基于YOLO算法的探地雷达道路图像异常自动检测.pdf

投稿网址:2023 年 第23 卷 第27 期2023,23(27):11505-08科 学 技 术 与 工 程Science Technology and EngineeringISSN 16711815CN 114688/T引用格式:覃紫馨,姜彦南,徐立,等.基于 YOLO 算法的探地雷达道路图像异常自动检测J.科学技术与工程,2023,23(27):11505-11512.Qin Zixin,Jiang Yannan,Xu Li,et al.Automatic detection of anomalies in GPR images based on YOLO algorithmJ.Science Technologyand Engineering,2023,23(27):11505-11512.天文学、地球科学基于 YOLO 算法的探地雷达道路图像异常自动检测覃紫馨1,姜彦南1,徐立1,王娇1,张世田2,冯温雅2(1.桂林电子科技大学信息与通信学院,桂林 541004;2.中国电波传播研究所,青岛 266108)摘 要 探地雷达(ground-penetrating radar,GPR)是一种可用于道路内部异常目标识别的无损检测方法。GPR 工作时往往产生海量的扫描数据,而数据解释是技术要求高、任务繁重的工作,通常需要人工完成。此外,道路内部的复杂性和异常目标的多样性增加了图像异常检测的难度。近年来,人工智能(artificial intelligence,AI)技术的快速发展为基于 AI 的探地雷达B-scan图像自动解释提供了可行的技术思路,常用的深度学习算法有 RCNN(region-convolutional neural network)和 YOLO(you onlylook once)。虽然 YOLOv3 在目标检测方面已经有了一定的成效,但 YOLOv4 的改进算法可以进一步提高检测能力。结合YOLOv3 算法,对比研究分析 YOLOv4 目标检测算法的改进对于目标检测任务的影响,以及 YOLOv4 算法对探地雷达图像异常目标检测效率的提升能力。结果表明,YOLOv4 的改进算法更适用于探地雷达异常目标的自动检测,经过训练后的 YOLOv4网络模型满足探地雷达道路内部异常目标智能化检测需求,具有较强的实用价值。关键词 探地雷达;人工智能;目标检测;深度学习算法;卷积神经网络中图法分类号 P227;文献标志码 A收稿日期:2022-11-30;修订日期:2023-07-06基金项目:国家自然科学基金(62261015);广西自然科学基金(2019GXNSFFA245002);电波环境特性及模化技术重点实验室基金(202003007);广西无线宽带通信与信号处理重点实验室基金(GXKL06200126);桂林电子科技大学研究生教育创新计划(2021YCXB04)第一作者:覃紫馨(1995),女,壮族,广西崇左人,硕士研究生。研究方向:信号与信息处理。E-mail:549292320 。通信作者:姜彦南(1980),男,汉族,河南周口人,博士,教授。研究方向:电磁辐射与散射、探地雷达应用技术等。E-mail:ynjiang 。Automatic Detection of Anomalies in GPR Images Based on YOLO AlgorithmQIN Zi-xin1,JIANG Yan-nan1,XU Li1,WANG Jiao1,ZHANG Shi-tian2,FENG Wen-ya2(1.Information and Communication College,Guilin University of Electronic Technology,Guilin 541004,China;2.China Research Institute of Radiowave Propagation,Qingdao 266108,China)Abstract Ground-penetrating radar(GPR)is a non-destructive testing method used for identifying internal anomalies in roads.GPR often generates a massive amount of scan data during operation,which requires high technical skills and a heavy workload for in-terpretation and is typically completed manually.Moreover,the complexity of road structures and the diversity of anomalies increase thedifficulty of image anomaly detection.In recent years,the rapid