基于改进Cascade_R...NN的探地雷达管线目标检测_来鹏飞.pdf

基于改进 Cascade R-CNN 的探地雷达管线目标检测来鹏飞,李伟,高尧,丁健刚,袁博,杨明(长安大学信息工程学院,西安710064)通信作者:高尧,E-mail:摘要:针对人工识别探地雷达管线图像时效率低、误差大和成本高昂等问题,本文提出了一种基于改进 CascadeR-CNN 的管线目标智能化检测方法.首先对探地雷达管线图像数据集进行预处理,提升数据质量.然后采用ResNeXt 代替 ResNet 作为主干网络提取目标特征信息,并添加多尺度特征融合模块 FPN 使高层特征向低层特征融合,增强低层特征表达能力.其次,使用高斯形式的非极大值抑制方法 Soft-NMS 得到更加精准的候选框,使用Smooth_L1 作为损失函数,加速了模型收敛并且降低了训练中发生梯度爆炸的概率.最后,对于管线目标特殊的形状特征,设置合适的锚框长宽比和大小,提高锚框的生成质量.实验结果表明,本文方法解决了复杂特征的地下管线目标智能化检测,对地下管线目标检测的平均精度达到 94.7%,比 CascadeR-CNN 方法提高了 10.1%.关键词:探地雷达;地下管线;深度学习;CascadeR-CNN;FPN;Soft-NMS;目标检测引用格式:来鹏飞,李伟,高尧,丁健刚,袁博,杨明.基于改进 CascadeR-CNN 的探地雷达管线目标检测.计算机系统应用,2023,32(2):102110.http:/www.c-s- Pipeline Target Detection Based on Improved Cascade R-CNNLAIPeng-Fei,LIWei,GAOYao,DINGJian-Gang,YUANBo,YANGMing(SchoolofInformationEngineering,ChanganUniversity,Xian710064,China)Abstract:Asmanualidentificationofground-penetratingradar(GPR)pipelineimagesfacestheproblemsoflowefficiency,largeerrors,andhighcosts,thisstudyproposesanintelligentpipelinetargetdetectionmethodbasedonimprovedCascadeR-CNN.First,theGPRpipelineimagedatasetispreprocessedtoimprovedataquality.ResNeXtisusedinsteadofResNetasthebackbonenetworktoextracttargetfeatureinformation,andamulti-scalefeaturefusionmoduleFPNisaddedtofusehigh-levelfeaturestolow-levelfeaturestoenhancetheexpressivenessoflow-levelfeatures.Secondly,theGaussiannon-maximumsuppression(NMS)methodSoft-NMSisusedtoobtainmoreaccuratecandidateboxes,andSmooth_L1istakenasthelossfunction,whichacceleratesmodelconvergenceandreducestheprobabilityofgradientexplosionduringtraining.Finally,forthespecialshapefeaturesofthepipelinetarget,theappropriateaspectratioandsizeoftheanchorboxesaresettoimprovethequalityofgeneratedanchorboxes.Theexperimentalresultsdemonstratethattheproposedmethodachievestheintelligentdetectionofundergroundpipelinetargetswithcomplexfeatures,andtheaverageaccuracyoftargetdetectionreaches94.7%,whichis10.1%higherthanthatoftheCascadeR-CNNmethod.Key words:ground-penetratingradar(GPR);undergroundpipeline;deeplearning;CascadeR-CNN;featurepyramidnetworks(FPN);Soft-NMS;objectdetection计算机系统应用ISSN1003-3254,CODENCSAOBNE-mail:ComputerSystems&Applications,2023,32(2):102110doi:10.15888/ki.csa.008945http:/www.c-s-中国科学院软件研究所版权所有.Tel:+86-10-62661041收稿时间:2022-07-04;修改时间:2022-08-09;采用时间:2022-08-18;csa 在线出版时间:2022-12-23CNKI 网络首发时间:2022-12-27102系统建设SystemConstruction城市地下管线是指城市范围内供水、燃气、电力、通信、工业等管线及其附属设施,是保障城市运行的重要基础设施和“生命线”.地下管线检测是进行管线施工抢修过程中的首要环节,只有清楚地掌握地下管线的位置信息,才能在施工过程中做到准确规划,高效作业,避免因为判断失误造成不必要的困难和经济损失1;并且随着国家城镇化快速推进,地下管线网络日趋复杂,急需建立可靠的地下管网系统2,因此对于地下管线的检测问题变得愈发重要.