一种路基压实度智能识别方法及系统与流程

1.本发明属于土方路基压实质量检测技术领域，涉及一种路基压实度智能识别方法及系统，更具体地，涉及一种基于地质雷达图像和生成式对抗网络的路基压实度智能识别方法。


背景技术：

2.堆石料的压实是机场道路建设的最后一步关键环节，压实质量的好坏对机场结构的稳定性和耐久性至关重要。然而，传统的压实质量评估基于随机位置的有限抽样测试，无法获取大量压实质量检测数据，容易忽略潜在的压实不足区域。
3.地质雷达在道路工程质量检测中应用越来越广泛，其检测过程能实现快速、无损、高精度、高分辨率的检测效果，为工程质量检测提供大量实验数据，其中，地质雷达检测中最直观的就是地质雷达图像。然而，目前如何利用大量的地质雷达图像进行有效分析，实现路基压实度的智能识别检测有待解决。


技术实现要素：

4.针对现有技术的以上缺陷或改进需求，本发明旨在建立了一种基于地质雷达图像和生成式对抗网络的路基压实度智能识别方法，可利用地质雷达图像实现压实质量快速自动定量检测，为管理者在施工过程中压实质量控制和及时维护提供一定的参考。
5.为实现上述目的，按照本发明的一个方面，提供了一种路基压实度智能识别方法，包括如下步骤：
6.离线训练阶段：
7.s1、在路基试验区域中，获取路基不同压实度的地质雷达图像并打上压实度标签，构建地质雷达图像与压实度标签的数据集；
8.s2、利用生成式对抗网络的生成器网络生成地质雷达图像的假图像，将具有压实度标签的地质雷达图像、无压实度标签的地质雷达图像以及地质雷达图像的假图像作为输入，训练生成式对抗网络的判别器网络，训练后的判别器网络即为路基压实度智能识别模型；
9.在线识别阶段：
10.s3、针对待检测路基采集地质雷达图像数据，采集的地质雷达图像数据输入到离线训练好的路基压实度智能识别模型中，输出预测的路基压实度值。
11.进一步地，所述步骤s2中：
12.生成器网络的损失函数lg包括生成假图像的概率l
fake
和特征匹配损失l
feat
：
13.lg＝l
fake
+l
feat
[0014][0015]
[0016]
其中，pz(z)表示随机噪声向量z的概率分布，表示当z满足pz(z)时的期望，d(g(z))表示判别器在输入为假图像g(z)时预测为真实图像的概率；x表示通过地质雷达探测获得的真实雷达图像数据，p
data
(x)表示真实雷达图像数据的概率分布，表示当x满足p
data
(x)时的期望，θ(
·
)表示判别器网络中激活函数的输出，‖
·
‖2表示二范数。
[0017]
进一步地，所述步骤s2中：
[0018]
判别器的损失函数ld包括监督学习损失ls和无监督学习损失l
uns
：
[0019]
ld＝ls+αl
uns
[0020][0021][0022]
其中，p
data
(x,y)表示带标签y的真实雷达图像数据x的概率分布，表示当带标签y的真实雷达图像数据x满足p
data
(x,y)时的期望；p
model
(y∣x,x》0)为带标签y的真实雷达图像数据x预测的压实度；在训练判别器时引入参数α来控制无监督损失，α为经验值；p
data
(x)表示无标签的真实雷达图像数据x的概率分布，表示当无标签的真实雷达图像数据x满足p
data
(x)时的期望，d(x)表示当输入为无标签的真实雷达图像数据x时判别器预测为真实雷达图像的概率；pz(z)表示随机噪声向量z的概率分布，表示当z满足pz(z)时的期望，d(g(z))表示判别器在输入为假图像g(z)时预测为真实雷达图像的概率。
[0023]
进一步地，所述步骤s2包括：
[0024]
s2.1、选取符合高斯分布的随机噪声向量z输入生成式对抗网络的生成器网络，生成地质雷达图像的假图像g(z)；
[0025]
s2.2、将有压实度标签的地质雷达图像、无标签地质雷达图像和地质雷达图像的假图像g(z)按批尺寸输入生成式对抗网络的判别器网络中得到回归结果，无标签地质雷达图像和假图像g(z)生成图像真假分类标签，有压实度标签的地质雷达图像输出相应的压实度；
