车载探地雷达技术在地铁隧道检测中的应用

曹 志，高洪清，王 威，刘华云

(1.中车南京浦镇车辆有限公司，南京 210000；2.南京航空航天大学 经济管理学院，南京 210016；3.南京轨道交通产业发展有限公司，南京 210000；4.成都唐源电气股份有限公司，成都 610000)

0 引言

地铁隧道是城市交通中十分重要的组成部分，因此对于地铁隧道的维护和检测至关重要。然而，隧道结构和地质情况的复杂性使得地铁隧道的检测和维护变得异常关键[1-2]。车载探地雷达是一种以雷达技术为基础的设备，可以通过发射和接收电磁波来探测和分析地下物体的特征。它具有非接触、快速、高分辨率等特点，能够有效地识别地下障碍物，并提供有关地下结构和土壤情况的详细信息。孟繁龙等人将探地雷达安装在不同的载具上对地形进行检测。通过比较监测点的点云数据发现，不同的地形应用不同的载具雷达技术，可以获得不同的检测效果[3]。利用车载探地雷达，可以对地下的排水系统、管线等进行全面的检测和评估。He等人采用图像熵理论对地面进行描述，探索混合介质中探地雷达的检测性能。通过仿真实验显示，探地雷达能够在不同的介质中取得良好的检测性能[4]。为了提升地铁隧道缺陷检测的精准度和检测效率，此次研究采用空气耦合天线作为雷达天线，并对车载探地雷达技术进行详细研究。针对雷达信号和雷达图像存在的噪声，采用零时校正、去直流、背景去除和图像增益方法进行图像和信号的去噪处理。在车载探地雷达技术中采用Yolov5目标检测模型，并引入SPP-Bottleneck模块对Yolov5目标检测模型进行改进，构建基于Yolov5模型的车载探地雷达检测系统，提升了原始车载雷达技术的探测精度。

1 车载探地雷达技术和地铁隧道检测研究

1.1 车载探地雷达技术研究

车载探地雷达技术是一种利用雷达波束对地下进行快速探测和成像的技术，该技术采用车载装置搭载在车辆上，通过发射探测波束并接收反射信号，获取地下目标的信息。车载探地雷达技术具有非接触式、快速、高效、广泛适用性等特点，被广泛应用于地下管线探测、隧道扫描、地质勘探、城市规划等领域。在地铁的隧道监测中，车载探地雷达技术采用扫描式探测，可以在行驶过程中实时获取地下信息，快速全面地掌握隧道周围地下情况，提高施工效率。载探地雷达技术能够获得高精度的地下目标信息，包括地质层位、管线位置、隧道结构变化等，可以提供详尽且准确的隧道地质信息[5]。车载探地雷达技术具有广泛的应用范围，可以对较大范围的地下进行快速扫描，有效掌握隧道周边的地下情况。车载探地雷达技术可以实时监测隧道周围地下的变化情况，包括地质变形、管线移位、水位变化等，及时发现问题并采取相应的措施，保证隧道的安全运行[6]。探地雷达检测的原理如图1所示。

图1 探地雷达检测的原理图

车载探地雷达系统通过发射器产生探测波束，探测波束通常为微波频段的电磁波，具有一定的能量和频率[7]。探测波束在发射后遇到地下目标，如地下管线、地质层位、隧道结构等，会发生反射或散射，车载雷达系统通过接收器接收并记录这些信号，如式(1)所示：

(1)

式中，t为电磁波发射以及雷达系统接收的时间，h为地下检测目标到雷达系统的距离，a为天线的长度，v为探测波束在不同介质中的传播速度。车载雷达系统通过分析接收到的反射信号的时间延迟和波形特征，可以计算出不同地下目标与车辆之间的距离，这样就可以获得地下目标的位置和深度信息，探测的深度如式(2)所示：

(2)

