基于随机运动与 DepthNet 的探地雷达地下目标检测与重建
信号处理
2020-08-21 v1
摘要
探地雷达（GPR）是最重要的无损评估（NDE）设备之一，用于检测地下物体（即钢筋、公用管道）并揭示地下场景。基于 GPR 的检测中最大的挑战之一是地下目标重建。为解决此问题，本文提出一种 3D GPR 偏移与介电常数预测系统来检测和重建地下目标。该系统由三个模块组成：1）视觉惯性融合（VIF）模块，生成 GPR 设备的位姿信息；2）深度神经网络模块（即 DepthNet），检测 GPR 图像的 B 扫描，提取双曲线特征以去除 B 扫描数据中的噪声并预测介电常数以确定物体深度；3）3D GPR 偏移模块，将位姿信息与经 DepthNet 处理的 GPR 扫描数据同步，以重建和可视化 3D 地下目标。我们提出的 DepthNet 通过去除 B 扫描图像中的噪声并预测地下物体深度来处理 GPR 数据。为训练和测试 DepthNet 模型，我们在 Geophysical Survey System Inc.（GSSI）的混凝土测试坑中收集真实 GPR 数据，并使用 gprMax3.0 模拟器创建合成 GPR 数据。我们创建的数据集包含 350 张标注的 GPR 图像。DepthNet 对 B 扫描特征检测的平均准确率为 92.64%，对地下目标深度预测的平均误差为 0.112。此外，实验结果表明，与传统的偏移方法相比，我们提出的方法提高了生成 3D GPR 图像的偏移精度和性能。
引用
@article{arxiv.2008.08731,
title = {GPR-based Subsurface Object Detection and Reconstruction Using Random Motion and DepthNet},
author = {Jinglun Feng and Liang Yang and Haiyan Wang and Yifeng Song and Jizhong Xiao},
journal= {arXiv preprint arXiv:2008.08731},
year = {2020}
}