基于改进U-Net神经网络的堤坝隐患综合智能识别

张铎; 王波; 邓朝阳; 张硕; 肖越; 聂利超

doi:10.12404/j.issn.1671-1815.2504517

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (16) :6749-6760 DOI: 10.12404/j.issn.1671-1815.2504517

天文学、地球科学

基于改进U-Net神经网络的堤坝隐患综合智能识别

张铎 ¹ ,
王波 ² ,
邓朝阳 ¹ ,
张硕 ¹ ,
肖越 ¹^,^* ,
聂利超 ¹

作者信息 +

Intelligent Comprehensive Detection of Dam Defects Based on Improved U-Net Neural Network

ZHANG Duo ¹ ,
WANG Bo ² ,
DENG Zhao-yang ¹ ,
ZHANG Shuo ¹ ,
XIAO Yue ¹^,^* ,
NIE Li-chao ¹

Author information +

文章历史 +

摘要

堤坝隐患识别在水利工程安全监测中具有重要意义。然而,由于物探数据来源多样、特征差异显著以及目标区域边界模糊,现有方法在多源物探数据融合与精细识别方面仍面临挑战。针对上述问题,提出了一种基于改进U型神经网络(U-Net neural network,NetU-Net)的多源协同识别方法,设计了独立特征提取模块与噪声特征辅助机制,用于增强瞬变电磁、探地雷达与水下声呐数据在特征层的表达一致性与互补性。通过增强跳跃连接结构、引入加权交叉熵损失函数及余弦退火学习率调度策略,提升了模型对小样本类别、高噪声背景和隐患边界的辨识能力。在江西九江市立新圩堤坝实测数据上的应用表明,该方法在典型隐患区域的识别准确率达到87%以上,在均交并比(mean intersection over union,mIoU)等指标上相较传统方法取得明显提升。研究结果验证了所提方法在多源物探数据融合处理与复杂地质条件下的稳定性与适应性,可为堤坝隐患识别系统的智能化与工程化提供技术支撑。

Abstract

Dam hazard identification plays a critical role in water conservancy safety monitoring. However, existing methods encounter significant challenges in multi-source geophysical data fusion and precise identification due to diverse data sources, substantial feature variations, and ambiguous target boundaries. To address these issues, an improved U-Net neural network (U-Net)-based multi-source collaborative identification framework was proposed. Independent feature extraction modules coupled with noise-assisted mechanisms were designed to enhance feature consistency and complementarity across transient electromagnetic, ground-penetrating radar, and underwater sonar data. The model’s capability in identifying minority classes, high-noise backgrounds, and hazard boundaries was strengthened through enhanced skip connections, weighted cross-entropy loss function, and cosine annealing learning rate scheduling. Field application at the Lixinxu embankment in Jiujiang City, Jiangxi Province demonstrates that the proposed method achieves over 87% recognition accuracy in typical hazard zones, with significant improvements in mean intersection over union (mIoU) and other metrics compared to conventional approaches. The results validate the method’s stability and adaptability in processing multi-source geophysical data under complex geological conditions, providing reliable technical support for intelligent dam hazard identification systems.

Graphical abstract

关键词

深度学习 / 图像识别 / 神经网络 / 不良地质体 / 探地雷达

Key words

deep learning / image recognition / neural networks / adverse geological bodies / ground-penetrating radar

引用本文

引用格式 ▾

张铎, 王波, 邓朝阳, 张硕, 肖越, 聂利超. 基于改进U-Net神经网络的堤坝隐患综合智能识别[J]. 科学技术与工程, 2026, 26(16): 6749-6760 DOI:10.12404/j.issn.1671-1815.2504517

ZHANG Duo, WANG Bo, DENG Zhao-yang, ZHANG Shuo, XIAO Yue, NIE Li-chao. Intelligent Comprehensive Detection of Dam Defects Based on Improved U-Net Neural Network[J]. Science Technology and Engineering, 2026, 26(16): 6749-6760 DOI:10.12404/j.issn.1671-1815.2504517

登录浏览全文

4963

注册一个新账户忘记密码

堤坝隐患的预防与治理在中国水利安全和防灾减灾中具有极其重要的地位^[1-2]。中国是一个多河流域国家,水资源丰富,但同时也面临河流泛滥和洪涝灾害的威胁,堤坝的安全性直接关系到人民生命财产的安全和生态环境的稳定。当前,现代化的堤坝监测体系正逐步建立,通过先进的监测技术,如遥感、卫星和无人机,实现堤坝状态的实时监测、预警与响应^[3-4]。然而,中国堤坝线长面广,部分早期堤坝因质量问题存在隐患,且汛期堤坝失事风险高,给防灾减灾带来巨大挑战。因此,发展堤坝隐患和险情的快速、精准探测技术,成为堤坝灾害治理的关键,也是国家科技攻关和应急管理的重点方向之一^[5-6]。

当前,堤坝隐患的探测与识别技术依赖于多源探查方法的结合^[7],以获得全面的地质和水文信息。其中,瞬变电磁法、探地雷达和多波束声呐等物探技术表现出良好的应用前景。瞬变电磁法通过电磁场的瞬变响应分析地下介质电阻率分布,适合探测堤坝内部的含水结构与潜在隐患区域;探地雷达基于电磁波反射特性,能够提供地质层理和不连续面信息,用于识别浅层隐患;多波束声呐则通过声波回声检测水体下的地形和结构,为水下堤坝隐患识别提供重要支持。然而,这些技术在实际应用中往往会受到地质复杂性、数据干扰等因素的影响,导致隐患识别的精确度和效率不足。如何结合多种探测方法,利用多源物探数据的优势,提升堤坝隐患识别的准确性,是当前该领域的重要研究方向。