[0026]
s2.3、计算生成器网络和判别器网络的损失；
[0027]
s2.4、固定生成器网络的参数，采用梯度下降算法优化判别器的权重参数；
[0028]
s2.5、固定判别器网络的参数，采用梯度下降算法更新生成器的权重参数；
[0029]
s2.6、重复s2.1～s2.5，直至达到预设迭代次数或预定准确度，获得基于生成式对抗网络的路基压实度智能识别模型。
[0030]
进一步地，所述步骤s1包括：
[0031]
在路基试验区域中，先采用地质雷达对试验区域进行断面扫描，然后通过压实度规范方法测定相应断面的压实度，构建具有压实度标签的地质雷达图像的数据集。
[0032]
为了实现上述目的，本发明还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如前任一项所述的方法。
[0033]
为了实现上述目的，本发明还提供了一种路基压实度智能识别系统，包括如前所
述的计算机可读存储介质以及处理器，处理器用于调用和处理计算机可读存储介质中存储的计算机程序。
[0034]
总体而言，通过本发明所构思的以上技术方案与现有技术相比能够取得下列有益效果：
[0035]
1、本发明针对路基压实质量检测，提出了基于地质雷达图像和生成式对抗网络(gan)的快速无损检测方法，其利用具有压实度标签的地质雷达图像、无压实度标签的地质雷达图像以及gan的生成器生成的假图像对gan的判别器进行半监督训练，仅需要实际采集少量具有压实度标签的地质雷达图像即可获得良好的训练和检测效果，能够大幅减少施工检测的人力物力以及加快施工过程中的检测效率；可利用地质雷达图像实现压实质量快速智能检测，为管理者在施工过程中压实质量控制和及时维护提供一定的参考。
[0036]
2、将判别器的损失函数ld设为包括监督学习损失ls和无监督学习损失l
uns
，采用有标签真实数据优化监督学习损失ls，而采用无标签真实数据和假图像优化无监督学习损失l
uns
，只需要采集少量有标签的真实数据即可实现训练结果的优化，样本集可以利用假图像和无标签图像进行扩充，大大降低实际检测过程中样本采集阶段的工作量，且不降低预测结果的准确性。
[0037]
3、利用判别器的真假判别结果优化生成器的损失函数，提高生成器生成假图像的概率，则可以进一步提升判别器的训练效率和对真实图像压实度预测结果的准确率。
[0038]
4、本发明的方法及系统可以在待测路基上就地检测取材，仅需对少量实测样本打标签即可以半监督方式完成智能预测模型的训练，因此适用场景广泛，尤其适用于机场道路等对路基压实质量要求较高但又难于全面检测的场景下的压实质量快速自动定量检测。
附图说明
[0039]
图1是本发明的一种基于地质雷达图像和生成式对抗网络的路基压实度智能识别方法整体流程示意图；
[0040]
图2是基于生成式对抗网络模型的整体框架示意图；
[0041]
图3是本发明中的试验段测点方案布置图；
[0042]
图4是本发明中实验数据采集过程及图像标签数据集示意。
具体实施方式
[0043]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0044]
如图1～4所示，本实施例以机场路基压实度测试为例，对本发明的压实度智能识别方法进行说明。
[0045]
离线训练阶段：
[0046]
s1、在所述机场路基试验区域中，包括级配碎石层和水泥稳定级配碎石基层，试验段检测长度为100m，宽度为16m；首先采用hld-hs1600探地雷达对机场跑道试验段进行大量典型断面扫描，然后通过《公路路基路面现场测试规程》jtg 3450－2019方法测定其中一部
分典型断面相应的雷达图像分析断面压实度，作为压实质量检测的基准值，构建具有压实度标签的地质雷达图像的数据集，具体扫描方案如图3所示；
[0047]
