基于深度學習的探地雷達二維剖面圖像結構特征檢測方法

王 輝 歐陽繕 劉慶華 廖可非 周麗軍

①(桂林電子科技大學信息與通信學院 桂林 541004)

②(賀州學院人工智能學院 賀州 542899)

③(桂林電子科技大學衛星導航定位與位置服務國家地方聯合工程研究中心 桂林 541004)

④(山西省交通科技研發有限公司 太原 030032)

1 引言

探地雷達技術是一種無損的遙感探測技術，在軍事[1–3]和土木工程等領域[4–6]都有廣泛應用。反射測量模式下，隨著收發共置天線的探地雷達(Ground Penetrating Radar, GPR)掃描經過目標，在B掃描(B-SCAN)圖像中目標對應的響應到達時間則表現為開口向下的雙曲線形態結構，據此，對地下目標的探測通常可轉化為在GPR B-SCAN圖像中進行目標特征雙曲線檢測的問題。目前研究利用GPR進行地下目標探測的主要方法包括基于模型反演的方法、傳統機器學習方法和深度學習方法等。

模型反演方法根據麥克斯韋方程組得到格林函數并通過迭代進行優化求解，雖然研究人員對基于模型反演的方法開展了大量研究工作，在用于地下目標的形狀、幾何尺寸及介質參數估計等方面也取得了一些研究成果[7,8]，但反演的結果依賴對場景介質電磁特性估計的精度，而真實的地下場景比較復雜，難以進行準確的估計。同時，由于迭代過程的計算量大，在很大程度上制約了其在GPR實時數據處理系統中的應用。

傳統機器學習方法利用機器視覺技術來檢測B-SCAN圖像中的特征雙曲線，常用的算法包括基于Hough變換的方法和基于特征表達的方法。Hough變換[9]可用于對形變物體的擬合，但其參數空間大，計算復雜度高。特征表達的方法，如基于Haar-like小波特征的Viola-Jones 算法[10]；結合梯度方向直方圖(Histograms of Oriented Gradients,HOG )與邊緣直方圖描述符(Edge Histogram Descriptor, EHD)的雙曲線特征檢測算法等[11,12]，這些方法在應用時需由人工參與特征的設計，同時檢測結果的準確率不高。

深度學習方法在圖像特征檢測方面具有很好的性能表現，近年來越來越多的研究人員利用深度學習技術來檢測GPR B-SCAN圖像中的特征雙曲線。如Pham等人[13]、Lei等人[14]及王輝等人[15]都是在更快速區域卷積神經網絡(Faster Region-based Convolutional Neural Network, Faster RCNN)[16]的基礎上分別研究了不同場景下B-SCAN圖像中的雙曲線檢測問題；楊必勝等人[17]在單級式目標檢測(You Only Look Once V3, YOLOV3)[18]網絡模型的基礎上，研究了城市地下空間中典型目標的特征雙曲線檢測方法；Zhang等人[19]利用ResNet50[20]和YOLOV2[21]網絡研究了瀝青路面水破壞損傷目標的特征雙曲線檢測問題。這些基于深度學習的方法主要采用數據驅動方式，通過對訓練樣本的學習來識別目標的特征信息，其檢測結果的準確率在很大程度上依賴訓練樣本集的大小，而沒有充分利用在GPR工作物理機制先驗條件下得到的B-SCAN圖像自身的特點。為此，本文提出了在深度學習網絡模型中結合GPR物理機制的方法，設計了一種級聯結構的B-SCAN圖像特征檢測網絡。同時，針對特征雙曲線中存在結構信息不完整的問題，為提高其識別結果的準確率，采用了基于方向引導的策略來對目標特征雙曲線中缺失的特征數據進行補全預處理，以使本文方法能更好地應用于復雜場景下的目標檢測。

