基于尺度融合的機(jī)場(chǎng)跑道地下病害檢測(cè)算法

李海豐，潘夢(mèng)夢(mèng)，王懷超，李南莎，雒宇飛，桂仲成

(1.中國(guó)民航大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 天津 300300；2.成都圭目機(jī)器人有限公司 四川 成都 610310)

0 引言

隨著降水、溫差及飛機(jī)荷載的反復(fù)沖擊作用，機(jī)場(chǎng)跑道地下不可避免地出現(xiàn)不同類(lèi)型的病害，如脫空、不均勻疏松、裂縫和沉降，這類(lèi)病害具有很強(qiáng)的隱蔽性和危險(xiǎn)性。準(zhǔn)確高效地檢測(cè)出不同類(lèi)型的地下病害并有針對(duì)性地進(jìn)行跑道養(yǎng)護(hù)是十分必要的。探地雷達(dá)[1]是一種廣泛應(yīng)用于地下目標(biāo)探測(cè)的無(wú)損檢測(cè)設(shè)備，具有快速無(wú)損、安全高效的特點(diǎn)，已逐漸成為機(jī)場(chǎng)跑道地下病害檢測(cè)的主流手段。

然而，實(shí)現(xiàn)自動(dòng)化的機(jī)場(chǎng)跑道地下病害檢測(cè)面臨巨大挑戰(zhàn)。一方面，不同于公路、鐵路、橋梁檢測(cè)[2]，對(duì)機(jī)場(chǎng)跑道的檢測(cè)精度要求更高，即使細(xì)小的病害也要求能及時(shí)準(zhǔn)確地被檢測(cè)出來(lái)，以保障飛機(jī)安全起降。另一方面，機(jī)場(chǎng)跑道固有的分層結(jié)構(gòu)導(dǎo)致不同類(lèi)型的地下病害的生成具有動(dòng)態(tài)演化性，由探地雷達(dá)采集的病害數(shù)據(jù)特征存在模糊性及強(qiáng)干擾性，不同類(lèi)型病害特征區(qū)分難度大(如圖1)。面對(duì)結(jié)構(gòu)復(fù)雜的雷達(dá)數(shù)據(jù)，無(wú)論是人工數(shù)據(jù)解析還是傳統(tǒng)機(jī)器學(xué)習(xí)的方法，都存在信息片面、成本高昂、費(fèi)時(shí)耗力的缺點(diǎn)，無(wú)法靈活對(duì)各類(lèi)型病害多變的外觀形態(tài)進(jìn)行區(qū)分。因此，如何充分挖掘跑道地下病害的更多細(xì)節(jié)信息并進(jìn)行準(zhǔn)確分類(lèi)檢測(cè)是目前需要解決的問(wèn)題。

圖1 四種地下病害的雷達(dá)數(shù)據(jù)特征圖Figure 1 Radar data characteristic map of four types underground disease

針對(duì)上述問(wèn)題，本文通過(guò)探地雷達(dá)實(shí)地采集數(shù)據(jù)并構(gòu)建了機(jī)場(chǎng)跑道地下病害數(shù)據(jù)集，提出了一種自動(dòng)檢測(cè)機(jī)場(chǎng)跑道地下病害的尺度融合(scale fusion-single shot multibox detector，SF-SSD)算法。首先，在基于VGG16的主干網(wǎng)絡(luò)上，根據(jù)各種雷達(dá)信號(hào)特征和形態(tài)分布特點(diǎn)，設(shè)計(jì)了具有更寬感受野的RFB[3](receptive field block)模塊，在有效抑制病害周?chē)肼暩蓴_的同時(shí)，使模型能提取更多原始雷達(dá)數(shù)據(jù)的病害特征信息；其次，通過(guò)融合網(wǎng)絡(luò)淺層特征捕捉不同類(lèi)型病害的細(xì)節(jié)紋理特征；最后，根據(jù)6種網(wǎng)絡(luò)特征層生成6種不同尺度大小的檢測(cè)框，對(duì)先驗(yàn)框進(jìn)行位置修正,實(shí)現(xiàn)地下病害的分類(lèi)定位。在上述數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，結(jié)果優(yōu)于目前5種經(jīng)典的目標(biāo)檢測(cè)算法，在檢測(cè)裂縫、脫空、疏松、沉降4種病害的平均準(zhǔn)確率達(dá)到了82.18%。