近年来,深度学习在工程建设中得到广泛应用,特别是卷积神经网络(convolutional neural network, CNN)在岩性识别、地质学、资源勘查以及工程中有重要应用^[8]。陈培帅等^[9]利用CNN模型提高了隧道施工过程中的安全性和解译效率,为地质预报提供了可靠支持。未来可拓展至更多复杂地质环境。吴浩等^[10]改进的一维卷积神经网络(one-dimensional convolutional neural network, 1DCNN)与支持向量机(support vector machine, SVM)融合模型能更精确地预测隧道围岩的收敛变形等级,为工程设计提供理论支持。吕擎峰等^[11]采用加权最大互信息系数(weighted maximum information coefficient, WMIC)与长短期记忆网络(long short-term memory, LSTM)结合,预测特殊岩土隧道围岩的变形趋势。杜京义等^[12]提出了一种基于CNN的煤矿井下供水管道泄漏孔径识别与定位模型,充分利用管道压力及流量信号的空间及时间特征进行泄漏位置及孔径的识别。吴子燕等^[13]提出了一种结合CNN与区域生长法的裂缝检测方法,实现了像素级裂缝识别,为建筑维护提供了可靠的技术支持。张研等^[14]利用CNN模型识别不同酸性环境下灰岩的溶蚀程度,并分析模型参数的敏感性为灰岩溶蚀程度的自动识别提供了高效解决方案。

CNN中存在很多分支,特别是U型神经网络(U-Net neural network,U-Net)神经网络在数据驱动的识别领域展现出巨大的潜力,逐渐被应用于地质灾害监测等复杂任务中^[15-16]。U-Net神经网络因其强大的特征提取和分割能力,已在医学图像分割和遥感影像处理中广泛应用^[17]。在堤坝隐患监测方面,将瞬变电磁、探地雷达、多波束声呐的多源物探数据与U-Net网络结合,构建“物探成像结果-地质隐患”数据库,可实现自动化的隐患特征提取与识别,提高隐患的定位精度与效率。U-Net网络通过深度学习的方式,从多种物探数据中提取重要特征,能够更好地解决单一探测方法的局限性^[18],准确识别堤坝隐患的具体位置、范围和类型。通过这一数据驱动的深度学习框架,U-Net网络不仅提升了对复杂数据的解析能力^[19-20],还可整合瞬变电磁、探地雷达和多波束声呐的数据,提供堤坝隐患智能识别和综合解释的技术方案。近年来,深度学习特别是U-Net网络在地质工程领域的应用取得了显著进展。胡婷等^[21]基于U-Net网络实现了矿山微震信号的初至自动拾取,提高了地质灾害监测的时效性。曹战等^[22]提出了基于注意力机制的U-Net模型用于露头裂缝自动识别,显著提升了裂缝边界的分割精度。汪南洋等^[23]开发改进U-Net模型用于岩心孔洞图像分割,为地质结构精细分析提供了新方法。张学辉等^[24]构建了轻量化多尺度动态融合卷积模块,实现了高效的裂缝分割。刘恩良等^[25]运用深度学习技术实现了页岩地质露头裂缝特征的自动识别。上述研究表明,深度学习技术在地质工程复杂特征识别中展现出强大的应用潜力,但针对堤坝隐患这类多源异构数据融合、小样本条件下的模型泛化以及复杂噪声环境下的鲁棒性识别仍是亟待突破的关键问题。

现基于多元异构数据,构建基于多源地质信息的深度神经网络算法,提出一种基于多物理探测数据的联合解译方法。通过瞬变电磁、探地雷达和多波束声呐等多源探测数据,实现探测结果的成像、异常体提取及虚拟展示,并从多个维度对目标体进行综合分析与识别,从而大幅提升隐患识别的精度与可靠性。充分利用改进U-Net神经网络的特征提取能力,将不同探测手段的优势数据进行分析,弥补了传统隐患识别方法在效率与精准度上的不足。通过多源物探信息的联合分析,实现了堤坝隐患的快速、精准探测,具备显著的工程应用价值,为堤坝监测的智能化与自动化提供关键技术支撑。

1 基于改进U-Net神经网络堤坝隐患综合识别方法

1.1 改进的U-Net神经网络

堤坝隐患的智能识别面临多源物探数据融合与特征提取的双重挑战。传统方法在处理探地雷达、瞬变电磁法^[26]和多波束声呐^[27]等异构数据时,由于特征表达能力有限、信息冗余过多以及计算复杂度过高,难以实现对复杂隐患区域的高精度识别。同时,不同数据源之间的融合易引发信息冲突,进一步降低了模型对隐患区域边界和细节的识别能力。针对上述不足,提出了一种基于改进U-Net架构的堤坝隐患综合识别方法(图1),通过模块化设计与融合策略优化,显著提升了多源物探数据的特征提取与融合效果^[28]。

针对探地雷达(ground penetrating radar, GPR)、瞬变电磁法(transient electromagnetic method, TEM)^[26]和多波束声呐数据的异构性特点,构建基于专属CNN的独立特征提取模块。针对多源物探数据融合中信息冲突与特征丢失的问题,采用模块化设计,逐层提取各数据源的关键特征,实现特征解耦与精细表达,避免直接融合带来的冗余和冲突。基于非线性激活机制,模块引入线性整流函数(rectified linear unit, ReLU)激活函数,通过从线性映射到非线性空间的转换,增强了模型对管涌水通道、富水区和坝体松散区等复杂隐患区域的特征表达能力。此外,为解决计算复杂度高和特征冗余问题,模块引入池化层(Pooling)对特征图进行下采样,有效压缩了输入维度,减少了网络参数量,显著提升计算效率的同时,优化了特征分布的稀疏性。这种稀疏优化通过降低特征自由度(degrees of freedom),减轻了模型的过拟合风险,进一步增强了隐患特征提取的鲁棒性。最终,通过独立特征提取模块的设计与分布式特征融合策略的结合,实现了多源物探数据的高效整合,为隐患识别提供了更强大的特征表达能力和空间分辨率。

