(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210503794.8 (22)申请日 2022.05.10 (71)申请人 中南大学 地址 410083 湖南省长 沙市岳麓区麓山 南 路932号 (72)发明人 侯斐斐　王一军　张航　 (74)专利代理 机构 南京众联专利代理有限公司 32206 专利代理师 蒋昱 (51)Int.Cl. G06V 10/764(2022.01) G06F 30/20(2020.01) G06T 17/00(2006.01) G06V 10/10(2022.01) G06V 10/46(2022.01)G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) (54)发明名称 基于三维GPR正演技术的道路空洞形态分类 方法 (57)摘要 本发明提出了基于三维GPR正演技术的道路 空洞形态分类方法， 利用基于三维时域有限差分 方法原理的Gp rMax3D软件， 针对以空洞为代表的 典型道路病害体， 开展不同形态空洞的三维GPR 正演模拟工作， 获得相应的三维雷达数据体； 对 数据体不同方向的图像特征进行信息提取以及 基于三维GPR正演模拟的道路 空洞形态分类方法 联合表征， 具有更高的空间分辨率和测量精度； 随后提取SIFT特征并采用SV M分类器准确分类道 路结构中空洞病害的形态。 本发明对三维GPR实 测图像解译和提高检测结果判定的可靠性具有 重要的指导意义， 能够为城市道路地下空洞雷达 实测数据的分析提供指导。 权利要求书2页 说明书5页 附图9页 CN 114998645 A 2022.09.02 CN 114998645 A 1.基于三维GPR正演技 术的道路空洞形态分类方法， 其特 征在于： 包括如下步骤： S1： 三维GPR道路空洞建模及三维GPR数据获取， 采用GprMax3D来搭建三维道路空洞仿真模型， 并获取3DGPR空洞数据； S2： 空洞形态不同方向的图像提取， 并分别沿着xoy和xoz平面获取B ‑scan图像集和C ‑scan图像集； S3： 空洞形态联合表征， 按序排列B ‑scan图像和C ‑scan图像， 将其组合 拼接成一幅新的二维图像； S4： 提取SIFT特 征， 提取新组合图像的尺度不变特 征转换特征， 即SIFT特 征； S5： SVM分类 器训练测试， 对提取出的SIFT特征先后进行K ‑means聚类和词袋模型转换， 之后得到新的图像向量， 将其作为SVM分类 器的输入， 实现SVM分类 器的训练和 测试； S6： 空洞形态分类结果， SVM分类器训练和 测试之后， 输出空洞形态的分类结果。 2.根据权利要求1所述的基于三维GPR正演技术的道路空洞形态分类方法， 其特征在 于： 在步骤S1中： 所述三维道路空洞仿 真模型包括五层， 分别是第一层空气层(1)、 第二层沥 青层(2)、 第三层混凝 土层(3)、 第四层 砂砾石层(4)以及第五层路基层(5)。 3.根据权利要求2所述的基于三维GPR正演技术的道路空洞形态分类方法， 其特征在 于： 所述路基层( 5)模拟随机媒质建立土壤层模型， 土壤分散材料的定义如下： 土壤具有 50％的含沙量和50 ％的粘土量、 沙粒密度为2.66g/cm3、 粘土堆积密度为2g/cm3以及体积水 含量范围为0.0 01‑0.25， 将上述 这些材料随机分布在一个 体积为2×1.2×1m3的模型上。 4.根据权利要求1所述的基于三维GPR正演技术的道路空洞形态分类方法， 其特征在 于： 所述空洞形态包括球形 空洞、 矩形 空洞、 圆柱形 空洞以及不规则空洞， 所述球形 空洞、 矩 形空洞以及圆柱形空洞具有平 滑的表面， 所述 不规则空洞设置为 不平滑的表面。 5.根据权利要求1所述的基于三维GPR正演技术的道路空洞形态分类方法， 其特征在 于： 所述三维GPR系统参数包括空间分辨率参数为0.01m、 时窗参数为14ns、 初始发射天线坐 标参数为(0.45m， 1.0m， 0.0m)、 初始接收天线坐标参数为(0.35m， 1.0m， 0.0m)、 天线步进距 离参数为(0.01m， 0m， 0m)、 测点号参数为100、 激励信号类型为Ricker以及激励信 号频率参 数为800MHz。 6.根据权利要求1所述的基于三维GPR正演技术的道路空洞形态分类方法， 其特征在 于： 在步骤S2中： 从GPR空洞数据的三维结构S中提取出二维剖面图B ‑scan和水平切面图C ‑ scan的二维数据， 使用它 们的联合数据进行地下空洞的形态 识别： 1)沿平行于xoz平面依次从S中提取二维数据， 并成像获得多幅剖面图 S1＝{B1,B2,B3,…,Bn}， n＝ly/Δy， 其中Bn代表每张B ‑scan， S1则是n幅B ‑scan的集合， ly 为模型空间y轴长度， Δ y是y轴方向的空间步长， 另外， 在提取出B ‑scan后， 对每幅图像进行 去直达波、 数据标准化、 深度和速度变化校正等预处理操作， 移除信号和背景噪声， 对B ‑ scan进行等间距地抽取， 以堆叠方式进行展示； 2)沿平行于xoy平面从S中提取二维数据， 并成像获得多幅水平切面图 S2＝{C1,C2,C3,…,Cm}， m＝lz/Δz， 其中Cm代表每张C ‑scan， S2则是m幅水平切面的集合，权　利　要　求　书 1/2 页 2 CN 114998645 A 2lz为模型空间z轴长度， Δ z是z轴方向的空间步长 。 7.根据权利要求1或6所述的基于三维GPR正演技术的道路空洞形态分类方法， 其特征 在于： 在步骤S3中： 将多幅B ‑scans和C ‑scans图像进行融合， 每个空洞模型筛选出8幅B ‑ scans{B1,B2,B3,B4,B5,B6,B7,B8}和12幅C ‑scans{C1,C2,C3,C4,C5,C6,C7,C8,C9,C10,C11,C12}， 并按序排列组合成一幅新的二维图像， 该图像集合I表示为式(1)， 每个三维空洞最终将转 化为一幅信息特 征融合后的图像， 8.根据权利要求1所述的基于三维GPR正演技术的道路空洞形态分类方法， 其特征在 于： 在步骤S4中： 采用SIFT算法查找关键点并计算出关键点的方向， 每个关键点特征向量的 维度都是128， 取前120个关键点， 则描述子的矩阵为120*128， 采用K ‑means算法对所有关键 点进行聚类， 聚类数量为 10， 将每个图片表 示为词袋模 型， 则每个图片可 统一用10*1大小的 向量表示， 共获取123张不同形态的空洞图像， 训练集与测试集的比例为2:1， 训练集82张， 测试集41张。 9.根据权利要求1或8所述的基于三维GPR正演技术的道路空洞形态分类方法， 其特征 在于： 在步骤S5中： 将所述训练集及其标签送入SVM中训练测试一个监 督学习分类 器。 10.根据权利要求9所述的基于三维GPR正演技术的道路空洞形态分类方法， 其特征在 于： 用步骤S5中训练好的分类 器对测试集进行分类， 并输出分类结果。权　利　要　求　书 2/2 页 3 CN 114998645 A 3