基于數(shù)據(jù)邊緣檢測(cè)的隧道探地雷達(dá)解譯方法

基于數(shù)據(jù)邊緣檢測(cè)的隧道探地雷達(dá)解譯方法

作為一種提前地質(zhì)預(yù)測(cè)和報(bào)警手段，探測(cè)雷達(dá)在國(guó)內(nèi)外隧道工程中得到了廣泛應(yīng)用，但雷達(dá)結(jié)果圖的解釋仍處于經(jīng)驗(yàn)翻譯階段，主要依靠長(zhǎng)期參與勘探雷達(dá)解釋術(shù)的技術(shù)人員的解釋。在此基礎(chǔ)上，對(duì)掌面前的水分進(jìn)行分析，限制了勘探雷達(dá)的使用和開(kāi)發(fā)。因此，有必要找到一種簡(jiǎn)單有效的方法來(lái)規(guī)范和準(zhǔn)確地翻譯探測(cè)雷達(dá)結(jié)果。本文是在長(zhǎng)期經(jīng)驗(yàn)解譯的基礎(chǔ)上,利用雷達(dá)探測(cè)成果圖與含水量之間的關(guān)系,運(yùn)用圖形處理方法,提出了基于LVQ神經(jīng)網(wǎng)絡(luò)的探地雷達(dá)成果圖解譯方法。1雷達(dá)檢測(cè)技術(shù)與lvq神經(jīng)網(wǎng)絡(luò)1.1信號(hào)的信號(hào)特性探地雷達(dá)(GroundPenetratingRadar)是一種地下高頻—超高頻(微波段)電磁波反射定位探測(cè)法。根據(jù)回波的單程旅行時(shí)間和電磁波在相應(yīng)介質(zhì)中的傳播速度確定目標(biāo)距離,并通過(guò)綜合分析判斷目標(biāo)性質(zhì)。探地雷達(dá)的發(fā)射天線向地下定向發(fā)射高頻寬頻帶電磁波,另一個(gè)接收天線或處于接收狀態(tài)的同一個(gè)天線接收來(lái)自于地下各種不同介質(zhì)的界面或目標(biāo)的反射波。在介質(zhì)中傳播的電磁波,其路徑與電磁場(chǎng)強(qiáng)度隨所通過(guò)的介質(zhì)的電性、幾何形態(tài)及尺寸等不同而變化,所接收到的反射回波的幅度、形狀及其在縱橫向上的展布特征也隨之變化。因此,目標(biāo)性質(zhì)的識(shí)別判定是根據(jù)這些波形變化特征并結(jié)合地質(zhì)知識(shí)進(jìn)行的。1.2lvq神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)向量量化(LVQ,LearningVectorQuantization)神經(jīng)網(wǎng)絡(luò)是一種用于訓(xùn)練競(jìng)爭(zhēng)層的有監(jiān)督學(xué)習(xí)(supervisedlearning)方法的輸入前向神經(jīng)網(wǎng)絡(luò),其算法是從Kohonen競(jìng)爭(zhēng)算法演化而來(lái)的。LVQ神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。LVQ神經(jīng)網(wǎng)絡(luò)在模式識(shí)別和優(yōu)化領(lǐng)域有著廣泛的應(yīng)用。1.3利用matlab提供的邊緣檢測(cè)算子進(jìn)行識(shí)別過(guò)去學(xué)者研究探地雷達(dá)成果圖解譯方法,主要是進(jìn)行正演分析和模擬,研究不同的地質(zhì)不良體的波形和頻率特征。經(jīng)過(guò)大量的現(xiàn)場(chǎng)實(shí)踐和研究發(fā)現(xiàn),探地雷達(dá)探測(cè)生成的波形圖有一定的規(guī)律性,當(dāng)前方存在不良地質(zhì)體時(shí)成果圖上的波形不再是直線型,而是振幅和相位都發(fā)生了變化,如圖2左側(cè)圖所示,在相應(yīng)軟件進(jìn)行圖形處理時(shí)發(fā)現(xiàn)頻率也發(fā)生了變化。將這些存在不良地質(zhì)體的相位用粗實(shí)線連接,利用MATLAB提供的邊緣檢測(cè)edge函數(shù),采用Sobel邊緣檢測(cè)算子處理后發(fā)現(xiàn),用粗實(shí)線進(jìn)行連接的位置判斷為圖像邊緣,如圖2所示。MATLAB中edge函數(shù)的輸出值是圖像的邏輯值,當(dāng)邊緣檢測(cè)算子計(jì)算圖像灰度變化時(shí),如果灰度變化則邏輯值為1,灰度沒(méi)有變化則邏輯值為0,所以edge函數(shù)輸出值表示的是圖像某位置的邏輯值。