Page 82 - 无损检测2025年第四期

胡照星：
探地雷达图像浅层特征融合下的高速公路路基塌陷病害识别

分，特征提取部分由若干卷积层以及池化层组成，在
（9） 全连接层完成最终的浅层特征融合，由分类器计算
得到最终的高速公路路基病害识别结果。该路基病
式中： σ（i，j）为目标划分结果；σ（i，j）为多划分网 害识别的卷积神经网络结构如图2所示。
m
格的融合结果。
根据式（5）~（7）以及探地雷达图像可以得到 探地雷达图 正演模拟图 输入层
特征
特征
探地雷达的正演模拟图像。
1.2 基于特征融合的高速公路路基塌陷病害识别
虽然仅依靠探地雷达图像或者探地雷达正演模
卷积1 卷积层
拟图像便可以对公路路基的塌陷病害进行识别，但
池化1 池化层
是两种图像的识别却要依赖大量的经验，并且图像
中的噪声会使人对图像信息产生误判，因此文章采
卷积2 卷积层
用图像特征融合方式，提取两种图像特征并对其进
池化2 池化层
行融合形成新的识别特征，从而实现公路路基塌陷
病害的识别。
卷积... 卷积层
1.2.1 图像浅层特征提取
池化... 池化层
文章使用空间加权颜色直方图进行公路路基探
地雷达图像以及正演模拟图像浅层特征提取，空间
加权颜色直方图公式为 卷积n 卷积层
池化n 池化层
N

I
( )=c
qu q K ( y a -y 0 T 2 )( y b -y 2 ) b u ( (y a ))-u  

a =1 1
全连接层1
（10） (融合)
式中：K 为核函数；y 为探地雷达图像的中心点；y 1
T
0
为探地雷达正演模拟图像的中心点；y 以及y 为两 全连接层2
(分类)
a
b
个图像的像素点；c 为归一化因子，b (I(y ))为图像的
q u a
bin（颜色区间） 归属，u为bin的编号。 输出 输出层
对于核函数，文章选择三角函数，三角函数公式为 图 2 路基病害识别的卷积神经网络结构示意
通常情况下卷积神经网络分为4个部分。
（11） （1）输入层与输出层
输入层与输出层的功能与其名字相同，输入层
颜色直方图主要关注图像中颜色的分布，而不 主要负责将空间加权颜色直方图提取的浅层特征输
是颜色的绝对值。在不同的光照条件下，虽然颜色 入到网络中，输出层的作用则是将分类器判定的公
的亮度可能发生变化，但颜色的相对分布通常保持 路路基病害识别结果输出。
不变。因此，颜色直方图能够捕捉到图像中颜色的 （2）卷积层
统计特性，而不受光照变化的影响。在空间加权颜 卷积层的功能主要是进行特征提取 [15] ，处理一
色直方图中，通过使用不同区间可以捕获不同层次 张图像时，首先对图像的局部信息进行感知并深入
的图像特征，减少视角变化导致的图像特征变化。 操作，从而获取全局信息；然后采用卷积核对图像每
1.2.2 基于CNN的浅层特征融合的路基病害识别 个局部区域进行加权求和，卷积核的作用是提取图
卷积神经网络是在图像识别和处理时常用的一 像信息，一般情况下卷积核均为方形，在一个卷积层
种神经网络。文章采用CNN（卷积神经网络）进行 中具有多个卷积核，通过在图像上进行滑动扫描提
空间加权颜色直方图提取的浅层特征融合以及高速 取图像的特征，在完成一整个图像的扫描后形成的
公路路基病害识别 [13-14] 。 特征之和即为特征图，该过程便是卷积操作。
该网络包含了特征提取、融合以及病害识别部 卷积过程一般为两个步骤，将5 mm×5 mm的初
52
2025 年 第 47 卷 第 4 期
无损检测