式中，d为车载探测雷达的最大探测深度，λ为探测波束在介质中的主频波波长，a为衰减系数，σc为地下检测目标的散射面积，Csystem为雷达系统的灵敏度和最大发射功率的比值。车载探地雷达的深度取决于多个因素，包括发射频率、接收灵敏度和地下目标的性质等。通常情况下，较低频率的雷达系统可以达到较大的探测深度，但分辨率可能较低。高频率的雷达系统则可以提供较高的分辨率，但探测深度相对较浅。实际应用中，可以根据需求选择适当的雷达频率，以平衡深度和分辨率的要求。探地雷达的水平分辨率和垂直分辨率是衡量雷达系统探测能力的两个重要指标，分为水平和垂直两种分辨率。水平分辨率是指雷达系统在水平方向上对地下目标的分辨能力，通常用于描述雷达系统在侧向探测时的能力[8]。水平分辨率取决于雷达系统发射波束的宽度和接收信号的处理方式，较小的波束宽度可以提供更好的水平分辨率，即能够更好地识别并区分水平方向上的近邻地下目标。垂直分辨率是指雷达系统在垂直方向上对地下目标的分辨能力，通常用于描述雷达系统在深度方向探测时的能力。垂直分辨率取决于雷达系统发射波束的垂直角度范围和接收信号的处理方式，较小的垂直角度范围可以提供更好的垂直分辨率，即能够更准确地识别并区分不同深度的地下目标。分辨率计算的相关公式如式(3)所示：

(3)

式中，Δl为两个检测目标在水平方向上的最短距离，λ为探测波束的波长，h为地下检测目标距离地表的深度，fc为雷达天线的频率，Δt为探测波束在两个检测目标之间传播的时间差。采用合适的天线设计，有利于分辨率的提升。空气耦合天线是一种常用于车载探地雷达系统的天线类型，是一种非接触性的天线，通过空气感应的方式与地下目标进行信号交互[9-10]。空气耦合天线的水平分辨率取决于其发射和接收波束的宽度，接收波束的宽度与天线的接收特性有关。通常情况下，较窄的发射和接收波束可以提供较高的水平分辨率，使雷达系统能够更好地区分并识别水平方向上的近邻地下目标。空气耦合天线的垂直分辨率取决于其发射和接收波束的垂直角度范围，接收波束的垂直角度范围与天线的接收特性有关。通常情况下，较小的垂直角度范围可以提供较高的垂直分辨率，使雷达系统能够更准确地识别不同深度的地下目标。

1.2 车载探地雷达信号处理

雷达图像处理是对车载探地雷达系统获取的原始雷达信号进行处理和分析，以生成可视化的地下目标图像或定量化的地下目标信息。雷达图像和信号去噪是在雷达信号处理中非常重要的步骤之一。去噪的目的是降低或消除信号中的噪声成分，以提高雷达图像的质量和可靠性。去噪可以帮助识别和提取目标信号，减少误识别和误检测的可能性，并提高雷达系统的性能。对原始雷达信号进行预处理，包括去除噪声、补偿传输损失、校正时间延迟等，可以采用滤波、增益调整和零时校正等方法实现[11]。零时校正是车载探地雷达系统中的一个重要步骤，用于校正天线和接收通道之间的时间差。在雷达系统中，发射的电磁波需要一定的时间才能到达地下目标并返回接收系统。这种时间差会在成像结果中引入误差。零时校正通过确定由雷达接收到的第一个有效信号的时间，来补偿发射和接收之间的时间差，确保成像结果的准确性。常见的零时校正方法分为硬件零时校正和软件零时校正，硬件零时校正通过电缆长度和信号传输速度等参数来计算和修正发射和接收之间的时间差，软件零时校正通过分析接收到的信号波形，并确定最早接收到的有效信号的时间点来进行校正[12]。在实际应用中，雷达图像处理有很多技术和方法可供选择，如波束形成、多通道处理、数据融合等[13-14]。具体的图像处理流程和算法选择通常根据应用需求、地下环境条件、雷达系统特性等因素进行优化和调整。在雷达图像处理中，去直流和背景去除是常见的预处理步骤，用于除去图像中的直流成分和背景噪声，以便更准确地分析和识别地下目标[15-16]。去直流和背景去除公式如式(4)所示：

(4)

y=bc(x-a)-1

(5)

