1.一种基于神经网络的道路介电常数反演及病害判别方法,其特征在于,所述方法包括:构建道路GPR仿真数据集;在TransUNet基线模型中扩展跳跃连接数量,在每个跳跃连接处引入门控注意力机制,同时设计多尺度特征融合模块、非对称深度-空间注意力模块与深监督解码头构建形成GPR-TransUNet神经网络模型;
采用AdamW作为优化器,结合Warmup-余弦退火策略设置学习率调度方式,构建自适应区域加权损失函数,所述自适应区域加权损失函数通过动态加权机制放大介电常数突变边界的损失权重;
将道路GPR仿真数据集中的训练集输入所述GPR-TransUNet神经网络模型,采用配置的训练策略与所述自适应区域加权损失函数进行模型训练,通过验证集监测训练过程中模型的损失变化与评价指标波动,调整模型参数直至模型收敛,得到训练完成的GPR-TransUNet神经网络模型;
将待检测道路的GPR-B-scan图像输入训练完成的GPR-TransUNet神经网络模型,输出待检测道路的介电常数分布;根据介电常数分布中不同病害对应的介电常数特征,识别待检测道路中的空洞、脱空、疏松体及富水体病害,完成道路隐蔽性病害判别。
2.根据权利要求1所述的道路介电常数反演及病害判别方法,其特征在于,构建道路GPR仿真数据集的过程包括:基于gprMax三维正演平台搭建均质和非均质两类道路模型,在两类模型中分别随机嵌入空洞、脱空、疏松体及富水体四类典型病害,生成多幅道路GPR的B-scan图像;将所述B-scan图像按8:1:1比例划分为训练集、验证集与测试集,同时从gprMax正演模拟结果中提取对应B-scan图像的真实介电常数分布,将其映射为与B-scan图像尺寸一致的uint16灰度图作为标签数据,完成数据集构建。
3.根据权利要求1所述的道路介电常数反演及病害判别方法,其特征在于,所述门控注意力机制的实现过程包括:将GPR-TransUNet神经网络模型中解码器输出的高级语义特征X与编码器输出的低级细节特征S在通道维度上拼接,得到联合特征Z;
通过第一1×1卷积层对联合特征Z进行通道压缩,依次进行批归一化处理与ReLU激活函数运算,再通过第二1×1卷积层与Sigmoid激活函数运算,生成与低级细节特征通道数一致的门控权重;
将门控权重与低级细节特征进行逐元素相乘,得到加权后的筛选特征,实现对跳跃连接中有效特征的增强与噪声特征的抑制;
所述生成与低级细节特征通道数一致的门控权重为:
其中,表示门控权重,为第一1×1卷积层权重参数,为第二1×1卷积层权重参数,为Sigmoid函数,为ReLU函数,为批归一化操作,Z为联合特征。
4.根据权利要求1所述的道路介电常数反演及病害判别方法,其特征在于,所述非对称深度-空间注意力模块的实现过程包括:对模块输入特征图进行通道维度线性变换,通过1×1卷积层生成与输入特征图尺寸相同的Value特征图;
分别构建深度分支与空间分支捕获不同维度特征,其中深度分支采用k×1尺寸卷积核提取GPR图谱垂直轴的相关性特征,得到深度注意力图;
空间分支采用1×k尺寸卷积核提取GPR图谱水平轴的相关性特征,得到空间注意力图;
将深度注意力图与空间注意力图相加,通过Sigmoid激活函数压缩至[0,1]范围,生成最终注意力门控;
将注意力门控与Value特征图进行逐元素相乘,得到重标定后的输出特征图,实现对GPR图谱中垂向层状特征与横向异常特征的精准聚焦。
5.根据权利要求1所述的道路介电常数反演及病害判别方法,其特征在于,所述多尺度特征融合模块的构建过程包括:设置四个并行特征提取分支,各分支分别采用1×1、3×3、5×5与7×7尺寸的卷积核进行卷积操作,且在卷积过程中设置padding使各分支输出特征图的空间分辨率与输入特征图保持一致;