在多源物探数据的融合过程中,传统方法多采用直接拼接或简单线性加权,难以兼顾不同数据源特征的异质性和互补性。提出一种基于分布式特征学习的融合策略,利用全连接层的统一映射特征,解决了融合过程中信息冲突与冗余的问题。具体而言,设探地雷达、瞬变电磁法和多波束声呐的特征映射为F₁X₁、F₂X₂、F₃X₃。通过全连接层融合特征表达为

(1)$ F_{\text {fused }}=\sigma\left(\sum_{i=1}^{3} W_{i} F_{i} X_{i}+\text { Concat } b\right)$

式(1)中:F_fused为融合后的特征表示;F_i为第 i 个模态的输入特征;X_i为对应特征的权重系数;W_i为动态融合权重;σ为非线性激活函数;通过引入动态调整机制,网络能够根据不同数据源的重要性自动优化W_i,从而实现特征的高效整合;b为偏置项, 用于调整激活函数的输出,增强模型的表达能力;Concat为拼接操作。

该过程优化了数据在隐含空间中的分布,最大化了特征表达的互补性与区分度。

堤坝隐患检测任务中,多源探测数据(如瞬变电磁法、探地雷达和多波束声呐)由于物理机制和数据分布的异质性,传统方法在特征融合时往往面临信息冲突、细节损失和特征冗余的问题。为此,在U-Net网络架构中引入了增强型跳跃连接(skip connections),以改善特征融合效果。跳跃连接通过将编码路径中不同层次的特征直接传递至解码路径,在解码阶段实现低层空间特征与高层语义特征的有机结合。数学上,这一机制可描述为

(2)$ F_{\mathrm{dec}}(l)=\operatorname{Concat}\left[F_{\mathrm{enc}}(l), F_{\mathrm{dec}}(l+1)\right]$

式(2)中:F_enc(l)、F_dec(l+1)分别为编码路径第l层的特征图和解码路径第l+1层的特征图。

通过增强跳跃连接,模型能够有效捕捉隐患区域(如管涌水通道、富水区和坝体松散区)的边界和细节特征,同时缓解深层网络中的梯度消失问题,提高了多源物探数据的融合能力和特征表达的鲁棒性。实验验证表明,这一设计显著增强了模型的分割性能,使其能够在复杂地质环境下实现对多源物探数据的精确处理。

堤坝隐患识别任务需要处理大量来自多种探测技术的异构数据,传统单GPU计算架构在处理大规模数据时,因计算资源和效率的限制难以满足实际需求。针对这一问题,构建基于多GPU并行计算的训练框架,利用 PyTorch实现了数据的分布式处理。具体而言,模型将大规模数据按批次分发至多块GPU,每块GPU独立完成前向传播和反向传播操作,并通过主节点完成参数同步更新。这一架构在理论上通过并行化操作降低了计算复杂度。实验表明,采用多GPU并行计算后,模型训练时间缩短了约40%,且在多源物探数据输入条件下保证了计算资源的高效利用。这一框架为堤坝隐患实时监测和大规模数据处理提供了技术支持。

为应对复杂地质数据的特性和隐患特征的不均衡分布,在模型训练中引入动态学习率调度和自适应梯度优化策略。首先,采用 Adam 优化器对梯度更新进行动态调整,使模型在非平稳梯度空间中实现高效收敛。其次,结合动态学习率调度器(LambdaLR),通过式(3)动态调整学习率。

(3)$ \eta_{t}=\eta_{0}\left(1-\frac{t}{T}\right)^{k}$

式(3)中:η_t为第t次迭代时的学习率;η₀为初始学习率;T为总迭代次数;k为学习率衰减指数。

初期,模型采用较高的学习率以快速捕捉全局特征;后期,通过降低学习率进行细粒度优化,避免过拟合和不稳定收敛。实验结果显示,这一机制显著提升了训练的稳定性和泛化性能。

1.2 加权交叉熵与多指标评估策略

1.2.1 交叉熵损失函数

在堤坝隐患识别任务中,采用交叉熵损失函数(cross-entropy loss, CE),作为优化后的U-Net网络的核心损失函数。交叉熵损失函数广泛适用于多类别分类任务,特别是在图像分割问题中,能够有效地计算每个类别的预测概率与实际标签之间的方差。其基本原理是通过计算预测分布与真实标签分布之间的交叉熵,为网络提供梯度信号,从而优化网络的参数。在多分类交叉熵损失函数可表示为

(4)$ L_{\mathrm{CE}}=-\sum_{i=1}^{C} y_{i} \log _{2} \hat{y}_{i}$

式(4)中:C为类别数;y_i为真实标签;${\widehat{y}}_{i}$为模型对每个类别的预测概率。

在堤坝隐患检测中,精准分类多类隐患(如管涌水通道、富水区、坝体松散区)至关重要。针对类别分布不均衡问题,优化后的U-Net网络结合加权交叉熵损失函数(weighted cross-entropy, WCE),有效提供梯度反馈,引导模型区分复杂隐患区域,显著提升分类精度。

U-Net采用编码-解码结构,通过跳跃连接融合低层细节信息,而交叉熵损失在该框架中充分利用分层特性,优化特征提取,增强边界与不规则结构的分割能力。此外,WCE针对数据不均衡问题,通过权重的调整优化各类别预测,防止大类别主导训练,提升小样本类别的识别能力。该方法增强了网络的泛化性和鲁棒性,使其在复杂地质环境下保持稳定性能,进一步提升堤坝隐患识别的精度与适应性。

1.2.2 评价指标

在堤坝隐患识别任务中,为全面评估模型分类性能,采用像素精度(pixel accuracy, PA)、均像素精度(mean pixel accuracy, MPA)和均交并比(mean intersection over union, mIoU)三项关键指标,从不同维度量化模型的分类精度。这些指标能够有效衡量模型对隐患区域(如管涌水通道、富水区、坝体松散区等)的识别能力,并为优化提供数据支撑。其中,PA衡量正确识别的像素占总像素的比例^[28],作为基础指标,反映模型整体识别能力,尤其在复杂地质环境中,PA越高,表明模型对各类别的分类精度越优。其数学表达式为

