一种针对探地雷达数据的数据处理方法及系统与流程

本发明涉及交通领域，具体涉及一种针对探地雷达数据的数据处理方法及系统。

背景技术

在交通领域，通常使用探地雷达对道路进行勘测，从而确定道路状况。使用探地雷达设备采集数据后，获取的数据称为原始数据，需进行数据处理后，再进行图像解释工作，找到有病害的部位。数据处理的目的是压制规则的和随机的干扰信号，提高地质雷达图像分辨率，突出电磁波振幅、波形及其随时间、里程变化等有用的异常信息。

然而，在实际场景中，在路桥过渡段，即路基和桥梁的连接部位，由于路基部分和桥梁部分的原始波形的能量差异显著，导致滤波等算法进行处理后，出现水平干扰信号，可称为边界效应。近似于滑动平均时异常点对于正常点的干扰作用，这些干扰信号掩盖了该部位的真实信号。

技术实现要素：

本发明提供了一种针对探地雷达数据的数据处理方法，所述方法包括：

识别探地雷达数据中的桥梁数据；

将识别出的桥梁数据替换为其他数据，抑制数据衔接部分的能量差异；

对数据替换后的探地雷达数据进行去干扰处理，压制规则的和随机的干扰信号；

将被替换的所述桥梁数据还原到去干扰处理后的探地雷达数据中的原始位置上。

在一实施例中，将识别出的桥梁数据替换为其他数据，其中，将识别出的桥梁数据替换为路基数据。

在一实施例中，将识别出的桥梁数据替换为路基数据，其中，镜像复制所述桥梁数据左侧或右侧的相邻区域作为替换所述桥梁数据的路基数据。

在一实施例中，将识别出的桥梁数据替换为路基数据，其中，重复复制所述桥梁数据左侧或右侧边界相邻的1道或多道数据并组合作为替换所述桥梁数据的路基数据。

在一实施例中，将识别出的桥梁数据替换为路基数据，其中：

重复复制所述桥梁数据左侧或右侧边界相邻的1道或多道数据；

对复制的数据加微小随机扰动后组合作为替换所述桥梁数据的路基数据。

在一实施例中，当识别出的桥梁数据为不完整桥梁数据时，将被分割的桥梁数据拼接成完整的桥梁数据。

在一实施例中，在识别桥梁数据的过程中，确定桥梁数据的边界，确保识别出的桥梁数据不包含路基数据。

在一实施例中：

作为识别对象的探地雷达数据为图像格式；

识别所述探地雷达数据中的桥梁数据图像。

本发明还提出了一种存储介质，所述存储介质上存储有可实现本发明所述方法的程序代码。

本发明还提出了一种针对探地雷达数据的数据处理系统，所述系统包括：

桥梁识别模块，其配置为识别探地雷达数据中的桥梁数据；

数据替换模块，其配置为将识别出的桥梁数据替换为其他数据；

去干扰模块，其配置为对数据替换后的探地雷达数据进行去干扰处理，压制规则的和随机的干扰信号，

数据还原模块，其配置为将被替换的所述桥梁数据还原到去干扰处理后的探地雷达数据中的原始位置上。

相较于现有技术，根据本发明的方法及系统，可以有效消除路桥过渡段在信号处理过程中产生的水平干扰信号，从而为道路状况诊断提供可靠的数据支持。

本发明的其它特征或优点将在随后的说明书中阐述。并且，本发明的部分特征或优点将通过说明书而变得显而易见，或者通过实施本发明而被了解。本发明的目的和部分优点可通过在说明书、权利要求书以及附图中所特别指出的步骤来实现或获得。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：

