柔性淺埋物的聲-振智能探測

王 馳，曹 鵬，黃 慶，王 超，盛才良

（1.上海大學 精密機械工程系，上海 200444；2.中國航空工業集團公司洛陽電光設備研究所，河南 洛陽 471023；3.江蘇永康機械有限公司，江蘇 無錫 214203）

1 引言

柔性淺埋物是指聲順性相對于土壤、巖石等剛性物體較大、掩埋于1 米以內的淺層地下目標［1］。隨著對地下空間探索的不斷深入，關于淺層地下目標探測技術的研究價值也愈發凸顯。淺層地下目標包括管道管線、空洞、地下考古、地雷、未爆彈和地下軍事設施等。根據探測原理和手段的不同，常見的地下目標快速探測技術有電磁探測［2］、光學成像探測［3］、原子核物理探測［4］和生物探測［5］等。這些探測技術各有特點，其中電磁探測技術依據電磁波特性，適用于金屬掩埋物，但對于非金屬或者金屬含量極低的掩埋物卻無能為力。此外，利用傳感器捕獲的信號通常為原始信號，如何快速識別信號中蘊含的淺埋物信息，是當前地下目標探測面臨的難題。

近年來，基于聲-地震耦合技術的柔性淺埋物探測方法取得一定的研究進展［6-7］。在聲波激勵下，一部分能量通過動量作用及其空氣與土壤粒子的黏滯摩擦作用，以地震波的形式耦合到土壤中。從土壤與柔性淺埋物的特性阻抗差來分析，淺埋物因空腔結構特點，大部分慢縱波傳到淺埋物表面會發生強烈的反射和散射，引起淺埋物上方地表土壤發生有別于周圍土壤的振動。激光剪切散斑干涉技術能夠對不同埋設條件下柔性物體的振動形態清晰成像［8］，獲得信息豐富的干涉條紋圖，為基于目標檢測算法的柔性淺埋物的聲-振智能探測奠定基礎。

目標檢測算法大致分為兩類，一類是以RCNN 系列為代表的基于候選區域的Two-stage算法［9-10］，另一類是以YOLO 系列為代表的按回歸問題解決的One-stage 算法［11］。目標檢測算法從誕生之日起就備受矚目，隨著計算機算力的日益強大，將算法部署于實際應用的優越性已經在各行各業中得到體現。因此，為多種柔性淺埋物建立豐富的干涉條紋圖數據庫，利用目標檢測算法對干涉條紋圖進行快速識別，對于柔性淺埋物的大面積快速檢測具有重要意義?？紤]柔性淺埋物智能化探測的實際需要，本文選用應用廣泛、檢測快速的YOLO 系列算法，用于激光散斑干涉條紋圖的智能識別。利用基于目標檢測算法的聲-光融合智能探測系統，對給定實驗環境下多種柔性淺埋物進行激光散斑干涉條紋圖智能識別研究，分析多種柔性淺埋物的激光散斑干涉條紋圖的變化規律，構建柔性淺埋物智能探測網絡模型，為柔性淺埋物的聲-振智能探測方法的研究提供一定的理論和技術基礎。

2 柔性淺埋物智能探測

2.1 剪切散斑干涉成像

圖1 為激光剪切散斑干涉儀成像原理。當激光照射到被測物體后發生漫反射，反射光進入剪切元件中的分束鏡后進行分束，一束光進入平面鏡1，另一束光進入平面鏡2，兩束光經反射后再次進入分束鏡并最終進入CCD 相機。其中，經平面鏡1 反射的像為原像，經平面鏡2 反射的像為剪切像，二者因平面鏡2 的傾斜產生錯位，并在成像平面上相互干涉，形成干涉條紋圖。干涉條紋圖即是相位分布圖，代表相位等值線，包含光的相位信息。相鄰兩條紋之間有相同的相位差，而相位差又是光程差的反映，光程差中記錄了振動物體的位移信息。

2.2 YOLOv5 智能探測網絡模型

YOLO 系列目標檢測算法結構簡潔，在工業［12］、醫療［13］和農業［14］等諸多行業具有非常廣泛的應用前景。YOLOv5 綜合了YOLOv3-SPP 和YOLOv4 的特性，適用于實時檢測。在綜合考慮模型的大小和精度后，選取YOLOv5s 模型構建柔性淺埋物智能探測網絡模型。如圖2 所示，YOLOv5s 網絡結構主要由輸入端、主干網絡、頸部及輸出端4 個部分組成［15］。

圖2 YOLOv5s 網絡結構Fig.2 Network structure of YOLOv5s

輸入端由Mosaic 數據增強、自適應錨框計算和自適應圖片縮放三部分組成。Mosaic 數據增強方法的核心原理是將原始圖像經過隨機裁剪、隨機縮放和隨機排列的方式拼接成一張新的圖像，再將新圖像輸入網絡進行訓練。自適應錨框計算將初始錨框的計算功能嵌入到模型訓練過程中，使模型能自動計算不同數據集的最佳錨框。自適應圖片縮放能夠在圖像縮放時填充最少的像素，從而保留更多的原始圖像信息，有利于提高推理速度。