development of artificial intelligence(AI)technology has provided fea-sible technical solutions for automatic interpretation of GPR B-scan images based on AI.Common deep learning algorithms for objectdetection include RCNN(region-convolutional neural network)and YOLO(you only look once).While YOLOv3 has achieved somesuccess in object detection,the YOLOv4 algorithm based on its improvements can further enhance detection capabilities.The impact ofthe improvement in YOLOv4 on the object detection and the ability of YOLOv4 improving the efficiency of detecting abnormal object inthe GPR image was investigated.The results show that YOLOv4 with the network framework and algorithm improvements is more suit-able for automatic detection of anomalies in GPR images.The trained YOLOv4 network meets the requirements of intelligent detectionof abnormal object in GPR images and possesses the high practical value.Keywords ground penetrating radar;artificial intelligence;object detection;deep learning algorithm;convolutional neural network 伴随着城市化进程的发展,城市空间利用和城市道路安全受到愈来愈广泛的关注。地下空洞、管线和既有建筑的基础是城市道路勘查的主要异常目标,准确、高效地检测出道路内部的异常目标可投稿网址:11506科 学 技 术 与 工 程Science Technology and Engineering2023,23(27)为城市建设和治理提供技术保障,而探地雷达(ground penetrating radar,GPR)作为一种常用的、无损的城市工程勘查技术,具有高速率、高精度和高经济性等特点,目前已成为城市道路勘察主要的地球物理探测手段1。GPR 的应用十分广泛,如混凝土中的空洞定位与治理2、地雷探测与排除3、地下设施追踪和绘图4、铁路道碴的优化和评估5等。虽然 GPR 在道路无损检测方面有着很大的优势,但其数据量通常十分庞大,且数据解释主要依靠专业技术人员,具有人工经验要求高、数据解译难度大、解释工作量大、解释周期长等突出问题。因此,研究从 GPR 图像数据中准确快速自动解译道路内部异常目标的方法具有重要的应用价值和现实意义。近年来,已有关于将深度学习应用于 GPR 图像数据自动识别掩埋物体的研究报道6-8。Dinh等9提出,通过预处理确定目标双曲线顶点后,提取顶点周围固定大小的区域用作训练样本。Lei等7使用了典型的目标检测框架,即更快的 R-CNN(region-convolutional neural network)10对隐藏的线性对象进行分类,并缩小了候选框的双曲线范围。冯德山等11利用深度学习模型自动处理和分析地质雷达图像,从而实现隧道衬砌结构物的自动化识别和检测。张世瑶等12使用卷积神经网络进行特征提取和裂缝检测,并通过数据增强和网络结构调整来优化检测性。罗晖等13提出使用YOLOv4 算法检测道路路面病害在精度和速度上优于 Faster R-CNN 算法。在目前的探地雷达道路图像异常目标识别相关研究中,尚未涌现出通用的公开数据集,多数研究借助模拟软件生成道路结构仿真图像。虽然这些研究利用深度学习技术实现了一定的异常目标检测效果,但在高效性和实时性方面仍有提升的空间。因此,迫切需要探索更为优越的目标算法,以提升检测模型的高效性、实时性和准确性,以满足实际应用的需要。常用于目标检测的深度学习算法14有两种,一种是先得到目标的候选框,再对候选框中的目标进行分类,也称为“双阶段”算法,以 R-CNN、Faster-RCNN 等为代表;另一种是直接预测到检测的目标位置和类别,也称为“单阶段”算法,以YOLO系列为代表。而 YOLO 系列目标检测算法拥有较高的精确率,较快的检测速率,超越“双阶段”算法更适用于探地雷达图像目标检测。