目前，探地雷达(GPR)能够以正常行车速度，连续高效地探测沥青路面的结构层厚度[1]、沥青层密度[2]、内部裂缝[3]、层间剥离和松散至脱空[4]等．而路面内部病害在GPR图中呈现的回波特征不同于结构层位线，一般表现为强振幅、紊乱的同相轴；同时，GPR图中还会存在其他结构物或噪声的相似回波信号的干扰．工程人员须要凭借丰富的GPR实践经验，逐一判别海量GPR图中的病害回波特征，该过程存在较强的主观性，且极大消耗人员精力．因此，迫切须要开展沥青路面GPR图中病害回波特征的自动化识别研究．基于深度学习技术的图像目标检测算法已成为当前研究热点[5]．传统的多层CNN网络模型[6]进行目标检测的过程主要包括图像预处理、窗口滑动、特征提取、特征选择、特征分类和后处理六大步骤，检测效率相对较低．Faster R-CNN模型只须窗口滑动、产生候选区域、候选区域分类和后处理，提升了CNN模型在GPR图中内部裂缝、水损害和不均匀沉降特征提取、选择、分类的能力和效率[7]．前面的深度学习模型均为两阶段目标检测器，检测结果分两部分求解即目标分类和目标位置回归，然而模型目标检测速度依然较低，都很难满足图片实时检测要求．当前广泛采用的SSD模型[8]和YOLO算法模型[9]将目标分类和位置预测统一为一个回归问题，极大地提高了目标检测速度；在开源图片数据集上，YOLOv3模型[10]每秒识别图片数约3倍于SSD模型，且数10倍于Faster R-CNN模型，让视频图像中目标实时检测成为现实．在机场水泥混凝土道面GPR图中多病害(裂缝、脱空、沉降和疏松)回波特征检测中，YOLOv3模型的平均检测精度略高于SSD和Faster R-CNN模型[11]．目前，将YOLO系列多个模型初步应用于沥青路面三维GPR图中内部横向裂缝回波特征的识别，其中YOLOv4模型在识别精度和速度方面综合表现最佳，整体性能优于YOLOv3模型[12]，但其综合检测精度仅为76.33%，这是由于纵断面GPR图数据集标注的目标以路表裂缝回波特征为主，内部结构裂缝较少，且裂缝回波特征不清晰，可能存在错误标注．综上，沥青路面GPR图中不同内部病害的回波特征须进一步明确和区分，同时深度学习算法模型应平衡目标检测精度和速度，并使得图像识别速度与图像数据采集能力相匹配．为此，本研究首先确定路面多维度GPR图像中内部横向裂缝和层间不良病害的回波特征，然后通过GPR数据预处理方法增强回波特征数据集，从而开展YOLOv4模型识别GPR图中多种内部病害回波特征的适用性研究．1 GPR图像数据集构建1.1　3D-GPR数据采集3D-GPR系统配备了DXG-1820多通道地面耦合天线阵，收发天线共20个通道，通道横向间距7.5 cm．牵引天线的汽车后车轮安装了距离测量仪(DMI)，每次测量前人工进行不少于50 m距离标定；天线阵搭载了实时差分定位测量仪(RTK)，实时定位可精确至cm级．检测采集参数设置为：测点纵向采样间距4 cm，时窗62 ns，驻留时间1 μs，可得频率步长为8 MHz．3D-GPR全断面、连续检测高速公路沥青路面，如图1(a)所示，单次检测测线宽度为1.5 m；可以同时得到沥青路面内部任意空间点的纵断面(行驶方向)、横断面(路面宽度方向)和水平切面(深度方向)三个断面的GPR图像及该点反射波即A扫描，如图1(b)所示．图1(b)为沥青路面内部结构的三维GPR图，纵断面和横断面GPR图中清晰呈现路表、沥青层、上基层、下基层、底基层和路基的各结构层界面，表现为连续同相轴，单道反射波A扫描中层位线处回波振幅强度较强，水平切面灰度分布均匀，三个断面均无明显异常回波信号，表明结构层完整性较好．三维GPR图像有助于从不同维度辨识GPR图中的异常回波信号，从而有效排除二维GPR图中其他相似回波的干扰．