根據(jù)這一原理,當(dāng)我們將探地雷達(dá)成果圖進(jìn)行區(qū)域劃分后,對(duì)邏輯值進(jìn)行分區(qū)域統(tǒng)計(jì),發(fā)現(xiàn)存在不良地質(zhì)體位置的邏輯值相對(duì)較低,而相位變化較小的區(qū)域邏輯值相對(duì)較高。在經(jīng)過(guò)大量的圖形處理后,發(fā)現(xiàn)邏輯值與裂隙水存在特定的關(guān)系,可以通過(guò)計(jì)算邏輯值的大小來(lái)判斷裂隙水的存在與否。但是,邏輯值大小與裂隙水存在與否的關(guān)系是未知的、不確定的映射關(guān)系,需要在大量的圖形分析和歸納總結(jié)的基礎(chǔ)上,提出合理的分類(lèi)依據(jù),而神經(jīng)網(wǎng)絡(luò)為我們提供了這一工具。神經(jīng)網(wǎng)絡(luò)是當(dāng)不確定輸入值與輸出值的映射關(guān)系時(shí),通過(guò)大量的實(shí)例學(xué)習(xí)建立起函數(shù)關(guān)系的計(jì)算智能方法。其中LVQ神經(jīng)網(wǎng)絡(luò)屬于有監(jiān)督學(xué)習(xí)的自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò),對(duì)于輸入數(shù)據(jù)的分類(lèi)依賴于其與初始學(xué)習(xí)狀態(tài)下得到的類(lèi)別劃分向量之間的距離,在模式識(shí)別方面具有不需要將輸入向量進(jìn)行歸一化、正交化處理的優(yōu)點(diǎn),所以本次設(shè)計(jì)采用LVQ神經(jīng)網(wǎng)絡(luò)。2從圖形規(guī)范和向量提取2.1探測(cè)成果圖形的統(tǒng)一采用探地雷達(dá)進(jìn)行超前探測(cè)時(shí),會(huì)根據(jù)掌子面的斷面大小確定探測(cè)道數(shù),目前沒(méi)有統(tǒng)一的標(biāo)準(zhǔn)。探測(cè)道數(shù)的確定具有隨意性和不規(guī)范性,這就造成了解譯的困難。為保證圖形解譯的準(zhǔn)確性和規(guī)范性,每米斷面隧道的探測(cè)道數(shù)應(yīng)在10道以上為宜。探測(cè)結(jié)束后得到的成果圖需要將低頻同向軸發(fā)生錯(cuò)段的位置用粗實(shí)線連接[8~10]。只有統(tǒng)一的圖形格式和樣式才能保證解譯的準(zhǔn)確,但是隧道的斷面不同形成的探測(cè)成果圖形大小也不同,斷面越大探測(cè)道數(shù)越多,圖形的寬度也越大,所以不同的斷面圖形的標(biāo)準(zhǔn)格式和樣式大小也是不同的。本文采用的隧道斷面數(shù)據(jù)為2.8m×2.4m,探測(cè)道數(shù)在50道左右,得到的探測(cè)圖像寬度、高度為500×900像素左右。經(jīng)過(guò)試驗(yàn)認(rèn)為成果圖只需保留圖形部分,標(biāo)題標(biāo)注和空白部分應(yīng)予以刪除,最終得到寬度400像素、高度650像素的灰度圖作為標(biāo)準(zhǔn)大小。由于探地雷達(dá)的探測(cè)距離有限,最深一般只能達(dá)到30m,30m附近準(zhǔn)確性偏低,所以選取0~26m作為預(yù)報(bào)長(zhǎng)度。觀察圖形的變化情況,發(fā)現(xiàn)振幅變化較大的波形長(zhǎng)度一般小于50像素,因此在長(zhǎng)度方向上每隔50像素(即每隔2m)劃分一個(gè)預(yù)報(bào)區(qū)段,可以有效地將波形變化的區(qū)域分隔開(kāi)來(lái);寬度方向經(jīng)過(guò)大量實(shí)驗(yàn)認(rèn)為,每隔80像素劃分一個(gè)邏輯值統(tǒng)計(jì)區(qū)域可以得到較好的效果,這樣就將整個(gè)圖形劃分成13行5列。2.2計(jì)算圖像的向量值LVQ神經(jīng)網(wǎng)絡(luò)以向量作為輸入值,當(dāng)圖形進(jìn)行邊緣檢測(cè)處理后,每一個(gè)像素位置根據(jù)是否存在邊緣得到的邏輯值為1或0,即像素點(diǎn)存在邏輯值為1,像素點(diǎn)不存在邏輯值為0。按照?qǐng)D形標(biāo)準(zhǔn)化后對(duì)圖形的劃分規(guī)則,遍歷一個(gè)寬度80像素、高度50像素區(qū)域的邏輯值會(huì)得到此區(qū)域邏輯值的總和,這個(gè)值就是輸入向量值。在實(shí)際中,采用MATLAB中提供的edge對(duì)標(biāo)準(zhǔn)化圖形的區(qū)域邏輯值進(jìn)行計(jì)算后得到的值,即可作為輸入向量。