《Journal of Applied Geophysics》：LMEA-Net-based automatic road cavity identification from GPR B-scan profiles via integrated adaptive domain adaptation
编辑推荐：
•基于LMEA-Net的跨域探地雷达空洞检测方法。•自适应特征对齐提升了跨多域的检测性能。•MAFR模块增强了多尺度特征提取与定位能力。•渐进式训练策略减少了探地雷达数据中的域差异。•在模拟数据、实验台架数据和现场数据集上均提升了检测精度。引言随着城市基础设施持续老化，地下空
- •
基于LMEA-Net的跨域探地雷达空洞检测方法。
- •
自适应特征对齐提升了跨多域的检测性能。
- •
MAFR模块增强了多尺度特征提取与定位能力。
- •
渐进式训练策略减少了探地雷达数据中的域差异。
- •
在模拟数据、实验台架数据和现场数据集上均提升了检测精度。
引言
随着城市基础设施持续老化，地下空间开发强度增大，地质条件日趋复杂，由道路空洞引发的地质灾害也日益频繁（Liu等，2024）。道路空洞通常属于隐蔽的地下缺陷，而当前的检测实践在很大程度上仍依赖人工巡检。因此，此类隐患往往无法被及时识别和处理，对城市交通安全、公共基础设施稳定性及周边地质环境构成严重威胁。因此，快速准确地识别城市道路空洞已成为现代基础设施检测与风险防控中的关键问题。探地雷达（GPR）是一种无损电磁技术（Benson，1995），可提供高分辨率成像，凭借强大的穿透能力，被广泛应用于城市道路地下缺陷的检测（Li等，2023；Solla等，2021）。然而，探地雷达信号本身噪声较大，且真实空洞样本获取困难，这意味着在探地雷达B扫描剖面上进行空洞识别仍然高度依赖人工判读——这是一个效率低下、容易产生虚警和漏检的过程（Niu等，2024；Wang等，2024；Yang等，2024）。近年来，基于深度学习的目标检测方法在自然图像识别领域取得了显著成功，也已被应用于探地雷达B扫描剖面的分析中（Huang等，2024；Lei等，2019；Liu等，2021）。
现有的检测方法通常采用YOLO系列（Abdelmawla等，2023；Yang等，2022；Zhang等，2022a；Zhang等，2022b）、Faster R-CNN（Lei等，2019）、SSD（Liu等，2020）和CenterNet等通用目标检测架构，这些方法具有强大的特征提取和端到端预测能力。虽然它们已被广泛应用于自然图像和遥感图像，但近年来也逐渐被改造应用于探地雷达B扫描剖面中的空洞检测（Hou等，2021；Huang等，2020；Luo等，2024）。然而，探地雷达B扫描剖面是一种二维回波图像，其特征表现为低对比度、纹理微弱、目标形状不规则、背景噪声高以及信号重叠。通用检测模型并非针对这些独特的物理特征而设计，往往忽视了时域波形特征和低信噪比回波。因此，它们在泛化方面表现不佳，且对目标形状、深度和环境噪声高度敏感，在实际应用中频繁出现虚警和漏检（Giannini等，2025；Orlando，2013）。为了提高检测精度，一些研究人员对传统模型进行了改进，融入了探地雷达的特定特征，在合成数据集或受控实验条件下取得了更好的性能（Li等，2022；Mi等，2020）。尽管如此，该研究领域仍处于起步阶段，仅有少数研究对探地雷达系统的物理成像机制进行了严格建模或验证（Kang等，2022）。空洞样本的稀缺性构成了另一主要挑战（Huang等，2022；Li等，2024；Wang等，2023）。由于在城市环境中获取真实的地下空洞数据非常困难，现有的大部分探地雷达数据集规模较小且仅包含少量真实样本。这一局限性阻碍了深度网络学习复杂分布模式的能力，降低了整体性能（Elseicy等，2024；Jiang等，2024），最终导致在多类别检测和边界回归任务中出现过拟合或泛化能力差的问题。