10.13245/j.hust.230198.F001图1沥青路面3D-GPR检测及其成像沥青路面内部横向裂缝和结构层间黏结不良(如局部材料松散、破碎或脱空)是比较常见的早期隐性病害，且这两种病害在GPR图中的回波特征显著，因此本研究只针对这两种病害进行识别．图2为典型的沥青路面内部横向裂缝和层间不良的三维GPR图，病害回波特征均主要出现在GPR图中结构层间同相轴．图2(a)的浅蓝色框为内部横向裂缝在3D-GPR图的回波特征：纵断面中形态表现为似单支开口向下对称的双曲线形，具有明显的细长绕射波，顶端有间断；水平切面中形态表现为横向细条带裂纹状；横断面形态表现为强振幅同相轴，有间断．图2(b)的橙色框为层间不良在3D-GPR图的回波特征：纵断面中形态表现为类似梯形，中部连续较强振幅的同相轴，两端绕射波较明显；水平切面中形态表现为呈区域化分布的较强振幅同相轴；横断面形态表现为较强振幅的连续同相轴．只有同时满足三个维度的GPR图的回波特征，并且回波特征位于层位线同相轴，才能确定GPR图中异常回波为沥青路面内部横向裂缝或层间不良病害．10.13245/j.hust.230198.F002图2沥青路面内部病害的3D-GPR成像1.2　病害回波特征的数值模拟为了进一步明确沥青路面内部病害在纵断面GPR图中的回波特征，使用gprMAX软件[13]数值模拟沥青路面病害几何模型的GPR纵断面图．沥青路面结构由沥青上、中、下面层，基层和路基组成，结构层材料及其厚度参数如表1所示．路面内部横向裂缝几何模型a：设计了9种宽度(1，3，5，7，10，15，20，25和30 mm)裂缝，均贯穿于各结构层．层间不良即松散脱空几何模型b：设计了9种高度(2，5，10，20，30，40，50，80和100 mm)，宽度均为30 cm的脱空，布置于沥青层底．数值模拟的GPR激励源为Ricker入射波，中心频率为1 200 MHz，收发天线振子间距为8 cm，采样时窗设置为14 ns，采样间距为4 mm．10.13245/j.hust.230198.T001表1路面几何模型的结构层材料及厚度参数参数上层面中面层下面层基层土基相对介电常数6.56.36.28.39.7电导率/(S∙m-1)1×10-81×10-81×10-82×10-82×10-3相对磁导率11111厚度/cm4682050沥青路面内部病害几何模型a和b的GPR数值模拟纵断面图分别如图3(a)和(b)所示．路面结构横向裂缝的数值模拟GPR回波特征仍呈现单支、开口向下的双曲线形，分布于各层位线同相轴，深度越深的层位线上的双曲线开口张角越大，绕射波越明显，场强越小；裂缝宽度越宽其回波特征的场强强度越强，当裂缝宽度较小(如1和3 mm)时，其回波信号非常弱，以至无法辨别．层间不良的数值模拟GPR回波特征仍似梯形，中部为连续较强场强的同相轴，两端绕射波明显；其回波特征的显著性与脱空高度正相关，当脱空高度较小(如2和5 mm)时，其回波信号也较弱，信号会被层位线同相轴掩盖．总之，数值模拟的路面内部病害的GPR回波特征与实测图中相符，说明纵断面GPR图中内部病害回波特征的定性判别标准是可靠的．10.13245/j.hust.230198.F003图3沥青路面内部病害的GPR数值模拟图1.3　病害回波特征数据增强从多条高速公路采集的沥青路面三维GPR数据中，收集含有内部横向裂缝或层间不良回波特征的GPR纵断面图．GPR图像数据集包括不同结构层的横向裂缝、不同结构层间接触不良、背景噪声和相似回波信号干扰等．在人工辨识预处理后GPR图中病害特征的过程中，一般会对图像进行缩放或整体增益操作，以加强病害回波特征．因此，可以通过对GPR图像深度方向或行驶距离方向的缩放、整体增益处理，以及增加路面内部病害数值模拟GPR图，并添加高斯和脉冲噪声，进一步丰富数据集图像，达到提高模型目标检测的泛化能力目的．