2 物理機制約束下的GPR目標特征檢測

GPR在探測地下目標的過程中，受電磁散射及干擾等因素的影響，得到的B-SCAN圖像中會存在形狀上與目標特征雙曲線相似的各種干擾信息，因而直接利用CNN來檢測B-SCAN圖像中的雙曲線形態特征時易出現誤檢問題。由于目標與地下背景介質的相對介電常數通常具有明顯的差異性，在BSCAN圖像中則表現為目標的特征雙曲線具有較大的幅值，當使用CNN檢測B-SCAN圖像的語義特征時，其結果中將主要包含目標的顯著性特征信息，同時利用分類器網絡可有效識別出語義特征圖中的目標特征雙曲線和干擾信號。可見，在GPR物理模型的約束下設計語義特征提取CNN結構，以B-SCAN圖像中目標的強度特征為先驗信息，再結合目標的形態結構特征可獲得更高精度的雙曲線檢測結果。檢測方法的整體框架如圖1所示。

圖1所示框架中，首先利用直達波特征檢測網絡得到輸入B-SCAN圖像中直達波信號所處的空間位置，并將其去除(本文將直達波所處的區域進行置0處理)。在濾除直達波后的B-SCAN圖像中，由于目標對應的特征雙曲線具有較大的幅值，進而采用CNN提取B-SCAN圖像的語義特征圖，并通過反卷積網絡進行上采樣使輸出特征圖與輸入B-SCAN圖像的大小保持一致。實際中，往往會受干擾等因素的影響，一方面語義特征的提取結果中可能存在強度較大的噪聲信號，另一方面目標的特征雙曲線結構可能不完整。為此，采用了基于方向引導的特征數據補全方法對缺失的目標特征信息進行補全，這里需要說明的是，經過多次池化對特征圖降維后，提取的語義特征主要對應于B-SCAN圖像中目標的全局信息，為獲得目標的細節特征，我們先將語義特征圖中目標對應的空間位置映射到B-SCAN圖像中，再進行特征補全處理。最后通過分類器網絡來識別雙曲線和噪聲信號，輸出目標特征雙曲線的檢測結果。

圖1 目標特征檢測框架

2.1 GPR目標檢測的物理機理分析

根據GPR回波數據進行地下目標檢測，即利用GPR B-SCAN圖像中目標的幅度特征信息來檢測對應的特征雙曲線，其實現過程通常是基于回波信號中目標的強度大于背景介質強度這一前提條件。在反射測量模式下，GPR探測地下場景的模型如圖2(a)所示，GPR發射天線向地下發射超寬帶電磁脈沖信號，在不同屬性介質的分界面處會發生電磁波的反射、折射和散射等電磁物理現象。由于介質的非均勻性以及多次反射波之間的相互影響，GPR B-SCAN圖像的結構特征通常較為復雜，對應的一幅GPR B-SCAN仿真圖像如圖2(b)所示。

圖2 GPR反射測量模式及仿真2維剖面圖像

2.2 GPR B-SCAN目標特征檢測網絡

由于GPR收發天線之間的直接耦合波以及地面強反射波等因素的影響，GPR B-SCAN圖像中直達波信號(干擾信號)的強度遠大于目標特征信號的強度。為濾除B-SCAN圖像中的直達波干擾信號，設計了一種兩級級聯結構的CNN來提取顯著性特征并識別目標特征雙曲線，其網絡結構如圖3所示。

第1級級聯網絡結構如圖3上半部分直達波特征提取網絡所示，GPR原始回波數據中直達波的強度較大，B-SCAN圖像中其通常表現為具有水平線狀結構的顯著性特征，如圖3中圖片A所示。直達波特征提取網絡中，其輸出層對應的特征圖內容應主要包含幅值大的水平線狀結構特征信息。即提取B-SCAN圖像中直達波對應的全局結構信息，以確定其所處的空間位置。為此，依據直達波信號強度大且呈水平線狀的結構特點來設計網絡模型，并利用CNN中卷積和池化操作的特點來提取直達波特征信息：(1)由于直達波信號的幅值較大，對應于B-SCAN圖像中其邊緣特征明顯，采用卷積運算能很好地檢測這一邊緣特征。同時，CNN中卷積核通過在圖像上的滑動來提取特征，保留了直達波特征在B-SCAN圖像中的相對空間位置信息；(2)由于直達波具有連續線狀的結構特點，其寬度與B-SCAN圖像一致，根據池化的平移不變性，進行多次池化特征降維處理后，輸出的特征圖中(如本文對CNN最后池化層的特征圖進行融合處理，得到大小為53×15的特征圖)直達波連續線狀的結構特征能很好地體現，而B-SCAN圖像中的局部特征信息很大程度上受到抑制。可見，直達波語義特征提取CNN結構中，通過對不同卷積和池化層的輸出特征進行組合，進而形成對顯著性特征的描述，可有效提取直達波的全局結構特征信息。

