一种桥梁钢筋的雷达智能识别方法

1.一种桥梁钢筋的雷达智能识别方法，其特征在于，包括以下步骤：S1、通过调节钢筋直径、保护层厚度、钢筋间距，改变桥梁结构的介电常数和电导率，通过正演获取其响应特征；S2、收集已有桥梁钢筋探地雷达响应典型图谱，系统梳理响应特征，构建样本数据集；S3、为二维介电模型划分网格，所述二维介电模型包含不同直径、不同埋深的钢筋；设计混凝土中不同直径、不同埋深及不同位置的钢筋介电模型，通过时域有限差分法正演计算，获得样本数据对的数据集；每个样本数据对均由介电模型和相应的探地雷达数据组成；通过双线性插值使探地雷达数据与模型数据同大小；S4、基于全卷积神经网络的M-Net架构为骨干网络设计桥梁钢筋的雷达智能识别网络，使用Keras构建雷达智能识别网络模型框架，采用tensorflow作为后端；S5、对雷达智能识别网络进行训练与优化，将样本数据库随机分为训练数据，测试数据和验证数据，在训练过程中，所有输入和输出值均被标准化为[0，1]的范围，在每次训练之后进行验证；S6、对物理模型实测探地雷达数据进行反演，验证钢筋位置、介电常数和直径与真实情况是否相符；雷达智能识别网络包括探地雷达桥梁钢筋多尺度输入模块、编码模块、金字塔卷积模块、解码模块和多尺度输出模块；探地雷达桥梁钢筋多尺度输入模块用于构建数据金字塔输入，并实现不同层级感受野融合；其使用平均池化层自然地对雷达数据进行降采样，并在编码器路径中构造多尺度输入；步骤S4中，在M-net测输入层的基础之上，加入了金字塔型卷积层，将多尺度输入集成到编码模块中，避免参数的大幅度增长，增加编码模块路径的网络宽度，增加雷达智能识别网络的泛化性；编码模块包括8个卷积层、3个池化层；所述卷积层负责获取探地雷达桥梁钢筋数据局域特征，所述池化层对数据进行下采样并且将尺度不变特征传送到下一层；为保障网络学习性能稳定的情况下提升网络的学习速度，在卷积层后加入批量归一化算法，通过激活函数解决网络训练时存在梯度消失和收敛速度问题；金字塔卷积模块在编码阶段结束后，将特征图进行金字塔卷积操作，金字塔卷积模块包含不同尺度的卷积核，能够提取多尺度信息，提高探地雷达桥梁钢筋识别效果；解码模块对缩小后的特征图像进行上采样，然后进行卷积处理，从而完善异常体的几何形状，弥补之前操作造成的细节损失；多尺度输出模块为早期的层生成一个相应的局部输出映射；将多个局部输出映射的平均值作为最终输出；从而实现深层监控，能够缓解梯度消失问题，有助于早期层的训练。