基于YOLO算法的探地雷达道路图像异常自动检测

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 only look 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。

基于行列方差方法的探地雷达道路数据感兴趣区域自动提取技术

随着经济和社会的快速发展,道路承受的负载急剧增大,使得道路内部逐渐产生一系列的病害。探地雷达(ground penetrating radar, GPR)是一种无损探测技术,可将道路下方目标的回波信息呈现在雷达剖面图上,其中的空洞、脱空、疏松体等病害信息构成了探地雷达道路数据的感兴趣区域(region of interest, ROI)。传统的人工提取ROI方法对人员的技术要求高,同时针对海量数据的人工识别给一般人员的精力提出了不小的挑战。为此,本文提出一种通过在行列方差基础上加入阈值分割数据的方法,实现ROI的自动提取。实验结果表明,提出的方法有效地提取出多类型、多目标ROI位置信息。该方法在提高探地雷达道路检测效率方面具有较大的应用潜力。