在每个分支的卷积操作后,依次进行批归一化处理与ReLU激活函数运算,增强特征非线性表达能力;
将四个分支的输出特征在通道维度上拼接,通过1×1卷积层对拼接特征进行通道压缩与特征整合,使输出通道数恢复至输入特征图的通道数,再次进行批归一化处理与ReLU激活函数运算;
引入可学习的残差缩放因子,将整合后的特征与模块输入特征进行加权融合,得到多尺度特征融合结果。
6.根据权利要求1所述的道路介电常数反演及病害判别方法,其特征在于,所述自适应区域加权损失函数的计算过程包括:从标签数据的真实介电常数分布中提取空间梯度信息,计算真实介电常数分布在水平方向的梯度近似值与垂直方向的梯度近似值;
通过逐像素计算水平方向的梯度近似值与垂直方向的梯度近似值的平方和的平方根,并通过补零恢复至原始尺寸,合成梯度幅度图;
将梯度幅度图输入由两层卷积层、ReLU非线性激活层和Sigmoid输出层构成的辅助检测网络,生成与GPR-TransUNet神经网络模型输出的预测介电常数图尺寸相同的动态关键区域加权掩码;
基于预测介电常数图和真实介电常数分布之间的全局像素级误差计算基础损失;
基于预测介电常数图和真实介电常数分布以及动态关键区域加权掩码计算关键区域损失,通过预设系数和对基础损失与关键区域损失进行加权求和,得到自适应区域加权损失函数。
7.根据权利要求6所述的道路介电常数反演及病害判别方法,其特征在于,基于预测介电常数图和真实介电常数分布之间的全局像素级误差计算基础损失其中,为特征图高度,为特征图宽度,为预测介电常数图在(i,j)位置的像素值,为真实介电常数分布在(i,j)位置的像素值。
8.根据权利要求6所述的道路介电常数反演及病害判别方法,其特征在于,基于预测介电常数图和真实介电常数分布以及动态关键区域加权掩码计算关键区域损失,包括:基于预测介电常数图和真实介电常数分布以及动态关键区域加权掩码计算关键区域损失为其中,为特征图高度,为特征图宽度,为预测介电常数图在(i,j)位置的像素值,为真实介电常数分布在(i,j)位置的像素值,为动态关键区域加权掩码在(i,j)位置的像素值。
9.根据权利要求1所述的道路介电常数反演及病害判别方法,其特征在于,设置学习率为其中,为当前轮次学习率,为最小学习率,为初始学习率,为当前训练轮次,为总训练轮次。
10.根据权利要求1所述的道路介电常数反演及病害判别方法,其特征在于,将待检测道路的GPR-B-scan图像输入训练完成的GPR-TransUNet神经网络模型,输出待检测道路的介电常数分布,包括:将待检测道路的GPR-B-scan图像输入训练完成的GPR-TransUNet后,利用非对称深度-空间注意力模块首先作用于编码器,通过k×1卷积捕捉GPR图像垂直深度轴的层状特征,1×k卷积提取水平扫描轴的局部异常特征,再融合生成注意力门控,得到编码阶段的增强特征图;
对所述增强特征图经多尺度特征融合模块优化,通过多尺寸卷积核并行提取不同感受野特征,各分支输出经BN-ReLU处理后,在通道维度拼接后引入残差缩放因子将融合特征与原始高维特征加权求和,得到特征融合后的特征图;
在特征传递至解码器过程中,门控注意力模块将编码器低级细节特征与解码器高级语义特征拼接后经1×1卷积-BN-ReLU压缩维度,再通过Sigmoid生成门控权重;将门控权重与编码器原始特征逐像素相乘,筛选出对介电反演有用的细节特征,将筛选后的特征传入解码器对应层;
根据深监督解码头对各解码层输出施加监督约束,通过轻量分割头生成辅助预测,解码器输出经通道压缩与线性激活,将特征图像素值映射为实际介电常数值,形成与输入图像尺寸一致的介电常数分布。