Page 84 - 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
基于以上超参数，对CNN超进行训练，训练过
程如下。
（1）数据预处理：归一化、标准化、数据增强，以
提高模型的训练效果。
（2）初始化模型参数：利用Xavier初始化网络的
权重和偏置。
（3）前向传播：将输入数据通过网络，从输入层
到输出层逐层计算输出。其包括卷积层、激活函数、
池化层和全连接层等。
（4）计算损失：使用损失函数计算模型输出与
真实标签之间的差异。
（5） 反向传播：根据损失函数的梯度，从输出层向
输入层反向传播误差，计算每个参数对损失的贡献。
（6）权重更新：根据反向传播得到的梯度更新
网络的权重和偏置。
（7）正则化：应用正则化技术Dropout以防止模
型过拟合，提高其对新数据的适应性。
（8） 超参数调整：根据模型在验证集上的表现，调
整超参数（如学习率、批大小、网络结构等），并重新训
练模型，使其对不同条件的变化具有一定的鲁棒性。
（9）重复迭代：重复上述步骤，直到达到预定的
迭代次数。
为了验证文章采用的卷积神经网络识别高速公
路路基坍塌病害的训练效率，与BP神经网络和RBF
神经网络进行对比，结果如图5所示。
1.0
CNN
0.8 BP
RBF
0.6
损失率
0.4
0.2
0 50 100 150
训练次数
图 5 不同网络的训练效果对比
分析图5可知BP神经网络在训练时，损失率呈
现出较大的波动，这反映出其训练过程的不稳定性。
相比之下，RBF网络的表现更为平稳，其损失率的
波动与BP网络相近，但显示出更高的稳定性。尽管
BP神经网络和RBF网络在经过250次训练后的损
失率逐渐接近，但文章提出的CNN网络在整个训练
过程中均展现出显著的优势。CNN网络的损失率不
54
2025 年 第 47 卷 第 4 期
无损检测
仅始终低于BP与RBF网络的，而且在训练后期几
乎不再产生波动，能够保持极低的损失率。这一特
点使得CNN网络在处理复杂问题时具有更高的准
确性和稳定性，为高速公路路基病变识别应用提供
了更为可靠的解决方案。
考虑到不同路段之间可能存在的地质条件、交
通负荷等因素的差异，通过归一化方法对收集到的
数据进行标准化处理，可以将不同路段的交通负荷
数据转化为相同的尺度。使用探地雷达采集所得图
像及其正演模拟图像如图6所示。
(a) 探地雷达图像 (b) 正演模拟图像
图 6 公路路基的探地雷达和正演模拟图像示意
通过图6可以看出，探地雷达获取的图像为典型
的公路路基病害图像，并且正演模拟图像也给出了
相同的结果，但是正演模拟图像的清晰度较差。因
此，将二者图像特征进行融合后能够有效提升单一
方法图像不清晰导致识别错误问题。
为了能够验证文章方法的实用性，在该高速公
路随机选取10段路基进行病害识别测试，结果如表1
所示。
表1 路基病害识别结果
路段编号 检测结果 实际结果
1 裂缝 裂缝
2 塌陷 塌陷
3 塌陷 塌陷
4 无 无
5 无 无
200 250 6 无 无
7 无 无
8 塌陷 塌陷
9 裂缝 裂缝
10 沉降 沉降
由表1可以清晰地看到文章所提方法在实际的
路段检测中展现出了卓越的性能，不仅能够准确地
检测出被测路段路基的各类病害，如裂缝、塌陷等，
而且准确率高。这充分证明了文章方法在实际应用
中的有效性和实用性。同时，这也说明了文章方法