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

doi:10.11720/wtyht.2023.1161

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

徐立^,¹^,², 冯温雅³, 姜彦南^,¹^,², 王娇¹^,², 朱四新⁴, 覃紫馨¹^,², 李沁璘¹^,², 张世田³

1.桂林电子科技大学信息与通信学院,广西桂林 541004

2.广西无线宽带通信与信号处理重点实验室,广西桂林 541000

3.中国电波传播研究所,山东青岛 266107

4.华北水利水电大学地球科学与工程学院,河南郑州 450011

A technique for automatically extracting regions of interest from ground penetrating radar data of roads based on the row-column variance method

XU Li^,¹^,², FENG Wen-Ya³, JIANG Yan-Nan^,¹^,², WANG Jiao¹^,², ZHU Si-Xin⁴, QIN Zi-Xin¹^,², LI Qin-Lin¹^,², ZHANG Shi-Tian³

1. School of Information and Communication,Guilin University of Electronic Technology,Guilin 541004,China

2. Guangxi Key Laboratory of Wireless Wideband Communication & Signal Processing,Guilin 541000,China

3. China Research Institute of Radio Propagation,Qingdao 266107,China

4. College of Geosciences and Engineering,North China University of Water Resources and Electric Power,Zhengzhou 450011,China

通讯作者: 姜彦南(1980-),男,博士,教授,研究方向为电磁辐射与散射、探地雷达应用技术等。Email:ynjiang@guet.edu.cn

第一作者: 徐立(1994-),男,硕士研究生,研究方向为信号与信息处理。Email:1442510164@qq.com

责任编辑: 叶佩

收稿日期: 2022-04-13 修回日期: 2023-03-21

基金资助:

广西自然科学基金项目(2019GXNSFFA245002)
电波环境特性及模化技术重点实验室基金项目(202003007)
广西无线宽带通信与信号处理重点实验室基金项目(GXKL06200126)
桂林电子科技大学研究生教育创新计划资助项目(2021YCXB04)

Received: 2022-04-13 Revised: 2023-03-21

摘要

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。

关键词： 探地雷达; 探地雷达剖面图; 行列方差; 阈值分割; ROI

Abstract

With the rapid development of the economy and society,traffic loads have increased sharply,gradually causing a series of pavement diseases.Ground penetrating radar (GPR),which is a non-destructive testing technique,can present the echo information of subsurface targets on the GPR profile.The echo information of diseases,such as voids,cavities underneath the pavement,and loosely infilled voids,constitutes a region of interest(ROI) on the GPR profile.The traditional manual ROI extraction method features high technical requirements and high laborious intensity due to massive data.Therefore,this study proposed an automatic ROI extraction method that combines the threshold segmentation data and the row-column variance.The experimental results show that the method proposed in this study can effectively extract the location information of multi-type and multi-target ROIs.This method has great potential for improving road detection efficiency based on GPR.

Keywords： ground penetrating radar; ground penetrating radar profile; row-column variance; threshold segmentation; ROI

PDF (4363KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

徐立, 冯温雅, 姜彦南, 王娇, 朱四新, 覃紫馨, 李沁璘, 张世田. 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[J]. 物探与化探, 2023, 47(3): 804-809 doi:10.11720/wtyht.2023.1161

XU Li, FENG Wen-Ya, JIANG Yan-Nan, WANG Jiao, ZHU Si-Xin, QIN Zi-Xin, LI Qin-Lin, ZHANG Shi-Tian. A technique for automatically extracting regions of interest from ground penetrating radar data of roads based on the row-column variance method[J]. Geophysical and Geochemical Exploration, 2023, 47(3): 804-809 doi:10.11720/wtyht.2023.1161

0 引言

1904年,德国人Hulsmeyer首次将电磁波信号应用于远距离地面金属体的探测^[1]。随后,Letmbach和Lowy将雷达原理应用于地球探测中,正式提出探地雷达(GPR)的概念^[2]。GPR原理是通过向地下发射高频电磁脉冲,并获得目标反射回波信号,以此实现目标异常体探测^[3]。GPR是一种无损探测技术,广泛应用于道路质检与维护、城市管理与规划、军事探测与考古等领域^[4⇓-6]。

