高速公路淺層隱藏缺陷的模式識別技術應用研究

(華北水利水電大學 河南 鄭州 450000)

引言

自上個世紀九十年代至今，我國的高速公路建設已有近30年的發展歷史，隨著高速公路的日常化使用，許多高速公路逐漸進入保養維護階段。

隨著無損物探技術的發展，探地雷達檢測技術在檢測高速公路隱藏裂縫的檢測中取得了良好的探測效果。探地雷達成像是通過反射、相干和無線電波疊加獲得的地下介質的間接表征。不同類型的信號對探地雷達成像的影響有很多方面，包括直接耦合波、表面反射波、介質反射波、目標反射波和噪聲波。復雜的反射波在實際工程應用中增加了檢測人員專業識別的難度，通過圖像處理和模式識別技術對雷達圖像進行處理提取出圖像目標可以提高檢測速度、提高檢測質量、降低檢測誤差。

一、探地雷達技術

探地雷達(GPR)利用高頻脈沖電磁波產生周期行的脈沖信號，由雷達發射天線發射到地下，在電磁波的傳播過程中遇到其他介質則會由于相對介電常數發生改變而產生反射信號。

(1)

(2)

式中：ε為介質的相對介電常數；r為兩介質之間的反射系數；c是光在真空中的傳播速度；式中的下表分別代表上介質、下介質。

空氣的相對介電常數值為1較小，高速公路混凝土瀝青路面的相對介電常數約為6～7，可見電磁波由空氣介質進入到瀝青介質或由瀝青介質進入到空氣介質時，將會發生強反射。如圖1若道路中存在裂縫或者空洞等，電磁波將會被反射，雷達回波信號剖面圖上將會產生明顯的波動。

圖1 探地雷達在缺陷處的反射信號

二、探地雷達圖像預處理

在探地雷達的使用過程中由于天線直達波、地下非均勻介質產生的回波、操作不當產生的回波等探底雷達雜波嚴重的影響了探地雷達的探測準確度。由于淺層路面的隱藏裂縫體積小寬度窄，目標的反射回波較弱，因此抑制探底雷達雜波增強缺陷特征對接下來的特征提取尤為重要，其結果最終將影響整個系統的識別率以及執行效率。

首先將圖像進行灰度化處理并進行高斯濾波從而降低圖像的噪聲；然后利用像素值的梯度差將缺陷的基本輪廓描繪出來；最后利用非極大值抑制的圖像處理手段抑制除局部最大值之外的所有梯度值，即只保留梯度最大的部分從而減少噪聲，然后通過閾值分割手段將缺陷提取出來，如圖2所示。

圖2 探地雷達圖像預處理

由處理結果我們可以看出圖像內依然存在有少許噪聲，因而選擇使用開運算刪除二值圖像中面積小于P的對象，得到如圖3(a)的結果，極大的降低了圖像的噪聲引起的誤差。通過對圖像的投影曲線分析如圖3(b)可以看出，統計處理過后的圖像垂直投影分布以及水平投影分布可以分割出希望的目標區域的二值化結果。

圖3 目標圖像提取

三、特征形成

傳統的探地雷達信號識別的方法主要是技術人員通過相關知識和經驗對雷達圖像的形狀、大小、位置及檢測環境作為主要辨別依據。探地雷達圖像中缺陷的紋理、形狀具有一定的差異，因此本文主要將裂縫和脫空缺陷的紋理、形態特征相結合來進行特征提取，特征定義如下。

(一)紋理特征(textural features)

紋理通過像素及其周圍空間相鄰的灰度分布來進行表述，其主要描述了圖像所對應目標的表面性質。目前常用的幾類研究方法主要有小波變換法、統計法、模型法等。在紋理特征統計中通過灰度共生矩陣(GLCM)以及差分統計(GLDS)中的各個值來表述圖像的各個特征值。同時，我們引入自相關函數來判斷圖像的紋理方向和粗細度。探地雷達缺陷提取紋理特征如表1、表2所示。

灰度共生矩陣(GLCM)和差分統計法(GLDS)中的屬性：

①占空比：

(1)

②對比度：

(2)

