一种基于目标特征提取的探地雷达钢筋直径估计方法

技术领域

本发明属于雷达信号处理的技术领域，具体涉及一种基于目标特征提取的探地雷达钢筋直径估计方法。

背景技术

探地雷达(Ground Penetrating Radar)技术作为一种较新的地球物理探测方法，在近几十年内得到了发展与应用。探地雷达通过发射大带宽电磁波信号来探测地下、墙壁等环境内部的不可见目标，利用不同物质之间的介电不连续性来获得目标的位置、尺寸、电参数等信息，能够帮助人们全面地了解非可视环境的内部分布情况。与常规的无损探测方法如超声探测法、电磁感应法、射线检测法等方法相比，探地雷达具有众多优点：它的操作更加方便灵活、分辨率更高、应用场景更加广泛，在一定程度上填补了常规无损探测方法的缺陷，因而受到了国内外学者的高度关注。早期的探地雷达大多被用来进行地下冰层、地下水位等地质测量，如今，探地雷达凭借其重要的优越性已被广泛应用在隐藏危险物探查、工程质量检测、环境监测、地质勘查、考古以及军事反恐等领域，并且逐渐向着无人化、小型化、智能化的方向发展。

探地雷达的一个重要应用场景是探测桥梁、墙壁等钢筋混凝土结构内部的钢筋。在混凝土结构中，钢筋的位置、钢筋保护层的厚度和钢筋直径对于结构的强度有着至关重要的影响，在建筑施工时应当被准确地测定。对于一个已经存在的建筑，人们希望使用方便快捷的方法来检测其内部的钢筋，其中基于探地雷达的钢筋检测技术由于其检测速度快、分辨率高、环境适应能力强、操作便捷等优势而被人们寄予厚望，目前探地雷达已经基本能够实现钢筋位置和钢筋保护层厚度的准确检测，然而对于钢筋直径的估计仍然不够精确，研究探地雷达钢筋直径检测方法具有十分重要的现实意义。

目前国内外在探地雷达杂波抑制算法上做出了许多研究，双曲线特征提取方法主要包括霍夫变换法(Hough Transform,HT)和曲线拟合法(Curve Fitting,CF)，其基本思想是对几何光学下的目标的双曲线特征形状进行建模，从实际观测到的回波中对模型参数进行拟合。此类算法是最常用的探地雷达钢筋直径估计方法，原理简单，能够适应不同环境，但是其对目标定位时延的准确性要求较高，对测量噪声比较敏感，且存在多解现象，在一般情况下估计误差大。基于全波形反演(Full Wave Inversion,FWI)理论的方法利用发射波形和接收波形来反演场景中介质的分布情况，通过设置场景的初始值，将发射波形在场景的初值下进行正演，比较正演结果与实际接收波形之间的差异来更新场景内介质的分布信息，如此反复迭代获得对地下场景分布的高精度重构，这种方法对钢筋直径的估计精度较高，但是计算复杂度较大，且鲁棒性较差，对初值的设置较为敏感。基于机器学习(MachineLearning,ML)的方法将回波信息通过人工神经网络、支持向量机、集成学习等方法直接与钢筋的直径建立映射，是近年来较为热门的钢筋直径估计方法，其离线计算复杂度低，估计精度较高。然而这些方法本身都还存在一定的局限性，例如：对噪声和发射波形的形状敏感、估计误差大、鲁棒性差等。

发明内容

有鉴于此，本发明提供了一种基于目标特征提取的探地雷达钢筋直径估计方法，能够克服现有方法对噪声和发射波形的形状敏感、估计误差大和算法鲁棒性差的问题。

实现本发明的技术方案如下：

一种基于目标特征提取的探地雷达钢筋直径估计方法，首先对探地雷达探测得到的钢筋回波进行杂波抑制预处理，使用鲁棒非负矩阵分解(Robust Nonnegative MatrixFactorization，RNMF)方法去除回波中的收发天线直达波、地表反射波和噪声等干扰，突出钢筋的反射双曲线，随即从反射双曲线中提取出钢筋反射的目标子波(Target Wavelet,TW)；接着分别将已知的时域源子波(Source Wavelet,SW)和目标子波进行傅里叶变换至频率域，根据频率域卷积定理，用目标子波的频谱除以源子波的频谱即可获得目标在频率域的单位冲激响应，再利用逆傅里叶变换获得目标在时域的单位冲激响应；对于得到的目标在时域的单位冲激响应，采用多路数据矩阵束方法(Multiple Look Direction MatrixPencil Method,MLD-MPM)提取目标无源瞬态响应奇点展开法(Singularity ExpansionMethod,SEM)的特征极点；最后使用人工神经网络(Artificial Neural Network,ANN)对提取出的目标特征进行回归预测，得到钢筋直径的估计值。