为此,首先引入一个实测的 GPR 道路图像异常目标数据集,该数据集由山东青岛多个城市道路路段的实测 GPR B-scan 图像裁剪而成,用以研究开发新的GPR 数据自动检测模型方法并评估其在实测数据中标记和识别异常目标体的性能。接着,对比研究 YOLOv3 和 YOLOv4 目标检测算法的基本网络框架,以及 YOLOv4 的改进算法,分析 YOLOv4 目标检测算法框架以及改进算法带来的检测效率的提升。1YOLOv3 和 YOLOv4 网络框架对比YOLOv3 算法是应用最为广泛的目标检测算法之一,也是 YOLO 系列中最经典的算法。YOLOv4算法15是基于 YOLOv3 网络框架,优化了主干网络模块和特征融合模块。通过对比分析 YOLOv3 和YOLOv4 的网络框架,研究 YOLOv4 网络如何提升实测 GPR 图像目标的检测效果。1.1 网络模型整体架构YOLOv3 和 YOLOv4 网络模型架构如图 1 所示。其中图 1(a)所示的 YOLOv3 网络模型架构包含 Darknet_53、特征融合网络(feature pyramid net-works,FPN)和 YOLO Head 等三部分,它是在YOLO系列的基础上将主干网络Darknet_19 改为Darknet_53,使得主干网络的层数加深,提高了对道路内部异常目标特征的提取能力,并借助残差网络的思想,减小主干网络由于层数增加带来梯度消失的影响。另外,YOLOv3 中引入的特征融合网络 FPN 则用于检测目标的多尺度特征提取和多尺度特征预测。YOLOv4 网络模型架构主要也由三部分组成图 1(b):CSPDarknet_53、路径聚合网络(pathaggregation network,PAN)和 YOLO_head,框架上的主要差别是在 CSPDarknet_53 与 PAN 模块中间加入了空间金字塔池(spatial pyramid pooling,SPP)模块。在 YOLOv3 的基础上,YOLOv4 将主干残差网络Darknet_53 为 CSPDarknet-53,后者集成了跨阶段局部网络(cross stage partial net,CSPNet),这有助于加强卷积神经网络的计算能力和降低内存成本,兼顾了算法模型的速度和精度。此外,PAN 和 SPP 构成的特征融合网络极大地提高了实测 GPR 图像数据的检测精度。1.2 主干残差网络如图 2(a)所示为 YOLOv3 的主干残差网络Darknet_53,其中的主干部分为两次卷积操作,即一次 1 1 卷积和一次 3 3 的卷积,而残差边部分不做任何处理直接将输入与输出结合,将二者的输出相加便得到了残差模块的输出。在 Darknet_53 网络中,每层卷积层之后增加一个标准化处理来不断投稿网址:2023,23(27)覃紫馨,等:基于 YOLO 算法的探地雷达道路图像异常自动检测11507图 1 YOLOv3 和 YOLOv4 网络架构对比Fig.1 Comparison of network architectures of YOLOv3 and YOLOv4图 2 YOLOv3 的残差模块和 YOLOv4 的残差模块Fig.2 YOLOv3 residual module and YOLOv4 residual module地调节神经网络的中间输出以避免深层的卷积神经网络在参数更新的过程中导致的输出急剧改变,使整个神经网络在各层的中间输出的数值更稳定,加快模型收敛速度提高训练速度。YOLOv4 模型主干残差网络如图 2(b)所示,其采用了一种新的 CSPDarknet-53 网络。CSPDarknet-53 网络借助了 CSPNet 算法思想对残差模块进行优化,这也是 YOLOv4 的重要改进之一。CSPDarknet-53 残差模块(CSP_resblock_body)中的特征层包括两部分,一部分接连若干小的残差网络并输出,另一部分只经过简单的卷积操作输出,将二者经过张量拼接(concat)后进行输出。相较于 Darknet_53 网络中的残差模块只是将残差单元进行简单的堆叠,CSP_resblock_body 不仅显著提高了网络的特征提取能力,还解决了在其他常用的目标检测网络框架中存在的重复信息计算的问题,并将梯度的变化从始至终集成到特征图中,这种分流再结合的策略有效地丰富梯度流信息且减少了计算量,大大提高了GPR 图像中异常类别推理的速度和异常定位的准确性。1.3 特征融合网络如图 3(a)所示 YOLOv3 的特征融合网络包含两个部分,左边部分从底层向上,卷积神经网络前向提取特征,右边部分从顶层向下,特征层进行上采样,中间的横向连接将当前层的特征与上采样后的特征进行融合。由于不同层次的特征图表达投稿网址:11508科 学 技 术 与 工 程Science Technology and Engineering2023,23(27)能力不同,浅层特征反映明暗、边缘等细节,深层特征则反映更丰富的整体结构。