铁路GPR检测数据智能管理分析系统的研究与设计

杜 翠，刘 杰，程远水

（中国铁道科学研究院集团有限公司 铁道建筑研究所， 北京 100081）

21世纪以来，铁路建设正从信息化、数字化走向智能化。隧道、路基等铁路基础设施的智能诊断，是智能建造技术的重要组成，为工程质量验收提供重要的技术支撑[1-2]。

探地雷达（GPR，Ground Penetrating Radar）无损检测技术是高速铁路路基、隧道衬砌质量检测的主要手段[3-6]。但在实际应用中，地质雷达数据处理还面临两个典型问题：（1）数据处理周期长，检测结果时效性差；（2）人工解释雷达图像及多解性引起的误判。因此，针对探地雷达数据处理存在的问题，对检测数据快速处理的关键技术进行攻关，实现路基、隧道等铁路基础设施的智能诊断，对推动铁路智能制造技术的发展具有重要的现实意义。

通过研究和开发铁路GPR检测数据智能管理分析系统，可为铁路路基、隧道检测工程提供项目管理、数据管理、快速处理、辅助解释和统计分析服务，提升目前的数据管理和数据处理解释的自动化、智能化水平，为路基、隧道等铁路基础设施的智能诊断提供重要的技术支撑。

1 系统需求分析

1.1 GPR数据处理流程

GPR数据处理是一个复杂的过程[7]，不同的探测介质采用的处理流程会有一定的差异，典型的GPR数据处理流程，如图1所示。外业进行数据采集后，内业需根据现场打标记录、桥隧涵设备表等信息，进行里程校正、试处理、信号处理、图像解释、统计分析以及检测报告编制等一系列工作。

GPR检测采集的数据量非常庞大。路基普查约5 GB/100 km，隧道约1.2 GB/ km，与具体的测线数量和采集参数有关。

图 1 典型的GPR数据处理流程

1.2 GPR数据处理需求

目前，数据处理通常采用的是雷达设备厂商提供的配套软件。根据目前软件存在的问题，总结铁路GPR检测数据智能管理分析系统的需求，主要包括4个方面。

（1）建立数据管理机制和管理平台

数据通过拷贝等形式流转，硬盘存储，效率低风险大，不利于查找和再利用，也给软件部分自动化功能的实现带来难度。

（2）增加目前软件缺失的功能

目前，软件欠缺里程校正、数据统计、报告辅助生成等功能，且开发商通常不提供定制版本，也不提供二次开发接口，无法对目前软件进行改进。

（3）良好的人机交互

由于软件设计理念不同，软件都是针对一个文件进行精细处理。如果用于大批量文件的应用场景，则存在大量的重复性操作，影响工作效率。

（4）增加辅助解释功能

通过人工进行图像解释，存在效率低、标准不一的问题，使得图像解释这一步骤占用了大量的时间，且存在多次反复，增加了数据统计和编制报告的工作量。

2 系统设计

2.1 总体架构

铁路GPR检测数据智能管理分析系统基于B/S模式，采用分层架构，如图2所示。表现层展现用户界面，负责视觉和用户交互；业务逻辑层实现软件各类算法；公共组件层为业务逻辑层的各个模块提供公共服务；数据访问层用于同数据库进行交互，对数据的添加、删除、修改、显示等，为业务逻辑层或表现层提供数据服务；数据层采用Oracle和HDFS组合的方案。

图 2 系统架构

2.2 功能设计

根据GPR数据处理流程及系统需求分析，系统功能分为5个模块，分别为项目管理、数据管理、数据处理、图像解释、统计分析。

2.2.1 项目管理

以基础设施检测项目为核心，对项目相关的静态、动态数据进行信息化管理。静态数据包括基础设施的设计资料、 施工资料等，动态数据包括GPR原始数据、处理后数据、典型图像、异常信息等。

此外，为保证数据处理的客观性，该模块还设计了任务分配功能，项目管理员将项目涉及的GPR文件匿名分配至处理人员，并可查看数据处理进度。

2.2.2 数据管理

实现雷达原始文件上传、采集记录上传、数据下载等功能。因各类基础设施检测涉及到多种雷达品牌和型号，其文件格式各不相同。在此模块下，原始文件上传后，在服务器后台自动完成文件解析过程，将雷达文件转换为统一格式存储，文件头中的属性信息存入关系型数据库。

2.2.3 数据处理

实现雷达数据处理的功能，包含里程校正、信号处理和工作流处理3部分。里程校正功能利用采集时的打标记录，通过回归计算的方式对累积误差进行校正。信号处理功能实现了常用的雷达信号处理算法，如背景去噪、增益、滤波等，用于去除干扰信号，提高信噪比。工作流处理功能利用并行计算技术，实现多文件的批量处理，提高处理效率。

