曹 志，高洪清，王 威，劉華云

(1.中車南京浦鎮(zhèn)車輛有限公司，南京 210000；2.南京航空航天大學 經(jīng)濟管理學院，南京 210016；3.南京軌道交通產(chǎn)業(yè)發(fā)展有限公司，南京 210000；4.成都唐源電氣股份有限公司，成都 610000)

0 引言

地鐵隧道是城市交通中十分重要的組成部分，因此對于地鐵隧道的維護和檢測至關重要。然而，隧道結構和地質(zhì)情況的復雜性使得地鐵隧道的檢測和維護變得異常關鍵[1-2]。車載探地雷達是一種以雷達技術為基礎的設備，可以通過發(fā)射和接收電磁波來探測和分析地下物體的特征。它具有非接觸、快速、高分辨率等特點，能夠有效地識別地下障礙物，并提供有關地下結構和土壤情況的詳細信息。孟繁龍等人將探地雷達安裝在不同的載具上對地形進行檢測。通過比較監(jiān)測點的點云數(shù)據(jù)發(fā)現(xiàn)，不同的地形應用不同的載具雷達技術，可以獲得不同的檢測效果[3]。利用車載探地雷達，可以對地下的排水系統(tǒng)、管線等進行全面的檢測和評估。He等人采用圖像熵理論對地面進行描述，探索混合介質(zhì)中探地雷達的檢測性能。通過仿真實驗顯示，探地雷達能夠在不同的介質(zhì)中取得良好的檢測性能[4]。為了提升地鐵隧道缺陷檢測的精準度和檢測效率，此次研究采用空氣耦合天線作為雷達天線，并對車載探地雷達技術進行詳細研究。針對雷達信號和雷達圖像存在的噪聲，采用零時校正、去直流、背景去除和圖像增益方法進行圖像和信號的去噪處理。在車載探地雷達技術中采用Yolov5目標檢測模型，并引入SPP-Bottleneck模塊對Yolov5目標檢測模型進行改進，構建基于Yolov5模型的車載探地雷達檢測系統(tǒng)，提升了原始車載雷達技術的探測精度。

1 車載探地雷達技術和地鐵隧道檢測研究

1.1 車載探地雷達技術研究

車載探地雷達技術是一種利用雷達波束對地下進行快速探測和成像的技術，該技術采用車載裝置搭載在車輛上，通過發(fā)射探測波束并接收反射信號，獲取地下目標的信息。車載探地雷達技術具有非接觸式、快速、高效、廣泛適用性等特點，被廣泛應用于地下管線探測、隧道掃描、地質(zhì)勘探、城市規(guī)劃等領域。在地鐵的隧道監(jiān)測中，車載探地雷達技術采用掃描式探測，可以在行駛過程中實時獲取地下信息，快速全面地掌握隧道周圍地下情況，提高施工效率。載探地雷達技術能夠獲得高精度的地下目標信息，包括地質(zhì)層位、管線位置、隧道結構變化等，可以提供詳盡且準確的隧道地質(zhì)信息[5]。車載探地雷達技術具有廣泛的應用范圍，可以對較大范圍的地下進行快速掃描，有效掌握隧道周邊的地下情況。車載探地雷達技術可以實時監(jiān)測隧道周圍地下的變化情況，包括地質(zhì)變形、管線移位、水位變化等，及時發(fā)現(xiàn)問題并采取相應的措施，保證隧道的安全運行[6]。探地雷達檢測的原理如圖1所示。

圖1 探地雷達檢測的原理圖

車載探地雷達系統(tǒng)通過發(fā)射器產(chǎn)生探測波束，探測波束通常為微波頻段的電磁波，具有一定的能量和頻率[7]。探測波束在發(fā)射后遇到地下目標，如地下管線、地質(zhì)層位、隧道結構等，會發(fā)生反射或散射，車載雷達系統(tǒng)通過接收器接收并記錄這些信號，如式(1)所示：

(1)