图1和图2是现有技术去干扰处理前后的探地雷达数据图；

图3和图8是根据本发明不同实施例的方法流程图；

图4是根据本发明一实施例的方法的部分流程图；

图5～图7是根据本发明一实施例的方法的桥梁数据识别结果示意图；

图9是根据本发明一实施例的原始探地雷达数据图；

图10是根据本发明一实施例的数据替换后的探地雷达数据图；

图11是根据本发明一实施例的去干扰处理并数据还原后的探地雷达数据图；

图12是根据本发明一实施例的系统结构简图。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此本发明的实施人员可以充分理解本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程并依据上述实现过程具体实施本发明。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。

在交通领域，通常使用探地雷达对道路进行勘测，从而确定道路状况。使用探地雷达设备采集数据后，获取的数据称为原始数据，需进行数据处理后，再进行图像解释工作，找到有病害的部位。数据处理的目的是压制规则的和随机的干扰信号，提高地质雷达图像分辨率，突出电磁波振幅、波形及其随时间、里程变化等有用的异常信息。

然而，在实际场景中，在路桥过渡段，即路基和桥梁的连接部位，由于路基部分和桥梁部分的原始波形的能量差异显著，导致滤波等算法进行处理后，出现水平干扰信号，可称为边界效应。近似于滑动平均时异常点对于正常点的干扰作用，这些干扰信号掩盖了该部位的真实信号。

如图1以及图2所示，图1为原始数据。水平条纹区域即桥梁，两侧为路基部分。两个部分边界清晰，差异明显。图2为采用现有技术方法处理图1的原始数据后的数据。桥梁两侧的过渡段区域出现了明显的水平干扰信号。

针对上述问题，本发明提出了一种针对探地雷达数据的数据处理方法。在本发明的方法中，在对探地雷达数据进行去干扰的信号处理之前，首先将桥梁数据替换掉，从而从探地雷达数据中消除路基部分和桥梁部分的原始波形的显著的能量差异。之后再进行去干扰的信号处理，这样就能避免在去干扰的信号处理过程中产生水平干扰信号。在去干扰的信号处理之后，再将被替换的桥梁数据还原到原有位置上，这样，不仅保证了桥梁数据本身的原貌，又避免了在去干扰的信号处理过程中产生水平干扰信号影响桥梁数据与路基部分数据衔接处。

相较于现有技术，根据本发明的方法及系统，可以有效消除路桥过渡段在信号处理过程中产生的水平干扰信号，从而为道路状况诊断提供可靠的数据支持。

接下来基于附图详细描述根据本发明实施例的方法的详细流程，附图的流程图中示出的步骤可以在包含诸如一组计算机可执行指令的计算机系统中执行。虽然在流程图中示出了各步骤的逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

如图3所示，在一实施例中，方法包括：

识别探地雷达数据中的桥梁数据(s310)；

将识别出的桥梁数据替换为其他数据，抑制数据衔接部分的能量差异(s320)；

对数据替换后的探地雷达数据进行去干扰处理，压制规则的和随机的干扰信号(s330)；

将被替换的所述桥梁数据还原到去干扰处理后的探地雷达数据中的原始位置上(s340)。

具体的，在一实施例中，去干扰处理的目的是压制规则的和随机的干扰信号，提高地质雷达图像分辨率，突出电磁波振幅、波形及其随时间、里程变化等有用的异常信息。

具体的，在一实施例中，去干扰处理包括背景去噪、水平滤波、垂直带通滤波、增益。

在本发明的方法中，关键点之一在于准确、全面的识别探地雷达数据中的桥梁数据。如果识别过程中出现识别错误或是识别遗漏，势必直接影响到最终的信号处理效果。

在现有技术中，识别探地雷达数据中的桥梁数据通常采用人工标记的方式。由于雷达文件的数据量通常十分庞大，采用人工方式标记桥梁，不仅大大加大了工作量，而且遗漏桥梁的几率也很大。

为保证桥梁数据识别的准确性，避免出现识别遗漏，并进一步提高工作效率，在一实施例中，基于桥梁识别模型进行桥梁数据的自动识别，从而大大提高了识别效率，并避免了人工识别所存在桥梁识别遗漏的问题。