式中，b和c为参数，用于控制曲线的形状。a为参数，用于控制曲线的左右偏移量。指数变换的参数可以根据具体应用需求来选择，可以降低幅度信号放大并压制高幅度信号。指数变换常用于处理信号的压缩和扩展，以及调整信号的动态范围。通过上述的信号预处理和图像增益的方法，可以提高空气耦合天线的水平和垂直分辨率，去除图像中的噪声，从而提升车载探地雷达系统的探测能力和成像效果。

1.3 目标检测模型在地铁隧道检测中的研究

为了实现对地铁隧道中的缺陷检测研究，在车载探地雷达中引入Yolov5(Yolov5，you only look once version 5)模型，提高检测的准确率。Yolov5采用了基于主干网络为CSPDarknet53(CSPDarknet53，cross stage partial Darknet53)的网络架构，相比于YOLOv4的Darknet53，CSPDarknet53具有更高的效率和准确性。CSPDarknet53是一种深度残差网络模型，由多个残差块(Residual Block)和CSP连接组成，每个残差块由一个1×1卷积层、一个3×3卷积层和一个残差连接(Residual Connection)组成。残差连接将输入特征与输出特征进行相加，有助于更好地传递梯度和优化信息的流动。CSP连接将特征图划分为两个部分，分别通过1×1卷积层进行处理。一部分继续向后传递，另一部分通过一系列的残差块和卷积层进行处理，之后再与前一部分进行合并，这种结构可以提高特征的复用和传递，同时减少参数量。因此，Yolov5的CSPDarknet53主干网络采用了残差块和CSP连接的结构，通过逐渐减小特征图的尺寸和增加通道数，高效地提取多尺度的特征，这种主干网络设计使得Yolov5在目标检测任务中具有更高的准确性和效率。Yolov5网络模型结构如图2所示。

图2 Yolov5网络模型结构图

在Yolov5网络模型中，与其他深度学习网络模型的区别在于引入了一个特征网络金字塔。特征金字塔网络(FPN，feature pyramid network)主要用于解决目标检测中不同尺度目标的检测问题，其特征是包含一个自顶向下的路径(Top-down Pathway)和一个自下向上的路径(Bottom-up Pathway)来提取多尺度的特征信息。为了解决图像失真的问题，引入SPP-Bottleneck(SPP-Bottleneck，spatial pyramid pooling-Bottleneck)模块，该模块是一种常用的神经网络模块，用于处理具有不同尺度特征的图像。SPP-Bottleneck结合了SPP(Spatial Pyramid Pooling)和Bottleneck结构，旨在提取多尺度的特征并减少网络的参数和计算量。Bottleneck结构一般由一个1×1的卷积层、一个3×3的卷积层和一个1×1的卷积层组成，作用是通过降维和升维来减少网络的参数和计算量。在目标检测任务中，锚框(Anchor Box)是一种用于定义候选目标框的策略，通过在图像上按照一定的尺度和宽高比生成一系列固定大小的框，用于在不同位置和尺度上框选出可能包含目标的区域。首先根据具体任务和数据集的特点，选择一组适当的尺度和宽高比，通常，锚框会在多个尺度和多个宽高比上进行生成，以覆盖不同大小和形状的目标。锚框生成公式见式(6)：

(6)

式中，h和w分别为锚框的高度和宽度，R为设置的锚框变换比例，ratio为锚框的宽和高度之比，s为锚框的面积。将生成的锚框应用于图像的所有可能位置，以获得一系列候选框。通常，锚框会在图像的每个像素位置进行生成，以检测不同位置的目标。将生成的锚框与真实的目标框进行匹配，以确定哪些锚框是正样本(Positive Anchor)，即与目标框有较高的重叠率，并进行相应的分类和回归任务，通常使用一定的阈值来判断锚框与真实目标框之间的重叠程度。通过锚框的生成，目标检测算法可以在不同的位置和尺度上搜索潜在的目标框，从而提高检测的准确性和鲁棒性。同时，由于锚框的固定尺度和宽高比，可以减少计算量，提高算法的效率。CIoU(Complete Intersection over Union)损失函数是一种目标检测任务中常用的损失函数，用于度量预测框和真实框之间的差异。CIoU计算公式如式(7)所示：

(7)