主干網絡包含Focus 結構和CSP（Cross Stage Partial）結構。Focus 結構是YOLOv5 算法在之前版本基礎上的重要升級，其關鍵環節是切片操作，如圖3 所示。在YOLOv5s 網絡結構中，輸入端輸入原始尺寸為608×608×3 的圖像，經過Focus 結構進行切片操作后，原始圖像首先變成304×304×32 的特征圖，生成的特征圖經過一次卷積運算（卷積核數量為32 個）后最終變成304×304×32 的特征圖。圖4 為CSP 結構示意圖，將輸入的特征圖拆分為兩部分，其中一部分使用卷積計算方法，另一部分使用帶有殘差結構的方式進行計算，最后將這兩部分合并得到新的特征圖［16］。

圖4 CSP 結構示意圖Fig.4 Structure diagram of CSP

頸部采用FPN（Feature Pyramid Network）結構和PAN（Path Aggregation Network）結構相結合的方式。FPN 利用上采樣的方式對信息進行傳遞融合，獲得預測的特征圖，是自頂而下的結構；PAN 是自底向上傳遞目標的位置信息。通過自頂向下和自底向上的特征信息融合有利于模型更好地學習特征，增強模型對目標的敏感度。

輸出端采用Bounding box 損失函數和非極大值抑制（Non-Maximum Suppression，NMS）。非極大值抑制主要應用于目標檢測的后處理階段，可以利用NMS 非極大抑制方法從多個檢測框中通過排序并比較設定閾值的方式篩選出最高得分即最佳結果，與此同時刪除重復的檢測框。

2.3 數據集的構建和處理

建立柔性淺埋物數據集，采集不同種類、不同埋設深度的干涉條紋圖共900 張，為獲取性能良好的柔性淺埋物智能探測網絡模型提供基礎。VOC2007 數據集中對應目標檢測的文件夾有3個：（1）JPEGImages 文件夾：包含所有原始圖像，如訓練圖片和測試圖片；（2）Annotations 文件夾：存放.xml 格式的文件，每個.xml 文件對應JPEGImages 文件夾中的一張照片，包含圖像尺寸、檢測目標的類別、像素坐標等信息；（3）ImageSets 文件夾，其中的主文件全部為.txt 文件，對應訓練、驗證和測試圖片的名稱作為索引［17］。

用labelImg 程序在原始圖像上對干涉條紋圖進行標記，將原圖和生成的.xml 文件分別存入PASCAL VOC2007 對應的文件夾，將.xml 文件修改為YOLO 算法采用的.txt 格式，按照訓練、驗證、測試比例為8∶1∶1 隨機生成圖像索引文件。準備工作結束后，將上述數據集導入YOLOv5 算法模型進行訓練。

2.4 性能評估

目標檢測通用評價標準主要有精確率（P）、召回率（R）和平均精確率（PA）等［18-19］。精確率是指在一組預測結果中，被正確預測為教練雷雷殼的樣本數與所有被預測為教練雷雷殼的樣本數之比；召回率是指在一組預測結果中，被正確預測為教練雷雷殼的樣本數與實際上教練雷雷殼的樣本數之比；平均精確率是指對于每個目標，算法檢測出的所有目標的平均精度。

3 個評價指標分別表示為：

式中：TP 表示正確檢測目標數，FP 表示錯誤檢測目標數，FN 表示漏檢目標數；PA表示R在［0，1］內P的平均值，PmA表示所有類別PA的平均值，是P和R的統籌考慮。

3 聲-光融合智能探測實驗系統

3.1 實驗系統搭建

柔性淺埋物聲-光融合智能探測實驗系統如圖5 所示，該系統主要由聲發射單元和地表振動信號檢測單元組成。聲發生單元由Tektronix（泰克科技）公司生產的AFG3022C 型信號發生器、東莞東雅音響有限公司生產的PA（Power Amplifier）系列功率放大器和惠威（HIVI）公司生產的HQ3 大功率低音炮組成。地表振動信號檢測單元包括激光散斑干涉無損檢測系統SE Systems 和移動圖形工作站兩部分。SE Systems 的采集頭用來采集柔性物體的振動信號，移動圖形工作站進行數據處理，利用貝塞爾函數調制形成干涉條紋圖像視頻。將柔性淺埋物智能檢測模型也部署在移動圖形工作站中，采集、訓練和測試結果在工作站中進行展示。

圖5 柔性淺埋物聲-光融合智能探測實驗系統Fig.5 Sound-light fusion intelligent detection system of flexible shallow buried object