具体的，在一实施例中，采用深度学习的方法训练获取桥梁识别模型。

进一步的，考虑到图像识别的实现难度较低，因此，在一实施例中，作为识别对象的探地雷达数据为图像格式，识别探地雷达数据中的桥梁数据图像。

对应的，在一实施例中，以包含桥梁数据图像的历史探地雷达数据为学习样本集。

进一步的，考虑到原始的探地雷达数据的数据量比较庞大，一次性识别需要占用大量的内存以及数据处理资源。因此，在一实施例中，在识别前先将图像格式的探地雷达数据进行图像分割，获取多个探地雷达数据图像片段，之后分别针对每个探地雷达数据图像片段进行桥梁识别。

具体的，如图4所示，在一实施例中，识别桥梁数据的过程包括：

以包含桥梁数据图像的历史探地雷达数据为学习样本集，采用深度学习的方法训练桥梁识别模型(s410)；

获取待分析的探地雷达数据图像片段(s420)；

基于桥梁识别模型确定包含桥梁数据图像的探地雷达数据图像片段以及桥梁数据图像在探地雷达数据图像片段中的坐标(s430)。

具体的，在一实施例中，在步骤s420中，获取图像格式的待分析探地雷达数据，对待分析探地雷达数据进行图像分割，获取探地雷达数据图像片段。

进一步的，考虑到最终需要确定桥梁数据在整体道路数据中的位置，因此，在分割待分析探地雷达数据时，保存各个探地雷达数据图像片段在待分析探地雷达数据中的位置信息(各个探地雷达数据图像片段的前后衔接关系)。

进一步的，为了保证桥梁识别的准确率，在一实施例中，对学习样本集中的桥梁数据图像进行样本分类，从而训练获取分类识别桥梁数据图像的桥梁识别模型。

在实际应用场景中，探地雷达数据是连续采集得到的，每隔10km或30km自动保存一个文件，这就存在自动保存数据的位置恰好是桥梁位置的情况，也就是说，两个雷达文件的衔接处是桥梁。进一步的，为了方便数据整理以及保存，在某些应用场景中，会将数据量过大的探地雷达数据分割保存。1个雷达原始文件会分割为数十张或上百张图片，这就使得存在桥梁数据也被随之分割的情况。

历史探地雷达数据的分割导致学习样本集中的桥梁数据图像存在整体桥梁被分割的情况。虽然识别目标只有桥梁一种，但将所有的桥作为一个类别进行训练，被拆分的桥梁就会存在识别错误的情况。

因此，在一实施例中，根据桥梁数据图像对应的桥梁分割情况对学习样本集中的桥梁数据图像进行样本分类，训练获取分类识别桥梁数据图像的桥梁识别模型。

具体的，考虑到桥梁被分割通常是被分为两段分别从属于前后两个探地雷达数据。因此，在一实施例中，学习样本集中的桥梁数据图像分类包括：整体桥梁、左侧桥梁以及右侧桥梁。

进一步的，考虑到过长的桥梁很可能存在被分割为多段的情况。在一实施例中，学习样本集中的桥梁数据图像分类还包括：中段桥梁。

一般的，在实际应用场景中，由于进行探地雷达数据分割保存时，分割间隔不会短于桥梁长度，因此，在一实施例中，优选的，采用整体桥梁、左侧桥梁以及右侧桥梁的分类方法。

对应学习样本集中的桥梁数据图像分类方法所获取的分类识别桥梁数据图像的桥梁识别模型，其可以更准确的识别探地雷达数据图像片段中的桥梁数据图像。为了便于之后数据替换以及数据还原步骤的执行，在一实施例中，在识别桥梁数据的同时，还标记该桥梁数据从属于哪一种类型。