进一步地，所述方法具体包括以下步骤：

步骤一、建立观测信号模型；

步骤二、对钢筋的雷达回波进行杂波抑制处理，突出钢筋的反射双曲线，提取多观测方向下的目标子波；

步骤三、根据频率域卷积定理，用目标子波的频谱除以源子波的频谱，获得频率域的钢筋单位冲激响应，再对其进行逆傅里叶变换获得钢筋的多观测方向时域单位冲激响应；

步骤四、使用MLD-MPM算法，从多观测方向的目标单位冲激响应中提取出目标的特征极点；

步骤五、使用人工神经网络对目标特征极点进行解译，得到对钢筋直径的估计值。

进一步地，鲁棒非负矩阵分解算法的正则化参数设置为3e-4。

进一步地，步骤五中，使用的人工神经网络结构基于Resnet结构。

有益效果：

1、本发明应用于探地雷达信号处理领域，通过实验分别对比了目前的各类探地雷达钢筋直径估计典型算法(曲线拟合，全波形反演，基于自编码器神经网络和随机森林算法的机器学习法)，当回波信号中钢筋反射波清晰可见，且双曲线顶点部分不与其他目标的反射波相互重叠时，本发明能快速、准确地提供对混凝土内部钢筋直径的毫米级高精度估计。

2、本发明由于利用源子波的信息对目标子波进行了频域反卷积处理，获得了钢筋的多观测方向单位冲激响应，排除了源子波波形对信号处理产生的干扰。

3、本发明根据无源瞬态响应奇点展开原理，使用鲁棒性强、准确性高的MLD-MPM算法从钢筋的多观测方向单位冲激响应中提取了目标的特征极点，这一特征极点包含了反映了目标尺寸大小的信息。

4、本发明使用基于Resnet残差架构的人工神经网络对提取出的目标特征进行进一步的识别和解译，该网络结构具有优异的特征提取性能，具有较好的泛化能力和抗过拟合能力，能够实现对钢筋直径的准确估计。

附图说明

图1是本发明实施方式的信号处理流程图。

图2是本发明方法中分析钢筋对电磁波散射特性的示意图。

图3是本发明中实测B-scan及其杂波抑制效果图；其中(a)是原始探测B-scan，(b)是杂波抑制处理结果。

图4是本发明步骤2中提取的多观测方向目标子波结果图；其中(a)是多观测方向目标子波B-scan，(b)是其中的一条A-scan。

图5是本发明步骤3中提取的目标多观测方向时域单位冲激响应结果图；其中(a)是多观测方向时域单位冲激响应B-scan，(b)是其中的一条A-scan。

图6是本发明步骤4中提取的目标在复平面上的极点分布图。

图7是本发明步骤5中所使用神经网络的网络结构图。

图8是本发明步骤5中所使用残差卷积模块的结构图；其中(a)是输入输出通道数相同时的残差卷积模块，(b)是输入输出通道数不同时的残差卷积模块。

图9是本发明步骤5中仿真场景示意图。

图10是本发明中仿真B-scan及其杂波抑制效果图；其中(a)是原始探测B-scan，(b)是杂波抑制处理结果。

图11是本发明不同方法对仿真数据直径估计的误差分布图。其中，(a)是CF，(b)是FWI，(c)是AE-RF，(d)是MPM-ANN。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明提供了一种基于目标特征提取的探地雷达钢筋直径估计方法，图1是本发明实施方式的信号处理流程图。如图1所示，本发明通过以下步骤实现：

步骤1：建立观测信号模型；

探地雷达接收的钢筋回波信号可表示为:

r

接收信号r

其中，雷达设备的源子波s(t)可以由步骤2获得；由于干燥的混凝土的电导率极低(一般小于0.01S/m)，其可以被视为低耗甚至无耗介质，此时电磁波穿透混凝土表面的双程响应h

r

其频域形式为：

R

对于钢筋的单位冲激响应g

其中J

本发明中，探地雷达发射超宽带电磁波信号，其等效于使用多个频率的电磁波同时对目标进行探测，因此，利用已知的源子波和探测的钢筋回波，可以计算出多个频率下钢筋的散射响应，从而计算出钢筋单位冲激响应在某个频段内的数值。由于实际中钢筋并不是无限长的理想导体圆柱，因此，实际测量得到的钢筋单位冲激响应往往与理论值有所出入。尽管如此，测量得到的冲激响应仍然能够反映钢筋的直径大小。

