PIR2-GPR:一种面向连续道路地质雷达解释的几何-物性联合反演与切片补全框架
《ADVANCED ENGINEERING INFORMATICS》:PIR2-GPR: A geometry–property joint inversion and slice-completion framework for continuous road GPR interpretation
【字体:
大
中
小
】
时间:2026年09月22日
来源:ADVANCED ENGINEERING INFORMATICS 11.5
编辑推荐:
• 提出了一种两阶段PIR2-GPR框架,用于连续道路GPR解译。• 几何-属性反演模型提升了复杂背景下切片级恢复能力。• 物理引导的插值模型利用相邻切片先验重建缺失切片。• 多域实验验证了反演、插值和级联性能,实地域交并比(IoU)达到0.8455。• 开源GPRForce
• 提出了一种两阶段PIR2-GPR框架,用于连续道路GPR解译。• 几何-属性反演模型提升了复杂背景下切片级恢复能力。• 物理引导的插值模型利用相邻切片先验重建缺失切片。• 多域实验验证了反演、插值和级联性能,实地域交并比(IoU)达到0.8455。• 开源GPRForce平台支持可复现的GPR数据处理与可视化。
引言
城市道路通常包含关键的地下基础设施,如排水管道,其状况直接影响道路安全和城市运行。随着管道密度增加和管道老化,道路环境中隐藏异常日益突出。泄漏、破裂或周围介质退化可能进一步引发空洞、空腔和局部缺陷,最终导致路面沉降、局部不稳定甚至坍塌。因此,地下管道及相关病害目标的检测和评估具有重要意义。
探地雷达(GPR)[1], [2]是一种通过反射电磁响应获取浅层地下信息的非接触、高效技术,近年来已广泛应用于道路[3], [4], [5]、桥梁[6], [7]和隧道[8]等民用基础设施的检查和诊断。此外,GPR还被用于地下管道定位和朝向估计,在地下公用设施定位和可视化中发挥重要作用[9], [10]。
然而,在复杂道路场景中,工程需求已不再局限于获取原始B扫描图像,而是越来越需要对其进行可靠解译,并恢复地下目标的结构和物理信息。
在此背景下,介电常数反演已成为GPR解译的关键技术路线,旨在从回波信号中重构地下目标的物理性质分布,进而推断组成、位置、尺寸和形状等参数[11], [12]。然而,在复杂的城市道路环境中,当前GPR解译仍面临两个突出挑战。首先,目标响应模糊、强背景干扰和跨场景域偏移会严重削弱单帧反演的可靠性,如图1(a)所示。其次,由于测线间距、场地限制或局部不可达区域,沿测线方向获取的B扫描切片往往采样稀疏或部分缺失,这削弱了切片间连续性,进而影响三维叠合和体解释,如图1(b)所示。因此,如何在稀疏切片条件下提高单帧几何-属性反演的可靠性并增强连续表示,已成为道路基础设施监测中亟需解决的关键问题[13], [14], [15]。
关于GPR数据反演,现有方法可分为传统技术和基于深度学习策略两类。传统方法主要包括迁移成像、层析成像和全波形反演(FWI)。其中,基于迁移的方法在目标定位和结构聚焦方面更有效[16], [17],而层析成像[18]和FWI[19], [20]可进一步实现地下物理性质参数的重构。然而,在复杂道路场景中,这些方法仍面临一定局限:基于迁移的方法在物理性质恢复和细尺度表征方面仍有限,而层析成像和FWI通常涉及较高计算成本,且对噪声和采集条件敏感。因此,其在实际工程环境中的稳定性和重构性能仍需进一步提升。
近年来,深度学习在数字和图像处理方面迅速发展,并逐步应用于GPR反演任务,部分缓解了传统方法在效率和表征能力方面的局限[21], [22]。对于该任务,研究人员探索了多种深度神经网络框架,包括以SegNet和U-Net为代表的编码器-解码器架构,以及基于GAN的框架[23]。早期,Alvarez和Kodagoda[23]将图像到图像翻译网络引入GPR雷达图处理,实现了地下成像和参数恢复。随后,Xie等人[24]提出了ü-Net,证明了将B扫描直接映射为地下介电常数分布的可行性。Ji等人[25]进一步提出PI-Net,以改善地下物理性质分布的重构,而Liu等人[26]开发了GPRInvNet,用于准确重构复杂隧道衬砌缺陷,并在实地数据上进行了验证。随后,Dai等人[27]提出了两阶段DMRF-UNet,以改善非均匀土壤条件下的介电常数恢复,而Ge等人[28]将自注意力机制引入GPR-TransUNet,以增强长程依赖建模和反演精度。此外,Hou等人[29]提出了MSInv-GPR,一种基于多尺度GAN的反演框架,用于城市道路基层监测,以改善复杂道路场景中GPR数据反演的精度和稳定性。此外,Xu等人[30]将耦合学习GAN应用于GPR管道图像反演,而Zhang等人[31]则利用GAN对跨孔GPR数据进行反演,以表征地下结构。
