基于探地雷达的路桥过渡段病害检测识别方法

2022-09-05李长生杜翠刘杰张千里

铁道建筑 2022年8期

李长生杜翠刘杰张千里

1.国能朔黄铁路发展有限责任公司，河北肃宁 062350；2.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；3.中国铁道科学研究院集团有限公司高速铁路轨道技术国家重点实验室，北京 100081

铁路路基过渡段的长期动力稳定性和后续沉降变形对列车能否高速运行起到控制作用［1］。由于施工阶段难以使用大型机械，压实度不够，导致过渡段成为路基病害的高发区域。重载铁路轴重的增大和牵引质量、行车密度的不断提高，将进一步加剧列车与线路系统之间的动力相互作用，过渡段路基的工作状况将更为恶化［2］。

由于路堤与桥涵刚度差别较大引起轨道刚度突变，路堤与桥涵的差异沉降导致轨面不平顺，引起列车与线路结构的相互作用增加，使过渡段更容易产生桥头跳车、道砟囊等病害。这些问题限制了列车的平顺、舒适和安全运行，影响了线路的稳定性，缩短了轨道结构的使用寿命。

国内外学者针对过渡段的检测监测、养护维修技术开展了大量研究，如沉降监测、病害发育规律等［3-4］。探地雷达（Ground Penetrating Radar，GPR）是目前铁路路基检测的最主要手段，具有快速、无损、高效的优点，广泛应用于铁路路基、隧道等基础设施检测领域。但在数据处理解释中，还缺乏对过渡段处信号处理与病害解释的深度分析。

本文提出雷达信号过渡段边界效应压制算法，在分析过渡段病害的雷达信号响应特征的基础上，提出相应的解释方法，从而提高铁路路桥过渡段路基病害的检测效率和检测精度。

1 路桥过渡段GPR信号特征分析

采用意大利车载多通道探地雷达对一铁路线路进行路基检测，采集的探地雷达原始图像如图1所示。可知：桥梁部分与路基部分呈现明显的差异。道心测线的图像中，桥梁部分呈现贯穿整个图像深度范围的水平条纹，长度为136 m；而左侧、右侧测线中，可微弱分辨出道心测线水平条纹的边界，并可识别出其内部的一个明显的界限，长度为100 m。根据桥梁设备表显示，该桥全长122 m，挡碴墙间距为98.4 m，梁跨式样为3×32 m预应力钢筋混凝土T形梁。由此可验证，道心测线的水平条纹长度即护轨长度。左侧、右侧测线的内部界限为孔跨的总长度，并可分辨桥墩位置。

图1 路桥过渡段探地雷达原始图像

通过信号处理，地质雷达图像中规则和随机的干扰信号得到压制，信号信噪比得到提高，路基结构层间界面或混合体界面反射波振幅、波形、相位及频谱随时间、里程变化等有用的图像特征得到凸显。正常的铁路路基探地雷达图像通常为低幅、高频细密波，波形均匀，同相轴连续、平直，可连续追踪。

桥梁和路基衔接区域道心测线处理后图像见图2。可知，在道心测线数据中，该位置呈现平直的水平条纹，且通常贯穿整个图像深度，同路基有显著差别，长度同处理前一致。桥梁两侧大约100 m长度区域呈现延伸状的水平条纹，遮挡住这部分路基的真实信号。在此称该现象为边界效应，由于护轨部位信号与路基部分信号差异过大，经滤波等信号处理算法处理所致。由于该区域通常为各类路基病害的高发区域，若采用目前雷达数据处理软件的处理方法，该区域的真实信号往往被桥梁结构引起的边界效应所干扰，无法获取准确的解释结果，尤其是对下沉和道床厚度的辨识影响较大。

图2 路桥过渡段道心测线处理后图像

2 边界效应处理方法

压制边界效应的关键在于滤除相邻道的信号差异。因此，本文提出的边界效应压制算法首先定位探地雷达信号中桥梁的里程范围，采用适当的重采样方法，形成滤除桥梁结构的时空过滤筛，再进行常规的雷达信号处理，最后将桥梁结构的探地雷达信号平移回相应位置，得到最终的处理结果。

该压制算法的步骤为：①桥梁识别，获取里程的起点和终点。②桥梁过滤，从原始文件中提取或替换桥梁结构所在位置的探地雷达信号；然后对文件进行信号处理，对过滤后的雷达文件进行常规信号处理，如背景去噪、滤波、增益等信号处理算法。③桥梁复位，将步骤2提取的桥梁结构探地雷达信号插入到步骤③的处理结果中，得到最终的处理结果。

