探地雷达于沥青路面内部病害检测中的应用

李佳兴 秦志超 李凯强

摘要：随着交通运输业的不断发展，道路交通设施建设日益增多，维护工作也越来越重要。传统的沥青路面检测方法往往需要封闭路段进行施工，甚至拆掉路面，不仅成本高还会影响行车。为了对路面进行快速、高效检测，基于探地雷达技术构建3D-GPR数据集，选取典型的裂缝以及层间不良病害的回波特征，并进行数值模拟验证回波特征的准确性。对YOLOv4模型进行训练与验证，并将其测试结果与现场检测进行对比。结果表明：裂缝的回波特征呈双曲线形，层间不良病害呈梯形；YOLOv4模型具有较高的检测精度，使用模型检测的病害结果与钻芯取样法一致。

关键词：探地雷达；沥青路面；病害检测；回波特征

0   引言

道路交通是现代社会最基本的交通方式之一，而良好的道路状况则是确保道路交通安全和畅通的基础。然而，由于道路使用频繁，路面往往会出现损坏和病害，如裂缝、坑洼和起伏等，对交通安全和车辆寿命产生负面影响。及时对路面进行检测，以便识别路面病害，变得至关重要。现有的路面病害检测方法主要包括人工巡检、车载巡检、静态摄像机巡检等，这些方法依赖于人工或设备，且检测精度和效率较低。探地雷达技术来因具有快速、高效、无损等优势，逐渐成为一种广受欢迎的路面病害检测方法。

近年来，已经有学者在道路内部病害检测方面做了相关研究，并取得了有益成果[1-3]。邹桂莲等[4]对目前流行的几种路面脱空检测方法进行了对比，并发现落锤式弯沉仪（FWD）在对路基顶面弯沉、板底脱空检测等多方面具有体积小、经济、快速、准确等优点。特别是在广清高速公路水泥硂路面养护工程中的实际应用，FWD设备被证明是一种具有推广意义的最先进的路面强度无损检测设备之一。周奇才等[5]对探地雷达数据构成及干扰来源进行分析，利用均值法去除背景噪声，并运用HIL-BERT变换数据处理技术，得到了雷达图像瞬时振幅、瞬时相位和瞬时频率等瞬时剖面图像，从而提高了图像的分辨率和目标识别的准确性。卢超等[6]研究探地雷达在对介电常数无损检测方面的可行性，并基于室内试验分析了沥青混合料中空隙率对介电常数的影响。结果表明，空隙率和介电常数之间存在一定的相关性。

在现有研究中，国内外学者对探地雷达技术在沥青路面内部病害检测中的研究较少，鉴于此本文对探地雷达在沥青路面病害检测中的应用开展研究，研究成果对道路质量检测具有重要的参考价值。

1   构建GPR图像数据集

1.1   3D-GPR数据采集

沥青路面上的横向裂缝和结构层间的黏结不良，是常见的早期隐性病害问题，这两种病害会在探地雷达图像中显示出明显的回波特征。本文着重研究这两种病害，并选取典型的内部横向裂缝和层间不良的3D-GPR图像进行详细研究。内部横向裂缝在纵剖面上呈对称的双曲线形状，绕射波较细，顶部有缺口；而在水平剖面上呈现为横向裂纹状。在纵剖面上，层间不良缺陷的回波特征呈梯形形状，中部具有连续的高振幅同相轴，而两端呈现明显的绕射波。在水平截面上，层间不良缺陷表现存在高振幅的回波特征，在横截面上，存在一系列连续的高振幅回波特征。

1.2   数值模拟

1.2.1   数值模型参数

为了深入研究探地雷达剖面图中沥青路面内部病害的回波特征，本文采用时域有限差分法和gprMAX软件进行数值仿真，得到了沥青路面数值模型的探地雷达剖面检测结果。沥青路面的结构包括上、中、下面层、基层和路基，数值模型参数详见表1。