(5)$ \mathrm{PA}=\frac{\mathrm{TP}+\mathrm{TN}}{\mathrm{TP}+\mathrm{TN}+\mathrm{FP}+\mathrm{FN}} \times 100 \%$

式(5)中:TP为正确识别为隐患区域;TN为正确识别为非隐患区域;FP为误判为隐患区域;FN为漏判的隐患区域。

通常,PA达到85%以上,以确保模型在大多数隐患区域的有效识别。PA的提升不仅增强模型对常见隐患的辨识能力,还提升其对复杂地质结构及边缘区域的适应性,从而提高隐患监测的精准度。

MPA进一步改进了PA指标,通过计算每个类别正确识别的像素数占该类别所有像素数的比例,最终对所有类别的识别精度进行平均。这一指标特别适用于多类别分类任务,能够更精确地反映模型对不同类型隐患区域的识别能力。其计算公式为

(6)$ \mathrm{MPA}=\frac{1}{C} \sum_{i=1}^{C} \frac{\mathrm{TP}_{i}}{\mathrm{TP}_{i}+\mathrm{FN}_{i}} \times 100 \%$

式(6)中:C为类别数;TP_i为第i个类别正确识别的像素数;FN_i为第i个类别漏判的像素数。

在堤坝隐患识别任务中,MPA衡量模型对不同隐患类别的均衡识别能力,避免因数据不均衡导致的类别偏倚。MPA需80%以上,以确保模型能有效识别各类隐患区域,特别是在稀有隐患(如地下水通道)中,MPA的提升表明模型对小样本类别的敏感性增强。与此同时,交并比(intersection over union, IoU)^[29]作为语义分割精度的重要衡量标准,计算预测区域与真实标签区域的交集与并集之比,IoU值越高,说明模型对隐患区域的覆盖准确性越强。其数学表达式为

(7)$ \mathrm{IoU}=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FP}+\mathrm{FN}} \times 100 \%$

IoU衡量模型在堤坝隐患区域的精准覆盖能力,反映其对隐患区域的完整识别效果,尤其在复杂堤坝结构中,对边缘和细节的捕捉至关重要。为确保实际监测的准确性,IoU达到70%以上,以减少遗漏与误判。提高IoU,尤其在复杂地质环境中,可显著增强模型的识别能力与可靠性。mIoU则进一步计算各类别IoU的均值,提供模型在多种隐患区域(如富水区、管涌水通道等)的综合评估,其数学表达式为

(8)$ \mathrm{mIoU}=\frac{1}{C} \sum_{i=1}^{C} \mathrm{IoU}_{i} \times 100 \%$

mIoU提升意味着模型在复杂地质条件下的隐患识别能力优化。正常要求mIoU达到60%以确保稳健表现。最终准确率受PA、MPA、IoU、mIoU共同影响,通过细粒度优化提升模型在各类隐患区域的识别能力。准确率的提高不仅依赖各指标的优化,还需在不同任务与数据环境下权衡调整,确保最终识别精度达85%以上,提升堤坝隐患监测的实际应用效果。

1.3 模型训练与隐患识别策略

为提高模型的训练效率和收敛速度,提出一种融合的训练与识别策略,结合自适应矩估计优化器(adaptive moment estimation, Adam)^[30]、动态学习率调度和多GPU并行计算等多项技术。这些策略不仅有效提升了模型训练过程中的稳定性,还加速了收敛过程,确保最终模型在堤坝隐患识别中的高效性和准确性,尤其在多类别隐患识别任务中展现出优异的性能。

为提升堤坝隐患的多类别识别性能,引入具有自适应特性的Adam优化器与交叉熵损失函数协同训练机制。Adam通过动态估计梯度一阶与二阶矩,实现参数更新的稳健性与个性化调整,显著增强模型对复杂地质特征的适应能力。交叉熵损失则精确驱动类别间判别边界的优化,确保模型在多隐患类型下的误差反馈敏感性与学习效率。二者联合,有效缓解训练过程中的梯度不稳定问题,强化对富水区、管涌通道等关键隐患区域的特征刻画与分类辨识,提升识别系统在实际工程场景中的可靠性与泛化能力。

采用LambdaLR学习率调度策略,以实现训练初期快速收敛与后期调整优化的动态平衡。通过阶段性递减机制,初始阶段维持较大学习率以加速特征空间探索,训练过程中逐步降低学习率,有效抑制后期收敛震荡。该策略针对堤坝隐患识别中地质条件复杂、样本分布不均的问题,增强了模型对局部最优的规避能力与全局泛化性能。动态学习率调整不仅提升了参数优化的效率与鲁棒性,也降低了过拟合风险,实现对富水区、渗漏路径等多类别隐患的精细判别与稳定学习。

针对堤坝隐患识别中数据规模大、训练周期长的问题,构建多GPU并行训练架构,实现多批次样本的同步计算,显著提升训练效率。并行机制支持更大批次输入,有效增强模型在复杂地质场景下的参数更新稳定性与收敛速度。训练过程中引入性能评估与动态检查点策略,基于验证集定期保存最优模型状态,确保在全流程训练中保持泛化性能最优。该机制不仅抑制过拟合风险,还保障最终模型在堤坝隐患多类别识别任务中的精度与稳定性。