式中，β为一个修正参数，ρ为欧几里得距离，γ为衡量参数，b为预测框的中心点，bgt为目标框的中心点，c为预测框和目标框交集部分的对角线距离。在目标检测任务中，采用CIoU损失函数来指导模型的训练，使模型能够更准确地预测目标框并提高检测性能。检测模型识别缺陷流程如图3所示。

图3 隧道检测模型检测缺陷流程图

2 地铁隧道目标检测模型性能测试与实例分析

2.1 地铁隧道目标检测模型性能测试

为了测试Yolov5模型在车载探地雷达中的性能，操作系统选择Windows10系统，CPU为Intel(R)CoreTMi9-10900CPU@2.80 GHz，GPU为NVIDIA GeForce RTX 2060，系统的内存为32 GB。初始学习率设置为0.001，批数量设置为4，迭代次数设置为80次，动量因子数值设置为0.937，衰减因子设置为0.000 5。采用车载探地雷达技术对某地地铁隧道中拱顶存在的空洞和钢筋结构脱空数据进行采集，其中空洞面积大小在0.50～2.0 m2之间，深度在0.05～0.18 m之间。钢筋结构脱空面积大小在0.08～0.50 m2之间，深度在0.05～0.32 m之间，共计100个数据。将改进前的Yolov5模型与引入SPP-Bottleneck模块的Yolov5模型在隧道空洞和钢筋结构脱空数据集中进行对比测试，采用Precision和Recall数值作为测试指标，绘制P-R曲线如图4所示。

图4 Yolov5模型改进前后的召回率和精度曲线

图4(a)为改进前的Yolov5模型的召回率和精度的曲线，图4(b)为改进后的Yolov5模型的召回率和精度的曲线。召回率越高，精度越低；召回率越低，精度越高，两者呈现反比线性关系。召回率和精度之间的比值反映了Yolov5模型对地铁隧道目标检测的检测能力，因此，曲线与坐标轴之间围成的面积越大，检测的能力越强，面积越小，检测的能力越弱。从图4中可以看出，引入SPP-Bottleneck模块后的Yolov5模型，在不同数据测试下的召回率和精度曲线与坐标轴之间围成的面积，均大于改进前的Yolov5模型。因此，引入SPP-Bottleneck模块的Yolov5模型能够处理不同类型的图像数据，均能实现较高的检测精度，相较于原始的Yolov5模型具有更好的检测能力。为了更好地描述Yolov5模型改进前后的性能，采用F1值曲线来进行对比分析。F1值是一种常用于衡量二分类模型性能的指标，综合考虑了精确率和召回率，能够评估模型的综合性能。测试结果如图5所示。

图5 Yolov5模型改进前后的F1曲线

图5(a)为改进前的Yolov5目标检测模型的F1值曲线，图5(b)为改进后的Yolov5目标检测模型的F1值曲线。从图中可以看出，两种模型的F1值曲线先增加，到峰值后基本保持不变。随着置信度值的增加，F1值曲线逐渐减小。例如当置信度为0.4时，改进前的Yolov5目标检测模型的所有数据的F1值为1.0，钢筋脱空数据的F1值为1.0，但是空洞数据的F1值为0.95。改进后的Yolov5目标检测模型的所有数据的F1值为1.0，钢筋脱空数据的F1值为1.0，空洞数据的F1值为1.0。在相同的置信度值下，改进后的Yolov5模型具有更高的F1值，因此具有更好的检测性能。

2.2 地铁隧道目标检测模型实例分析

为了验证车载探地雷达技术在实际案例中的检测性能，将SIR-30车载探地雷达系统沿着某市1号线地铁隧道进行检测，车载探地雷达系统天线频率设置为300 MHz，为空气耦合天线。检测通道设置为6个，每个通道都是独立的，采样频率设置为500 kHz，扫描频率设置为976 scan/s，采样点数为512个，每个的采样时间为60 ns，间距16 mm采样一次。雷达系统前进速度为60 km/h，电源为220 V的交流电源。收集7种样本数据，样本数据的类别分别为雨水井、电缆、金属导管、非金属管、稀疏钢筋网、密集钢筋网以及空洞，合计3 000条数据。采用零时校正、去直流、背景去除和图像增益方法对信号和图像进行去噪处理。将车载探地雷达系统在上述7种类别的样本中进行测试，采用召回率、精确度值和F1值作为测试指标，结果如表1所示。