具体的，在一实施例中，如图5所示，矩形框中即为根据本发明的方法识别出的整体桥梁的桥梁数据图像；如图6所示，矩形框中即为根据本发明的方法识别出的左侧桥梁的桥梁数据图像；如图7所示，矩形框中即为根据本发明的方法识别出的右侧桥梁的桥梁数据图像。

具体的，在一实施例中，基于桥梁识别模型确定包含桥梁数据图像的探地雷达数据图像片段以及桥梁数据图像在探地雷达数据图像片段中的坐标，其中，标定识别出的桥梁数据图像所对应的桥梁数据图像类型。

进一步的，为了便于之后数据替换以及数据还原步骤的执行，在一实施例中，在识别出桥梁数据后，还对识别出桥梁数据进行修正。

具体的，在实际应用场景中，由于识别对象为分割探地雷达数据后获取的探地雷达数据图像片段，因此识别出的桥梁数据图像存在被分割的情况。而经过对桥梁数据的分析，被分割的桥梁数据图像会加大之后数据替换以及数据还原步骤的执行难度。

因此，在一实施例中，当识别出的桥梁数据为不完整桥梁数据时，将被分割的桥梁数据拼接成完整的桥梁数据。具体的，在一实施例中，基于识别出的桥梁数据图像所对应的桥梁数据图像类型以及包含桥梁数据图像的探地雷达数据图像片段在待分析探地雷达数据中的位置信息对非整体的桥梁数据图像进行拼接，获取完整桥梁数据图像。

进一步的，在实际应用场景中，识别出的桥梁数据图像是一个矩形，其水平方向边界一般会包含少量路基。而如果在数据替换步骤中连通路基数据一并替换势必影响到之后去干扰步骤的执行效果。

因此，在一实施例中，针对识别出的桥梁数据图像，还进行边界矫正。具体的，在识别桥梁数据的过程中，确定桥梁数据的边界，确保识别出的桥梁数据不包含路基数据。具体的，在一实施例中，对识别出的桥梁数据图像进行边界定位，去除水平方向边界所包含的路基数据。

进一步的，由于路基数据与桥梁数据在波形上是存在差别的，因此，在一实施例中，对识别出的桥梁数据图像进行边界定位，去除水平方向边界所包含的路基数据，其中，根据探地雷达数据的能量波形区别桥梁数据以及路基数据。

进一步的，在一实施例中，方法还包括，在识别出桥梁数据之后，根据桥梁数据在探地雷达数据中的里程与实际的里程进行回归计算，得出探地雷达数据的实际的起止里程。

进一步的，在本发明的方法中，关键点还在于在将识别出的桥梁数据替换为其他数据的过程中，如何抑制数据衔接部分的能量差异。针对这一问题，在一实施例中，将识别出的桥梁数据替换为路基数据。由于与桥梁数据衔接的数据就是路基数据，当将识别出的桥梁数据替换为路基数据后，路基数据与路基数据之间是不存在显著的能量差异的，因此就消除了数据衔接部分的显著能量差异，从而使得在之后的去干扰处理步骤中不会产生水平干扰波信号。

具体的，在一实施例中，镜像复制桥梁数据左侧或右侧的相邻区域作为替换该桥梁数据的路基数据。

具体的，在一实施例中，重复复制桥梁数据左侧或右侧边界相邻的1道或多道数据并组合作为替换该桥梁数据的路基数据。

具体的，在一实施例中，：

重复复制桥梁数据左侧或右侧边界相邻的1道或多道数据；

对复制的数据加微小随机扰动后组合作为替换该桥梁数据的路基数据。

需要指出的是，在本发明的实施例中，替换桥梁数据的数据并不限于路基数据，只要确保数据衔接部分不存在明显的能量差异，可以采用任何其他类型的数据进行数据替换。

进一步的，在本发明的实施例中，替换桥梁数据的路基数据的来源，也不仅限于本说明书所述的三种来源。

具体的，在一实施例中，本发明的方法流程如图8所示。

对历史探地雷达数据中的桥梁数据图像进行分类，基于其被分割的状态分为左侧桥梁、右侧桥梁以及整体桥梁。以分类后的历史探地雷达数据为学习样本集，建立分类样本库(s810)。