1 國(guó)內(nèi)外研究現(xiàn)狀

現(xiàn)有研究中，基于探地雷達(dá)采集的B-scan數(shù)據(jù)[4]進(jìn)行地下目標(biāo)檢測(cè)的方法可以分為：基于信號(hào)處理的方法、手工特征和機(jī)器學(xué)習(xí)相結(jié)合的方法、深度學(xué)習(xí)的方法。

基于信號(hào)處理的方法通常需要進(jìn)行大量的預(yù)處理和計(jì)算，陶向華等[5]通過(guò)用探地雷達(dá)信號(hào)特征對(duì)脫空進(jìn)行識(shí)別，找到了脫空邊界，但該方法對(duì)噪聲十分敏感，難以適應(yīng)復(fù)雜的病害環(huán)境；Al-Qadi等[6]使用小波變換法對(duì)B-scan波形圖進(jìn)行分析，但由于B-scan波形特征復(fù)雜，該方法提取的特征表示能力有限，較難得到具有代表性的特征。

基于手工特征和機(jī)器學(xué)習(xí)相結(jié)合的方法，是通過(guò)手工設(shè)計(jì)目標(biāo)特征再結(jié)合傳統(tǒng)機(jī)器學(xué)習(xí)的方法實(shí)現(xiàn)的。Karem等[7]使用探地雷達(dá)檢測(cè)地下物體，引用尺度不變特征變換算法，對(duì)目標(biāo)物體每個(gè)位置的特征進(jìn)行提取，但路基病害形態(tài)多樣，人工特征的表示能力有限；Windsor等[8]利用灰度直方圖和霍夫變換法人工設(shè)計(jì)病害特征，但在面對(duì)強(qiáng)噪聲情況下無(wú)法為檢測(cè)病害提供科學(xué)依據(jù)。

基于深度學(xué)習(xí)的方法目前在目標(biāo)檢測(cè)領(lǐng)域取得了巨大突破，基于候選框的卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測(cè)算法也被應(yīng)用到地下病害分類(lèi)任務(wù)中。這類(lèi)算法可分為基于候選區(qū)域的雙階段檢測(cè)方法 (two-stage)，以及基于回歸的單階段檢測(cè)方法(one-stage)。雙階段檢測(cè)方法中，Besaw等[9]應(yīng)用CNN從B-scan中提取有意義的特征，但這類(lèi)算法很難實(shí)現(xiàn)對(duì)目標(biāo)的精準(zhǔn)定位；Fang等[10]利用Faster R-CNN來(lái)識(shí)別灰度圖像的雙曲線特征，能實(shí)現(xiàn)對(duì)B-scan圖中的病害目標(biāo)進(jìn)行分類(lèi)并定位，但沒(méi)有考慮病害復(fù)雜的雷達(dá)數(shù)據(jù)分布特征，對(duì)不同類(lèi)型病害檢測(cè)效果不佳。單階段檢測(cè)方法中，輕量化YOLOv3[11]算法雖滿(mǎn)足實(shí)時(shí)檢測(cè)的需要，但由于特征提取網(wǎng)絡(luò)較淺，不能充分提取病害特征；RetinaNet[12]、RFBNet[6]、SSD[13]算法在進(jìn)行機(jī)場(chǎng)地下病害檢測(cè)時(shí)，由于缺乏特征層之間的互補(bǔ)性，無(wú)法滿(mǎn)足不同病害形態(tài)特征變化多樣性，尤其對(duì)波形復(fù)雜的雷達(dá)數(shù)據(jù)檢測(cè)效果不好。

2 機(jī)場(chǎng)跑道地下病害檢測(cè)模型

2.1 機(jī)場(chǎng)跑道地下病害檢測(cè)模型

由于現(xiàn)有的目標(biāo)檢測(cè)算法沒(méi)有考慮實(shí)際地下病害的復(fù)雜雷達(dá)數(shù)據(jù)波形，進(jìn)行特征提取的不同尺度特征層是獨(dú)立的，對(duì)辨識(shí)度低、噪聲強(qiáng)度大的地下病害雷達(dá)數(shù)據(jù)很難準(zhǔn)確區(qū)分。針對(duì)此問(wèn)題，本文提出了一種基于尺度融合的機(jī)場(chǎng)跑道地下病害檢測(cè)算法SF-SSD，具體網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)如圖2所示。

圖2 SF-SSD網(wǎng)絡(luò)模型結(jié)構(gòu)圖Figure 2 Structure diagram of SF-SSD network model