在道路质检与维护中,GPR将道路下方的整体信息呈现在二维雷达剖面图上(B-scan),其中的空洞、脱空、疏松体等病害^[7]与雨污井、地下管线、线缆等人工构筑物信息统称为探地雷达道路数据的感兴趣区域(region of interest,ROI)。在面对ROI提取时,一方面,传统人工识别方法对工作人员的技术提出很高要求,同时面对海量GPR探测数据的人工识别与提取给一般人员的精力也提出不小挑战;另一方面,在用于道路质检时,很长的GPR剖面中绝大部分区域并不存在异常,人工识别方法提取ROI效率低下,经济性差。为此,ROI自动提取技术在GPR数据识别中受到越来越广泛的关注。

随着人工智能方法的快速进步,以R-CNN、Faster R-CNN、YOLOv3等为代表的深度学习技术在ROI自动化提取与识别方面逐渐展现出较大的应用潜力,但该类技术前期通常依赖庞大且已解释和验证的数据集作为支撑,给其实际应用带来极大障碍^[8]。基于GPR信号特征的ROI自动提取技术具有数据依赖度低的优点,特别适用于解决实际工程问题。刘普等^[9]建立包括空洞、脱空等病害的地质建模,分析了其GPR信号特征,利用GPR数据的行方差方法初步对ROI进行提取,并勾勒出异常目标体位置信息。但是,若一个GPR剖面内存在多个目标时,该方法将无法区分具体的目标体。此外,地下管线和钢筋目标在GPR剖面上呈现较特殊的双曲线特征,因此这两类目标提取的研究报道较多。例如:张旭等^[10]提出先采用Canny算子进行边缘检测再提取双曲线的异常目标识别算法得到雷达目标反射图像;Mertens等^[11]通过将双曲函数拟合基于 Canny 滤波器检测的双曲线轮廓边缘点和顶点来识别反射双曲线;Ma等^[12]提出了一种无监督、高效、鲁棒的模式识别算法,自动检测桥面路基中的钢筋。可以发现,根据地下管线、电缆和钢筋等成像特征^[13⇓-15]来识别ROI可以获得良好性能,但是在实际复杂的道路环境中,除了管线和钢筋异常外,往往会同时存在其他类型的异常,此时采用上述算法效果不佳。

为解决上述问题,本文提出基于行列方差与阈值分割相结合的方法实现ROI的自动提取,能够有效地获得GPR道路数据ROI的位置信息。该方法适用于同一个GPR剖面上存在多种异常类型、多个ROI目标的情况。

1 本文算法

1.1 算法原理

由概率论和数理统计理论可知,方差可用来度量随机变量和数学期望(即均值)之间的偏离程度,方差越大随机变量的结果越不稳定,易形成突变。通过计算不同变量对总体突变的贡献,可以量化变量突变的影响程度。这里,假设样本数据为 $x_{1}, x_{2}, \dots, x_{n}$ (n为样本数据长度),样本数据方差 $S^{2}$ 表达式为

(1)

S^{2} = \frac{\overset{n}{\sum_{i = 1}} {(M - x_{i})}^{2}}{n}

其中M为样本数据均值,表达式为

(2)

M = \frac{x_{1} + x_{2} + \dots + x_{n}}{n}

。

在GPR的B-scan数据中,横坐标和纵坐标分别代表道号和采样点,其中的方差又区分为列方差和行方差。行方差是对每一采样点的n道数据做方差处理,而列方差是对每一道的n个采样点数据做类似处理。通常情况下,GPR目标体对应的ROI区域内行列方差数值比较大,ROI区域外行列方差值相对较小甚至为0。为此,可以在行列方差基础上,引入适当的阈值分割并提取GPR的B-scan数据中的ROI。

1.2 计算行列方差分布

以Matlab计算环境为例,其中的Var函数可计算二维数据方差。假设x为探地雷达采集的二维数据,利用式(3)和式(4)可分别计算其行方差数值为x_row和列方差数值x_col:

(3)

x_r o w = v a r (x, 1,2)

(4)

x_c o l = v a r (x, 1,1)

x_row和x_col分别存储着x行列方差值的向量,基于它们可得到GPR数据的行列方差分布,从而直观地反映ROI的整体情况。

图1a是利用中国电波传播研究所LTD-2100型号GPR链接GC400 MHz天线采集的某道路原始数据剖面。可以看出:图中存在两个目标ROI,分别位于侧向上350~530、530~700道和垂向上110~300、120~350采样点之间;行列方差情况如图1b~d蓝色实线所示。对比行列方差分布与原始剖面图的目标体位置可以判断结果较为吻合。在目标体位置处,无论是行方差还是列方差数值均明显较大,目标外相对较小。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 雷达剖面图及行列方差分布

a—原始雷达B-scan图像;b—列方差与单位阶跃;c—目标1行方差与单位阶跃;d—目标2行方差与单位阶跃

Fig.1 Radar profile and row-column variance distribution

a—original radar B-scan image;b—column variance and unit step;c—target 1 line variance and unit step;d—target 2 row variance and unit step

1.3 阈值分割提取B-scan数据ROI

正态分布可以反映随机变量的分布规律。利用B-scan原始数据中待识别目标和背景区域方差的差异,正态分布曲线的标准差 $σ$ 可用来对B-scan原始数据进行分割处理,获得ROI。

设B-scan原始数据的方差分布为 $g (x, y)$ ,依据如式(5)所示的准则判定其与标准差(或阈值 $σ$ )的关系并给相应位置处设定0/1标识,最终以单位阶跃曲线形式呈现。

(5)

h (x, y) = \{\begin{array}{l} 0 \begin{array}{l} g (x, y) < σ \end{array} \\ 1 \begin{array}{l} g (x, y) > σ \end{array} \end{array}

其中,阈值法的关键是选取能够使目标和背景明显区分的阈值^[16],通过原始数据方差分布与阈值对比判定目标位置。

对图1a采用阈值判别后的单位阶跃曲线如图1b~d红色虚线所示。在ROI信息提取时,选择单位阶跃曲线中“1”状态连续的道号组成ROI道间区域,将连续道号映射到原始数据,完成对列方差的处理;对行方差采用类似的处理方式,提取ROI图像,如图2所示。从中我们发现,单一的行方差处理,只能确定目标的“深度”信息,不能获取ROI的位置信息;反之,单一的列方差处理,仅能得到ROI的位置信息,但不能确定“深度”信息。把二者结合,自动提取ROI的完整信息,如图2b、c所示。为了直观地呈现ROI提取效果,基于Matlab环境的rectangle函数用矩形框对ROI标注,以数值形式给出异常目标的对角位置信息(图2a红框位置)。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 行列方差ROI提取及标注

a—ROI标注;b—1号目标体ROI;c—2号目标体ROI

Fig.2 Row-column variance ROI extraction and labeling

a—ROI labeling;b—ROI of target No.1;c—ROI of target No.2

1.4 算法实现流程

结合前述分析,本文提出的ROI提取算法流程如图3所示。提取ROI前,需要对原始数据进行预处理,其目的在于滤除原始数据含有干扰ROI提取效果的各类噪声。此外,预处理还可以增强目标弱回波信号,有效提高ROI提取准确率。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 算法流程

Fig.3 Flow chart of algorithm

2 算例实现与分析

2.1 多类型、多目标ROI提取

依据探地雷达工作方式和工作场景可知,同一GPR道路剖面图中可能存在多种类型、多个目标的异常体。因此,为了阐述本文方法的有效性,先把包含不同类型目标的多个GPR实测数据进行人工拼接,合成为如图4a所示的含有多种类型、多个目标的GPR“实测剖面”,再结合本文提出的ROI自动提取技术对其进行处理,提取效果如图4b所示。其中,每个红色矩形框标注的ROI对应的信息如表1所示。可以看出,本文提出的方法很好地实现了GPR道路数据ROI的自动提取。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 存在多目标的ROI提取

a—雷达B-scan原始图像;b—ROI提取效果

Fig.4 ROI extraction with multiple targets

a—radar B-scan original image;b—ROI extraction effect

表1 多类型、多目标及其位置信息

Table 1 Multi-types,multi-targets and their location information

目标类型	目标编号	目标位置
空洞	1	(108,71;219,418)
管线	2	(750,124;794,337)
钢筋网	3	(1077,91;1142,341)
雨污井	4	(1741,67;1865,511)
疏松体	5	(2147,78;2640,487)