3lvq精神網(wǎng)絡(luò)建設(shè)3.1訓(xùn)練集和測(cè)試集本次神經(jīng)網(wǎng)絡(luò)建立所需要的圖形數(shù)據(jù)全部來(lái)自于現(xiàn)場(chǎng)實(shí)測(cè),共140個(gè)圖形,全部進(jìn)行了標(biāo)準(zhǔn)化處理。為了保證訓(xùn)練集數(shù)據(jù)的隨機(jī)性,隨機(jī)選取圖像庫(kù)中的120幅圖像提取出的特征向量作為訓(xùn)練集數(shù)據(jù),剩余的20幅圖像提取出來(lái)的特征向量作為測(cè)試集數(shù)據(jù)。每個(gè)不同區(qū)段地質(zhì)情況的圖形都是在實(shí)際開(kāi)挖后,在地質(zhì)編錄的基礎(chǔ)上作為輸出結(jié)論,應(yīng)用到神經(jīng)網(wǎng)絡(luò)分類(lèi)結(jié)果的。此次輸出結(jié)果分為四類(lèi),分別為干燥無(wú)水、前方含水、前方含大量水和圖形結(jié)果為干擾波。有監(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò),當(dāng)學(xué)習(xí)樣本量越多、越符合實(shí)際時(shí),神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果就會(huì)越準(zhǔn)確。3.2競(jìng)爭(zhēng)層神經(jīng)元自適應(yīng)識(shí)別利用MATLAB的神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)newlvq可以創(chuàng)建一個(gè)LVQ神經(jīng)網(wǎng)絡(luò),其調(diào)用格式為:式中:PR為輸入向量的范圍;S1為競(jìng)爭(zhēng)層神經(jīng)元的個(gè)數(shù);PC為線性輸出層期望類(lèi)別各自所占的比重;LR為學(xué)習(xí)速率,默認(rèn)值為0.01;LF為學(xué)習(xí)函數(shù),默認(rèn)為“l(fā)earn1v1”。在后面的訓(xùn)練、仿真過(guò)程中,如果網(wǎng)絡(luò)的收斂速度較慢,可以適當(dāng)增加學(xué)習(xí)速率,采用for循環(huán)的程序方法,對(duì)欠擬合和過(guò)擬合進(jìn)行評(píng)價(jià)。當(dāng)出現(xiàn)欠擬合的情況下適當(dāng)增加競(jìng)爭(zhēng)層神經(jīng)元數(shù)目,過(guò)擬合時(shí)適當(dāng)減少競(jìng)爭(zhēng)層神經(jīng)元數(shù)目,以此來(lái)修改和優(yōu)化網(wǎng)絡(luò)參數(shù)。3.3仿真結(jié)果輸出網(wǎng)絡(luò)創(chuàng)建完畢后,將訓(xùn)練集的數(shù)據(jù)輸入網(wǎng)絡(luò),便可以對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。經(jīng)過(guò)訓(xùn)練后將測(cè)試集的數(shù)據(jù)輸入網(wǎng)絡(luò)便可以得到對(duì)應(yīng)的輸出,此時(shí)得到的結(jié)果為仿真結(jié)果。圖3顯示了在一次訓(xùn)練和仿真后,得到的結(jié)果與實(shí)際結(jié)果的對(duì)比,圖中的識(shí)別率達(dá)到了90%,說(shuō)明訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)在樣本數(shù)據(jù)測(cè)試中取得了良好的效果。3.4墨水和不含水狀態(tài)的分類(lèi)正確率分析通過(guò)對(duì)網(wǎng)絡(luò)的仿真結(jié)果進(jìn)行分析發(fā)現(xiàn),當(dāng)采用7個(gè)隱藏層神經(jīng)元時(shí),網(wǎng)絡(luò)分類(lèi)的正確率最高,一般在90%以上,含水和不含水兩種狀態(tài)的正確率能夠達(dá)到100%;含水量的大小和無(wú)效干擾波分辨時(shí)有較小的誤差,主要是由于這幾組數(shù)據(jù)量較小,可以通過(guò)增加此類(lèi)樣本的數(shù)據(jù)量來(lái)提高分類(lèi)效果。