2.2.4 图像解释

实现GPR图像解释的功能，包括AI识别、数据成像、交互解释3部分。AI识别功能实现对GPR图像中各类异常的自动识别；交互解释功能用于人工解释以及复核AI识别结果是否存在错判、漏判等，这里也实现了层位追踪功能，可以浏览雷达剖面图像，修正AI识别层位结果，绘制衬砌层位、道床层位线等。

2.2.5 统计分析

实现GPR解释结果的统计分析功能，包括自动统计、图表展示、辅助报告3部分。根据项目需求，实现各类异常的数量、分布、等级等参数的自动统计，以丰富的图表形式实现结果的可视化，根据指定的格式生成报告，节约数据处理人员的工作量。

3 关键技术

3.1 并行工作流处理技术

目前，雷达软件通常缺失或只有简易的批处理功能，交互方式较为复杂，批处理步骤的计算效率很低。如果从算法并行化角度出发，则实现难度和成本较高[7]。为满足海量的数据处理需求，本研究提出了基于Hadoop大数据技术的并行工作流处理技术。并行工作流处理流程，如图3所示。

图 3 并行工作流处理流程

（1）根据GPR检测数据的特点，选取单个雷达文件进行试处理，设计相适应的标准工作流，包含若干滤波、增益等信号处理算法，采用C++编程实现。

（2）通过自定义Hadoop作业，发起一个处理作业将同时处理多个雷达数据文件，Hadoop MapReduce框架根据需要处理的文件个数，创建相应个数的map作业。一个map作业从分布式文件系统（HDFS）中读取数据文件，并将文件流传递给标准工作流的C++数据计算函数进行处理，在处理完成后，接收处理的结果数据，保存在HDFS中。多个map作业并行的处理多个数据文件，使原本的串行处理过程改造为并行的处理过程，提高了处理效率。由于雷达数据间并无关联性，无需将处理结果进行合并，所以Hadoop作业可设置为单map作业，忽略reduce过程。

为了更好地配合Hadoop MapReduce并行作业的运行，雷达数据文件将事先导入到Hadoop分布式文件系统中（HDFS），使Hadoop集群中的每个节点均可访问到需要处理的雷达数据文件。处理后的结果也将保存在HDFS中。

3.2 GPR图像智能识别方法

目前，GPR图像解释工作是通过数据处理人员进行人工判读，数据处理人员的技术水平和经验对解释结果有很大的影响。由于GPR图像的各类识别目标的特征均差异很大，判别依据并不十分明确，且判别特征非常抽象，使得提取具有表征性的特征建立特征向量的难度非常大[8-11]。而深度神经网络技术将特征提取和分类集成到一起，自动提取图像特征，可克服传统机器学习方法对特征工程的依赖，更适用于GPR图像的识别。因此，为了提高GPR图像解释的准确度和效率，本研究采用深度神经网络技术对GPR图像进行智能识别。基本流程包括如下3个主要步骤，如图4所示。

（1）建立GPR图像样本库，进行训练后建立识别模型。

（2）将GPR文件进行图像分割后，通过调用识别接口，对GPR图像进行智能识别，获取的结果为每个识别目标的类别和图像坐标。

（3）对步骤（2）获取的结果，通过拼接、去重、定位、统计等手段进行智能修正，最终的识别结果为整个文件的识别目标类型、数量和实际坐标（里程和深度）。

图 4 GPR图像智能识别方法

4 系统测试应用

为了测试系统各个功能的实际应用效果，开发完成后利用高铁隧道衬砌检测车采集的数据进行系统测试。并行计算硬件配置为CPU：Intel 至强4核处理器；内存：16 G；硬盘：200 G；网络：千兆网。智能识别采用的显卡为英伟达TITAN Xp显卡。

在5节点集群环境下，并行计算测试应用效果，如表1所示。现有软件无批处理功能，单个文件处理时长约90 s。引入该系统后，50个雷达文件处理时长约90 s，处理效率提升效果十分显著。

表 1 并行计算测试效果

利用拱顶数据建立训练样本集，利用拱腰数据建立测试样本集，对钢筋和钢拱架两类识别目标进行了训练和识别测试，取得了良好的效果，识别结果分别见图5和图6所示。在智能识别的基础上，技术人员再进行检查和修正，比全人工判读节省大量的时间和精力。

图 5 钢筋识别结果

图6 钢拱架识别结果

5 结束语

隧道、路基等铁路基础设施的智能诊断，为工程质量验收提供重要的技术支撑。为提升铁路GPR检测数据的处理效率和智能化水平，满足新建线路海量检测数据快速处理的迫切需求，本文研究设计了铁路GPR检测数据智能管理分析系统，通过基于Hadoop大数据框架的并行工作流技术实现批量文件的快速处理，采用深度神经网络技术实现GPR图像的辅助解释，并设计了项目管理、统计分析等模块减轻处理人员的工作量，可显著提升GPR检测数据处理的自动化、智能化水平。