表1 不同种类样本的检测结果

从表1中可以看出，车载探地雷达系统检测稀疏钢筋网时的F1值最高，为0.908，检测空洞时的F1值最低，为0.821。车载探地雷达系统检测金属导管时的精确度值最高，为0.915，检测空洞时的精确度值最低，为0.819。车载探地雷达系统检测致密钢筋网时的召回率最高，为0.968，空洞时的精确度值最低，为0.819。虽然检测不同缺陷时有不同的指标结果，但是检测7种类别的样本F1值平均值为0.884，精确度值的平均值为0.873，召回率的平均值为0.895，3种指标的数值均在0.850以上。因此，此次研究引入SPP-Bottleneck神经网络模块改进后的车载探地雷达系统，对于地铁隧道中的不同缺陷的检测均具有有效性。为了验证Yolov5目标检测模型在车载探地雷达系统中的实际应用效果，选择3种常见的目标检测模型进行对比测试，分别为模板匹配模型、基于梯度直方图的支持向量机模型(HOG-SVM，histogram of gradient-support vector mac)、基于区域卷积神经网络的目标检测模型(Faster RCNNC，faster regions with CNN features)，将P-R曲线和测试时间作为指标，对比测试的结果如图6所示。

图6 4种不同检测模型的P-R曲线和时间柱状图

从图6(a)中可以看出，模板匹配模型的P-R曲线与坐标轴围成的面积最小，检测的性能最差。Yolov5目标检测模型的P-R曲线与坐标轴围成的面积最大，检测的性能最优。从图6(b)中可以看出，模板匹配目标检测模型测试时间为4.8 s，HOG-SVM目标检测模型的检测时间为1.9 s，Faster RCNNC目标检测模型的检测时间为0.6 s，Yolov5目标检测模型的检测时间为0.3 s。由此可见，Yolov5目标检测模型的检测时间相较于模板匹配目标检测模型、HOG-SVM目标检测模型和Faster RCNNC目标检测模型，检测效率分别提升了93.75%、84.2%和50.0%。因此，在改进后的Yolov5目标检测模型中，引入的SPP-Bottleneck神经网络模块和特征金字塔能够增强模型对不同种类图像的检测效率，锚框的生成能提高检测的准确性和鲁棒性。与其他3种模型相比，Yolov5目标检测模型在实际的应用中具有更好的检测效果和检测效率，使用价值高于其他3种检测模型。

3 结束语

地铁隧道对于地铁的运营和安全至关重要，因此对于地铁隧道的检测和维护是一项关键的任务。为了更好地对地铁隧道的缺陷进行检测，此次研究基于车载探地雷达检测系统，对雷达系统中的信号和成像图像中，存在的噪声采用不同的去噪方式进行处理。采用Yolov5目标检测模型，并引入SPP-Bottleneck模块对Yolov5目标检测模型进行改进，构建基于Yolov5模型的车载探地雷达检测系统。测试结果显示，改进后的Yolov5模型与原始的Yolov5模型相比，改进后的Yolov5模型具有更好的P-R值，并且在相同的置信度值下，改进后的Yolov5模型具有更高的F1值。因此，改进后的Yolov5目标检测模型具有更好的检测性能。在实际的工程应用中，基于Yolov5检测模型的车载探地雷达检测系统的F1值平均值为0.884，精确度值的平均值为0.873，召回率的平均值为0.895，均在0.850以上，因此该模型对于隧道中的缺陷检测具有有效性。与其他3种目标检测模型相比，Yolov5目标检测模型的P-R曲线与坐标轴围成的面积最大，检测的性能最优。Yolov5目标检测模型的检测时间为0.3 s，相较于模板匹配模型、HOG-SVM模型和Faster RCNNC模型，效率分别提升了93.75%、84.2%和50.0%，更具有实际应用价值。此次研究也存在不足之处，模型检测的数据集不够全面，在接下来的研究中应考虑到隧道内部结构数据，构建更全面的数据集用来辅助检测。