在基于VGG16的主干網(wǎng)絡(luò)上，根據(jù)不同類(lèi)型病害雷達(dá)數(shù)據(jù)形態(tài)分布不一的特點(diǎn)，在Conv3特征層和Conv7特征層設(shè)計(jì)了具有更寬感受野的RFB模塊，擴(kuò)展網(wǎng)絡(luò)寬度從而提取更多原始雷達(dá)數(shù)據(jù)的病害細(xì)節(jié)信息；融合RFB1、Conv4、Conv6特征層，在強(qiáng)干擾的雷達(dá)數(shù)據(jù)下可以識(shí)別不同類(lèi)型病害間的細(xì)微特征；根據(jù)主干網(wǎng)絡(luò)上6種網(wǎng)絡(luò)特征層設(shè)計(jì)6種不同尺度(38×38、19×19、10×10、5×5、3×3、1×1)的先驗(yàn)框，通過(guò)非極大值抑制的方法對(duì)符合要求的先驗(yàn)框進(jìn)行篩選，最終實(shí)現(xiàn)對(duì)多樣特征病害的類(lèi)別預(yù)測(cè)和準(zhǔn)確定位。

2.2 寬感受野RFB模塊

由于VGG16主干網(wǎng)絡(luò)采用直聯(lián)式結(jié)構(gòu)，而本模型的主干網(wǎng)絡(luò)具有網(wǎng)絡(luò)參數(shù)少、結(jié)構(gòu)簡(jiǎn)單、分類(lèi)性能好的優(yōu)點(diǎn)，但是面對(duì)強(qiáng)噪聲環(huán)境下形態(tài)特征變化多樣的地下病害，區(qū)分病害特征與背景的效果不好。傳統(tǒng)的RFB是一種以Inception[14]結(jié)構(gòu)為基礎(chǔ)，利用不同膨脹率卷積來(lái)擴(kuò)大特征網(wǎng)絡(luò)感受野的模塊，可以提取目標(biāo)的細(xì)節(jié)特征。

受RFB模塊的啟發(fā)，本文基于VGG16的主干網(wǎng)絡(luò)，設(shè)計(jì)了一種更寬感受野的RFB結(jié)構(gòu)。具體的結(jié)構(gòu)如圖3所示。通過(guò) 7 個(gè)分支的卷積擴(kuò)大網(wǎng)絡(luò)寬度，接著通過(guò)2 組分別為3×1 和1×3 的卷積在提升網(wǎng)絡(luò)深度的同時(shí)減少計(jì)算量。設(shè)計(jì)4 組膨脹系數(shù)分別為1、3、5、7 的膨脹卷積來(lái)增大感受野，最后將膨脹卷積后的特征圖通過(guò)Concat與1×1卷積進(jìn)行特征融合。通過(guò)ShortCut的方式給非線性的卷積層增加直連來(lái)提高信息的傳播效率，與經(jīng)過(guò)融合后的特征進(jìn)行加操作。

2.2.1RFB1模塊設(shè)計(jì) 位于VGG16主干網(wǎng)絡(luò)的Conv3層具有高分辨率和感受野小的特點(diǎn)，在該特征層下采用RFB(如圖2中RFB1)模塊一方面可以很好捕捉地下病害的紋理和邊緣等細(xì)節(jié)信息，對(duì)不同類(lèi)型地下病害的特征進(jìn)行學(xué)習(xí)；另一方面由于模型在淺層網(wǎng)絡(luò)的寬度增加，當(dāng)網(wǎng)絡(luò)向后傳播時(shí)，可以減少原始輸入圖像的信息損失，減少了檢測(cè)中等目標(biāo)和大目標(biāo)的特征丟失，對(duì)檢測(cè)裂縫、疏松、沉降類(lèi)病害有一定的提升。

2.2.2RFB2模塊設(shè)計(jì) 位于VGG16主干網(wǎng)絡(luò)的Conv7層19×19的感受野可以使網(wǎng)絡(luò)提取特征明顯的地下病害。將RFB(如圖2的RFB2)模塊引入此層可以使網(wǎng)絡(luò)更加關(guān)注感受野中心，既降低了網(wǎng)絡(luò)模型總的參數(shù)量，又可以有針對(duì)性地提高病害的檢測(cè)準(zhǔn)確度，防止漏檢。

2.3 尺度特征融合模塊[15-17]