1.4　病害回波特征标注在开源软件LabelImg上，人工使用矩形框逐一精确定位GPR纵断面图数据集中的病害回波特征范围，并注明其类别标签；该矩形标注框为病害特征目标的真实框，内部横向裂缝和层间不良病害回波特征标注框的类别标签分别为Crack和Debonding．标注信息包括原始GPR图的尺寸(宽、高和通道数)、标注目标的类别和标注框对角线两点的坐标．1 812张GPR图像数据集共标注了3 077个内部病害回波特征，其中2 331个内部横向裂缝特征，746个层间不良特征；再把数据集按照大约7︰1︰2的比例，随机分配成训练集、验证集和测试集三部分，各部分相互独立，没有重复图像，具体如表2所示．10.13245/j.hust.230198.T002表2GPR图像数据集组成个数数据集GPR图目标真实框裂缝层间不良训练集1 2841 667522验证集17423475测试集3544301492 YOLOv4深度学习算法模型2.1　网络架构本研究所用YOLOv4目标检测器[14]主要由输入端、骨干网络、颈部结构和头部组成．YOLOv4模型在输入端，将原始图像缩放至设置的标准尺寸，并通过图像旋转、色域(饱和度、曝光量和色调)变化及Mosaic数据增强方法来增强数据集．模型骨干网络是一个卷积神经网络CSP-Darknet-53，该网络对图像像素进行卷积、批量标准化等处理，以形成不同粒度的特征；网络权重参数一般先在开源数据集MS COCO进行预训练，获取的预训练权重作为网络的初始权重．颈部结构包括空间金字塔池化、特征金字塔网络和路径聚合网络，将不同层的特征信息传递融合，得到可进行预测的不同空间分辨率的特征图．为了检测不同大小的目标，模型头部输出端基于YOLO算法，在多个尺度的特征图上进行密集地预测边界框，特征图每个网格的最终预测均编码为一个3×(4+1+2)=21维度的张量，其中3个预测框，4个位置坐标信息，1个置信度，本研究中类别数为2(内部横向裂缝和层间不良)．2.2　损失函数在YOLOv4模型网络训练过程中，网络参数在不断更新迭代，这就是预测边界框位置坐标、置信度和类别概率的回归拟合过程，促使在复杂图像背景中预测的边界框更加接近目标真实框．因此，模型的损失函数Lo由位置误差、置信度误差和类别误差三部分组成[9]．2.3　评价指标目标真实框与预测框的交集、并集面积比定义为Iou，表示目标预测框与标记真实框的重合程度．查准率P表示在预测出来的目标中，被正确预测目标所占比例；召回率R表示在要被预测目标中，被正确预测目标所占比例．P和R具体可分别表示为P=TPTP+FP；R=TPTP+FN，式中：TP为病害特征被正确检测出的数量；FP为非病害特征被预测成病害的数量；FN为病害特征目标被预测成非病害的数量．当预测边界框与真实框类别标签一致时，两框的Iou大于设置的阈值0.5，才可判定TP，否则为FP．检测模型在依次识别前k张图片过程中，查准率会随着召回率增大而起伏变化，从而得到P-R曲线．该曲线与召回率横坐标轴围成的面积定义为平均精度Ap，将n个不同类别的Ap值求均值，得到Apm．以上指标一般在Iou=0.5计算得到．二分类问题的衡量指标为F1分数，该指标综合了查准率和召回率的产出结果，为查准率和召回率的调和平均数，即F1=2PRP+R．将不同类别的F1分数值求均值，得到F1h分数，将其运用于多类别标签分类任务．综合性评价指标Apm和F1h分数的值越大，说明模型在目标检测精度方面的性能越好．除了以上检测精度性能，目标检测算法的另一重要方面是检测速度．每s帧数Fps表示模型网络每s处理视频帧数或图片的数量，用以衡量模型目标检测的实时性．当模型的Fps30时，就足以实现视频图像中目标的实时检测[12]．