(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111673027.3 (22)申请日 2021.12.31 (65)同一申请的已公布的文献号 申请公布号 CN 114296075 A (43)申请公布日 2022.04.08 (66)本国优先权数据 202111640229.8 2021.12.2 9 CN (73)专利权人 中路交科 科技股份有限公司 地址 210000 江苏省南京市海峡两岸科技 工业园台 中路99-196号 (72)发明人 张志祥　金光来　杨阳　蔡文龙　 臧国帅　 (74)专利代理 机构 北京锦信诚泰知识产权代理 有限公司 1 1813 专利代理师 王敏(51)Int.Cl. G01S 13/88(2006.01) G01S 13/89(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 112434628 A,2021.0 3.02 CN 112462346 A,2021.0 3.09 审查员 喻新 (54)发明名称 一种探地雷达图像人工智能识别方法及装 置 (57)摘要 本申请涉及路面探地雷达图像识别技术领 域， 公开了一种探地雷达图像人工智能识别方法 及装置。 在该方法中， 首先通过正演模拟， 获得无 噪声的高分辨率探地雷达模拟图像。 然后获取探 地雷达现场试验数据， 并确定手动特征。 根据探 地雷达模拟图像和实测已验证的探地雷达试验 图像， 构建探地雷达图谱库。 利用多层卷积神经 网络对目标实测图像数据进行处理确定自主学 习特征。 最后根据手动特征、 自主学习特征和探 地雷达图谱库， 并利用委员会判决方法， 确定目 标病害最终类型和目标病害最终位置信息。 本申 请通过构建探地雷达图谱库， 融合了手动特征和 自主学习特征， 并结合委员会判决方法， 可以有 效提高提高路面结构内部病害识别精度与效率。 权利要求书2页 说明书10页 附图4页 CN 114296075 B 2022.10.28 CN 114296075 B 1.一种探地雷达图像人工智能识别方法， 其特 征在于， 包括： 对已有的不同类型的病害数据进行正演模拟， 获取探地雷达模拟图像， 所述探地雷达 模拟图像无噪声且为高分辨 率； 针对任一类型的病害数据， 对探地雷达发射天线的不同中心频率进行正演模拟， 获取 模拟发射天线中心频率； 利用所述模拟发射天线中心频率， 对不同路面进行数据采集， 获取探地雷达现场试验 数据， 确定手动特 征； 根据所述探地雷达现场试验数据， 选取典型病害图像并进行取芯验证， 确定探地雷达 试验图像； 根据所述探地雷达模拟图像和所述探地雷达试验图像， 建立探地雷达图谱库； 获取探地雷达采集到的目标实测图像数据， 并通过多层卷积神经网络， 确定自主学习 特征； 根据所述手动特征、 所述自主学习特征和所述探地雷达 图谱库， 确定目标病害初始类 型和目标病害初始位置信息； 利用委员会判决方法， 对所述目标病 害初始类型和所述目标病 害初始位置信 息进行识 别， 确定目标病害最终类型和目标病害最终位置信息； 所述根据所述手动特征、 所述自主学习特征和所述探地雷达 图谱库， 确定目标病害初 始类型和目标病害初始位置信息， 包括： 将所述手动特征和所述自主学习特征， 通过预先构建的手动特征和融合多层次特征的 图像分类网络结构， 并根据所述探地雷达图谱库， 确定目标病害初始类型和目标病害初始 位置信息 。 2.根据权利要求1所述的探地雷达图像人工智能识别方法， 其特征在于， 所述对已有的 不同类型的病害数据进行正演模拟， 获取探地雷达模拟图像， 包括： 利用基于时域有限差分法的GPRMAX， 对已有 的不同类型的病害数据进行正演模拟， 获 取探地雷达模拟图像。 3.根据权利要求1所述的探地雷达图像人工智能识别方法， 其特征在于， 所述病害数据 的类型包括路面结构内部空隙多、 层间不良、 层间松散和结构松散 。 4.根据权利要求1所述的探地雷达图像人工智能识别方法， 其特征在于， 所述根据 所述 探地雷达模拟图像和所述探地雷达试验图像， 建立探地雷达图谱库， 包括： 根据所述探地雷达模拟图像和所述探地雷达试验图像， 利用数据增广技术及迁移学习 技术进行重构并拓展， 建立所述探地雷达图谱库。 5.根据权利要求1所述的探地雷达图像人工智能识别方法， 其特征在于， 所述探地雷达 图谱库包括非病害图像、 空隙多图像、 层间不良图像、 层间松散图像和结构松散图像。 6.根据权利要求1所述的探地雷达图像人工智能识别方法， 其特征在于， 所述获取探地 雷达采集到的目标实测图像数据， 并通过多层卷积神经网络， 确定自主学习特 征， 包括： 将所述目标实测图像数据， 通过多层卷积神经网络中预先构建的多层次特征融合的 RPN网络结构， 确定特 征层并生成候选区域框； 对所述候选区域框进行非负极大抑制操作并汇总， 确定所述自主学习特 征。 7.根据权利要求1所述的探地雷达图像人工智能识别方法， 其特征在于， 所述利用委员权　利　要　求　书 1/2 页 2 CN 114296075 B 2会判决方法， 对所述 目标病害初始类型和所述 目标病害初始位置信息进行识别， 确定目标 病害最终类型和目标病害最终位置信息， 包括： 建立委员会， 所述委员会 包括多个判决方法； 针对任一判决方法， 对所述目标病害初始类型和所述目标病害初始位置信息进行识 别， 确定识别结果； 判断所述多个判决方法的识别结果是否一致， 若是， 则目标病害最终类型和目标病害 最终位置信息； 若否， 则由多个判别方法组成的委员会进行投票表决， 确定目标病害最终类 型和目标病害最终位置信息 。 8.根据权利要求7所述的探地雷达图像人工智能识别方法， 其特征在于， 所述多个判决 方法包括Softmax判别法、 Triplet判别法和K ‑L判别法。 9.一种探地雷达图像人工智能识别装置， 其特征在于， 所述探地雷达图像人工智能识 别装置应用于权利要求1 ‑8任一项所述的探地雷达图像人工智能识别方法， 所述探地雷达 图像人工智能识别装置包括： 模拟图像获取模块， 用于对已有的不同类型的病害数据进行正演模拟， 获取探地雷达 模拟图像， 所述探地雷达模拟图像无噪声且为高分辨 率； 模拟频率获取模块， 用于针对任一类型的病害数据， 对探地雷达发射天线的不同中心 频率进行正演模拟， 获取模拟发射天线中心频率； 手动特征确定模块， 用于利用所述模拟发射天线中心频率， 对不同路面进行数据采集， 获取探地雷达现场试验数据， 确定手动特 征； 试验图像确定模块， 用于根据所述探地雷达现场试验数据， 选取典型病害图像并进行 取芯验证， 确定 探地雷达试验图像； 图谱库构建模块， 用于根据所述探地雷达模拟图像和所述探地雷达试验图像， 建立探 地雷达图谱库； 自主学习特征确定模块， 用于获取探地雷达采集到的目标实测图像数据， 并通过多层 卷积神经网络， 确定自主学习特 征； 目标病害初始信息确定模块， 用于根据所述手动特征、 所述自主学习特征和所述探地 雷达图谱库， 确定目标病害初始类型和目标病害初始位置信息； 目标病害最终信息确定模块， 用于利用委员会判决方法， 对所述目标病害初始类型和 所述目标病害初始位置信息进行识别， 确定目标病害最终类型和目标病害最终位置信息 。权　利　要　求　书 2/2 页 3 CN 114296075 B 3