探地雷达(ground-penetrating radar,GPR)是一种可用于道路内部异常目标识别的无损检测方法。 GPR 工作时往往产 生海量的扫描数据,而数据解释是技术要求高、任务繁重的工作,通常需要人工完成。 此外,道路内部的复杂性和异常目标的 多样性增加了图像异常检测的难度。 近年来,人工智能(artificial intelligence,AI)技术的快速发展为基于 AI 的探地雷达B-scan 图像自动解释提供了可行的技术思路,常用的深度学习算法有 RCNN( region-convolutional neural network)和 YOLO( you only look once)。 虽然 YOLOv3 在目标检测方面已经有了一定的成效,但 YOLOv4 的改进算法可以进一步提高检测能力。 结合 YOLOv3 算法,对比研究分析 YOLOv4 目标检测算法的改进对于目标检测任务的影响,以及 YOLOv4 算法对探地雷达图像异常 目标检测效率的提升能力。 结果表明,YOLOv4 的改进算法更适用于探地雷达异常目标的自动检测,经过训练后的 YOLOv4 网络模型满足探地雷达道路内部异常目标智能化检测需求,具有较强的实用价值。 [ABSTRACT FROM AUTHOR]