1 引言
随着我国民航业的急速发展,机场建设、改造与维护的工作量将会随之急剧增大,如何无损的检测跑道质量,提高养护水平已成为急需解决的问题[1]。探地雷达是一种无损的探测地下目标的有效工具,其具有探测速度快、操作方便灵活、分辨率高等特点[2]。
将探地雷达应用于机场场道的监测,具有不同于一般路面监测的复杂性[3]。如由于飞机的机轮荷载、对道面的巨大冲击力、高温高速喷气流等使得极小的灾害目标都会对飞机造成损害,危及飞行安全;道面原始铺层数少但厚度大、路面下可能埋有下水管、电缆等管线增加了监测的难度及复杂性;为了加强机场道面的承载能力,机场道面的某些区域需要铺设钢筋进行加固,钢筋的强反射回波甚至多次反射后的回波都会湮没灾害目标的回波[4],这给钢筋加固区内的灾害目标监测带来更大的困难。
现有的探地雷达信息处理系统大多着重解决均匀层状结构的反演、常见目标的成像与识别等问题,很难适用于机场道面各个不同区域的数据解译,使得数据解译往往需要有工程经验的操作人员进行干预,而机场道面钢筋加固区的数据和图像解译、雷达成像等往往受钢筋回波的影响而更加困难。近年来,学者们利用探地雷达对钢筋进行检测,主要集中在检测钢筋本身,如钢筋的位置、直径等,而对钢筋附近灾害目标的监测研究较少。文献[5]通过FK滤波对钢筋下的空洞进行检测,但其没有抑制钢筋回波信息,只是利用成像方法对其回波进行聚焦,只适用于较大的缺陷目标。文献[6]利用水平方向滤波器,消除了钢筋干扰的影响,实现了空洞的检测,但其仍保留了部分钢筋信息,不适用于钢筋周围的灾害目标检测。文献[7]利用Curvelet变换滤除钢筋回波信息,实现了裂隙水层的检测,但其变换过程中需要人工干预。文献[8]利用Hyp-curvelet变换对钢筋回波进行抑制,但没有对灾害目标进行检测与识别。
机场场道结构的特殊性使得现有的一般路面的探地雷达数据处理方法及信息处理系统不能直接照搬应用于机场道面的质量监测。本文根据机场场道的特点,提出了一种适用于机场场道钢筋加固区的探地雷达信息处理算法及流程,并基于C#研制了探地雷达信息处理系统,实现了数据预处理、地下结构反演、目标检测与识别、脱空层厚度估计、目标成像、数据批处理及综合数据显示等模块,为机场道面的无损探伤提供一个快速、准确和有效的工具。文中重点介绍了钢筋干扰下的灾害目标检测、识别与成像算法,利用Hyp-curvelet变换及WRELAX时延估计搜索局部峰值进行目标检测及钢筋抑制,结合Wigner时频分析及最小距离分类器进行目标识别,通过频域波数域的波场逆推进行目标成像,适用于钢筋加固区内道面下多层媒质的情况。
2 雷达数据采集模型
探地雷达采集数据主要包括收发天线直接耦合波、各层媒质表面反射回波及媒质内的目标反射回波,雷达采集形式如图1所示。其中,收发天线直接耦合波、各层媒质表面反射回波是我们不需要的背景回波分量。媒质内的目标反射回波是我们需要提取并进行后续数据处理的回波分量。
图1 GPR数据采集形式
Fig.1 Data acquisition method of GPR
3 系统构建与业务流程
场道钢筋加固区的探地雷达信息处理系统主要包括:数据预处理、地下结构反演、目标检测与识别、脱空层厚度估计、目标成像、数据批处理及综合数据显示七个模块, 其系统组成如图2所示。其中,数据预处理、地下结构反演、目标检测与识别、脱空层厚度估计、目标成像是信息处理系统的核心;数据批处理模块可以对大量采集数据进行批处理,生成批处理报告,方便工作人员对待维修场道进行整体预估。
图2 系统组成框图
Fig.2 System composition block diagram
场道钢筋加固区的探地雷达数据处理业务流程如图3所示。
(1)系统根据接收的雷达采集数据进行雷达参数设置,操作人员可以选择人工手动信息处理或自动数据批处理。
(2)若选择自动数据批处理,系统会无间断的自动对采集数据进行信息处理并生成检测报告。
(3)若选择人工手动信息处理,系统会根据操作人员的需求分步骤的进行信息处理。首先根据采集数据进行地下结构反演,得到采集区域地下介质的介电常数、电导率及每层介质的厚度,为后续的信息处理提供数据支持。
(4)系统可以对背景回波进行检测,若存在背景回波则需要对其进行抑制,滤除背景回波后进行灾害目标检测,得到灾害目标个数及位置信息。