尽管现有研究取得了一定进展,但仍存在若干关键挑战。1)虽然现有方法在一定程度上提高了目标响应可见性和局部重构质量[26], [27], [29],但在复杂背景干扰、非均匀介质和跨场景域差异的综合作用下,反演结果仍倾向于出现边界模糊、伪影加剧和误检增加,导致稳定性、鲁棒性和泛化能力有限;2)虽然现有研究已实现目标定位、结构重构或介电常数分布恢复[20], [24], [25], [27],但大多数现有反演方法并未将几何结构和介电属性作为两个互补输出进行显式恢复,进而建模其跨任务交互。因此,结构与属性信息之间的互补关系尚未被充分利用以进行联合GPR解译;3)此外,大多数现有研究仍停留在二维切片级恢复层面[28], [30], [31]。在测线约束下,稀疏、不规则或局部缺失的切片较为常见,这进一步削弱了地下目标沿测线方向的连续表示,从而限制了体解释和整体结构评估。
针对这些挑战,本文提出了一个名为PIR2-GPR的两阶段框架,如图2所示。该框架首先采用几何-属性反演模型从单个B扫描中联合恢复目标几何掩膜和介电常数分布,然后使用物理引导的插值模型利用相邻切片先验重建缺失的中间切片。本文的主要贡献总结如下:
(1)开发了一种几何-属性反演模型,通过共享骨干网络和多输出头,联合恢复目标几何掩膜M和介电常数分布E。通过引入跨任务协同机制和物理感知协同损失,显式建模结构信息与物理性质之间的耦合,从而在复杂背景下提高单帧反演的准确性、稳定性和可靠性。
(2)提出了一种物理引导的插值模型,利用相邻切片的几何和物理信息重建缺失的中间切片。这在稀疏切片条件下增强了纵向连续性和体积表征能力,从而弥补了单帧反演在序列叠合应用中的不足。
(3)在均匀合成、非均匀合成和受控实地域之间建立了多域评估协议。对于几何和物理恢复的联合任务,引入结构-属性一致性度量(介电常数-掩膜一致性评分,EMCS),并结合综合质量度量,更全面地评估模型在几何定位、介电常数恢复、一致性保持和整体反演质量方面的性能。
(4)开发了一个新的软件平台GPRForce,用于多域GPR数据处理和可视化。通过集成异构数据导入、元数据补全、模型解析、可配置预处理、联动的二维(2D)和三维(3D)检查,以及基于预设的导出,提供了数据准备、实验复现和面向工程部署的端到端工具链。
章节片段
整体框架结构
如图2中的步骤2所示,所提出的PIR2-GPR框架由两个连续阶段组成。第一阶段采用几何-属性反演模型,从可观测的GPR切片中联合恢复目标几何掩膜M和介电常数图E。第二阶段则使用物理引导的插值模型,利用相邻切片的几何-属性先验重建缺失的中间切片。由此,该框架将切片级联合反演与序列级处理连接起来。
实验设置与评估指标
为评估所提出框架在复杂介质条件和跨场景下的泛化能力,我们同时使用了合成数据集和受控实地数据集。通过消融和对比实验,我们旨在验证所提出的两阶段PIR2-GPR框架在探地雷达几何-属性联合反演和序列级插值补全中的有效性和稳定性。所有实验均在计算
合成数据集结果
本小节评估了所提出反演模型在不同背景复杂度合成数据集上的有效性。如图14所示,模型能够联合恢复目标几何和介电常数,预测掩膜与关联属性响应之间具有良好的空间对应关系。在相对受控的均匀介质设置下,针对不同目标配置均获得了清晰的掩膜边界和准确的目标定位。
结论
本研究提出了一种名为PIR2-GPR的两阶段框架,用于在复杂道路环境中进行可靠的GPR解译。与将任务局限于切片级目标定位或独立属性恢复不同,所提出的框架将几何掩膜重构、介电常数反演和序列一致切片补全统一于单一流程中。在第一阶段,几何-属性反演模型通过
CRediT作者贡献声明
侯菲菲:写作—审阅与编辑,写作—初稿,方法论,调查,数据管理,概念化。李银川:写作—审阅与编辑,写作—初稿,可视化,验证,软件,方法论。冯德山:资金获取。陈成:资源,项目管理。曾波:资源,形式分析。
利益冲突声明
作者声明,他们没有已知的竞争性经济利益或个人关系可能影响本文所报告的工作。
致谢
本研究由国家自然科学基金(编号:62406346)、湖南省自然科学基金(编号:2025JJ60257)、湖南省科技计划(编号:2026AQ2009)以及WLCY(DJ-HXGG-2023-11)资助。
侯菲菲|李银川|冯德山|陈成|曾波
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号