基于CNN的GPR图像公路面层下层界面自动识别研究

公路面层的厚度是公路检测中的一个重要指标,对公路路面质量起着决定性作用。面层下层界面追踪结果结合关键的介电常数参数,可以准确获取面层的厚度信息,因此,GPR(Ground Penetrating Radar,探地雷达)图像下层界面识别与追踪结果对面层厚度计算起着至关重要的作用。现阶段,大量的公路探地雷达资料解释工作由人工进行,存在解释周期长且依赖人工经验等问题。针对上述问题,提出了一种基于CNN(Convolutional Neural Networks,卷积神经网络)框架的公路层下层界面自动检测模型。为使建立的模型能更加准确有效地应用于GPR图像层界面的检测,对模型进行参数优化和性能评估,评估结果表明,模型查准率可以达到97%,说明模型识别层界面的准确性较高。利用该模型对实测图像进行实例验证,验证结果表明,建立的模型能够有效、快速、准确地在GPR图像上提取公路层界面并可视化展现出来。