(5)灾害目标检测后需要进行灾害目标识别,若识别结果存在钢筋则需要对钢筋回波进行抑制后重新进行灾害目标检测及识别;若识别结果存在脱空则可以选择对脱空厚度进行估计。完成目标识别后系统显示灾害目标的种类、个数及位置信息。
(6)系统的最后一步是进行灾害目标成像,将雷达接收的类似双曲线的回波进行聚焦,使操作人员可以直观、形象的得到灾害目标的形状、位置及个数。
图3 数据处理业务流程
Fig.3 Operation flow of data processing
4 系统总体构架与功能设计
4.1 总体设计
系统总体框架由配置文件、基础支持服务、业务逻辑层及表现层组成[9]。场道钢筋加固区的探地雷达信息处理系统框架如图4所示。
(1)配置文件:配置文件用于配置参数的存储及维护,主要包括雷达系统参数配置信息及场道结构参数配置信息。其中,雷达系统参数配置信息包括收发天线距地面高度、收发天线间距、空间采样间距、时间采样频率、发射脉冲中心频率以及采样时窗等;场道结构参数配置信息包括地下各层介电常数、电导率及厚度等,系统提供两种场道结构参数
图4 系统框架
Fig.4 System framework
设置方式:一种是对于场道结构已知的情况,可以人为的配置相关参数;另一种是对于场道结构未知的情况,可以通过场道结构反演算法来得到。
(2)基础支持服务:基础支持服务提供了系统所需的各种模型及数据处理方法,包括雷达接收数据模型、地下结构反演模型、灾害目标识别模型、地下结构反演方法、灾害目标检测方法、背景回波抑制方法、灾害目标识别方法、钢筋回波抑制方法、脱空厚度估计方法、灾害目标成像方法。
(3)业务逻辑层:业务逻辑层为场道钢筋加固区的探地雷达信息处理系统制定了基本的功能操作。系统定义了一些基本操作,包括参数设置、地下结构反演、灾害目标检测、背景回波抑制、灾害目标识别、钢筋回波抑制、脱空厚度估计、灾害目标成像、数据批处理、检测报告生成。
(4)前端表现层:场道钢筋加固区的探地雷达信息处理系统将输出地下结构反演数据、灾害目标检测数据、灾害目标识别数据、脱空厚度估计数据、灾害目标成像结果及批处理数据,执行结果可在雷达信息处理终端显示。
4.2 功能设计
针对上述总体设计,场道钢筋加固区的探地雷达信息处理系统包括以下几个功能:
(1)参数设置模块。该模块可以对雷达系统参数及场道结构参数进行初始设置。
(2)地下结构反演模块。该模块可以根据采集数据对地下结构的介电常数、电导率、层数及各层厚度等参数进行反演。
(3)灾害目标检测模块。该模块可以对场道下的灾害目标进行检测,检测是否存在背景回波并给出灾害目标的个数及位置信息,为灾害目标识别奠定基础。
(4)背景回波抑制模块。该模块可以对采集数据的背景回波进行抑制,去除地下多层媒质交界面的反射回波对灾害目标检测及识别的影响。
(5)灾害目标识别模块。该模块可以对灾害目标进行识别,判别灾害目标的种类。
(6)钢筋回波抑制模块。该模块可以对钢筋的强反射回波进行抑制,去除其对灾害目标识别及成像的影响。
(7)脱空厚度估计模块。该模块可以对脱空的厚度进行估计,方便施工人员进行后续维修。
(8)灾害目标成像模块。该模块可以对灾害目标进行成像,将雷达接收的类似双曲线的回波进行聚焦,使操作人员可以直观、形象的得到灾害目标的形状、位置及个数。
(9)数据批处理模块。该模块可以对大量采集数据自动进行信息处理并生成检测报告。
5 系统核心模块算法及流程
钢筋干扰下的灾害目标检测、识别与成像是本文系统的核心模块,雷达接收的空时二维B-Scan数据中,目标的回波呈现双曲线特征,无法有效判别目标的具体位置及类别。目标检测是将雷达接收B-Scan回波数据进行算法解译,检测是否存在目标,确定目标的位置;目标识别是通过识别算法确定灾害目标的类别,减小目标检测的虚警率,排除钢筋等非灾害目标;根据目标识别的结果,若场道下存在钢筋,需要先进行钢筋回波抑制,抑制后的数据重新进行目标检测与识别,确定目标信息;为了便于技术人员的操作,将目标识别后的数据进行成像,使接收双曲线回波聚焦。钢筋干扰下的灾害目标检测、识别与成像算法流程如图5所示。
图5 钢筋干扰下的灾害目标检测、识别与成像算法流程
Fig.5 The algorithm process of disaster target detection, recognition and imaging in Rebar-reinforced Zone