步骤2：对钢筋的雷达回波进行杂波抑制处理，突出钢筋的反射双曲线，提取多观测方向下的目标子波；

如图3(a)所示，在探地雷达钢筋目标回波中，除了目标反射的双曲线以外，还会存在包括收发天线直接耦合波、混凝土表面反射波在内的众多杂波及噪声，这些杂波和噪声会影响对目标双曲线的提取，需要使用杂波抑制的方法去除。本发明使用RNMF杂波抑制方法对原始回波r

r′

其中RNMF{·}表示RNMF方法处理，杂波抑制的效果如图3(b)所示。r′

r(t)＝[r′

选择出的单根钢筋(直径20mm)的多观测方向目标子波B-scan如图4(a)所示，其中的一条A-scan如图4(b)所示。

步骤3：根据频率域卷积定理，用目标子波的频谱除以源子波的频谱，获得频率域的钢筋单位冲激响应，再对其进行逆傅里叶变换获得钢筋的多观测方向时域单位冲激响应；

假设雷达设备的发射波形，即源子波为s(t)，将其与步骤2获得的目标子波r(t)分别进行傅里叶变换，得到频率域的源子波S(f)和目标子波R(f)，根据步骤1中的信号模型以及频率域卷积定理，可以得到钢筋在频率域的单位冲激响应：

其中T

由于源子波和目标子波的带宽往往是有限的，而傅里叶变换的结果中往往会包含超出带宽的频率分量，因此，在得到G′(f)之后还要对其中的数据进行处理，保留有用的信号，去除不可靠的数据：

其中f

最后，对G″(f)在频率维度进行逆傅里叶变换，得到钢筋的多观测方向时域单位冲激响应g″(t)：

g″(t)＝ifft{G′(f)}＝[g

得到的单根钢筋(直径20mm)多观测方向时域单位冲激响应B-scan如图5(a)所示，其中的一条A-scan如图5(b)所示。

步骤4：使用MLD-MPM算法，从多观测方向的目标单位冲激响应中提取出目标的特征极点；

根据无源瞬态响应奇点展开原理，目标对电磁波的的单位冲激响应可以写为有限个衰减的正弦函数之和：

其中s

·定义观测矩阵G：

其中M＝2m+1为观测方向个数，L为一较大的整数，一般设置为L＝N/4。

·对矩阵G进行SVD分解：

G＝UΣV

其中U，V为酉矩阵，∑为对角矩阵，其对角元素σ

·计算满足σ

·定义矩阵V

V

V

计算矩阵束(V

V

·将μ

|μ

z

随后按照如下公式获得钢筋的模拟域特征极点s

s

提取出的特征极点为一系列复数值，其虚部ω

由此，提取出了钢筋的特征极点。单根钢筋(直径20mm)的极点在复平面上的分布如图6所示。

步骤5：使用人工神经网络对目标特征极点进行解译，得到对钢筋直径的估计值。

直径的预测基于Resnet残差架构的特征提取网络实现，网络结构如图7所示。其中每个卷积层内，后两个数字分别代表输入/输出通道数，/2表示使用池化操作将特征向量的长度缩小一倍。残差卷积的结构如图8所示，如图8(a)所示，当输入、输出通道数相同时，残差卷积模块将输入数据与经过一个bottleneck形状的1×1和1×3卷积结果直接相加作为输出，其输出数据与输入数据的维度相同；当输入、输出通道数不同时，如图8(b)所示，残差卷积模块将输入数据通过一个1×1大小的卷积模块进行通道数目变换，再与经过一个bottleneck形状的1×1和1×3卷积结果相加作为输出，其输出数据与输入数据的维度不同。残差卷积模块的应用大大增强了网络的学习能力，减小了网络出现过拟合的概率，是目前常用的特征提取模块。

网络的训练数据集使用基于有限差分时域(FDTD)方法的软件gprMax生成，仿真场景如图9所示，场景为0.5m*0.5m的二维场景，网格大小为0.001m；其中雷达在钢筋正上方水平移动探测，天线步进为1cm，共采集41个测点的数据，电场的极化方向与钢筋的长轴方向相同，发射波形为中心频率为2GHz的ricker子波，与实际探测时的源子波一致，时窗长度为10ns；混凝土的相对介电常数设置为6-9范围之内的随机值，电导率设置为0.001S/m-0.1S/m范围内的随机值，相对磁导率和相对磁耗分别为1和0；钢筋被建模为理想导体(PerfectElectric Conductor,PEC)材质的圆柱体，位于场景的中心；钢筋的埋深设置为5-30cm的随机值，钢筋的半径设置为3-25mm的随机值。使用gprMax软件产生了2000个B-scan数据样本，生成的单个原始B-scan和杂波抑制处理后的B-scan示意图如图10(a)、图10(b)所示，其中1600个样本用作训练，200个样本用作验证，200个样本用作测试。数据集中所有的样本都按照步骤1-4进行处理后得到它们的特征极点，随后输入网络进行直径预测。

