Page 83 - 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

始图像利用3 mm×3 mm的卷积核进行卷积，其卷积 （4）全连接层
操作如图3所示。 全连接层一般位于最后一个池化层之后，该层
接收经过最后一层池化操作的特征并进行分类，分
1 1 1 1 1
类为
-1 0 -3 0 1 卷积符号 n
1 0 0 o p  o ω （13）
l
l
-1
2 1 1 -1 0 = p p + b
× 0 0 0 p =0
0 -1 1 2 1
l
0 0 -1 式中：b为偏置项； ω 为节点连接权重； o 为节点p
p
p
1 2 1 1 1
卷积核 在l层的输出值。
图像数据
在全连接层完成分类后，再使用分类器对数据进
行处理得到最终的路基病害概率，文章使用softmax
0 -2 -1
分类器进行分类，softmax函数公式为
2 2 4
y p
-1 0 0 soft max(y p )= e y （14）
n
卷积输出 q  =1 e p
图 3 卷积操作示意
式中：y 为第p个节点的输出值。
p
卷积过程的计算公式为 通过分类器分类后输出路基病害识别结果，与输
入数据结果进行对比，若结果不相同则使用损失函数
（12） 对卷积神经网络中的参数进行修正，结合反向传播过
程和softmax损失函数，改进传统逻辑回归模型函数，
为通过卷积核提取
p
式中： ω ， q 为卷积核的权重；y ，n 传统逻辑回归模型函数的公式为
m
到的特征图在m行n列的特征值； x m-1+p，n-1+q 为输
fx 1 （15）
( )=
入探地雷达图和正演模拟图的特征图在(m-1+p) θ -θ T x
1+e
行(n-1+q)列的像素值。
θ
θ
T
式中：x为特征向量； θ 为参数θ 的矩阵转置。
（3）池化层
该层的主要作用是降低特征图的维度，以有效 该函数的损失函数为
θ
减少过拟合现象的发生。在卷积神经网络中，随着 m J ( )=


网络层数的增加，卷积层中的卷积核总数也会相应   -y p lg hx p  ) -(1-y p )lg 1- (hx p  )    θ
(


 

 θ
增加，因此就需要进行池化处理。池化层的核心便 - p =1
m
是空间卷积核大小以及卷积的步长达到减小特征图 （16）
尺寸的目的，常用的池化方法有3种，分别是最大池 式中：h 为参数θ 的加权修正结果。
θ
θ θ
化、平均池化以及随机池化，池化操作如图4所示。 由于该损失函数仅为二分类损失函数，因此不
适用于多分类问题，因此对该损失函数进行相应改
3 5 5 1
进，得到适用的softmax损失函数。
6 4 3 3
2 试验分析
1 7 5 3
2.1 试验对象
4 2 4 2
选择某市高速公路路段进行测试，该高速公路
最大 平均 处于交通枢纽位置，车流量大，笔者布置探地雷达对
池化 池化
该路段进行质量检测。
2.2 试验数据
CNN超参数的选择如下：学习率为0.05；批大小
6 5 4.5 3
为32；网络结构中卷积层的数量为4层，每层的卷积核
7 5 3.5 3.5
大小为3×3； 全连接层的数量为2；激活函数为ReLU；
图 4 池化操作示意 损失函数为softmax损失函数； 迭代次数为250。
53
2025 年 第 47 卷 第 4 期
无损检测