4圖形識(shí)別軟件和應(yīng)用程序4.1數(shù)值運(yùn)算方法本次軟件開(kāi)發(fā)采用C#語(yǔ)言和MATLAB數(shù)值計(jì)算軟件,其開(kāi)發(fā)的神經(jīng)網(wǎng)絡(luò)工具箱提供了多種類(lèi)型的神經(jīng)網(wǎng)絡(luò)模型,并提供了實(shí)用的程序接口,實(shí)現(xiàn)了MATLAB程序語(yǔ)言與C#程序語(yǔ)言的交互。由于神經(jīng)網(wǎng)絡(luò)基本創(chuàng)建訓(xùn)練仿真語(yǔ)言的保密性,所以圖形識(shí)別軟件中神經(jīng)網(wǎng)絡(luò)的部分仍然在MATLAB語(yǔ)言中進(jìn)行,圖形的識(shí)別和特征向量的提取由MATLAB函數(shù)轉(zhuǎn)換的C#語(yǔ)言的函數(shù)進(jìn)行調(diào)用,訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)結(jié)論調(diào)用到C#程序中,在C#程序中編寫(xiě)LVQ神經(jīng)網(wǎng)絡(luò)的數(shù)值運(yùn)算方法,如式(1)所示。式中:P為待輸入向量,IW1,1和LW2,1分別為競(jìng)爭(zhēng)層和線性層權(quán)值向量,compet和purelin是競(jìng)爭(zhēng)和線性算法。經(jīng)過(guò)數(shù)值運(yùn)算,根據(jù)得到的結(jié)果即可分析當(dāng)前區(qū)段的含水情況。4.2測(cè)試結(jié)果及分析張家口崇禮補(bǔ)水工程隧洞全線采用探地雷達(dá)進(jìn)行短距離超前預(yù)報(bào),監(jiān)測(cè)工作范圍為主干線1號(hào)隧洞5970m、主干線2號(hào)隧洞1226m和支線隧洞909m。由于預(yù)報(bào)軟件的編寫(xiě)需要現(xiàn)場(chǎng)的實(shí)測(cè)圖像和開(kāi)挖驗(yàn)證數(shù)據(jù),所以在探測(cè)初期將相關(guān)數(shù)據(jù)收集整理后進(jìn)行了軟件開(kāi)發(fā)。開(kāi)發(fā)完成后在后續(xù)的施工中均采用了軟件分析和經(jīng)驗(yàn)分析兩種方法,并與實(shí)際開(kāi)挖情況進(jìn)行對(duì)比,驗(yàn)證軟件的有效性,對(duì)比情況如表1所示。通過(guò)上面兩個(gè)實(shí)例,將探地雷達(dá)圖形軟件分析結(jié)果和技術(shù)人員經(jīng)驗(yàn)解譯結(jié)果對(duì)比,發(fā)現(xiàn)圖形解譯軟件較好地完成了技術(shù)人員經(jīng)驗(yàn)解譯的工作,完整有效地表達(dá)了技術(shù)人員解譯的思路和結(jié)果,可以作為代替技術(shù)人員解譯的軟件化、智能化工具。將探地雷達(dá)圖形軟件分析結(jié)果和實(shí)際開(kāi)挖驗(yàn)證結(jié)果對(duì)比,發(fā)現(xiàn)軟件分析結(jié)果與開(kāi)挖情況基本一致,能夠預(yù)判施工前方的含水情況,基本可以將含水量發(fā)生異常的區(qū)域分辨出來(lái),且水量情況與實(shí)際結(jié)果偏差不大。由此可見(jiàn),基于LVQ神經(jīng)網(wǎng)絡(luò)的探地雷達(dá)成果圖解譯技術(shù)是行之有效的。5利用lvq神經(jīng)網(wǎng)絡(luò)的非線性映射特點(diǎn)(1)將探地雷達(dá)成果圖標(biāo)準(zhǔn)化和區(qū)域劃分,在MATLAB中采用edge函數(shù)和Sobel邊緣檢測(cè)算子對(duì)圖像進(jìn)行處理后,結(jié)合實(shí)際開(kāi)挖結(jié)果,發(fā)現(xiàn)區(qū)域的含水情況與圖像處理得到的區(qū)域邏輯統(tǒng)計(jì)值存在一定的關(guān)系,含水量的大小決定了邏輯統(tǒng)計(jì)值的大小。(2)利用LVQ神經(jīng)網(wǎng)絡(luò)的非線性映射特點(diǎn),將含水情況不同的成果圖及其特征向量作為學(xué)習(xí)樣本,經(jīng)過(guò)大量數(shù)據(jù)驗(yàn)證發(fā)現(xiàn)采用7個(gè)隱藏層神經(jīng)元時(shí),網(wǎng)絡(luò)分類(lèi)的正確率最高。將含水情況分為四類(lèi)后,