1.4 噪声特征辅助模块与信息共享机制

为增强U-Net在多源物探数据融合下的特征表达能力,设计噪声特征融合模块(noise feature fusion module, NFFM),实现编码与解码阶段间的信息双向耦合。区别于传统跳跃连接只能传递低层特征,NFFM通过提取前向编码中的高频噪声分量,经压缩映射后嵌入解码通道,形成“残响式”特征融合路径,提升解码器在复杂背景下的判别精度。该机制强化了对隐患边界、弱纹理区的响应能力,同时促进收敛动态优化。实验验证其在富水区与低对比度区域的识别中,边界细分更稳定、精度更高。

为提升多源物探数据在堤坝隐患识别中的协同表达与判别能力,构建基于物理先验驱动的跨模态对齐框架。通过多尺度结构保持滤波抑制伪反射与多路径噪声,结合反射响应模式引导的伪标签重构,强化监督信号的物理一致性与区域辨识度。在特征融合层,引入统一嵌入与空间重映射机制,实现异构数据在联合特征空间中的分布对齐。模型架构采用任务解耦的并联子网络,配合共享注意力模块,引导模态间关键区域的互补增强与一致性约束;同时集成显著性映射与通道响应追踪,实现识别路径的可视化反馈,增强模型推理过程的可解释性与可信度。该方法实现了从数据预处理到结构融合再到推理反馈的闭环协同,在复杂地质场景下显著提升了模型的识别鲁棒性与边界刻画能力。该模型训练流程如图2所示。

2 基于多源物探数据的堤坝隐患识别模型训练与性能验证

为全面评估改进U-Net网络在堤坝隐患识别任务中的性能与适用性,选取探地雷达(ground penetrating radar,GPR)、瞬变电磁法(transient electromagnetic method,TEM)及多波束声呐数据,构建了涵盖多类别隐患区域的综合数据集。通过融合多源异构数据的数值模拟实验,重点分析了模型在管涌水通道、富水区及坝体松散区等典型隐患特征下的识别精度与鲁棒性。

2.1 基于TEM的堤坝隐患识别结果分析

基于TEM探测数据构建一个优化后的U-Net深度学习神经网络,应用于堤坝隐患的自动识别任务。数据来源于江西省九江市永修县三角联圩的瞬变电磁现场试验,包括117 组训练数据和36 组测试数据(表1)。训练时长9 h,通过该数据集的训练,模型在瞬变电磁数据的反射区域识别上展现了优异的性能,准确率达到了87%,并成功识别了堤坝中的隐患区域,如管涌水通道和富水区等。识别效果如图3所示,优化后的U-Net网络提高了模型的收敛速度和空间分辨能力,尤其在复杂的堤坝结构中表现突出。

通过训练与验证过程,模型的性能得到了进一步验证。在预测阶段,模型准确识别了大部分隐患区域,并且在反射区域的边界分割上展现了较高的精度。模型能够有效提取瞬变电磁法数据中的关键特征,从而提高了隐患区域的识别准确性,特别是在堤坝的反射信号和噪声背景的区分上取得了良好的效果。这表明,优化后的U-Net网络在处理复杂地质数据时具备较强的适应性和稳定性。

优化后的U-Net模型在堤坝隐患识别中表现出了良好的性能,尤其是在瞬变电磁探测数据的反射区域识别中,准确率达到了 87%。尽管如此,未来可以进一步优化模型在低渗透区域等特殊隐患区域的表现,以增强模型的鲁棒性和细节分割能力。通过持续改进网络结构和扩展数据集,模型的识别能力将进一步提升。实验表明,该方法在处理低对比度反射信号时仍保持良好稳定性,适用于高地下水扰动场景。

2.2 基于GPR的堤坝隐患识别结果分析

为提高GPR数据在堤坝隐患识别中的表现,在U-Net深度学习模型的基础上进行结构优化,旨在更好地适应探地雷达数据的高分辨率特性和噪声干扰等问题。研究数据来自江西省九江市永修县三角联圩的现场试验,构建100组训练数据和30 组测试数据(表2)。识别效果如图4所示,经过优化后的U-Net模型在该数据集上训练,训练时长8 h,最终实现了 89%的准确率,证明了该模型在堤坝隐患识别中的有效性,尤其在识别探地雷达成像中的反射区域和目标体方面表现出色。

在训练过程中,优化后的模型不仅能够准确识别堤坝中的反射区域,还具备了较强的抗干扰能力,尤其在处理探地雷达数据中常见的噪声背景时表现突出。通过对U-Net模型的调整,增强了其在高分辨率图像中的特征提取能力,使得网络能够更好地处理细微的反射差异,提升了对隐患区域的精准识别。模型在面对不同类型的隐患目标时,能够清晰地区分反射信号与非隐患区域,表现出较高的稳定性和识别效果。实验表明,该方法在高分辨率浅层成像中表现出良好的边界识别能力,尤其适用于浅层松散结构与复杂反射干扰共存场景。

2.3 基于水下声呐法的堤坝隐患识别结果分析

为了提高水下声呐数据在堤坝隐患识别中的表现,对U-Net深度学习模型进行结构优化,旨在更好地适应水下声呐数据的特点,如长距离探测、强噪声干扰和复杂回波等。数据来源于江西省九江市永修县三角联圩的现场试验,构建包含126组训练数据和40组测试数据的样本集(表3),训练时长9 h。在此数据集上训练并优化模型后,识别效果如图5所示,模型在水下声呐数据中的准确率达到了 92%,显著提高了堤坝隐患区域的识别精度,尤其在复杂回波和多路径效应的处理上表现出较好的性能。

训练过程中,优化后的U-Net模型能够有效应对水下声呐数据中的噪声干扰和回波重叠问题。

通过对网络结构的调整,使得模型能够更加准确地提取水下声呐回波数据^[27]中的有用特征,尤其是在长距离探测和复杂水域环境下的识别精度得到提高。图6展示了模型在测试集上的预测结果,验证了优化后的模型能够在不同水下条件下稳定识别堤坝隐患区域,并准确地分割出相关目标。实验结果验证,优化模型在应对水下多路径回波与强背景噪声条件下仍具备高精度识别能力,适用于长距离堤坝结构连续探测任务。