式中，t為電磁波發(fā)射以及雷達系統(tǒng)接收的時間，h為地下檢測目標到雷達系統(tǒng)的距離，a為天線的長度，v為探測波束在不同介質(zhì)中的傳播速度。車載雷達系統(tǒng)通過分析接收到的反射信號的時間延遲和波形特征，可以計算出不同地下目標與車輛之間的距離，這樣就可以獲得地下目標的位置和深度信息，探測的深度如式(2)所示：

(2)

式中，d為車載探測雷達的最大探測深度，λ為探測波束在介質(zhì)中的主頻波波長，a為衰減系數(shù)，σc為地下檢測目標的散射面積，Csystem為雷達系統(tǒng)的靈敏度和最大發(fā)射功率的比值。車載探地雷達的深度取決于多個因素，包括發(fā)射頻率、接收靈敏度和地下目標的性質(zhì)等。通常情況下，較低頻率的雷達系統(tǒng)可以達到較大的探測深度，但分辨率可能較低。高頻率的雷達系統(tǒng)則可以提供較高的分辨率，但探測深度相對較淺。實際應用中，可以根據(jù)需求選擇適當?shù)睦走_頻率，以平衡深度和分辨率的要求。探地雷達的水平分辨率和垂直分辨率是衡量雷達系統(tǒng)探測能力的兩個重要指標，分為水平和垂直兩種分辨率。水平分辨率是指雷達系統(tǒng)在水平方向上對地下目標的分辨能力，通常用于描述雷達系統(tǒng)在側(cè)向探測時的能力[8]。水平分辨率取決于雷達系統(tǒng)發(fā)射波束的寬度和接收信號的處理方式，較小的波束寬度可以提供更好的水平分辨率，即能夠更好地識別并區(qū)分水平方向上的近鄰地下目標。垂直分辨率是指雷達系統(tǒng)在垂直方向上對地下目標的分辨能力，通常用于描述雷達系統(tǒng)在深度方向探測時的能力。垂直分辨率取決于雷達系統(tǒng)發(fā)射波束的垂直角度范圍和接收信號的處理方式，較小的垂直角度范圍可以提供更好的垂直分辨率，即能夠更準確地識別并區(qū)分不同深度的地下目標。分辨率計算的相關公式如式(3)所示：

(3)

式中，Δl為兩個檢測目標在水平方向上的最短距離，λ為探測波束的波長，h為地下檢測目標距離地表的深度，fc為雷達天線的頻率，Δt為探測波束在兩個檢測目標之間傳播的時間差。采用合適的天線設計，有利于分辨率的提升?？諝怦詈咸炀€是一種常用于車載探地雷達系統(tǒng)的天線類型，是一種非接觸性的天線，通過空氣感應的方式與地下目標進行信號交互[9-10]。空氣耦合天線的水平分辨率取決于其發(fā)射和接收波束的寬度，接收波束的寬度與天線的接收特性有關。通常情況下，較窄的發(fā)射和接收波束可以提供較高的水平分辨率，使雷達系統(tǒng)能夠更好地區(qū)分并識別水平方向上的近鄰地下目標。空氣耦合天線的垂直分辨率取決于其發(fā)射和接收波束的垂直角度范圍，接收波束的垂直角度范圍與天線的接收特性有關。通常情況下，較小的垂直角度范圍可以提供較高的垂直分辨率，使雷達系統(tǒng)能夠更準確地識別不同深度的地下目標。

