近期，我校機械與電子信息學院周峰副教授團隊在深度學習探地雷達隧道檢測方面取得突破性進展，相應的成果《A deep learning framework based on improved self-supervised learning for ground penetrating radar tunnel lining inspection》（一種基于改進自監督學習的深度學習構架及其在探地雷達隧道襯砌檢測應用）的論文在線發表在國際著名期刊《Computer-Aided Civil and Infrastructure Engineering》，并被選為該期刊的封面文章。
論文第一作者為我校2020級電子信息專業碩士研究生黃健，周峰副教授為通信作者。其他合作作者分別來自中鐵西南研究院、俄羅斯鮑曼科技大學、挪威巖土工程研究所、英國阿伯丁大學和荷蘭代爾夫特理工大學。
該研究針對工程檢測領域中難以獲得大量標簽驗證數據來訓練深度學習網絡的普遍性難題，以探地雷達隧道襯砌檢測為例，開展基于少標簽樣本的深度學習方法研究，以解決標簽數據稀缺導致的深度學習模型識別精度低的問題。該研究基于探地雷達道間波形的空間相關性特征，提出一種基于改進的自監督學習算法（即Self-attention for dense contrast learning，簡稱SA-DenseCL）的深度學習自動檢測框架。該框架通過在自監督學習算法的編碼器中新增相關投影頭模塊，來捕獲探地雷達數據中特有的相關性信息，從而提升整個模型對探地雷達數據的特征學習能力。該檢測流程利用無標簽數據對骨干網絡進行預訓練，并結合少量有標簽數據對目標檢測網絡進行微調，實現對隧道襯砌中的鋼筋、空洞位置及二次襯砌厚度的自動快速識別。實驗結果表明，即使在只有少量標簽數據的情況下，依然可以實現對鋼筋、空洞位置及二次襯砌厚度的高精度檢測，對比研究發現，在標簽數據相近的情況下，該方法的性能上優于基于監督學習預訓練的檢測方法。所提出的這種新的深度學習框架能大幅度減小目標檢測網絡對標簽數據的依賴性，有望促進深度學習方法在工程檢測領域中的廣泛應用和落地。目前，該算法及軟件代碼已經在云南某隧道中開始投入使用。
《Computer-Aided Civil and Infrastructure Engineering》期刊在中科院和科睿唯安JCR分區中均屬于Q1類Top期刊，其影響因子連續幾年在土木工程、交通工程、基建等領域國際期刊中排名第一，2022年最新影響因子10.066。該期刊以審稿嚴苛著稱，通常分配有5-7名審稿人，每年發文數不超過100篇。
論文信息：
Title：A deep learning framework based on improved self-supervised learning for ground-penetrating radar tunnel lining inspection
Authors：Jian Huang, Xi Yang, Feng Zhou（通信作者）, Xiaofeng Li, Bin Zhou, Song Lu, Sergey Ivashov, Iraklis Giannakis, Fannian Kong, Evert Slob
Source: Computer-Aided Civil and Infrastructure Engineering
DOI：10.1111/mice.13042
Available online: 19 May 2023
https://doi.org/10.1111/mice.13042
論文鏈接：https://onlinelibrary.wiley.com/doi/full/10.1111/mice.13042
圖1 SA-DenseCL 網絡結構圖
圖2 提交的封面配圖
鄂公網安備 42011102004169號