FPN 网络通过简单的连接,将深层丰富的特征语义信息和浅层精确的目标位置信息相结合,有利于小目标物体的检测。YOLOv4 在 CSP darknet-53 提取相关特征后,同样需要特征融合网络对提取的特征进行融合,以提高模型的检测能力。YOLOv4 的特征融合网络包括SPP 和 PAN 两部分,前者位于 CSP darknet_53 网络之后。SPP 模块由四个不同核大小的池化操作组成,将得到不同特征信息进行融合,输出具有丰富特征信息的特征层。由于卷积神经网络限制了输入的 GPR 图像尺寸,使得异常目标受到不同程度的压缩,引入 SPP 模块增加不同感受野并有效分离重要的上下文特征,在降低限制输入大小的影响同时不会降低网络的运行速度。图 3 特征融合网络结构Fig.3 Feature pyramid networks structurePAN 网络如图 3(b)所示,其中左半部分为FPN 网络,右半部分为改进部分。PAN 网络在FPN 网络的基础上,再将底层特征层进行下采样,中间横向连接将上采样得到的强语义特征信息和下采样得到的强定位特征信息相结合,输出三个包含不同特征信息、不同尺度的检测层。YOLOv4的特征融合网络解决了 GPR B-scan 图像异常目标多尺度的问题,在不增加过多计算量的同时,更好的提取到异常目标的特征信息,从而提高模型的判别能力。2 YOLOv4 的改进算法尽管 YOLOv3 框架已经在目标检测领域取得很大的成就,但是由于 GPR 扫描图像复杂,不仅背景多变,而且异常目标回波时强时弱,导致该检测框架在探地雷达异常目标检测任务中效果不理想。YOLOv4 边界框损失函数使用 CIOU(complete inter-section over union)损失函数代替均方误差损失,使得边界回归更快、更准确;将 mosaic 数据增强方法和迁移学习相结合,缓解了 GPR 数据紧缺的问题;引入标签平滑处理等一系列改进,进一步提高了目标检测性能。2.1 CIOU 损失函数目标检测算法中预测框的回归损失函数随着研究的发展不断变化。最初在目标检测任务中使用 IOU 判断预测的目标位置是否正确。IOU 计算公式为IOU=A BA B(1)式(1)中:A 为预测框;B 为真实框。但 IOU 无法区分预测框和真实框不同的相交情况。随后提出的 DIOU(distance-IOU)将预测框和真实框的重合度考虑进去,解决了预测框和真实框出现包含的现象时 IOU 损失值相同的问题。DIOU 损失函数计算公式为LDIOU=1-IOU+d2c2(2)式(2)中:d 为预测框和真实框中心点间的距离;c为能够同时包含预测框和真实框的最小闭合区域的对角线距离。在此基础上,CIOU 损失函数还将长宽比用于判断预测框和真实框的相似度,解决了 DIOU 无法判断同样面积的预测框形状不同的情况。同时考虑重叠面积、中心距离和长宽比三个因素的损失函数 CIOU 计算公式为LCIOU=1-IOU+d2c2+(3)式(3)中:为惩罚因子;为预测框和真实框长宽比相似度。CIOU 损失函数可以不断拉近预测框和真实框之间的距离,而且是预测框向更靠近真实框的方向前进,且 CIOU 损失函数的精度更高,收敛速度更快。2.2 Mosaic 算法增强数据集在实验中,GPR 道路内部异常目标样本数量较少,异常目标形态多变,而且 GPR 工作时干扰较多,异常目标检测效果受背景影响较大。Mosaic 算法与常见数据增强算法最大的不同在于,常见的数据增强办法是在模型训练前进行样本数量的扩充,而Mosaic 算法则是在训练过程中实时进行数据增强。在训练过程中每个迭代(epoch)训练前使用 Mosaic算法,随机在训练集样本中选取 4 张图像,然后按照一定的顺序排列在新图像的 4 个固定位置,最后在新图像中间部分画切十字割线,剪切掉图像重叠部分即可。Mosaic 算法在训练过程中进行随机的数据增强,使每个迭代过程中训练集都会增加新的样本,从而有效解决较少数量的训练样本使模型陷入过拟合的问题。同时,Mosaic 数据增强算法,将 4 个不同背景的图像进行拼接,丰富了训练集中 GPR 图像异常目标的背景,提高了模型的检测性能。Mosaic 算法处理的 GPR 道路实测数据效果如图 4 所示。投稿网址:2023,23(27)覃紫馨,等:基于 YOLO 算法的探地雷达道路图像异常自动检测11509图 4 Mosaic 数据增强效果图Fig.4 Mosaic data enhancement rendering2.3 标签平滑处理在分类任务中,常使用交叉熵损失函数计算预测异常目标和真实异常目标的误差,从而推动模型向更精确的预测靠近。在交叉熵损失函数的计算中,使用独热编码的形式区分正负样本,即标签 1 为正样本,标签 0 为负样本。交叉熵损失函数可表示为floss=-1mmk=1ni=1yilgpi(4)式(4)中:m 为样本总数;n 为样本类别总数;yi为one-hot 标签信息;pi为概率。例如,对类别总数为 5 的一批样本,假设存在一个未平滑处理的 one-hot 标签0,0,0,1,0通过网络模型后的概率矩阵 p 为0.1,0.1,0.1,0.36,0.34,代入交叉熵损失函数可得单个样本的 loss 为1.47。