1.2 車載探地雷達信號處理

雷達圖像處理是對車載探地雷達系統(tǒng)獲取的原始雷達信號進行處理和分析，以生成可視化的地下目標圖像或定量化的地下目標信息。雷達圖像和信號去噪是在雷達信號處理中非常重要的步驟之一。去噪的目的是降低或消除信號中的噪聲成分，以提高雷達圖像的質(zhì)量和可靠性。去噪可以幫助識別和提取目標信號，減少誤識別和誤檢測的可能性，并提高雷達系統(tǒng)的性能。對原始雷達信號進行預處理，包括去除噪聲、補償傳輸損失、校正時間延遲等，可以采用濾波、增益調(diào)整和零時校正等方法實現(xiàn)[11]。零時校正是車載探地雷達系統(tǒng)中的一個重要步驟，用于校正天線和接收通道之間的時間差。在雷達系統(tǒng)中，發(fā)射的電磁波需要一定的時間才能到達地下目標并返回接收系統(tǒng)。這種時間差會在成像結果中引入誤差。零時校正通過確定由雷達接收到的第一個有效信號的時間，來補償發(fā)射和接收之間的時間差，確保成像結果的準確性。常見的零時校正方法分為硬件零時校正和軟件零時校正，硬件零時校正通過電纜長度和信號傳輸速度等參數(shù)來計算和修正發(fā)射和接收之間的時間差，軟件零時校正通過分析接收到的信號波形，并確定最早接收到的有效信號的時間點來進行校正[12]。在實際應用中，雷達圖像處理有很多技術和方法可供選擇，如波束形成、多通道處理、數(shù)據(jù)融合等[13-14]。具體的圖像處理流程和算法選擇通常根據(jù)應用需求、地下環(huán)境條件、雷達系統(tǒng)特性等因素進行優(yōu)化和調(diào)整。在雷達圖像處理中，去直流和背景去除是常見的預處理步驟，用于除去圖像中的直流成分和背景噪聲，以便更準確地分析和識別地下目標[15-16]。去直流和背景去除公式如式(4)所示：

(4)

y=bc(x-a)-1

(5)

式中，b和c為參數(shù)，用于控制曲線的形狀。a為參數(shù)，用于控制曲線的左右偏移量。指數(shù)變換的參數(shù)可以根據(jù)具體應用需求來選擇，可以降低幅度信號放大并壓制高幅度信號。指數(shù)變換常用于處理信號的壓縮和擴展，以及調(diào)整信號的動態(tài)范圍。通過上述的信號預處理和圖像增益的方法，可以提高空氣耦合天線的水平和垂直分辨率，去除圖像中的噪聲，從而提升車載探地雷達系統(tǒng)的探測能力和成像效果。

1.3 目標檢測模型在地鐵隧道檢測中的研究

為了實現(xiàn)對地鐵隧道中的缺陷檢測研究，在車載探地雷達中引入Yolov5(Yolov5，you only look once version 5)模型，提高檢測的準確率。Yolov5采用了基于主干網(wǎng)絡為CSPDarknet53(CSPDarknet53，cross stage partial Darknet53)的網(wǎng)絡架構，相比于YOLOv4的Darknet53，CSPDarknet53具有更高的效率和準確性。CSPDarknet53是一種深度殘差網(wǎng)絡模型，由多個殘差塊(Residual Block)和CSP連接組成，每個殘差塊由一個1×1卷積層、一個3×3卷積層和一個殘差連接(Residual Connection)組成。殘差連接將輸入特征與輸出特征進行相加，有助于更好地傳遞梯度和優(yōu)化信息的流動。CSP連接將特征圖劃分為兩個部分，分別通過1×1卷積層進行處理。一部分繼續(xù)向后傳遞，另一部分通過一系列的殘差塊和卷積層進行處理，之后再與前一部分進行合并，這種結構可以提高特征的復用和傳遞，同時減少參數(shù)量。因此，Yolov5的CSPDarknet53主干網(wǎng)絡采用了殘差塊和CSP連接的結構，通過逐漸減小特征圖的尺寸和增加通道數(shù)，高效地提取多尺度的特征，這種主干網(wǎng)絡設計使得Yolov5在目標檢測任務中具有更高的準確性和效率。Yolov5網(wǎng)絡模型結構如圖2所示。

