1.一种基于双向Mamba的YOLOv12探地雷达地下病害识别方法,其特征在于,所述方法包括:获取探地雷达的灰度B-Scan数据;
对所述灰度B-Scan数据进行多物理场输入构建处理,得到四通道物理感知张量;
将所述四通道物理感知张量输入至改进MPS-YOLOv12网络,得到病害检测结果,其中所述改进MPS-YOLOv12网络包括卷积层、浅层、深层和检测头,所述卷积层的输入卷积核通道数扩展为4,所述浅层保留A2C2f单元和C3k2单元,所述深层替换为MPS-Block单元,所述MPS-Block单元采用双路径结构且内部嵌套多个MPS-Mamba子单元,所述深层为下采样倍率为16倍和32倍的层级,所述检测头包括高尺度检测头、中尺度检测头和低尺度检测头;
所述将所述四通道物理感知张量输入至改进MPS-YOLOv12网络,得到病害检测结果的步骤包括:将所述四通道物理感知张量输入至输入卷积层,完成通道适配并编码为初始特征图;
将所述初始特征图输入至浅层的A2C2f单元和C3k2单元,提取GPR图像的局部纹理与边缘特征,得到浅层局部特征;
将所述浅层局部特征输入至深层的MPS-Block单元,通过双路径结构分别处理得到残差特征和深度全局特征;
将所述残差特征与所述深度全局特征进行通道拼接,再经1×1卷积融合,得到适配地下病害检测的融合结果;
将所述融合结果分别输入至高尺度检测头、中尺度检测头和低尺度检测头,生成对应的多尺度预测特征图;
对每个所述多尺度预测特征图分别进行解码,得到预测结果,其中所述预测结果包括边界框坐标、类别置信度和目标存在概率;
对所有尺度的所述预测结果执行非极大值抑制处理,得到筛选后的预测结果,其中所述非极大值抑制采用预设交并比阈值和预设置信度阈值进行筛选;
将所述筛选后的预测结果按类别整合,输出包含病害位置、类型及置信度的病害检测结果;
所述将所述浅层局部特征输入至深层的MPS-Block单元,通过双路径结构分别处理得到残差特征和深度全局特征的步骤包括:将所述浅层局部特征输入至MPS-Block单元的第一路径,经1×1卷积后直接传递,得到与输入特征维度一致的残差特征;
将所述浅层局部特征输入至MPS-Block单元的第二路径,经1×1卷积压缩通道至原通道数的二分之一,得到压缩后特征;
将所述压缩后特征输入至MPS-Mamba子单元,解耦物理特征并建模全局依赖,得到子单元输出特征;
基于能量特征和所述子单元输出特征逐元素相乘,过滤低置信度特征,得到门控后特征;
将所述门控后特征与边缘特征逐元素相加,得到深度全局特征;
所述将所述压缩后特征输入至MPS-Mamba子单元,解耦物理特征并建模全局依赖,得到子单元输出特征的步骤包括:通过四个差异化并行投影头解耦所述压缩后特征,得到纹理特征、能量特征、色散特征和边缘特征,其中所述四个差异化并行投影头分别为主流语义头、振幅门控头、频率头和相位头;
将所述色散特征逐元素叠加至纹理特征,再经层归一化处理,得到增强特征;
对所述增强特征执行正向状态空间扫描,得到正向上下文特征;
对所述增强特征进行时间反转后执行正向扫描再反转,得到反向上下文特征;
将所述正向上下文特征与所述反向上下文特征相加,得到双向全局特征;
将所述双向全局特征和所述能量特征逐元素相乘,得到门控全局特征;
将所述门控全局特征、所述纹理特征和所述边缘特征进行逐元素相加,得到子单元输出特征。
2.如权利要求1所述的方法,其特征在于,所述对所述灰度B-Scan数据进行多物理场输入构建处理,得到四通道物理感知张量的步骤包括:对所述灰度B-Scan数据沿时间轴方向减去像素值基准数执行去直流处理,得到零均值雷达信号;
对所述零均值雷达信号沿时间轴方向应用希尔伯特变换,生成复解析信号;
基于所述复解析信号分别计算得到瞬时振幅、瞬时相位和瞬时频率;
对所述零均值雷达信号、瞬时振幅、瞬时相位、瞬时频率分别进行最小-最大归一化处理后沿通道维度堆叠,得到四通道物理感知张量。
3.如权利要求2所述的方法,其特征在于,所述基于所述复解析信号分别计算瞬时振幅、瞬时相位和瞬时频率的步骤包括:计算所述复解析信号实部与虚部的平方和平方根,得到适配GPR能量分布的瞬时振幅;
计算所述复解析信号虚部与实部的反正切值,得到适配GPR相位突变特性的瞬时相位;
对所述瞬时相位执行相位解缠操作消除跳变,得到连续相位函数;
对所述连续相位函数沿时间轴做差分运算,得到差分结果;
基于所述差分结果和时间采样间隔进行计算,得到适配GPR色散特性的瞬时频率。
4.如权利要求1所述的方法,其特征在于,所述通过四个差异化并行投影头解耦所述压缩后特征,得到纹理特征、能量特征、色散特征和边缘特征的步骤包括:将所述压缩后特征输入至主流语义头,通过1×1点卷积对所述压缩后特征进行维度映射,得到纹理特征;
将所述压缩后特征输入至振幅门控头,通过7×7深度可分离卷积对所述压缩后特征进行大感受野提取,再经Sigmoid激活函数处理,得到能量特征;
将所述压缩后特征输入至频率头,通过扩张率为2的3×3空洞卷积对所述压缩后特征进行色散信息提取,得到色散特征;
将所述压缩后特征输入至相位头,通过3×3标准卷积对所述压缩后特征进行边缘信息提取,得到边缘特征。
5.一种基于双向Mamba的YOLOv12探地雷达地下病害识别装置,其特征在于,所述装置应用于如权利要求1-4中任一项所述的基于双向Mamba的YOLOv12探地雷达地下病害识别方法,所述装置包括:获取模块,用于获取探地雷达的灰度B-Scan数据;
构建模块,用于对所述灰度B-Scan数据进行多物理场输入构建处理,得到四通道物理感知张量;
结果模块,用于将所述四通道物理感知张量输入至改进MPS-YOLOv12网络,得到病害检测结果,其中所述改进MPS-YOLOv12网络包括卷积层、浅层、深层和检测头,所述卷积层的输入卷积核通道数扩展为4,所述浅层保留A2C2f单元和C3k2单元,所述深层替换为MPS-Block单元,所述 MPS-Block单元采用双路径结构且内部嵌套多个MPS-Mamba子单元,所述深层为下采样倍率为16倍和32倍的层级,所述检测头包括高尺度检测头、中尺度检测头和低尺度检测头。
6.一种基于双向Mamba的YOLOv12探地雷达地下病害识别设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并在所述处理器上运行的基于双向Mamba的YOLOv12探地雷达地下病害识别程序,所述基于双向Mamba的YOLOv12探地雷达地下病害识别程序配置为实现如权利要求1-4中任一项所述的基于双向Mamba的YOLOv12探地雷达地下病害识别方法的步骤。
7.一种存储介质,其特征在于,所述存储介质上存储有基于双向Mamba的YOLOv12探地雷达地下病害识别程序,所述基于双向Mamba的YOLOv12探地雷达地下病害识别程序被处理器执行时实现如权利要求1-4任一项所述的基于双向Mamba的YOLOv12探地雷达地下病害识别方法的步骤。