标签经计算的平滑处理后的 one-hot 标签为0.02,0.02,0.02,0.92,0.02,代入交叉熵损失函数可得单个样本的损失为 2.63。计算公式为yi=(1-)yi+1myi(5)式(5)中:为平滑因子。可以看出,未做标签平滑处理的损失只考虑了正确标签位置的损失,导致了模型在训练过程中过于拟合 GPR 道路图像训练集中的异常目标形态,而在测试集中存在大量复杂特征的异常目标未能正确检测,即模型过拟合,泛化能力差;经过平滑处理后的损失既考虑了正确标签位置的损失也考虑了错误标签位置的损失,使得损失值增大,模型在提高异常目标正确分类的同时减少异常目标错误分类,增强了模型的学习能力,提高模型的泛化能力,使训练后的模型在背景多变,形态复杂的探地雷达图像中也能准确识别异常目标。由于可用于 GPR 道路内部异常检测目标的样本集数量较少,在训练网络模型时常常使之陷入训练验证效果较好但测试结果差的困境,这是由于较小的数据集导致训练模型过拟合,而标签平滑处理较好地解决了小样本数据集的过拟合问题,这对提升本文算法的实用性具有十分重要的意义。3 实验方案与实验结果3.1 探地雷达异常目标数据集本文中 GPR 道路内部异常目标数据集数据主要从原始实测的长剖面数据截取。其中,数据集类别包括空洞、破碎、管线、钢筋网、雨污井(检测中分别命名为 cavity、broken、pipeline、rebar、well)五类异常目标;共 145 张 1 000 道实测去除直达波的探地雷达图像数据。采用 VOC 数据集格式标记道路内部异常目标检测数据集。将标记的数据集按照 9 1的比例划分为训练集和测试集。为了进一步提高模型的泛化能力,增加样本的多样性,对训练集数据进行图片随机水平翻转、竖直或水平移动、放大或缩小、高斯模糊和明亮变换等增强操作,得到 1 419 张训练集图片,再按照 9 1的比例将训练集划分出 142张数据图片用作验证集,实时监控模型的检测性能。3.2 实验方案、平台及配置为了进一步加快网络的训练速度,联合 VOC2007 数据集预训练 YOLOv4 CSPDarknet-53 卷积神经网络,获得预训练权重;采用迁移学习方法,基于道路内部异常目标数据集进一步训练模型。训练时,先冻结主干网络的权重参数,精调训练后半部分网络的权重参数,经过 50 个迭代训练后再解冻主干网络,训练全部网络层,并更新整个模型的权重参数。本文中 YOLOv4 使用 SGD 优化器16,并采用余弦退火衰减调整学习率。实验平台使用的软件情况 为:Pycharm2020,Python3.6,CUDNN11.0 和CUDA11.0.2。训练 YOLOv3 和 YOLOv4 网络的参数如表 1 所示。表 1 YOLOv3、YOLOv4 训练网络参数Table 1 Parameters of YOLOv3 and YOLOv4 trainingnetworks参数YOLOv3 初始值YOLOv4 初始值Freeze_batch_size12816Unfreeze_batch_size648Freeze_learning_rate1 10-3UnFreeze_learning_rate1 10-4Momentum0.937Weight_decay5 10-4Number of iterations1 0001 0003.3 探地雷达目标检测性能比较目标检测任务在类别判断正确的基础上,通过投稿网址:11510科 学 技 术 与 工 程Science Technology and Engineering2023,23(27)设置 IOU 判断检测是否准确。IOU 的值超过阈值,即预测目标位置准确,判断检测正确;IOU 的值低于阈值,即预测目标位置不准确,判断检测错误。本次研究将 IOU 的阈值设置为 0.3。在目标检测任务中,通常使用准确率和召回率作为衡量一个模型检测效果的标准。准确率即判断模型所检测到道路内部异常目标类别是否准确,召回率即判断模型所检测到的道路内部异常目标数量是否完全。准确率和召回率是一对相互矛盾的性能指标,但是它们对模型检测性能同等重要,故引入 F1计算准确率和召回率调和平均数,进行综合评价。准确率越高则说明模型判别效果越好;召回率越高则说明模型识别能力越强;而 F1数值越高则说明模型越稳健。基于测试集数据实验测试训练完成的目标检测网络模型结果如表 2、表 3 所示。表 2 道路异常类别检测结果比较Table 2 Comparison of detection results of various roadanomaly categories异常类别YOLOv3YOLOv4准确率/%召回率/%准确率/%召回率/%破碎50.0080.00100.0085.71空洞39.1375.00100.0081.40钢筋网78.9471.0087.50100.00管线75.0075.0084.4492.68雨污井100.00100.0095.6591.67表 3 YOLOv3 和 YOLOv4 检测结果比较Table 3 Comparison of detection results between YOLOv3and YOLOv4算法准确率/%召回率/%F1YOLOv368.6180.200.73YOLOv493.5290.290.91 由表 2 可以看出,较之 YOLOv3 算法,YOLOv4算法在检测 GPR 道路内部五类异常目标时,除雨污井外,其他类别异常的检测准确率和召回率均有较大提升。