圖2 Yolov5網(wǎng)絡模型結構圖

在Yolov5網(wǎng)絡模型中，與其他深度學習網(wǎng)絡模型的區(qū)別在于引入了一個特征網(wǎng)絡金字塔。特征金字塔網(wǎng)絡(FPN，feature pyramid network)主要用于解決目標檢測中不同尺度目標的檢測問題，其特征是包含一個自頂向下的路徑(Top-down Pathway)和一個自下向上的路徑(Bottom-up Pathway)來提取多尺度的特征信息。為了解決圖像失真的問題，引入SPP-Bottleneck(SPP-Bottleneck，spatial pyramid pooling-Bottleneck)模塊，該模塊是一種常用的神經(jīng)網(wǎng)絡模塊，用于處理具有不同尺度特征的圖像。SPP-Bottleneck結合了SPP(Spatial Pyramid Pooling)和Bottleneck結構，旨在提取多尺度的特征并減少網(wǎng)絡的參數(shù)和計算量。Bottleneck結構一般由一個1×1的卷積層、一個3×3的卷積層和一個1×1的卷積層組成，作用是通過降維和升維來減少網(wǎng)絡的參數(shù)和計算量。在目標檢測任務中，錨框(Anchor Box)是一種用于定義候選目標框的策略，通過在圖像上按照一定的尺度和寬高比生成一系列固定大小的框，用于在不同位置和尺度上框選出可能包含目標的區(qū)域。首先根據(jù)具體任務和數(shù)據(jù)集的特點，選擇一組適當?shù)某叨群蛯捀弑龋ǔ?，錨框會在多個尺度和多個寬高比上進行生成，以覆蓋不同大小和形狀的目標。錨框生成公式見式(6)：

(6)

式中，h和w分別為錨框的高度和寬度，R為設置的錨框變換比例，ratio為錨框的寬和高度之比，s為錨框的面積。將生成的錨框應用于圖像的所有可能位置，以獲得一系列候選框。通常，錨框會在圖像的每個像素位置進行生成，以檢測不同位置的目標。將生成的錨框與真實的目標框進行匹配，以確定哪些錨框是正樣本(Positive Anchor)，即與目標框有較高的重疊率，并進行相應的分類和回歸任務，通常使用一定的閾值來判斷錨框與真實目標框之間的重疊程度。通過錨框的生成，目標檢測算法可以在不同的位置和尺度上搜索潛在的目標框，從而提高檢測的準確性和魯棒性。同時，由于錨框的固定尺度和寬高比，可以減少計算量，提高算法的效率。CIoU(Complete Intersection over Union)損失函數(shù)是一種目標檢測任務中常用的損失函數(shù)，用于度量預測框和真實框之間的差異。CIoU計算公式如式(7)所示：

(7)

式中，β為一個修正參數(shù)，ρ為歐幾里得距離，γ為衡量參數(shù)，b為預測框的中心點，bgt為目標框的中心點，c為預測框和目標框交集部分的對角線距離。在目標檢測任務中，采用CIoU損失函數(shù)來指導模型的訓練，使模型能夠更準確地預測目標框并提高檢測性能。檢測模型識別缺陷流程如圖3所示。

圖3 隧道檢測模型檢測缺陷流程圖

2 地鐵隧道目標檢測模型性能測試與實例分析

2.1 地鐵隧道目標檢測模型性能測試

為了測試Yolov5模型在車載探地雷達中的性能，操作系統(tǒng)選擇Windows10系統(tǒng)，CPU為Intel(R)CoreTMi9-10900CPU@2.80 GHz，GPU為NVIDIA GeForce RTX 2060，系統(tǒng)的內(nèi)存為32 GB。初始學習率設置為0.001，批數(shù)量設置為4，迭代次數(shù)設置為80次，動量因子數(shù)值設置為0.937，衰減因子設置為0.000 5。采用車載探地雷達技術對某地地鐵隧道中拱頂存在的空洞和鋼筋結構脫空數(shù)據(jù)進行采集，其中空洞面積大小在0.50～2.0 m2之間，深度在0.05～0.18 m之間。鋼筋結構脫空面積大小在0.08～0.50 m2之間，深度在0.05～0.32 m之間，共計100個數(shù)據(jù)。將改進前的Yolov5模型與引入SPP-Bottleneck模塊的Yolov5模型在隧道空洞和鋼筋結構脫空數(shù)據(jù)集中進行對比測試，采用Precision和Recall數(shù)值作為測試指標，繪制P-R曲線如圖4所示。

