进算法尽管 YOLOv3 框架已经在目标检测领域取得很大的成就,但是由于 GPR 扫描图像复杂,不仅背景多变,而且异常目标回波时强时弱,导致该检测框架在探地雷达异常目标检测任务中效果不理想。YOLOv4 边界框损失函数使用 CIOU(complete inter-section over union)损失函数代替均方误差损失,使得边界回归更快、更准确;将 mosaic 数据增强方法和迁移学习相结合,缓解了 GPR 数
25、据紧缺的问题;引入标签平滑处理等一系列改进,进一步提高了目标检测性能。2.1 CIOU 损失函数目标检测算法中预测框的回归损失函数随着研究的发展不断变化。最初在目标检测任务中使用 IOU 判断预测的目标位置是否正确。IOU 计算公式为IOU=A BA B(1)式(1)中:A 为预测框;B 为真实框。但 IOU 无法区分预测框和真实框不同的相交情况。随后提出的 DIOU(distance-IOU)将预测框和真实框的重合度考虑进去,解决了预测框和真实框出现包含的现象时 IOU 损失值相同的问题。DIOU 损失函数计算公式为LDIOU=1-IOU+d2c2(2)式(2)中:d 为预测框和真实框中心点
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 YOLO 算法 雷达 道路 图像 异常 自动检测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,个别因单元格分列造成显示页码不一将协商解决,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。