摘要：针对传统地质雷达图像中目标检测方法流程繁琐、效率低和精度不高等问题,本文采用可实现端到端识别的深度学习技术开展地质雷达图像目标检测与识别的研究,将基于Mask R-CNN的卷积神经网络算法应用于衬砌检测图像中双曲异常的智能识别。该算法首先以残差网络(ResNet101)作为骨干网络提取图像的基本特征,并在特征图上设定多个候选的感兴趣区域(ROI),然后通过区域建议网络(RPN)和RIO Align操作将特征输入不同的全连接分支,以获得检测目标的分类类别、区域位置和边缘轮廓。本文在TensorFlow和Keras框架下,利用劳雷地质雷达设备进行数据采集获得的数据构建训练数据集和测试数据集,对Mask R-CNN深度学习模型进行训练,最终得到权重参数较好的地质雷达衬砌检测图像的双曲异常检测模型。实验结果表明Mask R-CNN目标检测方法在地质雷达衬砌图像的目标检测与识别上能取得良好的效果,有效提高了地质雷达图像的智能化识别效率。