基于探地雷达技术的道路结构内部病害检测与评价

为了对沥青路面结构内部隐性病害进行分析与评价,以浙江省部分高速为工程依托,采用二维高速探地雷达对选定的9条高速公路进行快速检测,然后选定其中典型高速作为代表,进一步采用三维探地雷达进行精细化检测,并采用现场取芯的手段对检测结果进行验证。结果表明,在役高速公路,不论通车年限长短,均存在一定规模的结构内部隐形病害;水稳层与沥青层的层间结合不良是主要的结构内部隐性病害,占比为81.31%,其次为层间积水与层间松散,分别占比13.97%、4.72%;三维探地雷达检测精度较好,与现场取芯结果100%匹配。

探地雷达数值模拟与道路裂缝图像检测的深度学习增强方法

针对路面结构内部裂缝的无损检测与智能识别需求,提出一种基于改进的YOLOv8和AutoAugment增强的探地雷达检测与图像自动识别方法.结合Gprmax数值模拟、室内模型试验及现场探地雷达测试,分析得出内部裂缝在探地雷达图像上呈现出明显的"双曲线"特征,且裂缝宽度与双曲线的幅度成正比.利用MALA探地雷达GX-750检测获取路面结构内部裂缝病害图像,经多重滤波处理后采用640×640的像素框进行截取.针对裂缝特征在探地雷达图像中尺度较小的问题,通过对最新的YOLOv8模型增加一层像素为160×160的输出层得到改进的YOLOv8模型.同时,引入SKNet注意力机制进一步增加感受野,并采用power IoU损失函数以降低模型训练的损失.针对原始图像数据集,采用AutoAugment无监督自动增强方法,通过近端策略优化的强化学习算法寻找最佳增强策略及其概率和强度,实现了探地雷达数据集的有效扩充.在扩充的数据集上进行训练与测试,结果表明改进的YOLOv8模型取得了90.7%的平均检测精度和90.1%的F1分数,相比原始YOLOv8模型分别提升了6.3%和5.9%,也大幅度超越了主流的目标检测模型.在进行图像增强后,模型的平均检测精度和F1分数分别提升了4.1%和4.6%,对各类尺度的裂缝图像检测也体现出良好的鲁棒性.在养护路段应用探地雷达图像智能识别方法的检测结果与取芯验证结果相吻合,表明提出的改进模型在实际工程应用中是可靠的.