③熵：

(3)

④角度方向二階矩：

(4)

⑤相關性：

(5)

⑥自相關函數：

ε,η>0

(6)

(二)七階hu矩(seven invariants)

探地雷達信號的采集過程中往往會因為設備震動、操作不當等導致圖像目標區域的空間變換(如：平移、尺度、旋轉等)因為需要在此基礎上構造出具有空間變換不變性的特征，通常應用不變矩1到7。探地雷達圖像中裂縫脫空提取七個不變矩的結果如表3所示。

表1 裂縫和脫空灰度共生矩陣特征

表2 裂縫和脫空差分統計矩陣特征

表3 七階hu矩特征

四、基于支持向量機(SVM)的公路隱含裂縫圖像識別

(一)SVM的基本理論

支持向量機(support vector machine)是一種基于有監督學習的二分類模型算法，該模型的基本工作原理為尋找一個使兩種樣本在該超平面下邊緣距離最大的最優分類超平面，邊緣距離越大兩類樣本就分的越開，分類的結果越好。該超平面的方程為：

ωTx+b=0

(5.1)

式子中：ω=(w1;w2;...wd)是該超平面的法向量，決定超平面的角度；b為位移項。

使用核函數目的為了使樣本在特征空間內現行可分，特征空間的好壞幾乎決定著SVM的整個性能。然而在不知道特征映射的形式時，何種核函數合適也無法被知曉，核函數只是隱式的定義了該特征空間。因為核函數的選擇成為了SVM的最大影響因素。

表4展示出了幾類常見κ=(·,·)

表4 SVM常用的κ函數

除了直接使用以上核函數外，我們還可以通過函數組合來得到

·如果κ1與κ2都是核函數，那么對于正數γ1、γ2，線性組合的結果,

γ1κ1+γ2κ2

也是一個核函數。

·如果κ1與κ2都是核函數，那么兩個核的直積,

κ1?κ2(x,z)=κ1(x,z)κ2(x,z)

可以組合為一個核函數。

·如果κ1是核函數，那么對于任意的函數g(x,z),

κ(x,z)=g(x)κ1(x,z)g(z)

同樣也可以看成一個核函數。

在實驗過程中我們選擇使用常用的5種核作為測試核，對每一種核進行測試，得出測試結果。

(二)SVM對缺陷識別的分類應用

本實驗共計768個樣本，其中80%的樣本作為學習樣本，剩余20%作為測試樣本，采用網格迭代的方式，因為Gaussian核函數可以處理分類標注與分類屬性之間非線性的關系，同時線性核函數又是Gaussian核函數的特殊形式，因此我們分別對Gaussian 核函數、Sigmoid核函數進行網格遍歷，通過交叉驗證5的正確率來估計模型的正確率。

采用網格迭代算法首先設置超參數g和c的范圍是log2g(-14，1)、log2c(-5,15)，每次迭代的步長為2，分別對則可以得到一下結果。如圖4所示：

圖4 不同核函數分類結果

可得出以Gaussian為核函數的SVM模型的超參數范圍是log2g(-8,-6)、log2c(6,11)；以Sigmoid核函數進行網格迭代的超參數范圍log2g(-11,-6)、log2c(9,15)因此，縮小每次迭代的步距(step=0.1)并對該范圍內的超參數進一步的縮小范圍，可以得到如下結果，圖5所示：

圖5 進一步篩選超參數

由此可得Gaussian核超參數log2g=-6.4、log2c=9.40時模型的交叉檢驗5的正確率最高為78.00%，Sigmoid核超參數log2g=-7.60、log2c=14.40時模型的交叉檢驗5的正確率最高為77.47%。

五、結論

本文先將高速公路隱藏缺陷在探地雷達中的圖像提取出來；并利用七階hu矩、傅里葉形狀描述符、占空比作為特征值建立數據集；利用支持向量機算法的分類功能將不同類型的缺陷進行分類，通過網格迭代算法篩選出最適合本數據集的核函數、超參數；通過實地的取芯檢測與模擬結果進行對比，證明出本算法能夠滿足高速公路隱藏缺陷的快速識別。