通過(guò)設(shè)計(jì)更寬的RFB模塊優(yōu)化模型的網(wǎng)絡(luò)主干，可以從一定程度上緩解病害周?chē)脑肼?，但是由于不同?lèi)型地下病害的雷達(dá)數(shù)據(jù)特征區(qū)分難度大，網(wǎng)絡(luò)對(duì)不同類(lèi)型病害間的細(xì)微差異捕捉能力較差，尤其對(duì)裂縫、脫空類(lèi)病害存在檢測(cè)精度低甚至檢測(cè)不到的現(xiàn)象。針對(duì)此問(wèn)題，本文考慮挖掘淺層特征Conv4_3層的特征提取能力，利用RFB1具有的高分辨率信息和Conv6層豐富的語(yǔ)義信息，融合不同感受野特征，提取高辨識(shí)度的病害細(xì)節(jié)紋理特征，提高模型對(duì)不同類(lèi)型病害的識(shí)別精度。其具體的網(wǎng)絡(luò)設(shè)計(jì)結(jié)構(gòu)如圖4所示。

圖3 寬感受野RFB模塊Figure 3 Wide field RFB module

圖4 Conv4_Fus尺度融合模塊Figure 4 Conv4 scale fusion module

Conv4_Fus是一個(gè)尺寸為38×38的特征層，由RFB1、Conv4和Conv6 融合形成。本文使用最大池化操作對(duì)RFB1模塊進(jìn)行下采樣，設(shè)置卷積核大小為2×2，步長(zhǎng)為2，使尺寸統(tǒng)一到38×38。

同理，為了統(tǒng)一尺度，對(duì)Conv6模塊進(jìn)行上采樣操作，所用卷積核大小為2×2，步長(zhǎng)為2。在融合之前對(duì)RFB1、Conv4、Conv6模塊都引入1×1卷積，減少輸入病害特征映射的數(shù)量從而提高計(jì)算效率。由于不同特征層的數(shù)據(jù)維分布存在差距，直接融合會(huì)在檢測(cè)病害上效果不好，本文考慮在融合之前對(duì)每一特征層上加BN(batch normalization)層進(jìn)行歸一化處理。通過(guò)設(shè)計(jì)這種尺度融合模塊可以使預(yù)測(cè)網(wǎng)絡(luò)能夠考慮不同病害細(xì)節(jié)紋理特征，增強(qiáng)模型的泛化能力。

2.4 先驗(yàn)框分類(lèi)回歸設(shè)計(jì)

SF-SSD網(wǎng)絡(luò)采用對(duì)先驗(yàn)框進(jìn)行分類(lèi)回歸的一階段目標(biāo)檢測(cè)方式，對(duì)地下病害進(jìn)行實(shí)時(shí)檢測(cè)。首先，根據(jù)主干網(wǎng)絡(luò)上6種分辨率的特征層(Conv4_Fus、RFB2、Conv8、Conv9、Conv10、Conv11)設(shè)計(jì)6種不同尺度先驗(yàn)框，先驗(yàn)框的設(shè)置包括尺度、長(zhǎng)寬比和數(shù)量，先驗(yàn)框的尺度設(shè)置如表1所示。

表1 先驗(yàn)框參數(shù)設(shè)置Table 1 Priori box parameter setting

生成不同比例及數(shù)量的先驗(yàn)框后利用Smooth L1 loss損失函數(shù)對(duì)病害先驗(yàn)框進(jìn)行位置坐標(biāo)回歸修正，利用softmax loss損失函數(shù)對(duì)病害進(jìn)行置信度分類(lèi)。最后通過(guò)非極大值抑制的方法剔除重復(fù)多余的先驗(yàn)框，最終得到滿(mǎn)足要求的正確先驗(yàn)框。

3 實(shí)驗(yàn)與分析

3.1 機(jī)場(chǎng)跑道地下病害數(shù)據(jù)集

由于機(jī)場(chǎng)的特殊環(huán)境及安全保密限制，目前在機(jī)場(chǎng)跑道地下病害方面沒(méi)有公開(kāi)的數(shù)據(jù)集。本文實(shí)驗(yàn)數(shù)據(jù)集來(lái)自國(guó)內(nèi)三個(gè)機(jī)場(chǎng)的真實(shí)數(shù)據(jù)，由探地雷達(dá)采集，探測(cè)地下深度為1.53 m，總采集面積為21 083 m2，采集的地下病害B-scan圖裁剪為448×448像素的單通道灰色圖。根據(jù)專(zhuān)家經(jīng)驗(yàn)進(jìn)行人工標(biāo)注，最終將B-scan圖做成相應(yīng)的PASCAL VOC數(shù)據(jù)集格式，并命名為AUD(airport underground disease)數(shù)據(jù)集。本實(shí)驗(yàn)從AUD數(shù)據(jù)集里挑選了1 604張含裂縫、脫空、沉降、疏松4類(lèi)地下病害的B-scan圖。