新窗口打开| 下载CSV

2.2 方法有效性分析

这里对在青岛市江西路采集的20 000道实测GPR数据进行处理并标注目标区域,结合背靠背测试方法对其分析和验证,即先由专业人工筛查方法标出异常区域,再用本文提出的方法自动提取并标注ROI,最后以专业人工筛查结果为基准分析自动提取ROI的检测率,以进一步阐明提出方法的有效性。检测率η可表示为

(6)

η = \frac{T}{T_{0}} \times 100 %

其中:T₀是专业人工筛查出来的异常区域总数;T是本文方法在专业人工筛查出的异常区域中自动提取标注的ROI总数。

对江西路实测的20 000道GPR数据进行ROI自动提取并标注(图5),专业人工筛查和本文方法自动提取结果统计如表2所示,异常类型及位置编号如表3所示。对比自动提取和人工筛查的结果可以得出,自动提取的目标个数要多于人工筛查的异常目标,其主要有3个方面的原因:①自动提取把两个距离接近的目标标注为两个ROI,而人工只做一次标注;②当GPR采集方向与管线走向一致时,虽然会产生类似空洞的ROI响应,但专业人员不会判定其为异常;③专业人员对不具备异常目标特征反应的区域不予标注。

表2 ROI检测率

Table 2 ROI detection rate

数据量/采样点×道号	T₀	T	η/%
512×20000	24	23	95.8

新窗口打开| 下载CSV

表3 ROI对应目标类型及其自动提取编号

Table 3 Target types corresponding to ROI and their automatic extraction numbers

目标类型	目标编号
空洞、脱空	12, 23, 25, 28, 36, 37, 39, 40, 46
疏松体	3, 17, 29, 31, 35, 38, 43
钢筋网	15, 22
雨污井	2, 18, 42
管线	30, 41

新窗口打开| 下载CSV

通过对比人工筛查结果得出ROI自动提取检测率高达95.8%。自动提取方法遗漏的6 602~6 685道间异常为管线结构,如图5a插图所示。遗漏的主要原因是该目标的行列方差值,低于阈值,尽管如此,本文的自动提取ROI方法准确率远高于普通技术人员。并且对图5a中病害目标(空洞、脱空、疏松体)的检测率为100%。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 青岛市江西路B-scan图及对于提取的ROI

a—青岛市江西路B-scan(插图为自动提取遗漏的ROI);b—自动提取ROI

Fig.5 B-scan diagram of Jiangxi road in Qingdao and the extracted ROI

a—B-scan diagram of Jiangxi road,Qingdao(illustration is automatic extraction of missing ROI);b—automatically extracting ROI

3 结论

本文提出了一种基于行列方差结合阈值分割数据自动提取ROI的算法。试验结果表明,本文算法有效地提取了探地雷达道路地下ROI,同时标记出ROI的位置信息。该方法能同时自动提取多种异常类型、多个ROI目标,对解决传统人工提取方法存在的技术水平高、工作强度大、检测效率低等问题具有重要的现实意义。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

Griffiths

, Knott

, Koch

Christian Hulsmeyer:Invention and demonstration of radar,1904

[J]. IEEE Aerospace and Electronic Systems Magazine, 2019, 34(9):56-60.

DOI:10.1109/MAES.2019.2934814 [本文引用: 1]

[2]

白冰, 周健.

探地雷达测试技术发展概况及其应用现状

[J]. 岩石力学与工程学报, 2001, 20(4):527-531.