圖4 Yolov5模型改進前后的召回率和精度曲線

圖4(a)為改進前的Yolov5模型的召回率和精度的曲線，圖4(b)為改進后的Yolov5模型的召回率和精度的曲線。召回率越高，精度越低；召回率越低，精度越高，兩者呈現(xiàn)反比線性關系。召回率和精度之間的比值反映了Yolov5模型對地鐵隧道目標檢測的檢測能力，因此，曲線與坐標軸之間圍成的面積越大，檢測的能力越強，面積越小，檢測的能力越弱。從圖4中可以看出，引入SPP-Bottleneck模塊后的Yolov5模型，在不同數(shù)據(jù)測試下的召回率和精度曲線與坐標軸之間圍成的面積，均大于改進前的Yolov5模型。因此，引入SPP-Bottleneck模塊的Yolov5模型能夠處理不同類型的圖像數(shù)據(jù)，均能實現(xiàn)較高的檢測精度，相較于原始的Yolov5模型具有更好的檢測能力。為了更好地描述Yolov5模型改進前后的性能，采用F1值曲線來進行對比分析。F1值是一種常用于衡量二分類模型性能的指標，綜合考慮了精確率和召回率，能夠評估模型的綜合性能。測試結果如圖5所示。

圖5 Yolov5模型改進前后的F1曲線

圖5(a)為改進前的Yolov5目標檢測模型的F1值曲線，圖5(b)為改進后的Yolov5目標檢測模型的F1值曲線。從圖中可以看出，兩種模型的F1值曲線先增加，到峰值后基本保持不變。隨著置信度值的增加，F(xiàn)1值曲線逐漸減小。例如當置信度為0.4時，改進前的Yolov5目標檢測模型的所有數(shù)據(jù)的F1值為1.0，鋼筋脫空數(shù)據(jù)的F1值為1.0，但是空洞數(shù)據(jù)的F1值為0.95。改進后的Yolov5目標檢測模型的所有數(shù)據(jù)的F1值為1.0，鋼筋脫空數(shù)據(jù)的F1值為1.0，空洞數(shù)據(jù)的F1值為1.0。在相同的置信度值下，改進后的Yolov5模型具有更高的F1值，因此具有更好的檢測性能。

2.2 地鐵隧道目標檢測模型實例分析

為了驗證車載探地雷達技術在實際案例中的檢測性能，將SIR-30車載探地雷達系統(tǒng)沿著某市1號線地鐵隧道進行檢測，車載探地雷達系統(tǒng)天線頻率設置為300 MHz，為空氣耦合天線。檢測通道設置為6個，每個通道都是獨立的，采樣頻率設置為500 kHz，掃描頻率設置為976 scan/s，采樣點數(shù)為512個，每個的采樣時間為60 ns，間距16 mm采樣一次。雷達系統(tǒng)前進速度為60 km/h，電源為220 V的交流電源。收集7種樣本數(shù)據(jù)，樣本數(shù)據(jù)的類別分別為雨水井、電纜、金屬導管、非金屬管、稀疏鋼筋網(wǎng)、密集鋼筋網(wǎng)以及空洞，合計3 000條數(shù)據(jù)。采用零時校正、去直流、背景去除和圖像增益方法對信號和圖像進行去噪處理。將車載探地雷達系統(tǒng)在上述7種類別的樣本中進行測試，采用召回率、精確度值和F1值作為測試指標，結果如表1所示。