本模块充分考虑雷达目标回波的双曲线特征,通过Hyp-curvelet分解[8]将空时域数据投影到另一个尺度空间下,使双曲线在该尺度空间下汇聚成点,可以表示为:
Wγ(b)=ψa*Rhype(τ,b)
(1)
其中,Rhype(τ,b)为双曲线Radon变换;“*”为卷积运算;e为GPR采集的数据;ψγ为Hyp-curvelet小波,综合考虑探地雷达发射天线及接收数据特点可定义为:
(2)
其中at和ax为时间和空间上的尺度参数;bt和bx为时间和空间上的位移参数;a0为空间方向衰减因子;τ0为一个正常数。
尺度空间下的局部峰值即代表时空域中双曲线顶点的位置,因此能得到目标的横向位置以及当天线处于目标正上方时目标反射回波在介质中传播的双程时延。因此,目标所处的深度d为:
(3)
其中t为尺度空间中的局部峰值在时间维的坐标;ν为电磁波在介质中传播的速度;c为电磁波在真空中传播的速度;ε为地下介质的介电常数。
当天线为收发分置时,目标所处的深度d需要减去收发天线间距所产生的时延,即为:
(4)
其中l为收发天线之间的间距。
由于机场场道为地下多层媒质,不同媒质的介电常数及传播速度均不同,因此目标所处的深度d无法直接用式(4)表示,需要对电磁波在地下多层媒质的传播时延进行WRELAX估计[10],得到每层媒质中的电磁波传播时间,最终得到多层媒质中的目标深度d为:
(5)
其中,K为目标所位于的层数。
由目标检测阶段得到的结果提取目标A-Scan回波数据进行识别,利用Wigner变换[11]将回波数据变换到时频域,在时频域上定义Wigner分布的时间方差
和频率方差
(6)
(7)
其中WD为Wigner变换;E为目标回波在时频域内的总能量,其表示为:
(8)
在机场场道的结构下,对灾害目标进行了大量仿真,并构建了训练样本的特征空间。利用最小距离分类,定义待识别的目标与各类目标在特征空间中的距离为:
(9)
其中选取特征向量
为第i类目标特征向量的均值,即为目标的类中心,X为待识别目标的特征向量,
为第i类目标的特征协方差矩阵,p为总目标类别数。因此定义判别函数为:
(10)
将待识别的目标归于与其最接近的一类。
根据目标识别的结果,若道面下存在钢筋,需要先进行钢筋回波抑制。首先利用Hyp-curvelet变换将B-scan数据在多个尺度下分解,如公式(1)和(2)所示,所有尺度空间下各个目标的回波聚焦成点且各自分离。将Wigner时频分析方法与最小距离分类器结合,识别出钢筋回波分量,在各个尺度空间中滤除钢筋回波分量,根据框架理论[12]将数据反变换到时空域,得到钢筋抑制后的B-scan数据,将该数据重新进行目标检测与识别。
若目标识别后仅存在灾害目标,需对识别后的数据进行成像。本模块利用爆炸反射模型对目标反射波场进行逆推。
深度z=0处的波场为e(x,z=0,t),考虑多层介质情形,即电磁波在传播过程中存在速度变化,则波动方程可写为:
(11)
对式(11)进行有关x和t的二维傅里叶变换,将空时域数据变换为频域-波数域:
(12)
又因为
(13)
只考虑上行波,解得:
E(kx,z,ω)=E(kx,z=0,ω)eikzz
(14)
则E(kx,z,ω)和E(kx,z=0,ω)在相位上有如下关系:
(15)
因为
则
=E(kx,z,ω)eikz(z)·Δz
(16)
综上可以得到各个深度z的波场E(kx,z,ω)的递推表示式,求各个E(kx,z,ω)关于kx和ω的逆傅里叶变换得到e(x,z,t),令t=0,最后可得到雷达成像结果e(x,z,t=0)。
综上所述,钢筋干扰下的灾害目标检测、识别与成像模块的数据处理流程如图6所示。
图6 数据处理流程图
Fig.6 The flow chart of data processing
6 系统运行实例
本实验中所有数据均由GPRMAX[13]高保真仿真软件产生,采用双基地探地雷达,发射信号为ricker波脉冲形式,中心频率为1000 MHz,天线距地面高度0.04 m,天线间距0.1 m,采集数据时间窗为12 ns。仿真模型为一般机场场道的面层和上基层,层厚分别为0.34 m,0.2 m,介电常数依次为9,12。
实验1:本实验中所采用的机场道面仿真数据中含有四根钢筋,一条裂缝,钢筋分布在场道面层中距地表面17 cm处,钢筋间距为50 cm,裂缝长25 cm,宽7 mm。