s2、利用生成式对抗网络(gan)的生成器网络生成地质雷达图像的假图像，将具有压实度标签的地质雷达图像、无压实度标签的地质雷达图像以及地质雷达图像的假图像作为输入，训练生成式对抗网络的判别器网络，训练后的判别器网络即为路基压实度智能识别模型，从而实现输入一张雷达图像，对应输出回归预测的压实度。
[0048]
s2.1、选取符合高斯分布的随机噪声向量z输入生成器网络，生成与真实灰度地质雷达图像相似分布的实验数据，即地质雷达图像的假图像g(z)。
[0049]
s2.2、将具有压实度标签的地质雷达图像、无压实度标签的地质雷达图像以及地质雷达图像的假图像g(z)按批尺寸输入判别器网络中得到回归结果，无标签地质雷达图像和假图像g(z)生成图像真假分类标签a(例如图像为真的概率)，有压实度标签的地质雷达图像输出相应的压实度。
[0050]
s2.3、计算生成器网络和判别器网络的损失：
[0051]
生成器的损失函数由生成假图像的概率l
fake
和特征匹配损失l
feat
两个部分组成：
[0052]
lg＝l
fake
+l
feat
[0053][0054][0055]
其中，pz(z)表示随机噪声向量z的概率分布，表示当z满足pz(z)时的期望，d(g(z))表示判别器在输入为假图像g(z)时预测为真实图像的概率；x表示通过地质雷达探测获得的真实雷达图像数据，p
data
(x)表示真实雷达图像数据的概率分布，表示当x满足p
data
(x)时的期望，θ(
·
)表示判别器网络中激活函数的输出，‖
·
‖2表示二范数。优选地，训练过程中使生成器的损失最大化以尽可能生成假图像，则可以进一步提升判别器的训练效率和对真实图像压实度预测结果的准确率。
[0056]
判别器的损失函数由监督学习损失ls和无监督学习损失l
uns
两个部分组成：
[0057]
ld＝ls+αl
uns
[0058][0059][0060]
其中，p
data
(x,y)表示带标签y的真实雷达图像数据x的概率分布，表示当带标签y的真实雷达图像数据x满足p
data
(x,y)时的期望；p
model
(y∣x,x》0)为带标签y的真实雷达图像数据x预测的压实度；在训练判别器时引入参数α来控制无监督损失，α为经验值；p
data
(x)表示无标签的真实雷达图像数据x的概率分布，表示当无标签的真实雷达图像数据x满足p
data
(x)时的期望，d(x)表示当输入为无标签的真实雷达图像数据x时判别器预测为真实雷达图像的概率；pz(z)表示随机噪声向量z的概率分布，表示当z满足pz(z)时的期望，d(g(z))表示判别器在输入为假图像g(z)时预测为真实雷达图像的概率。
[0061]
优选地，本实施例中，判别器的输出层包括softmax和sigmoid函数，有标签的地质雷达图像数据通过softmax处理后输出压实度；无标签的地质雷达图像数据和假图像g(z)通过sigmoid处理后判别真假。
[0062]
s2.4、固定生成器网络的参数，采用梯度下降算法优化判别器的权重参数。
[0063]
s2.5、固定判别器网络的参数，采用梯度下降算法更新生成器的权重参数。
[0064]
s2.6、重复第s2.1～s2.5步，直至达到迭代次数，训练后的判别器网络即为路基压实度智能识别模型。优选地，利用有标签的地质雷达图像数据对优化后的生成器网络进行测试，若未达到预期准确度可重复训练直至预测结果的误差值小于预定值，完成gan模型的训练，保存训练好的gan模型；
[0065]
优选地，可以进一步对s2.6获得的模型进行可靠性验证：采用有标签的地质雷达图像数据进行验证，将雷达图像输入到训练好的模型中，输出预测的压实度值，并与实际值进行比较，以评估路基压实度智能识别模型的性能，验算该方法的可靠性。
[0066]
在线识别阶段：
[0067]
s3、针对待检测路基采集地质雷达图像数据，采集的地质雷达图像数据输入到离线训练好的路基压实度智能识别模型中，输出预测的路基压实度值。
[0068]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。