进一步由表 3 可知,YOLOv4 的平均准确率提升了 24.91%,平均召回率提升了 10.09%,综合评价 F1由0.739 5 提高到0.918 8。YOLOv4 的改进算法,既继承了 YOLOv3 的优点,又带来检测性能的进一步的提升。图 5 为 LTD-2600 型号探地雷达对山东省青岛市江西路某路段实际探测图并经过本文研究的目标检测模型进行检测。该图片中,两个紫色框中自图 5 山东省青岛市江西路某路段探地雷达实测图Fig.5 Ground penetrating radar survey map of a certainsection of Jiangxi Road,Qingdao City,in Shandong动定位识别异常目标为雨污井,并判断为雨污井的概率分别为0.98 和0.93,绿色框中异常目标为管线,为管线的概率为0.96,即极大的概率异常目标为雨污井和管线。经由经验丰富的技术人员人工判别该路段存在两个雨污井和一根管线。证实基于 YOLOv4 的探地雷达异常目标自动检测模型检测正确。图 6 给出了不同类型异常目标检测结果对比。明显可以看出,YOLOv3 网络对于较明显、单一、较大的道路内部异常目标检测结果较好;但对于 GPR实测图像数据中经常出现的密集、相互重叠、规模小的目标,YOLOv4 网络有更好的检测结果。基于YOLOv3 的 YOLOv4 改进算法,明显提高了 GPR道路异常检测的正确率,极大地降低了异常的漏检率。4 结论探地雷达道路内部异常目标智能化检测技术在道路维护、城市基建等领域具有重要的应用意义。YOLOv4 的改进算法重点解决了自建探地雷达数据 集 中 YOLOv3 检 测 精 度 不 足 的 问 题。在YOLOv3 的基础上,本文中 YOLOv4 不仅改进网络模型,还使用 CIOU 损失函数、Mish 激活函数提高模型收敛精度,结合 Mosaic 数据增强算法以解决数据集数量过少的问题,加入标签平滑处理防止小样本训练集导致的模型过拟合问题。实验结果表明,YOLOv4 模型在探地雷达地下目标检测任务中的准确率高于 YOLOv3,平均准确率提高了 24.91%,平均召回率提高了 10.09%,综合参考指标 F1提升了0.18 满足探地雷达道路内部异常目标智能化检测需求,具有较强的实用价值。投稿网址:2023,23(27)覃紫馨,等:基于 YOLO 算法的探地雷达道路图像异常自动检测11511图 6 YOLOv3 和 YOLOv4 目标检测模型结果比较Fig.6 Comparison of YOLOv3 and YOLOv4 object detection model参考文献1 张恩泽.探地雷达在城市工程勘察中的应用研究D.淮南:安徽理工大学,2017.Zhang Enze.Ground penetrating radar(GPR)application in urbanengineering survey research D.Huainan:Anhui University ofScience and Technology,2017.2 Trela C,Kind T,Schubert M.Detection of air voids in concrete byradar in transmission modeC/2015 8th International Workshopon Advanced Ground Penetrating Radar(IWAGPR).New York:IEEE,2015:1-4.3 Torrione P A,Morton K D,Sakaguchi R,et al.Histograms of ori-ented gradients for landmine detection in ground-penetrating radardataJ.IEEE Transactions on Geoscience&Remote Sensing,2014,52(3):1539-1550.4 Jaw S W,Hashim M.Accuracy of data acquisition approaches withground penetrating radar for subsurface utility mappingC/Rf&Microwave Conference.New York:IEEE,2011:40-44.5 Shao W,Bouzerdoum A,Phung S L,et al.Automatic