场道钢筋加固区的探地雷达信息处理系统的操作界面如图7所示,图中显示为雷达接收数据的导入结果,可以看出背景回波的能量远远大于目标回波能量,甚至钢筋回波能量,所以首先需要进行背景回波抑制。图8为背景回波抑制后的灾害目标检测结果。由于钢筋回波形成的局部峰值远远高于灾害目标回波,所以只检测到四个灾害目标,其位置及深度显示在右侧的提示栏中。
图7 系统操作界面
Fig.7 System operating interface
图8 灾害目标检测结果
Fig.8 The result of disaster target detection
图9 灾害目标识别结果
Fig.9 The result of disaster target recognition
图10 钢筋抑制后的灾害目标检测与识别结果
Fig.10 The result of disaster target detection and recognition after rebar echo suppression
为了进一步确定目标属性,需要进行目标识别。目标识别结果如图9所示,系统识别出钢筋的存在,弹出对话框提示“存在钢筋,请先抑制钢筋回波再检测”。图10为钢筋回波抑制后对数据重新进行灾害目标检测与识别的结果,提示栏显示灾害目标的位置及类别。图11为对裂缝成像的结果,将雷达接收回波的双曲线进行聚焦,还原裂缝在场道下的形状及位置信息。
图11 灾害目标成像结果
Fig.11 The result of disaster target imaging
实验2:本系统可以对雷达采集的场道下的大面积数据进行批处理,减少操作人员的工作量,提高数据解译效率并输出批处理报告,便于机场场道的施工与维修。本实验中所采用的机场道面仿真数据中含有三条裂缝,两个小气孔,一个气脱空,共采集1000道数据。
图12(a)～(d)为采集数据批处理的操作向导,共分为四步,分别为数据导入、雷达系统参数设置、场道结构参数设置及批处理报告设置。
图12 数据批处理操作向导
Fig.12 Operation Wizard of data batch processing
将需要批处理的数据按雷达采集道数进行分块,每块数据分别进行数据解译,如图13(a)～(e)所示为系统自动进行数据批处理的过程。图13(a)为第一块数据进行目标检测与识别的过程,已识别结果显示在图13(b)右侧的提示栏中,系统对第一块数据解译后会自动对后面的数据进行解译并显示之前数据的解译结果。图13(b)为对第二块数据进行数据解译的过程,识别出脱空灾害,并对脱空厚度进行估计,结果显示在图13(c)右侧的提示栏中,提示栏中显示在脱空区域还存在1个小气孔,该小气孔的存在可能是由于脱空的多次反射回波叠加的结果,系统根据雷达回波特征识别为小气孔。图13(c)及(d)分别为对第三块、第四块数据进行数据解译的过程,结果显示在提示栏中。每块数据解译后系统会自动对灾害目标进行成像,并输出成像结果。图13(e)为对第四块数据成像的结果,此时系统批处理完成并弹出对话框显示“处理完毕”,数据中所有灾害目标的信息同时显示在提示栏中。图14为系统自动生成的批处理报告,报告的内容可以由操作人员按需求添加。
图13 数据批处理过程
Fig.13 Data batch processing
图14 批处理报告
Fig.14 The report of data batch processing
7 结论
本文根据机场场道结构的特点,充分考虑场道内钢筋加固区的复杂性,提出了一种适用于机场场道钢筋加固区的探地雷达信息处理算法及流程,并基于C#研制了探地雷达信息处理系统,为机场道面的无损探伤提供一个快速、准确和有效的工具。该系统实现了数据预处理、地下结构反演、目标检测与识别、脱空层厚度估计、目标成像、数据批处理及综合数据显示等模块,其中数据批处理模块可以自动对采集的大量数据进行信息处理并生成检测报告,减少操作人员的工作量,提高数据解译效率。文中重点介绍了钢筋干扰下的灾害目标检测、识别与成像算法,利用Hyp-curvelet变换及WRELAX时延估计搜索局部峰值进行目标检测及钢筋回波抑制,结合Wigner时频分析及最小距离分类器进行目标识别,通过频域波数域的波场逆推进行目标成像,适用于钢筋加固区内道面下多层媒质的情况。
[1] 何炜琨, 吴仁彪, 刘家学. 基于探地雷达的机场场道脱空层检测及厚度估计[J]. 信号处理, 2011, 27(10): 1547-1551.