总体而言,优化后的U-Net模型在水下声呐数据的堤坝隐患识别中表现出了92%的准确率,在处理水下声呐图像中的复杂回波、多路径效应和噪声干扰时,展现了较强的鲁棒性。

通过对比实验发现,改进的U-Net模型在瞬变电磁法、探地雷达法和水下声呐法三种堤坝隐患识别任务中表现出显著的性能提升,准确率均稳定在87%以上,而传统未优化模型仅维持在约75%。改进模型不仅在训练初期收敛速度更快,且在复杂噪声背景下具备更强的特征提取能力和抗干扰性能,验证了优化策略在提升识别准确率和稳定性方面的有效性。

2.4 基于多源物探数据的堤坝隐患识别模型综合评价

在模型训练策略上,结合余弦退火(cosine annealing)学习率调度与梯度累积机制,有效提升小批量训练条件下的收敛稳定性与计算效率。通过设置累积步数扩大,缓解显存不足下的训练不稳定问题。实验中发现,若直接将前向路径中所有编码特征无筛选地引入解码路径,易引发梯度震荡与性能波动。为此,引入噪声特征辅助模块,通过压缩与筛选前向传播阶段的高频噪声信息,抑制冗余干扰特征,增强关键特征表达,有效提升收敛速度并稳定训练过程。

在多源物探数据识别实验中,改进U-Net在瞬变电磁与探地雷达数据上的识别准确率分别达到87%与89%,显著优于传统方法的约75%;在多波束声呐复杂干扰场景中,识别准确率进一步提升至92%,展现出较好的抗噪能力。性能提升主要归因于加权交叉熵损失函数对类别不平衡的有效响应,促进模型对管涌通道、富水区、松散区等多类隐患区域的判别能力。进一步以PA、MPA与mIoU为综合指标评估,改进模型在融合识别任务中均保持87% 以上的准确率,对比结果如图6所示,验证了该方法在复杂地质环境与多源物探数据融合下的稳健性与实用价值。

3 基于改进U-Net模型的工程应用与效果评估

为进一步验证基于改进U-Net神经网络的堤坝隐患综合识别方法的准确性与适用性,选择江西省九江市永修县立新圩堤坝为现场试验区域。立新圩堤坝为国有堤防,位于修河右岸与潦河左岸之间,堤线总长21.8 km,保护面积58.9 km²,涵盖耕地3.2×10⁷ m²,工程级别为5级堤防,具备较强的防洪能力。该堤坝经过中小河流治理工程和鄱阳湖区域退堤除险加固工程的建设,已达十年一遇设计洪水标准,具备较强的防洪能力。堤坝高度为23.3 m~23.5 m,2024年7月29日时,水位为 17.3 m,符合堤坝设计标准。

在2024年7月,在立新圩堤坝进行现场试验,使用GPR、TEM和无人声呐船等设备,针对堤坝不同区域采集了多种物探数据。每种方法的训练集和测试集数据集是基于相应的实验设备和区域特征独立采集的,涵盖了堤坝的反射区域、潜在隐患区域及地质结构数据。通过U-Net优化神经网络对三种物探方法的数据进行处理,首先,基于瞬变电磁法的识别结果显示,模型成功识别了3处管涌水通道,与传统探测方法的结果完全一致,表明该网络在反射信号识别中的高精度。其次,基于探地雷达法的模型识别了2处管涌水通道和2处松散区,其中1处管涌水通道和1处松散区未被传统方法识别。这表明改进后的U-Net模型在处理复杂结构和细微反射差异时,展现了优于传统方法的敏感性和识别精度。最后,水下声呐法的识别结果显示,模型成功识别了3处管涌水通道,与传统探测方法的识别结果高度一致,进一步验证了网络在水下环境中应对复杂回波和噪声干扰的鲁棒性。三种方法的堤坝隐患识别模型识别效果如图7所示。

为了验证基于改进U-Net神经网络的堤坝隐患识别方法的有效性和准确性,将瞬变电磁法、探地雷达法和水下声呐法三种物探方法通过网络识别的结果与传统的三维雷达探测结果进行了系统对比。传统常规探测方法三维雷达探测结果与实际现场调查结果对比如图8所示。K5+500~K5+940测区段圩坝管涌水通道主要集中于探测区域下方10~20 m 地层内,K5+940~K6+000测区段圩坝管涌水通道主要集中于探测区域下方5~25 m地层内,圩坝松散区主要分布于探测区域下方7~25 m地层内,经探测结果统计共有6处异常区域。采用5 m×5 m的网格坐标系统,异常区域的位置、影响范围及类型如表4所示。

综合分析表明,尽管在少数特殊区域(如低反射区和边界模糊区域)存在细微差异,但U-Net神经网络优化模型在所有三种物探方法中的表现优于传统方法。特别是在复杂地质条件下,模型展现了较高的准确性和较强的鲁棒性。此外,与传统探测方法相比,基于U-Net优化网络的堤坝隐患识别不仅提升了检测的精度,还表现出了明显的高效性和经济性优势。通过优化后的网络模型,堤坝隐患的识别速度得到提高,且有效减少了对高成本探测设备的依赖,从而显著降低了整体探测成本。

4 结论

(1)针对瞬变电磁法、探地雷达与水下声呐在物理机制与数据结构上的显著差异,提出基于改进U-Net的多源协同融合框架,创新性引入独立特征提取与跨模态耦合机制,有效提升了多源物探数据的互补利用效率。该方法显著突破传统单源识别精度瓶颈,使堤坝隐患识别准确率整体提升至87%以上,较传统方法提高约12%,在管涌通道、富水区及坝体松散区等典型隐患识别中表现出更强的敏感性与可靠性。