3.2 網(wǎng)絡(luò)參數(shù)設(shè)置及實(shí)施細(xì)節(jié)

本文實(shí)驗(yàn)采用的硬件環(huán)境為：服務(wù)器主頻為3.2 GHz的i7-8700CPU；64 G內(nèi)存；11 G NVIDIA GeForce GTX 1080 Ti 顯卡；操作系統(tǒng)為Ubuntu18.04。采用了 TensorFlow深度學(xué)習(xí)框架用于訓(xùn)練和測(cè)試工作。

在整個(gè)模型訓(xùn)練過(guò)程中，設(shè)置總epoch為240，當(dāng)網(wǎng)絡(luò)訓(xùn)練2個(gè)epoch時(shí)，與上個(gè)epoch訓(xùn)練的相比，損失值不下降，學(xué)習(xí)率變?yōu)樵瓉?lái)的1/2。當(dāng)訓(xùn)練6個(gè)epoch后，與上個(gè)epoch訓(xùn)練相比，損失值不下降，網(wǎng)絡(luò)將停止訓(xùn)練，認(rèn)為此時(shí)達(dá)到最優(yōu)值。本文設(shè)置訓(xùn)練批次為16，動(dòng)量大小設(shè)置為0.9，權(quán)重衰減設(shè)置為上一次的1/2，學(xué)習(xí)率初始為 5×10-3，在第141個(gè)epoch時(shí)減小為1×10-4。

在訓(xùn)練階段，本模型使用了隨機(jī)裁剪、水平翻轉(zhuǎn)、對(duì)比度變換的數(shù)據(jù)增強(qiáng)方式對(duì)數(shù)據(jù)集進(jìn)行隨機(jī)擴(kuò)充，將病害圖片的分辨率統(tǒng)一為300×300進(jìn)行訓(xùn)練和測(cè)試。

3.3 評(píng)價(jià)指標(biāo)

為了客觀評(píng)估本文中不同模型的性能，使用了Precision、Recall、F1和mAP(mean average precision)4個(gè)評(píng)價(jià)指標(biāo)。其中，Precision為精確率(Prec)，即預(yù)測(cè)是病害的樣本占所有預(yù)測(cè)為病害的比例；Recall(Rec)為召回率，即預(yù)測(cè)是病害的樣本占所有真實(shí)病害的比例；F1為Prec和Rec的調(diào)和平均值；mAP為衡量所有病害類(lèi)別的平均準(zhǔn)確率。上述指標(biāo)的計(jì)算公式為

3.4 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文提出的SF-SSD算法在檢測(cè)機(jī)場(chǎng)地下病害的有效性，將SF-SSD與目前5種主流的目標(biāo)檢測(cè)算法進(jìn)行了對(duì)比。實(shí)驗(yàn)具體設(shè)置為：AUD數(shù)據(jù)集的80%為訓(xùn)練集，20%為測(cè)試集；IoU為0.5；置信度閾值為0.5。表2為各類(lèi)算法在病害上的檢測(cè)結(jié)果?？梢钥闯霰疚奶岢龅腟F-SSD算法與SSD算法相比，每一類(lèi)病害的Prec和Rec值都有所提升(除了檢測(cè)裂縫外)，mAP值提升了6.92%。

表2 對(duì)比實(shí)驗(yàn)結(jié)果Table 2 Comparison of the experiment 單位：%

本算法的F1值在裂縫、脫空、疏松和沉降4類(lèi)病害上分別達(dá)到了65.00%、65.00%、91.00%和92.00%，優(yōu)于SSD、Yolov3、Faster R-CNN、RFBNet和RetinaNet等經(jīng)典目標(biāo)檢測(cè)算法。圖5為本算法與其他5種檢測(cè)算法的可視化檢測(cè)對(duì)比圖。