网络输入部分为一2×64的张量，张量的第一行为从小到大排列的目标的归一化谐振波长λ′

在现场探测时，将采集到的钢筋目标回波按照步骤1-4进行处理，得到它的特征极点，随后将特征极点输入训练好的人工神经网络，网络的输出即为直径的估计结果。

实施例

为了验证本发明提出的一种基于目标特征提取的探地雷达钢筋直径估计方法，实验分别采用探地雷达仿真数据和实测环境的真实数据对各类算法的有效性进行验证，包括曲线拟合(CF)、全波形反演(FWI)、基于自编码器神经网络和随机森林算法的机器学习法(AE-RF)以及本发明所提出的基于矩阵束法特征提取和Resnet架构神经网络预测的钢筋直径估计方法(MPM-ANN)。评价算法性能的指标有两个，一个是直径的估计值与真实值之间的误差，误差值越低表示方法估计结果越准确；另一个是算法的计算用时，计算用时越小表示方法的计算越快。

仿真数据使用基于有限差分时域(FDTD)方法的软件gprMax生成，生成过程见步骤5，获得的GPR图像如图10所示。对其进行四种探地雷达钢筋直径估计算法的处理，CF、FWI、AE-RF、MPM-ANN方法的估计结果的误差概率密度分布图分别如图11的(a)、(b)、(c)、(d)所示，四种方法的最大估计误差和每次估计的平均计算用时对比如表1所示。从仿真数据的处理结果来看，四种钢筋直径估计方法均能够得到对钢筋直径的毫米级估计，其中所提MPM-ANN方法的准确度最高，最大估计误差约为0.8mm；FWI方法的精度次之，但是计算速度最慢，无法满足实时探测的要求；AE-RF方法能够兼顾计算精度与计算速度，但是在某些有高精度的需求的场景下难以适用；CF方法准确度最低，最大估计误差约为30mm，但是其计算速度很快。

表1：仿真数据不同算法估计误差和计算用时对比

实测数据采用Vivaldi天线和矢量网络分析仪完成对混凝土介质内部钢筋的检测，设备发射频率范围为700-6000MHz、频率步进为10MHz的步进频信号，接收数据经过时频域转换后获得的GPR图像如图3(a)所示。对其进行四种钢筋直径估计算法的处理，估计结果对比如表2所示。曲线拟合法对目标定位时延的准确性要求较高，对测量噪声比较敏感，且存在多解现象，因此估计误差较大；全波形反演法利用迭代反演的方法获得了对地下场景的精确重构信息，但是其对噪声和场景初值的设定较为敏感，鲁棒性较差，计算复杂度较高，难以用于实时处理；基于自编码器神经网络和随机森林算法的机器学习法虽然在仿真数据上具有不错的性能，但是其没有利用源子波的信息，因此对源子波波形较为敏感，在实测数据上的表现较差；本发明所提的基于矩阵束法特征提取和Resnet架构神经网络预测的钢筋直径估计方法不仅考虑了源子波波形的影响，还利用MLD-MPM方法提取了有效的目标特征，并使用神经网络对其进行解译，具有最高的直径估计精度，验证了本算法的有效性和鲁棒性。

表2：实测数据不同算法对不同直径钢筋的估计结果对比

以上实验结果说明了本发明提出的一种基于目标特征提取的探地雷达钢筋直径估计方法能达到较高的估计精度，同时具有较快的计算速度，从而验证了算法的有效性。与现有的探地雷达钢筋直径估计方法相比，本发明由于利用源子波的信息对目标子波进行了频域反卷积处理，获得了钢筋的多观测方向单位冲激响应，排除了源子波波形对信号处理产生的干扰；根据无源瞬态响应奇点展开原理，使用鲁棒性强、准确性高的MLD-MPM算法从钢筋的多观测方向单位冲激响应中提取了目标的特征极点，并使用基于Resnet残差架构的人工神经网络对提取出的目标特征进行进一步的识别和解译，该网络结构具有优异的特征提取性能，具有较好的泛化能力和抗过拟合能力，最终实现了对钢筋直径的准确估计。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。