桥梁过滤和桥梁复位步骤实现的主要工作为解析雷达文件格式，进而对雷达文件进行读写和编辑。算法实现的关键在于桥梁识别步骤。

在目前的数据处理流程中，采集到雷达原始数据后，首先通过人工识别桥梁，将其同设备表的桥梁进行匹配和里程回归，从而进行雷达文件的里程校正。因此，实现准确、高效的桥梁识别，不仅是边界效应压制算法实现的关键，也会显著提高里程校正的效率和自动化程度。

针对雷达图像识别，除传统机器学习方法外，国内外学者近年来采用卷积神经网络、YOLO（You Only Look Once)等深度学习方法开展了一些研究［5-8］。其中，YOLO是一种属于one-stage系列的目标检测算法，它将目标检测视为一类回归问题，直接从输入的图像中预测目标包围框的坐标和类别概率，从而实现了端到端的识别。

本文采用YOLO目标检测算法实现雷达图像中桥梁的自动识别。YOLO模型输入为离散后的GPR原始图像。部分桥梁的长度可能大于样本图片的长度，分段存在于连续的图像中，因此根据桥梁的分布形态桥梁样本图像可分为5种类型，即左侧局部、右侧局部、中间局部、整体、无。识别模型的目标是尽可能精准定位边界。

3 试验与分析

3.1 桥梁智能识别

从一线路路基检测数据提取训练样本和测试样本，对本文的模型和方法进行验证。数据采集参数：中心频率为400 MHz的屏蔽天线，采样时窗为64 ns，采样点数为512，采集道间距为0.114 9 m。试验的硬件环境参数为：Intel（R）Xeon（R）Gold 5115 CPU@2.40 GHz，64 GB内存。GPU为NVIDIA GeForce GTX 1080 Ti。

因为桥梁两端的边界部位有明显差异且特征较为鲜明，本文将2种边界作为目标检测的识别目标。将桥梁目标标注为2类：左侧边界，右侧边界。这2种类型在目标检测图像中分别被标注为L、R。每个标注的里程范围约5 m。

训练约耗时25 min，桥梁模型训练结果见表1。可知，左侧边界、右侧边界的准确率分别为94%、100%，召回率均达到100%。识别目标的边界同标注目标有轻微差异。左侧边界的标注目标全部识别，但有6处道岔被误判为左侧边界类型。

表1 桥梁模型训练结果

桥梁模型测试结果见表2。可知，左侧边界、右侧边界的准确率分别为91%、97%，召回率均达到100%。误判类型均为道岔区域，但并未成对出现。因此，在对识别结果的进一步处理中，可滤除未配对的左侧边界和右侧边界。并在今后的模型优化中，增加对道岔类型的训练。

表2 桥梁模型测试结果

3.2 边界效应处理

进行常规信号处理后，原始图像及进行桥梁过滤的结果见图3。可知，3种桥梁过滤方法均可较好地压制边界效应，桥梁护轨区域两侧未出现延伸的条纹，图像特征更加清晰。3种方法实现的复杂度相近，剪切移除后的雷达文件道数减少，可节约部分信号处理运算的时间；而单道替换方法的图像视觉上能够显著区分桥梁和路基，可省去桥梁复位步骤。

图3 边界效应处理原始及结果图像

4 过渡段病害分析

4.1 下沉

下沉是由于基床、路基土密实度不足或地基松软，在水、上覆荷载、自重、列车动荷载及振动耦合作用下发生局部或较大面积的竖向下沉或沉降变形，局部或范围较小且有道砟陷入基床时又称道砟陷槽、道砟囊或道砟袋。下沉部位的雷达图像中，道砟和基床结构层间界面、基床表层和底层间界面反射同相轴发生明显的弯曲下沉、层位向下错断或偏移，同相轴在相同深度位置附近中断不连续、时断时续或高低不平，砟土混合比较严重时同相轴可能有缺失。朔黄铁路某区段GPR检测图像如图4所示。可知，桥头两侧均呈现明显的下沉特征。小里程一侧还呈现含水较多的特征。在进行常规处理的图像中，大里程一侧的下沉趋势可辨识，但小里程一侧的图像特征被掩盖，同相轴延伸特征难以辨识。

图4 过渡段下沉图像

4.2 含水异常

含水异常指不同路基结构层道床、基床或地基及不同结构层界面中含水量相对临近区段较大的现象。基床或地基含水量较大会导致路基质量恶化稳定性不足，易引发翻浆冒泥、下沉等病害。图像特征为界面低频强反射、振幅较大、相位反相且存在多次反射。在实际检测中，含水异常和下沉病害相伴发生。过渡段含水异常图像见图5。可知，桥头大里程一侧呈现含水异常特征，但其与桥之间的区段由于边界效应无法辨识。采用本文提出的边界效应压制算法进行处理后，桥头大里程一侧的含水异常特征一直延续到桥头，并呈现下沉特征。桥头小里程一侧也有小区段的含水异常。