He Weikun, Wu Renbiao, Liu Jiaxue. Void-layer Detection and Depth Determination in Runways based on GPR[J]. Signal Processing, 2011, 27(10): 1547-1551.(in Chinese)
[2] 旺瑞, 欧阳缮, 周丽军. 超宽带探地雷达多目标压缩感知成像研究[J]. 微波学报, 2017, 33(5): 50-54.
Wang Rui, Ouyang Shan, Zhou Lijun. Research on Ultra Wideband Ground Penetrating Radar Multiple Targets Compressive Sensing Imaging[J]. Journal of Microwaves, 2017, 33(5): 50-54.(in Chinese)
[3] 孙强. 基于探地雷达的机场跑道检测信号处理技术研究[D]. 沈阳: 沈阳航空航天大学, 2014.
Sun Qiang. Signal Processing Technology Research with Detection of Airport Runway based on GPR[D]. Shenyang: Shenyang Aerospace University, 2014.(in Chinese)
[4] 曹芸茜, 吴仁彪, 何炜琨. 场道钢筋加固区的灾害目标检测[J]. 信号处理, 2018, 34(2): 127-133.
Cao Yunqian, Wu Renbiao, He Weikun. Disaster Detection for Rebar-reinforced Zone in Runways[J]. Journal of Signal Processing, 2018, 34(2): 127-133.(in Chinese)
[5] 张宪政. 混凝土质量检测的探地雷达方法技术研究与应用[D]. 四川: 成都理工大学, 2016.
Zhang Xianzheng. The Research and Application of Ground Penetrating Radar in Concrete Quality Inspection[D]. Sichuan: Chengdu University of Technology, 2016.(in Chinese)
[6] 杨勇. 基于探地雷达的高速铁路无砟轨道层间病害识别方法研究[D]. 北京: 北京交通大学, 2017.
Yang Yong. Identification on interlayer disease of ballastless track in high-speed railway based on GPR[D]. Beijing: Beijing Jiaotong University, 2017.(in Chinese)
[7] 朱自强, 朱贺, 鲁光银, 等. 基于Curvelet变换的隧道裂隙水GPR数据处理研究[J]. 物探化探计算技术, 2014, 36(5): 571-576.
Zhu Ziqiang, Zhu He, Lu Guangyin, et al. Research on GPR Data Processing of Tunnel Fracture Water Based on Curvelet Transform[J]. Computing Techniques for Geophysical and Geochemical Exploration, 2014, 36(5): 571-576.(in Chinese)
[8] 钟羽中, 吴仁彪, 刘家学. 基于GPR的机场跑道钢筋回波检测与抑制[J]. 信号处理, 2011, 27(10): 1510-1514.
Zhong Yuzhong, Wu Renbiao, Liu Jiaxue. Rebar Echo Detection and Suppression in Runway using GPR[J]. Signal Processing, 2011, 27(10): 1510-1514.(in Chinese)
[9] 王鹏, 王晓亮, 张喆, 等. 基于存储过程的通航飞行数据处理系统[J]. 计算机工程与设计, 2015, 36(4): 1084-1089.
Wang Peng, Wang Xiaoliang, Zhang Zhe, et al. General Aviation Flight Data Processing System based on Stored Procedure[J]. Computer Engineering and Design, 2015, 36(4): 1084-1089.(in Chinese)
[10] Wu Renbiao, Cao Yunqian, Liu Jiaxue. Multilayered Diffraction Tomography Algorithm for Ground Penetrating Radar[C]∥IEEE 10th International Conference on Signal Processing Proceedings, 2010: 2129-2132.
[11] Wang Yuqing, Peng Zhenming, Wang Xiaoyang, et al. Matching Pursuit-Based Sliced Wigner Higher Order Spectral Analysis for Seismic Signals[J]. IEEE Geoscience & Remote Sensing Society, 2017, 10(8): 3821-3828.
[12] 钟羽中. 基于探地雷达的机场场道灾害目标检测与识别[D]. 天津: 中国民航大学, 2012.
Zhong Yuzhong. Disaster Detection and Discrimination of Airport Runway using GPR[D]. Tianjin: Civil Aviation University of China, 2012.(in Chinese)
[13] GprMax2.0[OL]. http:∥www.gprmax.org.