對輸入大小為2016×480的B-SCAN圖像，先通過5層連續的卷積和池化運算來提取B-SCAN圖像的高層語義特征，共得到512幅輸出尺寸大小為53×15的特征圖，再對這些特征圖進行特征融合處理，并通過Cubic插值上采樣操作使提取的特征圖與輸入的B-SCAN圖像在尺寸大小上保持一致(提取的特征圖如圖3中的圖片B所示)，以定位直達波在B-SCAN圖像中所處的區域進而將其去除。對比分析B-SCAN圖像及提取的直達波特征圖可知，圖片A中的直達波信號與圖片B中的直達波特征信息所處的區域位置是相同的，可見，設計的CNN能夠有效提取直達波特征信息。另外，當回波信號中直達波干擾的強度遠大于目標強度時，對應的B-SCAN中在主觀視覺效果上將難以觀察到目標的結構特征分布。去除直達波后的B-SCAN圖像如圖3中圖片C所示，目標的結構特征清晰可見。需要說明的是，下文中的B-SCAN圖像均表示已去除了直達波干擾信號。

圖3 B-SCAN圖像特征提取的級聯CNN結構

第2級級聯網絡結構如圖3下半部分目標特征提取及分類網絡所示。首先提取目標特征，與直達波特征提取網絡不同，為使提取的目標特征圖中能包含高層語義特征及更多的底層視覺特征，卷積網絡在結構上增加了3層卷積層、減少了1層池化層，同時特征圖的上采樣過程采用反卷積網絡進行計算；然后根據目標的特征圖來制作相應的標簽，并用于訓練分類識別網絡，實現對目標特征和干擾信號的分類識別，有效提取出目標的特征信息。在3800幅B-SCAN圖像上進行了目標特征檢測網絡模型的訓練，訓練模型的主要參數設置為：初始學習率取0.0001，最大epoch為20，總共迭代76000次，采用交叉熵損失函數，每迭代100次輸出一次loss，采用帶動量的隨機梯度下降(Stochastic Gradient Descent Momentum, SGDM)方法進行優化。訓練損失變化曲線如圖4所示，經過40000次的迭代后模型趨于穩定。

圖4 目標特征雙曲線提取網絡訓練模型的損失曲線

由于真實場景下地質環境的復雜性，當GPR B-SCAN圖像中目標的特征雙曲線形態受到破損時會導致網絡對目標特征識別準確率的降低，因此需對提取的特征圖在分類識別前進行預處理。

2.3 目標特征數據補全

在圖1所示反射測量模型中，根據目標與其周圍介質電特性參數的差異性，回波數據中目標所在的邊界位置處散射電場具有一定的強度特征，而在雙程走時條件約束下，B-SCAN圖像中目標則通常表現為具有開口向下的雙曲線結構特征，且具有對稱性。據此，我們采用基于方向引導的數據補全方法來得到B-SCAN圖像中結構信息完整的目標特征雙曲線。圖5(a)所示是利用特征提取網絡得到的一幅雙曲線結構信息不完整的B-SCAN圖像，記為I(?|S)。

圖5 結構信息不完整的GPR B-SCAN特征雙曲線示意圖

3 實驗與結果分析

3.1 實驗場景設置

用于實驗的GPR B-SCAN圖像總共4200幅，其中3800幅用于分類網絡的訓練，400幅用于測試。在地下場景中設定了空洞和充水介質目標，其個數分別設置為1個和2個，本文實驗中的充水介質目標泛指對各種原因形成的地下空隙，將其填充水介質后得到的目標體。利用GPRMAX軟件[23]對這4種不同的場景各仿真1000幅，共得到4000幅圖像。另外，采用隨機添加干擾信息源的方式得到了160幅圖像，并通過沙坑實驗以及實測[24]得到了40幅圖像，用于驗證算法的有效性。

