近几年城市道路坍塌事故频发，预防此类事故的发生，需要一种高效的道路检测手段，对道路无损害且高效的车载阵列式三维探地雷达是完成此项工作最适合的技术。

但在实际探测中，三维探地雷达现场检测产生海量数据，数据传回到室内需通过人工处理和判读，这种人工判读主观性强，判读过程漫长枯燥容易使人疲劳，相对于高效的检测手段来说，这样的判读效率显然是低下的，因此研究提高判读效率的方法非常重要。

目录

1、探地雷达样本库的建立

2、神经网络模型的搭建

3、模型训练与识别结果分析

​4、智能识别软件的开发

针对近1000张探地雷达图像中管线和空洞的异常进行标注，形成样本集。

信号类型

数据集标签数量

训练集

测试集

管线

1280

135

空洞/疏松

165

28

基于YOLOv3框架，搭建了一套适用于探地雷达图像异常智能识别的深度学习神经网络模型。

部分识别效果图：

开发了探地雷达检测图像智能判译软件，支持批量导出雷达图片、批量图片识别、批量识别结果导出，大幅提升数据处理效率。