为应对上述挑战，本研究提出了一种局部多尺度增强注意力网络（LMEA-Net），用于道路空洞检测。该架构将自适应域自适应策略与多尺度注意力机制相结合。自适应线性加权融合模块实现了源域与目标域之间的特征分布对齐，减少了多源探地雷达B扫描剖面之间的差异。为应对样本稀缺问题，模拟数据和实验数据对现场实测数据进行了补充，从而扩大了数据集的规模和多样性。在模型设计方面，多尺度自适应特征细化（MAFR）模块融合了跨尺度的语义信息，增强了在复杂B扫描剖面中检测不同大小空洞目标的能力。此外，引入多通道注意力（MCA）机制以提高模型关注空洞显著特征的能力，增强关键区域的判别力。细粒度边界框回归损失函数——增强匹配惩罚距离交并比（EnMPDIoU）——综合考虑了中心偏移、尺度变异和边界重叠，提升了B扫描图像中的边界框定位精度。总体而言，这些组件共同构成了LMEA-Net架构，增强了B扫描图像中的特征表示和边界框定位能力，同时减少了虚警和漏检。该方法在所考察的现场条件下显示出道路空洞识别的潜力，可为地下灾害监测和智能道路养护提供技术支持。所提出的方法有望提高道路基础设施监测的效率，并为地下结构安全评估和潜在地质灾害的早期识别提供技术支撑。在更广泛的地质环境风险减缓的背景下，此类技术的发展对于提升城市基础设施安全管理和推进地下空间风险监测具有重大意义。
章节摘要
域迁移模型架构设计
本研究提出了LMEA-Net，一种用于探地雷达B扫描剖面的道路空洞检测方法，该方法利用自适应域自适应技术来提升跨不同数据域的检测性能。该方法按三个阶段渐进式运行——预训练、适配和微调——逐步将知识从模拟域迁移到真实域。在预训练阶段，模型在大规模模拟数据集（SimData）上使用带有并行空间注意力的MEA-Net骨干网络进行训练
数据集构成
本研究使用的数据集包含三类雷达数据：数值模拟数据（SimData）、物理模型实验数据（TestbedData）和现场实测工程数据（FieldData）。引入多源数据集旨在提高所提出检测模型的鲁棒性和泛化能力。详细的数据集包含1200张模拟雷达图像、300张实验雷达图像和300张现场雷达图像，总计1800张已标注的B扫描图像。该
LMEA-Net性能分析
为评估LMEA-Net在目标检测任务中的整体性能，本研究以YOLOv10作为基线模型，并围绕多个关键指标进行了对比分析，包括精确率、召回率、mAP50和mAP50–95。如图3所示，LMEA-Net表现出稳定的性能，各项指标仅有微小波动，表明训练过程稳定。LMEA-Net在训练初期即展现出显著优势，达到了0.130的精确率、0.445的召回率和
结论
为提高城市道路空洞B扫描剖面上的检测精度和跨域泛化能力，本研究提出了一种基于LMEA-Net架构并结合自适应域迁移策略的空洞检测方法。该方法有效解决了多源雷达B扫描剖面间的分布差异、目标模糊性以及现场实测样本稀缺等关键挑战，使模型性能得到了显著提升。
CRediT作者贡献声明
李中颖：撰写—审阅与编辑、验证、监督、资金获取、数据整理。吕向锋：撰写—初稿、方法论、调查研究。陈燕：方法论、调查研究。孙天翔：方法论、调查研究。吴莉莉：方法论、调查研究。张春辉：方法论、调查研究。
资金资助
本研究由国家重点研发计划雄安新区专项［项目编号2024XAGG0017］、北京市科技计划项目［项目编号Z261100001026012］以及北京市青年学者计划［项目编号2024QNBJXZ］资助。
利益冲突声明
作者声明不存在任何可能影响本文所述工作的已知经济利益冲突或个人关系。
李中颖|吕向锋|陈燕|孙天翔|吴莉莉|张春辉