從圖5(a)、(b)可以看出，SSD和YOLOv3算法對(duì)于沉降、疏松此類(lèi)邊界模糊的病害明顯存在漏檢情況，在檢測(cè)脫空和裂縫病害上也存在Rec低的現(xiàn)象；Faster R-CNN算法(圖5(c))的檢測(cè)結(jié)果中有更多冗余框，同一病害具有多個(gè)檢測(cè)框，無(wú)法實(shí)現(xiàn)對(duì)病害精準(zhǔn)定位。RFBNet算法(圖5(d))和RetinaNet算法(圖5(e))的檢測(cè)效果圖也都出現(xiàn)了對(duì)各類(lèi)病害的漏檢、預(yù)測(cè)框置信度低的現(xiàn)象，而RetinaNet算法的定位精度更不好，漏檢率更高；本文提出的SF-SSD算法無(wú)論是針對(duì)邊界模糊不清的疏松、沉降類(lèi)病害，還是背景復(fù)雜條件下辨識(shí)度低的脫空、裂縫類(lèi)病害，都能準(zhǔn)確檢測(cè)出來(lái)且具有較高的檢測(cè)置信度。

圖5 地下病害可視化檢測(cè)對(duì)比圖Figure 5 Contrast map of visible detection of underground diseases

3.5 消融實(shí)驗(yàn)

為了驗(yàn)證SF-SSD 算法中各模塊的性能，本文進(jìn)行了消融實(shí)驗(yàn)。消融實(shí)驗(yàn)中，除變量參數(shù)以外，其余網(wǎng)絡(luò)設(shè)置、訓(xùn)練步驟均保持一致。然后依次在上述機(jī)場(chǎng)地下病害數(shù)據(jù)集中進(jìn)行消融實(shí)驗(yàn)，驗(yàn)證獨(dú)立加入尺度融合模塊、不加入三個(gè)模塊以及同時(shí)使用三個(gè)模塊對(duì)模型的影響，得到最終的實(shí)驗(yàn)結(jié)果如表3所示。

表3 消融實(shí)驗(yàn)Table 3 Ablation experiments 單位：%

由表3可以看出，當(dāng)只在網(wǎng)絡(luò)里添加尺度融合模塊時(shí)，對(duì)裂縫、脫空兩類(lèi)病害檢測(cè)的F1值有較大程度的提升，mAP相較于基準(zhǔn)模型提高了2.6%，說(shuō)明該模塊能充分利用病害雷達(dá)數(shù)據(jù)的淺層紋理信息，起到了對(duì)復(fù)雜背景下病害類(lèi)型的準(zhǔn)確區(qū)分，一定程度上防止了漏檢和錯(cuò)檢的發(fā)生；當(dāng)只在網(wǎng)絡(luò)添加RFB1模塊，對(duì)于裂縫、脫空在F1值上分別有12%、2%的提升，證明了通過(guò)在網(wǎng)絡(luò)中添加RFB1模塊可以提高淺層網(wǎng)絡(luò)的感受野，提取更多病害原始特征信息；當(dāng)只加入RFB2模塊時(shí)，模塊對(duì)疏松、沉降兩類(lèi)病害的F1值較不加入時(shí)有所提升，該模塊的加入可以降低網(wǎng)絡(luò)傳播過(guò)程中病害特征的信息丟失，從全局上抑制了病害周?chē)肼暤母蓴_。本文提出的SF-SSD算法通過(guò)結(jié)合尺度融合、RFB1、RFB2三個(gè)模塊，在每類(lèi)病害的F1值和mAP值上均取得最優(yōu)。

4 結(jié)論

本文通過(guò)探地雷達(dá)采集并制作了一個(gè)用于機(jī)場(chǎng)跑道地下病害檢測(cè)的數(shù)據(jù)集，并設(shè)計(jì)了一種基于尺度融合的機(jī)場(chǎng)跑道地下病害檢測(cè)算法，來(lái)解決強(qiáng)噪聲背景條件下、不同類(lèi)型地下病害的形態(tài)特征被嚴(yán)重干擾、目標(biāo)辨識(shí)度低等問(wèn)題。該算法通過(guò)結(jié)合尺度融合和寬感受野RFB 結(jié)構(gòu)，既可以通過(guò)學(xué)習(xí)病害的細(xì)微特征信息進(jìn)行類(lèi)型區(qū)分，又抑制了病害周?chē)脑肼暩蓴_，提高了網(wǎng)絡(luò)模型的特征提取能力，有助于跑道地下病害檢測(cè)。將該算法應(yīng)用于機(jī)場(chǎng)地下病害檢測(cè)中，實(shí)驗(yàn)結(jié)果表明，本算法可以大幅度提升裂縫、脫空病害的召回率，優(yōu)于目前主流的5種目標(biāo)檢測(cè)算法，對(duì)實(shí)際機(jī)場(chǎng)地下病害檢測(cè)具有一定的指導(dǎo)意義，本文算法已投入實(shí)際系統(tǒng)中應(yīng)用。