3 YOLOv4模型训练与验证模型的网络权重参数在训练集上更新迭代，而验证集在训练过程中初步验证当前模型的训练效果，从而决定是否停止训练，并输出模型的最优网络权重参数．测试集最终评估最优网络权重参数模型目标检测的鲁棒性和泛化能力．3.1　网络参数配置YOLOv4模型的训练、验证和测试任务均在同一台电脑上完成，电脑主要硬件为NVIDIA GeForce RTX 3070 GPU，8 GiB专用GPU内存．模型网络基本参数设置如下：输入图像的标准化尺寸宽和高均设为416像素，GPR图像为灰度图，因此通道数为1；输入图像的旋转角度、饱和度、曝光量和色调参数分别为0.0，1.5，1.5和0.1．在模型网络训练过程中，每一次迭代输入到网络的图片数量即批数量为16，考虑到GPU内存有限，因此将批数量分成8个子批数量进行运算，学习率为1.3×10-3，动量参数为0.949，权重衰减正则系数为0.5×10-3，网络权重参数训练迭代的总次数Ite为6 000，其可控制网络训练的结束时刻．采用K均值聚类算法将训练集GPR图像中病害特征真实框尺寸分成9簇，获取目标预测边界框的初始尺寸，即初始锚定框尺寸(宽度×高度)分别为23×46，32×47，30×64，42×56，45×75，65×65，64×87，96×76和136×77像素．3.2　模型训练及验证结果在YOLOv4模型训练过程中，训练集的Lo值和验证集的Apm值随着迭代次数的变化趋势如图4所示．随着训练迭代次数的增加，模型的训练集Lo值均呈现先快速减小，然后逐渐平稳下降，趋于小于2的定值波动；而验证集Apm值的变化趋势与Lo值则相反，Apm最大值为98.12%．较小并稳定的训练集Lo值和较大的验证集Apm值表明YOLOv4模型整体回归拟合收敛，网络的训练效果较好．此外，模型完成6 000次迭代的训练时间为118 min；当训练迭代次数为4 531时，验证集Apm达到最大值，从而获取模型网络的最优权重．10.13245/j.hust.230198.F004图4YOLOv4模型的训练和验证结果4 YOLOv4模型测试为了评估经过训练的YOLOv4模型的目标检测性能，模型在测试集上识别和定位GPR图中病害特征，其性能指标结果如表3所示，模型分别检测内部横向裂缝和层间不良病害特征的P-R曲线如图5所示，曲线下面积为Apm．模型的测试集Apm值为97.55%，F1h分数值为0.95，两个综合检测精度指标表明YOLOv4模型检测GPR图中病害回波特征的精度较高．具体而言，模型识别内部横向裂缝的F1分数和Ap值分别为0.926和96.11%，均明显小于层间不良的0.973和98.98%，可见层间不良回波特征相对裂缝较容易识别正确，这主要由于层间不良回波特征更加显著且范围广，而裂缝回波特征振幅强度低，容易受到其他类似回波特征或环境电磁噪声干扰．10.13245/j.hust.230198.T003表3YOLOv4模型的评价指标测试结果类别TPFPFNP/%R/%F1F1hAp/%Apm/%FpsCrack403372791.693.70.9260.95096.1197.5534.6Debonding1443598.096.60.9730.95098.9897.5534.610.13245/j.hust.230198.F005图5YOLOv4模型测试集的查准率-召回率曲线此外，YOLOv4模型检测1 254×464像素帧的MP4文件GPR图像视频的Fps值为34.6，超过了30，表明模型可实现对GPR图像视频中病害特征的实时检测．YOLOv4模型识别测试集部分纵断面GPR图中病害回波特征结果如图6所示，图中：紫红色和浅蓝色框分别为内部横向裂缝回波特征的预测框和真实框；青绿色和橙色框分别为层间不良回波特征的预测框和真实框．