基于分类样本库，采用深度学习的方法进行模型训练(s811)；

获取可分类识别桥梁数据图像的桥梁识别模型(s812)；

获取待分析的探地雷达数据图像(原始文件)(s820)；

对待分析的探地雷达数据图像进行图像分割，获取探地雷达数据图像片段(s821)，其中，保存各个探地雷达数据图像片段在待分析探地雷达数据中的位置信息；

基于桥梁识别模型确定包含桥梁数据图像的探地雷达数据图像片段以及桥梁数据图像在探地雷达数据图像片段中的坐标(s830)；

对识别出的桥梁数据图像进行图像修正(s840)；

用路基数据替换桥梁数据(s850)；

对不包含桥梁数据的探地雷达数据进行去干扰处理(s860)；

将桥梁数据还原到进行过去干扰处理的探地雷达数据中(s870)。

在一实施例中，如图9、图10以及图11所示，图8为原始的探地雷达数据，图9为将方框部分的桥梁数据替换为路基数据后的探地雷达数据。图10为将图9所示数据进行去干扰处理后将方框中的桥梁数据复位后的探地雷达数据。如图10所示，通过数据替换-去干扰-数据还原的方式，路桥过渡段的真实信息可以呈现出来。

进一步的，在一实施例中，在进行桥梁数据识别之前，还对原始的探地雷达数据进行零线设定。

进一步的，在一实施例中，在将桥梁数据复位还原后，对探地雷达数据进行波形分析，实现病害解释。

进一步的，根据本发明的方法，本发明还提出了一种存储介质，该存储介质上存储有可实现如本发明所述方法的程序代码。

进一步的，根据本发明的方法，本发明还提出了一种针对探地雷达数据的桥梁数据识别系统。具体的，在一实施例中，如图12所示，系统包括：

桥梁识别模块111，其配置为识别探地雷达数据中的桥梁数据；

数据替换模块112，其配置为将识别出的桥梁数据替换为其他数据；

去干扰模块113，其配置为对数据替换后的探地雷达数据进行去干扰处理，压制规则的和随机的干扰信号，

数据还原模块114，其配置为将被替换的桥梁数据还原到去干扰处理后的探地雷达数据中的原始位置上。

进一步的，在一实施例中，桥梁识别模块包括：

识别模型库610，其配置为保存桥梁识别模型，桥梁识别模型采用深度学习的方法训练获取，其中，以历史探地雷达数据中的桥梁数据图像为训练所用的学习样本集；

数据输入模块620，其配置为获取待分析的探地雷达数据图像片段；

数据识别模块630，其配置为调用所述识别模型库中的桥梁识别模型，识别确定包含桥梁数据图像的探地雷达数据图像片段以及桥梁数据图像在探地雷达数据图像片段中的坐标。

进一步的，在一实施例中，桥梁识别模块还包括数据修正模块。数据修正模块配置为对数据识别模块识别出的桥梁数据图像进行边界修正和/或图片拼接。

综上，相较于现有技术，根据本发明的方法及系统，可以更加准确快速的从探地雷达数据中识别出桥梁数据，在避免遗漏桥梁的前提下大大提高工作效率，为道路状况诊断提供可靠的数据支持。

应该理解的是，本发明所公开的实施例不限于这里所公开的特定结构、处理步骤或材料，而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是，在此使用的术语仅用于描述特定实施例的目的，而并不意味着限制。

说明书中提到的“一实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一实施例”并不一定均指同一个实施例。

虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。本发明所述的方法还可有其他多种实施例。在不背离本发明实质的情况下，熟悉本领域的技术人员当可根据本发明做出各种相应的改变或变形，但这些相应的改变或变形都应属于本发明的权利要求的保护范围。