1.2.2   数值模型类型设计

针对沥青路面内部的病害，本文设计了2种数值模型：一是横向裂缝数值模型，二是层间不良松散空隙数值模型。横向裂缝数值模型包括9种不同宽度的裂缝，宽度分别为2mm、4mm、6mm、8mm、10mm、12mm、16mm、18mm和20mm，所有裂缝都穿透每个结构层。层间不良松散空隙数值模型共包括9个不同高度的松散空隙，间隙分别为1mm、3mm、5mm、10mm、15mm、20mm、40mm、60mm和80mm，宽度为40cm，位于沥青层的底部。

1.2.3   数值模拟要点

数值模型中使用ricker波作为探地雷达的激励源，中心频率为1300MHz。数值模型离散网格间距为2mm，采用了10个单元的完全匹配层作为吸收边界条件。

根据数值模拟结果发现，沥青混凝土路面结构的横向裂缝在探地雷达数值模拟中仍呈雙曲线状。随着深度的增加，双曲线的角度增大，同时衍射波也会更加明显，回波信号的强度逐渐降低。裂缝越宽，回波信号越强，当裂缝较窄时，如2mm、4mm，回波信号较差，难以被清晰地分辨出来。

层间不良的数字雷达模拟回波特征呈梯形，中间部分为连续同相轴，两端有明显的绕射波。如果脱空高度较小，例如1mm和3mm，回波信号也会变弱，并可能被其他信号阻挡。

综上所述，数值模拟结果与实测探地雷达图上病害回波特征吻合，说明用探地雷达图内部病害的回波特征对沥青路面内部病害做出评价的方法是可行的。

1.3   病害回波特征数据增强及标注

本次研究所采集的沥青路面3D-GPR数据涵盖多条高速公路，总长度约为100km。数据集中涵盖了沥青路面内部横向裂缝和结构层间不良等病害的回波特征。该数据集共包含1830张大小不同、病害特征的类别和数量也不相同的GPR图像，共有3090个内部病害回波特征，其中2340个是内部横向裂缝，750个是层间不良特征。

为了评估模型的性能，将数据集进行了划分，分为训练集、验证集和测试集3个部分。数据集的划分比例约为7：1：2，每个部分的数据都是相互独立的，不存在重复数据，数据集划分及数量见表2。

2   YOLOv4深度学习算法模型训练与验证

2.1   YOLOv4深度学习算法模型概述

YOLOv4深度学习算法模型是一种基于卷积神经网络的目标检测模型，由一系列卷积层、池化层和全连接层构成。其网络架构采用了anchor-based模式，利用以往物体的大小和纵横比进行建模，能够更好地适应目标检测任务中物体的多样性。在损失函数方面，YOLOv4模型基于多维二元交叉熵损失函数，能够对病害目标的定位和分类同时进行优化，大大提高了模型的检测准确率。采用查准率P、召回率R、AP@0.5（交并比为0.5时的平均精度）、mAP@0.5（多个交并比为0.5时的平均精度求平均值）指标和宏-F1分数指标，进行模型性能的评估，为模型性能的分析提供有效依据。

2.2   模型训练及验证

在训练YOLOv4模型期间，记录了其在不同迭代次数下的性能指标，包括训练集上的模型损失值和测试集上的mAP@0.5值。模型训练验证结果如图1所示。

根据图1可以看出，模型损失值在训练集上随着迭代次数的增加而不断减小，并逐渐趋于稳定下降的状态。在验证集上，模型的mAP@0.5值则出现了先上升后下降的趋势，最大值达到了97.21%。说明随着训练次数的增加，模型整体回归拟合收敛，训练效果较好。

在训练集上，模型的验证集mAP@0.5值随着训练次数的增加逐渐达到最大值。其中，当训练次数为4522次时，模型训练了6000次迭代的时间为118min，并且验证集mAP@0.5值达到了最大值。这表明模型网络已经达到了最佳权重，在该训练次数下获得了较好的性能。