在图6(a)中，模型能较好识别出贯穿不同沥青路面结构层的内部横向裂缝回波特征，各预测框的置信度分数均不小于0.97，其与真实框符合度较高．在图6(b)和(c)中，模型同时检测出了GPR图中内部横向裂缝和层间不良的回波特征，且图6(b)中不会误检相似回波特征，比如其左上方及下方的类似双曲线形态信号分别为金属预埋件和路基横向排水管的回波特征．在图6(d)~(f)中预测的边界框置信分数均较高，表明一定程度缩小或放大GPR图中病害特征对识别效果影响较小．在图6(g)~(i)中，模型识别层间不良特征的预测框置信度由高到低依次为图6(h)，(g)和(i)，其预测框与真实框符合程度与置信度相一致，表明适度的整体增益处理GPR图可以增强病害回波特征，让其被模型输出端更好识别，否则适得其反．在图6(j)和(k)中，沥青层、基层等结构层间接触不良的回波特征均被识别，置信度分数不小于0.93，其预测框与真实框的偏差均较小；图6(j)中层间不良回波旁有路表强反射干扰信号．图6基于YOLOv4模型的测试集部分GPR图识别结果10.13245/j.hust.230198.F6a110.13245/j.hust.230198.F6a2此外，在图6(l)中，路表沥青层和下基层裂缝的回波强度较弱，未能被识别；通过时间补偿增益处理该图像上部分区域，从而增强裂缝回波振幅，裂缝回波特征均能被模型识别，如图6(m)所示，信号较弱特征的预测框相应的置信度也较低．在图6(n)中，局部同相轴振幅强度较高的层位线被错误检测为层间不良病害，可以通过水平切面GPR图或相邻通道的纵断面GPR图进一步辨别；而其下方较强背景噪声中的下基层横向裂缝回波特征未能被识别，印证了内部横向裂缝相对层间不良较难被识别成功．将图6(n)经过滤波即噪声抑制处理，雪花状干扰噪声被移除，下基层裂缝又能被较好识别，置信度为0.99，并且原本被噪声完全淹没的底基层裂缝也能被识别出，而层位线未被识别成层间不良病害，如图6(o)所示．在图6(b)，(c)和(k)中，层间不良回波特征区域内含有横向裂缝的双曲线形回波，但是模型只识别出层间不良的回波特征，而无法识别裂缝的特征；层间不良病害影响范围广，潜在危害更大，能将其有效识别，已经可以满足工程养护检测需求．5 现场验证首先，YOLOv4模型自动识别出沥青路面纵断面GPR图中的内部病害回波特征，得到病害在水平切面GPR图中的位置信息(经、纬度)；然后，在电子地图上标记出该位置，并通过RTK点放样找到实际现场的路面点位；再使用二维GPR在点位附近布置测线，准确找到病害路表位置；最后，钻芯机在此取样，查看芯样及孔底完整状态，如图7所示．图7(b)为图6(c)中识别的内部裂缝病害位置的芯样，基层芯样侧壁贯穿性断裂，与识别结果一致；图7(c)为图6(j)中识别的层间不良病害位置的芯样，沥青层与基层断裂，芯样无法完整取出，层间黏结完全失效．10.13245/j.hust.230198.F007图7现场路面取芯验证6 结论a．在沥青路面3D-GPR图中，内部横向裂缝和层间不良病害的回波特征具有显著差异性，如纵断面GPR图中形态分别近似表现为单支开口向下对称双曲线形和梯形，两端均呈现强绕射波；进而有效排除相似回波干扰，建立可靠的包含内部病害回波的GPR纵断面图数据集．b．YOLOv4模型识别测试集GPR图中内部病害回波特征的Apm值可达97.55%，模型检测路面GPR视频的Fps值为34.6，表明该模型算法适用于GPR图中内部横向裂缝和层间不良回波特征的快速精准检测．c．与内部横向裂缝相比，层间不良回波特征的识别相对更准确．GPR图缩放和拉伸不影响模型对回波特征的识别效果，而适当的整体增益GPR图有利于提高病害特征识别的置信度．此外，对GPR图特定区域进行时间增益补偿或噪声抑制等处理可以有效改善GPR图中裂缝回波特征的识别效果．