基于探地雷达技术及卷积神经网络理论的公路路基病害评价

《基于探地雷达技术及卷积神经网络理论的公路路基病害评价》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号:U41610710-2014531002专业硕士学位论文基于探地雷达技术及卷积神经网络理论的公路路基病害评价姜海强导师姓名职称盛燕萍教授专业学位类别申请学位类别硕士材料工程及领域名称论文答辩日论文提交日期2018年04月20日2018年06月06日期学位授予单位长安大学EvaluationofHighwaySubgradeDistressesBasedonGroundPenetratingRadarandConvolutionalNeuralNetworkAThesisSubmittedfortheDegreeofMasterCa

2、ndidate：JiangHaiqiangSupervisor：Prof.ShengYanpingChang’anUniversity,Xi’an,China摘要公路路基病害检测是路面状况评价的重要环节，准确的检测结果对公路维修与养护决策具有决定性影响。研究表明，采用公路探地雷达检测技术来识别路基病害较其它技术具有高效、无损等优势，本文采用探地雷达技术及卷积神经网络理论对公路路基病害进行研究，对识别路基病害具有一定的工程意义。本文介绍了探地雷达检测的原理和影响检测性能的因素。在此基础上，综述了各类道路材料及包括裂缝、脱空、路基疏松等在内的

3、公路路基病害在探地雷达信号下的典型图像特征，着重介绍了基于病害反射的探地雷达信号识别与优化算法。探地雷达技术可以有效克服路基病害的隐蔽性问题，但当前探地雷达的数据分析还依赖于人工识别。为此，本文建立了级联卷积神经网络来实现自动识别探地雷达图像所反映路基病害的任务。级联卷积神经网络系统由两个卷积神经网络组成，分别用于识别低分辨率和高分辨率探地雷达图像。神经网络的建立包括训练、验证和测试三个步骤。通过训练和测试的结果验证了级联卷积神经网络系统的稳定性。将级联卷积神经网络和其他识别算法进行比较，以论证其优越性。结果表明，级联卷积神经网络在路基病

4、害分类训练中的识别准确率为97.46％，验证中的识别准确率为95.80％。级联卷积神经网络的识别准确性不受雷达发射频率和路面结构的影响。此外，与Sobel边缘检测和K值聚类分析相比，级联卷积神经网络系统识别精度更高。关键词：探地雷达；卷积神经网络；路基病害监测；图像处理；无损检测IAbstractHighwaysubgradediseasedetectionisanimportantpartoftheevaluationofroadconditions.Accurateinspectionresultshaveadecisiveinflu

5、enceonhighwaymaintenanceandmaintenancedecisions.Researchshowsthatthepavementgroundpenetratingradar(GPR),combiningpropertiesofroadmaterialsandtechnologyofGPR，showsmoreefficientandnon-destructivethanothernon-destructivetestingtechnologies(NDT).Thispaperusesgroundpenetrating

6、radartechnologytoresearchandevaluatethediseases.WorkingprincipleofGPRandthemainfactorsinfluencingthedetectingveracityareintroducedinthispaper.Andalso,thesignalsofdifferentroadmaterialsandpavementdiseases(crack，void，soilloose)aresummarized.Thealgorithmsusedtodealwithsignal

7、sandrecognizedifferentdiseasesinrecentyearsareintroducedemphatically.Thedataanalysisofgroundpenetratingradar(GPR)technologyindetectingsubgradedistressesreliesonmanualidentification,butthemanuallyprocessedGPRimageusedforclassifyingdistressesisinefficientandinaccurateatpres

8、ent.Inthiscase,anapplicationaboutconvolutionalneuralnetworkswasputtedforwardtoclassifysubgradedi