(2)围绕地质环境复杂性与数据分布不均衡问题,系统集成加权交叉熵损失函数、余弦退火学习率调度与噪声特征辅助模块,构建端到端的训练策略。优化后的U-Net在处理高噪声、边界模糊及小样本类别时表现出更强的特征辨析能力与收敛稳定性,显著提升模型在非理想数据环境下的泛化性能与鲁棒性,为复杂隐患场景提供了可靠的识别支撑。

(3)在江西九江市立新圩堤坝的工程应用验证中,改进模型实现多源物探数据的深度融合与高效解析,准确定位多处隐患区域,部分超越传统三维雷达识别能力。相比常规方法,该模型具备更高的识别精度、更短的处理时间及更低的设备依赖,为水利工程安全监测体系提供了可部署、可复制的智能化解决方案,并具备良好的跨区域推广潜力。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	周建平, 杜效鹄, 周兴波, 等. 特约文章: 世界高坝研究及其未来发展趋势[J]. 水力发电学报, 2019, 38(2): 1-14.

[2]	Zhou Jianping, Du Xiaohu, Zhou Xingbo, et al. Special article: research on world high dams and its future development trends[J]. Journal of Hydroelectric Engineering, 2019, 38(2): 1-14.

[3]	Wenger C. Better use and management of levees: reducing flood risk in a changing climate[J]. Environmental Reviews, 2015, 23(2): 240-255.

[4]	刘善军, 吴立新, 毛亚纯, 等. 天-空-地协同的露天矿边坡智能监测技术及典型应用[J]. 煤炭学报, 2020, 45(6): 2265-2276.

[5]	Liu Shanjun, Wu Lixin, Mao Yachun, et al. Intelligent monitoring technology and typical application of open-pit mine slope based on satellite-air-ground collaboration[J]. Journal of China Coal Society, 2020, 45(6): 2265-2276.

[6]	Dering G, Micklethwaite S, Thiele S T, et al. Insights into dyke emplacement mechanismsusing new high-resolution 3D digital outcrop methods[J]. Journal of the Geological Society, 2019, 176(3): 445-460.

[7]	邬爱清, 吴庆华. 堤防险情演化机制与隐患快速探测及应急抢险技术装备[J]. 岩土工程学报, 2022, 44(7): 1310-1328.

[8]	Wu Aiqing, Wu Qinghua. Evolution mechanism of embankment hazards and rapid detection of hidden dangers and emergency rescue equipment[J]. Chinese Journal of Geotechnical Engineering, 2022, 44(7): 1310-1328.

[9]	Li S, Liu B, Xu X, et al. An overview of ahead geological prospecting in tunneling[J]. Tunnelling and Underground Space Technology, 2017, 63: 69-94.

[10]	Javan F D, Samadzadegan F, Toosi A, et al. Unmanned aerial geophysical remote sensing: a survey[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2024, 17: 4992-5015.

[11]	许振浩, 马文, 林鹏, 等. 基于岩石图像迁移学习的岩性智能识别[J]. 应用基础与工程科学学报, 2021, 29(5): 1075-1089.

[12]	Xu Zhenhao, Ma Wen, Lin Peng, et al. Intelligent lithology recognition based on rock image transfer learning[J]. Journal of Basic Science and Engineering, 2021, 29(5): 1075-1089.

[13]	陈培帅, 袁青, 张子平, 等. 基于卷积神经网络的隧道富水破碎带地质超前预报图像解译方法[J]. 应用基础与工程科学学报, 2022, 30(1): 196-207.

[14]	Chen Peishuai, Yuan Qing, Zhang Ziping, et al. Image interpretation method for geological advance prediction in water-rich fracture zone of tunnel based on convolutional neural network[J]. Journal of Basic Science and Engineering, 2022, 30(1): 196-207.

[15]	吴浩, 陈运涛, 朱赵辉, 等. 改进一维卷积神经网络的隧道围岩收敛变形分级预测[J]. 应用基础与工程科学学报, 2024, 32(1): 145-159.

[16]	Wu Hao, Chen Yuntao, Zhu Zhaohui, et al. Classification prediction of tunnel squeezing deformation based on improved one-dimensional convolutional neural network[J]. Journal of Basic Science and Engineering, 2024, 32(1): 145-159.

[17]	吕擎峰, 李钰, 牛荣, 等. 基于深度学习的特殊岩土隧道围岩变形预测研究[J]. 应用基础与工程科学学报, 2023, 31(6): 1590-1601.

[18]	Lü Qingfeng, Li Yu, Niu Rong, et al. Research on deformation prediction of surrounding rock in special geotechnical tunnels based on deep learning[J]. Journal of Basic Science and Engineering, 2023, 31(6): 1590-1601.

[19]	杜京义, 陈镇, 张嘉伟, 等. 煤矿井下供水管道泄漏孔径识别与定位[J]. 科学技术与工程, 2025, 25(8): 3296-3303.

[20]	Du Jingyi, Chen Zhen, Zhang Jiawei, et al. Identification and location of leakage hole diameter of underground water supply pipeline in coal mines[J]. Science Technology and Engineering, 2025, 25(8): 3296-3303.

[21]	吴子燕, 贾大卫, 王其昂. 基于卷积神经网络与区域生长法的建筑裂缝识别[J]. 应用基础与工程科学学报, 2022, 30(2): 317-327.

[22]	Wu Ziyan, Jia Dawei, Wang Qi’ang. Building crack identification based on convolutional neural network and regional growth method[J]. Journal of Basic Science and Engineering, 2022, 30(2): 317-327.

[23]	张研, 郭道静, 张树光, 等. 岩溶区灰岩溶蚀程度卷积神经网络识别及敏感性分析[J]. 应用基础与工程科学学报, 2023, 31(4): 961-976.

[24]	Zhang Yan, Guo Daojing, Zhang Shuguang, et al. Recognition and sensitivity analysis of limestone corrosion degree in karst areas using convolutional neural network[J]. Journal of Basic Science and Engineering, 2023, 31(4): 961-976.