在圖2(a)所示GPR目標探測模型中，將介質層1設置為混凝土，介質層2設置為泥土，設定混凝土層和泥土層之間的接觸面是粗糙的，空洞和充水介質目標位于泥土層區域。GPR向地下發射雷克子波脈沖信號的頻率設為400 MHz，時窗設置為45 ns，收、發天線緊貼混凝土路面移動其間距設置為0.25 m。仿真場景的具體參數設置如下：

(1) 沿方位向的寬度5 m，沿距離向的深度2 m，混凝土的平均厚度設置為0.25 m；

(2) 為模擬混凝土層和泥土層之間的交界面是粗糙的，在混凝土的下邊界處隨機生成4～6個最大寬度0.3 m、最大幅度0.05 m的凹凸混凝土塊；

(3) 沿距離向泥土的介電常數通過隨機的方式來生成，考慮到不同深度泥土中溫、濕度因素的影響，其取值范圍設定在9～25；

(4) 目標數量設定為1個或2個，其中空洞的大小其寬度在0.4～0.5 m，高度在0.3～0.4 m隨機生成，充水介質目標寬度在0.5～0.7 m，高度在0.25～0.35 m隨機生成。只有單個目標時，其隨機分布在泥土層區域，當有兩個目標時分別隨機分布在泥土層的左、右半區域。

3.2 GPR B-SCAN特征雙曲線檢測實驗

針對不同場景下的目標分布情況，從仿真得到的4000幅GPR B-SCAN圖像中隨機選取4幅圖像進行分析，如圖6所示。

圖6(a)所示的4幅B-SCAN圖像中分別對應于存在1個充水介質、1個空洞、2個充水介質和2個空洞目標的情形。采用基于GPR物理機制約束條件下的顯著性特征檢測網絡，得到B-SCAN圖像對應的特征圖如圖6(b)所示。從特征提取的結果來看，特征圖中含有混凝土層與泥土層分界面的結構特征F_sep、目標的雙曲線結構特征F_hyp以及干擾信息SN(如圖6(b)中充水介質目標的特征圖所示)。將這些特征信息用于分類網絡的訓練，以實現對目標特征雙曲線圖像的有效識別。考慮真實情況下的地質環境通常比較復雜，如溫度、濕度和干擾源等因素的影響，當目標的雙曲線結構特征不連續時將直接影響到對其識別的準確率。對B-SCAN圖像中不連續的特征雙曲線進行數據補全的結果如圖7所示。

圖6 提取GPR B-SCAN圖像的特征圖

在圖2(a)所示模型的泥土層中，將隨機生成的球狀石塊作為干擾源，其半徑取值范圍為0.1～0.2 m，得到的B-SCAN圖像如圖7(a)所示。其中圖7(a1)、圖7(a2)中的球狀石塊分別位于單個充水介質目標和單個空洞目標的上方，圖7(a3)、圖7(a4)中的球狀石塊分別位于兩個充水介質和兩個空洞目標之間。受干擾信息的影響B-SCAN圖像的結構信息更復雜，而當一定強度的干擾信號與目標的特征信號疊加時會破壞目標雙曲線結構信息的完整性，如圖7(b)中紅色標記框中的特征曲線所示。其中圖7(b1)、圖7(b2)中單個充水介質和空洞目標的特征雙曲線不連續，圖7(b3)中左、右兩個充水介質目標的特征雙曲線不連續，圖7(b4)中右邊空洞目標的特征雙曲線不連續。進一步對特征圖中的特征雙曲線進行分割，結果如圖7(c)所示，對應的數據矩陣記為R，對R中缺失的特征數據利用式(10)進行補全。為此，一方面采用LS算法對R進行2次曲線擬合，結果如圖7(d)中的綠色擬合曲線所示；另一方面取R中每一列的最大強度值得到對應的離散序列如圖7(e)所示，并求得R中的所有局部極值點信息，進而以擬合曲線的變化方向為引導對R中缺失的特征數據進行補全，獲得在數值分布上滿足連續性變化的特征數據矩陣，也得到了視覺效果上平滑的特征雙曲線，如圖7(f)所示。

