基于深度学习的隧道衬砌结构物探地雷达图像自动识别

• 作者: 冯德山 杨子龙
• 来源期刊: 地球物理学进展
• 学科: 地球科学
• 关键词: 深度学习 探地雷达 自动识别 Faster R-CNN YOLOv3
• 年，卷（期）: 2020,（4）
• 所属期刊栏目: 应用地球物理学Ⅱ(海洋、工程、环境、仪器等)
• 页码范围: 1552-1556
• 页数: 5页
• 分类号: P631
• 语种: 中文
• DOI: 10.6038/pg2020DD0325

摘要

传统探地雷达图像识别方法中存在识别准确率不高,复杂目标体识别难度大,识别流程较为繁琐,不能实现端到端识别等问题,不能准确的识别实测数据.本文将深度学习中Faster R-CNN、YOLOv3这两种具有代表性的目标检测算法运用到探地雷达的图像识别当中.选择隧道的衬砌结构作为探测识别研究目标,制作了包含钢拱架、钢筋网、施工缝三类结构物标注的实测数据集.从准确率、召回率、平均准确率,准确率-召回率曲线等评价指标,分析了这两种算法在实测数据集上的表现.并对照典型的识别结果,结合这两种算法的原理说明了其运用到探地雷达图像自动识别上的特点.在测试集上,Faster R-CNN在钢拱架、钢筋网、施工缝三类结构物的识别中分别取得了95.5％、90.5％、96.8％平均准确率,YOLOv3则分别取得了90.0％、16.6％、95.3％平均准确率.实验结果表明两种深度学习目标检测方法在隧道衬砌探地雷达图像的识别上取得了良好的效果,其中Faster R-CNN整体效果更好,但会将多次波误识别为有效信号,YOLOv3较少误识别多次波,但是对钢筋网识别效果不好,两种方法搭配使用会形成优势互补.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	冯德山		71	1098	21.0	30.0
2	杨子龙		1	0	0.0	0.0