表1 不同種類樣本的檢測結果

從表1中可以看出，車載探地雷達系統(tǒng)檢測稀疏鋼筋網(wǎng)時的F1值最高，為0.908，檢測空洞時的F1值最低，為0.821。車載探地雷達系統(tǒng)檢測金屬導管時的精確度值最高，為0.915，檢測空洞時的精確度值最低，為0.819。車載探地雷達系統(tǒng)檢測致密鋼筋網(wǎng)時的召回率最高，為0.968，空洞時的精確度值最低，為0.819。雖然檢測不同缺陷時有不同的指標結果，但是檢測7種類別的樣本F1值平均值為0.884，精確度值的平均值為0.873，召回率的平均值為0.895，3種指標的數(shù)值均在0.850以上。因此，此次研究引入SPP-Bottleneck神經(jīng)網(wǎng)絡模塊改進后的車載探地雷達系統(tǒng)，對于地鐵隧道中的不同缺陷的檢測均具有有效性。為了驗證Yolov5目標檢測模型在車載探地雷達系統(tǒng)中的實際應用效果，選擇3種常見的目標檢測模型進行對比測試，分別為模板匹配模型、基于梯度直方圖的支持向量機模型(HOG-SVM，histogram of gradient-support vector mac)、基于區(qū)域卷積神經(jīng)網(wǎng)絡的目標檢測模型(Faster RCNNC，faster regions with CNN features)，將P-R曲線和測試時間作為指標，對比測試的結果如圖6所示。

圖6 4種不同檢測模型的P-R曲線和時間柱狀圖

從圖6(a)中可以看出，模板匹配模型的P-R曲線與坐標軸圍成的面積最小，檢測的性能最差。Yolov5目標檢測模型的P-R曲線與坐標軸圍成的面積最大，檢測的性能最優(yōu)。從圖6(b)中可以看出，模板匹配目標檢測模型測試時間為4.8 s，HOG-SVM目標檢測模型的檢測時間為1.9 s，F(xiàn)aster RCNNC目標檢測模型的檢測時間為0.6 s，Yolov5目標檢測模型的檢測時間為0.3 s。由此可見，Yolov5目標檢測模型的檢測時間相較于模板匹配目標檢測模型、HOG-SVM目標檢測模型和Faster RCNNC目標檢測模型，檢測效率分別提升了93.75%、84.2%和50.0%。因此，在改進后的Yolov5目標檢測模型中，引入的SPP-Bottleneck神經(jīng)網(wǎng)絡模塊和特征金字塔能夠增強模型對不同種類圖像的檢測效率，錨框的生成能提高檢測的準確性和魯棒性。與其他3種模型相比，Yolov5目標檢測模型在實際的應用中具有更好的檢測效果和檢測效率，使用價值高于其他3種檢測模型。

3 結束語

地鐵隧道對于地鐵的運營和安全至關重要，因此對于地鐵隧道的檢測和維護是一項關鍵的任務。為了更好地對地鐵隧道的缺陷進行檢測，此次研究基于車載探地雷達檢測系統(tǒng)，對雷達系統(tǒng)中的信號和成像圖像中，存在的噪聲采用不同的去噪方式進行處理。采用Yolov5目標檢測模型，并引入SPP-Bottleneck模塊對Yolov5目標檢測模型進行改進，構建基于Yolov5模型的車載探地雷達檢測系統(tǒng)。測試結果顯示，改進后的Yolov5模型與原始的Yolov5模型相比，改進后的Yolov5模型具有更好的P-R值，并且在相同的置信度值下，改進后的Yolov5模型具有更高的F1值。因此，改進后的Yolov5目標檢測模型具有更好的檢測性能。在實際的工程應用中，基于Yolov5檢測模型的車載探地雷達檢測系統(tǒng)的F1值平均值為0.884，精確度值的平均值為0.873，召回率的平均值為0.895，均在0.850以上，因此該模型對于隧道中的缺陷檢測具有有效性。與其他3種目標檢測模型相比，Yolov5目標檢測模型的P-R曲線與坐標軸圍成的面積最大，檢測的性能最優(yōu)。Yolov5目標檢測模型的檢測時間為0.3 s，相較于模板匹配模型、HOG-SVM模型和Faster RCNNC模型，效率分別提升了93.75%、84.2%和50.0%，更具有實際應用價值。此次研究也存在不足之處，模型檢測的數(shù)據(jù)集不夠全面，在接下來的研究中應考慮到隧道內(nèi)部結構數(shù)據(jù)，構建更全面的數(shù)據(jù)集用來輔助檢測。