3   模型测试与现场验证

3.1   模型测试

3.1.1   性能评估结果分析

经过训练的YOLOv4模型在测试集上的性能评估表明，该模型对GPR图像中的病害特征识别效果显著，性能评估结果见表3。该模型在测试集上取得的mAP@0.5值为97.56%，宏-F1得分为0.95，表明该模型在检测GPR图像中的病害回波特征方面具有很高的准确性。

3.1.2   P-R曲线分析

该模型能够检测到内部横向裂缝和层间不良病害，并针对两类病害绘制出查准率-召回率曲线曲线，如图2所示。其中，曲线下面积为AP@0.5。模型检测到的内部横向裂缝的F1值为0.923，AP@0.5值为96.22%，低于层间不良的0.975和98.89%，表明层间不良回波特征更容易被正确识别。

分析认为，由于内部横向裂缝的形状和纹理等特征较难识别，而层间不良回波通常更规则，因此更容易被模型识别。

3.1.3   整体评估

YOLOv4模型能够较好地识别穿过沥青路面不同结构层内部横向裂缝的回波特征，并且具有高置信度，至少为0.97，与真实数据非常吻合。但由于下方基层存在较强的背景噪声，模型无法识别出回声特征，因此无法对下方基层进行准确识别。同时也验证了内部横向裂缝相比层间不良更难以识别的事实。

在层间不良回波特征区域，同时存在着裂缝的双曲线回波特征。然而，经过使用该模型对GPR图像进行分析，发现该模型只能识别层间不良回波特征，未能正确识别出裂缝回波特征。由于层间不良病害广泛存在且潜在危害范围更大，模型能够有效地识别层间不良特征，足以满足工程维护和检测的需求。

3.2   现场验证

使用YOLOv4模型检测沥青路面纵剖面的GPR图像的回波特征，记录病害的准确坐标。通过已获的坐标数据，在地图上标注缺陷的位置，然后利用RTK定位来确定道路表面的实际坐标。

在已确定的位置使用二维GPR放置测线来进一步确认病害的确切位置。钻芯取样的结果显示，沥青层芯样结构良好，而基层芯样在侧面出现了裂缝，这与模型得出的结果一致。在层间不良病害位置，沥青层下部为颗粒状或碎石状，表明上部基层材料疏松，层间黏结失效。

4   结束语

本研究先构建3D-GPR数据集，选取典型的裂缝、层间不良病害的回波特征，并进行了数值模拟验证回波特征的准确性。再对YOLOv4模型进行了训练与验证，并将其测试结果与现场检测进行对比，得出如下结论：

内部横向裂缝在纵剖面上呈对称的双曲线形，绕射波较细，顶部有缺口；而在水平剖面上呈现为横向裂纹状。层间不良缺陷的回波特征，在纵剖面上呈梯形形状，中部具有連续的高振幅同相轴，而两端呈现明显的绕射波。

YOLOv4模型在测试集上取得的mAP@0.5值为97%，宏-F1得分为0.94，相对于裂缝回波特征层间不良回波特征更容易被模型正确识别。钻芯取样法检测的沥青路面病害结果，与模型的检测结果一致。

参考文献

[1] 张科.沥青混凝土路面病害成因及处治研究[J].技术与市场，2014，21（5）：232.

[2] 白日华.沥青路面病害检测与养护决策研究[D].长春：吉林大学，2013.

[3] 韩凯，秦晓萍.多通道探地雷达成像技术分析[J].企业发，2011，30（16）：87.DOI：10.14165/j.cnki.hunansci.2011.16.064.

[4] 邹桂莲，廖宣锦，韩青英.FWD技术在水泥混凝土路面检测中的应用[J].科学技术与工程，2010，10（16）：4065-4067.

[5] 周奇才，陈秋锋，冯双昌.探地雷达图像数据处理及应用研究[J].物探化探计算技术，2010，32（6）：665-668+570.

[6] 卢超，刘化学，刘强.介电常数在沥青混合料压实度测试中的应用探讨[J].路基工程，2012（4）：98-100+104.