實驗選取3 種彈性腔體模型的教練雷雷殼作為柔性淺埋物樣品，3 種教練雷雷殼具有不同的材質和結構，分別是69 式防坦克塑料教練雷雷殼、72 式防坦克金屬教練雷雷殼和58 式防工兵橡膠教練雷雷殼，磚塊作為對照物掩埋于教練雷雷殼附近。柔性淺埋物相關特性參數如表1所示。

表1 典型柔性淺埋物相關特征參數Tab.1 Characteristic parameters of typical flexible shields

3.2 實驗方案設計

實驗所用土壤類型選擇細沙。剪切量設置為最大允許缺陷尺寸的50%～100%，通常在5～15 mm 之間。埋深設置為10，30，50 mm。聲壓級設置為120 dB。3 種教練雷雷殼不同埋設深度的實驗環境和實驗參數設置如表2 所示，按照表中實驗參數采集干涉條紋圖，作為智能識別算法的數據集。

表2 教練雷雷殼不同埋深時實驗環境和實驗參數Tab.2 Experimental environment and parameters for different buried depths of coach shell

圖6 表示埋設深度為10 mm 時，3 種教練雷殼及磚塊的干涉條紋圖。3 種教練雷雷殼的表面均呈現對稱分布的蝴蝶斑圖案，有明暗相間的條紋，不同的雷殼，條紋階數也不同，但掩埋物為磚塊時則無明顯條紋。表明該系統對空腔結構體的柔性物體檢測敏感，而對實體如磚塊檢測不敏感。因此，為了驗證YOLOv5 算法用于干涉條紋圖識別的可行性，這里設計兩個實驗：一是捕獲干涉條紋圖檢測教練雷雷殼的實驗；二是根據不同埋設深度干涉條紋圖的變化規律判斷教練雷雷殼類別的檢測實驗。

3.3 實驗平臺配置

YOLOv5 網絡模型的訓練基于Linux 系統。表3 為移動圖形工作站的軟硬件配置參數，表4為YOLOv5 算法訓練參數設置。

表3 Linux 系統軟硬件配置Tab.3 Linux software and hardware configuration

表4 訓練參數設置Tab.4 Training parameters setting

4 實驗結果及分析

4.1 柔性淺埋物檢測

訓練結束后，加載訓練完成后的最佳權重，將數據集中的測試集和采集頭捕獲的視頻數據輸入神經網絡進行測試，以驗證本算法的實際檢測效果。3 種教練雷雷殼干涉條紋圖的部分檢測效果如圖7 所示。

圖7 教練雷雷殼檢測效果Fig.7 Detection effect to judge thunder shell

從實驗結果來看，教練雷雷殼干涉條紋圖的檢測效果比較明顯，由于輸入數據為視頻數據，可以通過調節采集頭的采集幀率來實現高密度獲取實時圖像的任務，因此將YOLOv5 應用于檢測干涉條紋圖可以提高檢測速度。評價指標如圖8 所示，精確率可達98.39%，召回率為84.72%，平均精度為99.66%。

圖8 評價指標Fig.8 Evaluation index

4.2 柔性淺埋物類別檢測

上述實驗結果表明，利用YOLOv5 算法能快速從激光散斑干涉無損檢測系統的采集頭所采集的視頻中檢測出不同教練雷雷殼在不同掩埋深度下的干涉條紋圖?？紤]到柔性淺埋物種類的多樣性，因此有必要對其進行分類識別。

細沙環境下3 種教練雷雷殼的類別檢測部分效果如圖9 所示。如圖10 所示，F1 曲線表示F1分數與置信度閾值之間的關系。F1 分數是分類的一個衡量標準，是精確率和召回率的調和平均數。由圖9 和圖10 可知，細沙環境金屬教練雷雷殼的檢測效果欠佳，原因可能在于采集的干涉條紋圖大多集中在視頻中央，現有采集頭所獲取的圖像大多布滿整個畫面，使得在最初打標簽環節數據類型過于單一。盡管YOLOv5 自帶的數據增強起到一定的作用，但對于采集頭的視場范圍仍然提出了較高的要求，打標簽環節數據特征的單一性致使測試過程中出現了該問題。

圖9 教練雷雷殼類別檢測效果Fig.9 Detection effect for type determination of thunder

圖10 柔性淺埋物類別檢測的F1 曲線Fig.10 F1 curve of flexible shallow buried objects category detection

5 結論

針對當前柔性淺埋物探測技術中廣泛存在的探測效率低下問題，本文提出一種基于聲-地震耦合技術的智能探測方法。搭建聲-光融合智能探測系統，構建柔性淺埋物干涉條紋圖數據集，利用YOLOv5 算法開展柔性淺埋物和柔性淺埋物類別的檢測實驗。在給定條件下，經訓練后智能探測網絡模型的精確率為98.39%，召回率為84.72%，平均識別精度為99.66%。實驗結果表明，YOLOV5 算法可用于激光散斑測振干涉條紋圖的智能識別，初步驗證了基于聲-地震耦合技術的智能探測方法的可行性。