classificationof ground-penetrating-radar signals for railway-ballast assessmentJ.IEEE Transactions on Geoscience and Remote Sensing,2011,49(10):3961-3972.6 Fang Z,Shi Z,Wang X,et al.Roadbed defect detection fromground penetrating radar B-scan data using Faster RCNNJ.IOPConference Series:Earth and Environmental Science,2021,660(1):012020.7 Lei W,Hou F,Xi J,et al.Automatic hyperbola detection and fit-ting in GPR B-scan imageJ.Automation in Construction,2019,106:102839.8 Kang M S,An Y K.Frequency-wavenumber analysis of deep learn-ing-based super resolution 3D GPR imagesJ.Remote Sensing,2020,12(18):3056.9 Dinh K,Gucunski N,Duong T H.An algorithm for automatic lo-calization and detection of rebars from GPR data of concrete bridgedecksJ.Automation in Construction,2018,89:292-298.10 Sun J,He K,Girshick R,et al.Faster R-CNN:Towards real-time object detection with region proposal networks J.IEEETransactions on Pattern Analysis and Machine Intelligence,2017,投稿网址:11512科 学 技 术 与 工 程Science Technology and Engineering2023,23(27)39(6):1137-1149.11 冯德山,杨子龙.基于深度学习的隧道衬砌结构物探地雷达图像自 动 识 别 J.地 球 物 理 学 进 展,2020,35(4):1552-1556.Feng Deshan,Yang Zilong.Automatic recognition of ground pene-trating radar images of tunnel lining structures based on deeplearningJ.Progress in Geophysics,2020,35(4):1552-1556.12 张世瑶,贺玉彬,周新志.基于深度学习的道路表面裂缝检测方法J.科学技术与工程,2021,21(15):6380-6385.Zhang Shiyao,He Yubin,Zhou Xinzhi.Road surface crack detec-tion method based on deep learningJ.Science Technology andEngineering,2021,21(15):6380-6385.13 罗晖,余俊英,涂所成.基于深度学习的公路路面病害检测算法J.科学技术与工程,2022,22(13):5299-5305.Luo Hui,Yu Junying,Tu Suocheng.Pavement defect detectionalgorithm based on deep learningJ.Science Technology and En-gineering,2022,22(13):5299-5305.14 赵立新,邢润哲,白银光,等.深度学习在目标检测的研究综述J.科学技术与工程,2021,21(30):12787-12795.Zhao Lixin,Xing Runzhe,Bai Yinguang,et al.Asurvey of deeplearning in target detectionJ.Science Technology and Engineer-ing,2021,21(30):12787-12795.15 康帅,章坚武,朱尊杰,等.改进 YOLOv4 算法的复杂视觉场景行人检测方法J.电信科学,2021,37(8):46-56.Kang Shuai,Zhang Jianwu,Zhu Zunjie,et al.Improved pedestri-an detection method for complex visual scenes with YOLOv4 algo-rithmJ.Telecommunications S