[25]	刘宗杰, 贺锡雷, 张祖豪, 等. 基于3D U-Net全卷积神经网络的低序级断层识别技术[J]. 地球物理学进展, 2021, 36(6): 2519-2530.

[26]	Liu Zongjie, He Xilei, Zhang Zuhao, et al. Low-order fault identification technology based on 3D U-Net fully convolutional neuralnetwork[J]. Progress in Geophysics, 2021, 36(6): 2519-2530.

[27]	何易龙, 文晓涛, 王锦涛, 等. 基于3D U-Net卷积神经网络的断层识别[J]. 地球物理学进展, 2022, 37(2): 560-567.

[28]	He Yilong, Wen Xiaotao, Wang Jintao, et al. Fault identification based on 3D U-Net convolutional neural network[J]. Progress in Geophysics, 2022, 37(2): 560-567.

[29]	Siddique N, Paheding S, Elkin C P, et al. U-Net and its variants for medical image segmentation: a review of theory and applications[J]. IEEE Access, 2021, 9: 82031-82057.

[30]	Cao H, Tian Y, Liu Y, et al. Water bodyextraction from high spatial resolution remote sensing images based on enhanced U-Net and multi-scale information fusion[J]. Scientific Reports, 2024, 14(1): 16132.

[31]	谢智慧, 王文爽, 刘雪峰. 基于改进U-Net的金具图像小样本识别算法研究[J]. 国外电子测量技术, 2024, 43(2): 51-58.

[32]	Xie Zhihui, Wang Wenshuang, Liu Xuefeng. Research on small sample recognition algorithm for fitting images based on improved U-Net[J]. Foreign Electronic Measurement Technology, 2024, 43(2): 51-58.

[33]	唐杰, 孟涛, 韩盛元, 等. 基于多分辨率U-Net网络的地震数据断层检测方法[J]. 石油地球物理勘探, 2021, 56(3): 436-445.

[34]	Tang Jie, Meng Tao, Han Shengyuan, et al. Fault detection method for seismic data based on multi-resolution U-Net network[J]. Oil Geophysical Prospecting, 2021, 56(3): 436-445.

[35]	胡婷, 徐彬, 王永发, 等. 基于U-Net的矿山微震初至拾取研究[J]. 科学技术与工程, 2023, 23(16): 6802-6809.

[36]	Hu Ting, Xu Bin, Wang Yongfa, et al. Research on first arrival picking of mine microseismic based on U-Net[J]. Science Technology and Engineering, 2023, 23(16): 6802-6809.

[37]	曹战, 于鹏, 陈华. 基于注意力U-Net模型的露头裂缝自动识别方法[J]. 科学技术与工程, 2023, 23(10): 4149-4156.

[38]	Cao Zhan, Yu Peng, Chen Hua. Automatic identification method of outcrop cracks based on attention U-Net model[J]. Science Technology and Engineering, 2023, 23(10): 4149-4156.

[39]	汪南洋, 沈疆海. 基于MSHAM-UNet的岩心孔洞图像分割方法[J]. 科学技术与工程, 2024, 24(24): 10362-10369.

[40]	Wang Nanyang, Shen Jianghai. Image segmentation method of core holes based on MSHAM-UNet[J]. Science Technology and Engineering, 2024, 24(24): 10362-10369.

[41]	张学辉, 李笑航, 田学昭, 等. 基于轻量化多尺度动态融合卷积模块的裂缝分割方法[J]. 科学技术与工程, 2025, 25(16): 6804-6811.

[42]	Zhang Xuehui, Li Xiaohang, Tian Xuezhao, et al. Crack segmentation method based on lightweight multi-scale dynamic fusion convolution module[J]. Science Technology and Engineering, 2025, 25(16): 6804-6811.

[43]	刘恩良, 袁俊亮, 霍守东, 等. 基于深度学习的页岩地质露头裂缝特征自动识别[J]. 科学技术与工程, 2024, 24(30): 12853-12863.

[44]	Liu Enliang, Yuan Junliang, Huo Shoudong, et al. Automatic identification of shale geological outcrop fracture characteristics based on deep learning[J]. Science Technology and Engineering, 2024, 24(30): 12853-12863.

[45]	张军. 矿井瞬变电磁合成孔径成像处理系统研究[J]. 地球物理学进展, 2016, 31(5): 2255-2262.

[46]	Zhang Jun. Research on mine transient electromagnetic synthetic aperture imaging processing system[J]. Progress in Geophysics, 2016, 31(5): 2255-2262.

[47]	王炳和, 李宏昌. 声纳技术的应用及其最新进展[J]. 物理, 2001(8): 491-495.

[48]	Wang Binghe, Li Hongchang. Application and latest progress of sonar technology[J]. Physics, 2001(8): 491-495.

[49]	Moll M A, Baird H S, An C. Truthing for pixel-accurate segmentation[C]// The 8th IAPR International Workshop on Document Analysis Systems. New York: IEEE, 2008: 379-385.

[50]	周维, 刘宇翔, 廖广平, 等. 结合交并比损失的孪生网络目标跟踪算法研究[J]. 系统仿真学报, 2022, 34(9): 1956-1967.

[51]	Zhou Wei, Liu Yuxiang, Liao Guangping, et al. Research on siamese network target tracking algorithm combined with intersection over union loss[J]. Journal of System Simulation, 2022, 34(9): 1956-1967.

[52]	潘锦业, 王苗苗, 阚威, 等. 基于Adam优化算法和长短期记忆神经网络的锂离子电池荷电状态估计方法[J]. 电气技术, 2022, 23(4): 25-30.

[53]	Pan Jinye, Wang Miaomiao, Kan Wei, et al. Lithium-ion battery state of charge estimation method based on Adam optimization algorithm and long short-term memory neural networks[J]. Electrical Technology, 2022, 23(4): 25-30.