传统的管线检测是技术人员根据相关资料、现场勘测做出判断,使用钻芯取样方法进行验证,但是人工判断效率低、误差大,钻芯取样方法会对地下结构造成不可逆的破坏3.探地雷达是一种无损探测地下目标的手段4,与传统的地下目标探测方法相比,探地雷达具有操作简单方便、速度快、高分辨率等优点.对于探地雷达管线识别的研究已经有很多,Li 等5利于探地雷达管线图像的双曲线特征,计算管线图像对称度和相对区别度来确定管线特征.Liu 等6利用管线双曲线特征,对梯度图像细化找到双曲线顶点来拟合双曲线,上述利用管线图像的双曲线特征识别管线虽然比较简单直观,但是对于噪声干扰大的雷达图像识别难度较大.Pasolli等7将遗传算法应用于探地雷达图像,利用双曲线特征与分割后的原图进行匹配,寻找合适的参数提取管线特征,但是此方法对参数设置依赖较大.Delbo 等8应用模糊聚类和空间金字塔思想处理图像,使得提取探地雷达目标特征更加容易,但此方法会造成大量的冗余计算.近年来,深度学习凭借检测精度高,适应性强等优点使其在目标检测领域受到广泛关注.基于深度学习的单阶段检测算法以 SSD9、YOLOv310、RetinaNet11等为代表,单阶段网络虽然检测速度快,但是对于小的管线目标容易造成漏检.两阶段检测算法以 FasterR-CNN12、MaskR-CNN13、SPP-Net14为代表,两阶段检测算法检测精度高,更适合特征复杂的地下管线目标.现阶段对于使用深度学习解决探地雷达管线目标检测的研究较少,2020 年米宏涛15基于普通卷积神经网络实现了二维探地雷达图像地下管线的目标检测,模型对于正演模拟探地雷达数据集的最高检测率为99.225%,但是对于真实管线目标数据集的最高检测率仅有 69.5%,不能满足实际工程上高精度的检测要求.2020 年胡浩帮等16改进了 FasterR-CNN 模型对地下管线进行识别,实验发现改进后的 FasterR-CNN 模型对大的地下管线检测精度较高,但是作者对探地雷达图像进行裁剪得到的管线目标较大,缺少小的管线目标,导致模型的泛化能力不强.2022 年杨坤17从精度提高和网络结构轻量化两个方面对 YOLOv4 网络进行改进,改进后模型对地下管线的检测结果优于主流的YOLOv4 网络,但是算法的验证仅基于仿真数据集,并没有实际采集数据进行实验.2022 年胡浩帮等18提出了一种基于轻量化 MobileNet-SSD 网络的地下管线智能识别方法,模型使用轻量化 MobileNet 网络提取管线特征,牺牲了部分检测精度来换取模型的检测速度,导致模型的检测精度不高.为了解决上述问题,本文提出了一种改进 CascadeR-CNN 的探地雷达管线目标检测算法.主要贡献如下:1)采用 ResNeXt 代替 ResNet作为主干网络提取目标特征信息;2)添加多尺度特征融合模块 FPN 使高层特征向低层特征融合;3)使用高斯形式的非极大值抑制方法 Soft-NMS 得到更加精准的候选框;4)使用 Smooth_L1 作为损失函数;5)对于管线目标特殊的形状特征,设置对应的 anchors 锚框长宽比和大小;6)使用不同增益设置、镜像翻转和添加噪声等方法扩充数据集.1CascadeR-CNN 检测网络模型本文使用的 CascadeR-CNN 检测模型主要由主干网络、区域生成网络(regionproposalnetwork,RPN)、感兴趣区域池化(region-of-interestpooling,ROI-Pooling)和由多分类器 Softmax 与回归器组成的检测器 4 部分组成,具体网络结构如图 1 所示.首先,主干网络提取经过数据质量提升的管线数据集特征,然后RPN 网络生成大量锚框且通过 Softmax 分类器判断目标正负样本类别和边框回归器修正得到候选框,其次,将 RPN 生成的候选框投影在特征图上并得到相应的特征矩阵,通过 ROI 池化层将尺寸形状不同的特征矩阵归一化为固定大小的特征图.最后,将特征图再通过全连接层展平后从级联的检测器中判断目标类型,并得到检测框最终的精确定位.CascadeR-CNN 在 FasterR-CNN 基础上解决了交并比(intersectionoverunion,IoU)阈值设置的问题.CascadeR-CNN 由一组 IoU 不断增加的检测器级联组成,可以逐步提高对目标的预测效果.模型的 IoU 阈值设置为 0.5,0.6,0.7,首先锚框被送入 IoU=0.5 的检测2023年第32卷第2期http:/www.c-s-计 算 机 系 统 应 用SystemConstruction系统建设103模块中,选取锚框和真实标注框 IoU0.5 的锚框,使用边框回归 B1 调整边框位置,得到第一次目标分类评分和回归器修正后的候选框,接着将得到的候选框送入IoU=0.6 的检测模块中,如果计算得到的 IoU0.6,判定正确检测出目标,同时使用边框回归 B2 调整边框位置和计算第 2 次目标分类得分,最后输入到 IoU=0.7 的检测模块中得到最终边框位置和目标分类得分.图像输入主干网络RPN 区域生成Softmax0分类边框回归B0ROI-PoolingROI-PoolingROI-PoolingSoft-NMSRPN 区域生成Softmax1分类边框回归B1Soft-NMSRPN 区域生成Softmax2分类边框回归B2Soft-NMSRPN 区域生成Softmax3分类边框回归B3Soft-NMSIoU=0.5IoU=0.6IoU=0.7ResNeXt图 1CascadeR-CNN 网络结构2改进的 CascadeR-CNN 检测模型本文提出的基于改进 CascadeR-CNN 的探地雷达管线目标检测方法,主要由训练部分和验证部分构成.将训练集进行预处理后输入模型进行训练得到模型权重文件,使用权重文件对验证集进行检测,通过对比分析验证集的检测结果对模型不断进行改进