圖7 目標雙曲線特征數據補全

3.3 實驗結果分析

將本文方法與3種其他GPR地下目標特征雙曲線檢測算法進行了比較，包括傳統的HOG算法[11]和2種深度學習方法，即YOLOV3算法[18]和Faster RCNN算法[16]。從400幅測試集B-SCAN圖像中隨機選取了7幅圖像進行分析，如圖8所示。

在圖8所示結果中，分類器網絡通過計算檢測結果為目標特征雙曲線概率的大小來得到最后的識別結果，設置概率的閾值太小會出現誤檢，太大又會導致漏檢。本文實驗過程中取經驗值，將得分大于0.8的特征雙曲線檢測結果判為有效目標。圖8(a1)所示是單個充水介質目標的B-SCAN圖像，受混凝土層和泥土層接觸面是粗糙因素的影響，HOG算法出現了漏檢情況，同時HOG算法、YOLOV3算法和Faster RCNN算法都存在誤檢的問題，而本文算法則準確地檢測到了目標特征雙曲線，主要原因是本文方法通過卷積網絡(如圖2所示)能夠有效獲取B-SCAN圖像的高層語義特征信息，對應的特征圖中混凝土層和泥土層的分界面具有整體的結構特征，如圖6(b)的F_sep所示，有效地避免了對局部特征信息的誤判。圖8(b1)所示含單個空洞的B-SCAN圖像中，目標的特征雙曲線結構信息完整，4種算法都得到了準確的檢測結果。圖8(c1)所示的兩個充水介質目標B-SCAN圖像中，由于左邊目標特征曲線的強度較小，同時右邊目標的特征曲線破壞了其結構的完整性，HOG算法、YOLOV3算法和Faster RCNN算法均未能檢測到左邊的充水介質目標。圖8(d1)所示的兩個空洞目標B-SCAN圖像中，由于設置了球狀石塊干擾源，右邊目標的特征雙曲線結構不完整，而左邊的雙曲線較為完整，HOG算法、YOLOV3算法和Faster RCNN算法都漏檢了右邊的空洞目標。圖8(e1)是實測混凝土中含有并列排放鋼筋目標的B-SCAN圖像，由于目標之間的距離較近，特征曲線之間相互影響，HOG算法、YOLOV3算法和Faster RCNN算法均漏檢了部分目標，本文方法根據檢測到的語義信息(目標的主要特征強度)能夠有效區分出各個目標，得到了準確的檢測結果。圖8(f1)和圖8(g1)分別是實測泥土中的石塊和墻體中的空洞對應的B-SCAN圖像，由于圖像的背景結構較為復雜、特征曲線不連續等，HOG算法、YOLOV3算法和Faster RCNN算法都沒有檢測到目標。總體上，本文方法在GPR物理機制的約束下，先通過檢測B-SCAN圖像中的顯著性特征，再對特征曲線進行分類識別，同時補全目標特征雙曲線中的缺失數據，得到更高準確率的檢測結果。

圖8 B-SCAN圖像中的目標特征雙曲線檢測結果對比

圖9 不同算法的F均值統計結果

4 結束語

受GPR工作物理機制的約束，在反射測量模式下的散射電場中目標通常具有一定的強度和幾何結構信息。根據這一先驗條件信息，并充分利用CNN在圖像特征提取上的良好性能表現，采用數據驅動和模型驅動相結合的方法，設計了一種級聯結構的CNN來檢測并去除B-SCAN圖像中的直達波干擾信號、提取目標的特征信息。特別是當干擾信號影響到目標雙曲線結構信息的完整性時，采用基于方向引導的特征數據補全方法，在很大程度上提高了目標特征曲線識別結果的準確率，這也體現了本文方法的魯棒性，能更好地應用于復雜場景下的目標檢測。進一步地，在有效獲取目標特征信息的基礎上，為采用深度學習方法反演地下目標及背景介質的電特性參數奠定了基礎，這也是后續工作中要深入研究的問題。