探地雷达中双曲线的提取及在波速估计中的应用

探地雷达(GPR)应用中,电磁波在地下传播速度的估计是一个重要的研究课题.波速是影响目标深度估计精度争合成孔径成像(SAD效果的关键参数之一.本文根据B-scan中点目标形成双曲线的机理,利用双曲线的对称特性及目标回波主峰跟踪法等,提取双曲线及顶点.分析了双曲线顶点区域对波速估计的误差影响,提出加权估计波速的方法,并给出相应的估计方差.实测数据处理结果显示该方法具有良好效果.     

基于深度学习的雷达成像研究进展

深度学习(DL)在语音识别、图像物体识别上取得了卓越的成效,深度学习代替传统处理技术,成为了研究该领域的主要处理方法。在雷达领域,深度学习用于雷达目标识别和分类,也取得了很好的效果,进而,人们试图将深度学习用于雷达成像。本文根据近几年所公开的文献资料,按照雷达成像的特点,分类介绍深度学习用于雷达成像的研究进展;之后,对深度学习用于雷达成像的可行性、样本选取、泛化以及成像质量的评价等开放性问题提出了作者的设想,并对深度学习用于雷达成像进行了展望。     

基于深度学习的探地雷达二维剖面图像结构特征检测方法

该文针对探地雷达(GPR) 2维剖面图像中目标特征提取困难及其识别精度较低等问题,采用深度学习方法来提取2维剖面图像中目标的特征双曲线。根据GPR工作的物理机制,设计了一种级联结构的卷积神经网络(CNN),先检测并去除回波数据中的直达波干扰信号,再利用CNN得到B扫描(B-SCAN)图像的特征图,并对特征信号进行分类识别以提取目标的特征双曲线。同时,为处理各种干扰信号影响目标特征双曲线结构完整性的问题,提出了一种基于方向引导的特征数据补全方法,提高了目标特征双曲线识别的准确率。与方向梯度直方图(HOG)算法、单级式目标检测(YOLOV3)算法和更快速的区域卷积神经网络(Faster RCNN)算法相比,在综合评价指标F上该文方法的检测结果是最优的。     

基于Viola-Jones方法的探地雷达管线目标识别

在城市地下管线的探测上,辨别探地雷达图像中的双曲线特征是管线探测的关键,但是实际情况中,城市的地下管线数量众多,专业人员短缺,自动化的探测识别手段的开发变得十分迫切。针对这一现状,对基于Viola-Jones方法的探地雷达目标识别手段进行了研究。在预处理过程中运用BMS(Background matrix subtraction)的方法生成背景矩阵,去除横向杂波干扰,然后采用Viola-Jones物体检测框架初步获取目标区域,最后使用C3(Column Connection Cluster)算法对目标区域二值化分割并筛选双曲线目标,得到的双曲线聚类,可用于管线的管径、深度获取。     

场道钢筋加固区的探地雷达信息处理算法及系统研究

机场场道内钢筋的强反射回波会严重影响探地雷达的监测。本文提出了一种适用于机场场道钢筋加固区的探地雷达信息处理算法及流程并研制了探地雷达信息处理系统，实现了数据预处理、地下结构反演、目标检测与识别、脱空层厚度估计、目标成像、数据批处理及综合数据显示等模块。文中重点介绍了钢筋干扰下的灾害目标检测、识别与成像算法，利用Hyp-curvelet变换及WRELAX时延估计搜索局部峰值进行目标检测及钢筋抑制，结合Wigner时频分析及最小距离分类器进行目标识别，通过频域波数域的波场逆推进行目标成像，适用于钢筋加固区内道面下多层媒质的情况。仿真实例证明了本文方法及信息处理系统的有效性。      

基于深度学习的GPR B-SCAN图像双曲线检测方法

利用深度学习方法来处理探地雷达(Ground Penetrating Radar,GPR)数据以提高GPR B-SCAN双曲线检测准确率.为了解决数据集样本不够的问题采用循环生成对抗网络(Cycle Generative Adversarial Networks,Cy-cleGAN)算法对GPR B-SCAN图像数据进行增强.采用Faster R-CNN算子来定位双曲线图像区域,充分利用双曲线结构对称性及其方向差异性特征,设计与之对应的卷积核模板,通过卷积运算实现对B-SCAN图像中双曲线目标的有效分割.对双曲线目标采用最小二乘法进行二次曲线拟合得到精确的双曲线图像.与基于迁移学习的方法、HOG算法以及基于Hough变换的B-SCAN检测算法等相比,本文方法得到的结果在综合指标度量F上是最优的.     

基于时间反转的探地雷达多目标成像算法研究

时间反转成像算法用于探地雷达多目标成像时,由于各个目标体的能量聚焦时刻和聚焦能量的强度都不相同,使得智能识别局部能量聚焦时刻成为该算法的瓶颈。为了实现时间反转成像算法用于探地雷达多目标成像,首先在B-Scan 中检测到潜在目标双曲线位置,然后用窗口框出各个潜在目标体的“空间-时间”位置,之后将该“空间-时间”窗口转化为待成像区域中的“位置-埋深”窗口,并对各个潜在目标窗口分别进行时间反转成像,虚假目标不存在能量聚焦,进而剔除虚假目标,实现多目标成像。实验结果表明:该算法能较好地实现多目标成像,由于该算法只对潜在目标窗口进行成像,而不是对整个待成像区域进行成像,大大提高了成像效率。     

基于深度学习的雷达信号目标识别方法研究

雷达信号目标识别是智能感知领域的重要研究方向。传统方法在处理复杂场景和多目标识别时存在局限性,而深度学习方法以其强大的表达能力和自适应性在雷达信号目标识别中展现出巨大潜力。文章通过综合分析深度学习在雷达信号目标识别中的应用,探讨了数据预处理、深度学习模型选择、目标检测和分类方法、目标跟踪和预测方法以及深度学习与传统方法的融合策略等关键问题,重点讨论了深度学习模型的优化和改进方法。     

基于Shi-Tomasi算法的探地雷达管线目标检测

探地雷达图像中的双曲线特征是用于识别管线位置的重要信息,然而在实际应用中,由于环境和设备因素的影响,双曲线特征往往发生扭曲与变形,不利于分析判读。对此提出了一种基于Shi-Tomasi算法的自动化双曲线特征的识别方法,在预处理阶段通过小波软阈值去噪与频率波数域滤波的方法去除干扰,然后采用基于Shi-Tomasi算法的图像自适应分割,最后利用OSCA(Open Scan Clustering Algorithm)算法对分割结果中的双曲线特征进行筛选,得到的双曲线特征经过拟合分析后,可用于探地雷达管线检测定位。     

基于深度学习的SAR图像目标识别综述

随着合成孔径雷达技术的不断发展,雷达图像目标识别成为重要的研究方向.近年来,深度学习技术在雷达图像目标检测与识别方面得到了广泛应用,然而,数据样本量少和数据样本类别不均衡成为制约深度学习在合成孔径雷达目标识别中的重要因素.对基于深度学习的SAR图像目标识别算法进行了分析,首先,介绍了SAR图像目标识别常用数据集和多角度...     

面向探地雷达 B-scan图像的目标检测算法综述

利用无损探测技术来获取地下目标的信息是当前研究的热点，探地雷达(GPR)作为一种重要的无损工具，已被广泛用于检测，定位和特征化地下目标。然而，从GPR成像中探测掩埋物体并评估其位置既费时又费力。因此，实现地下目标的自动化探测对实际应用是必要的。为此，该文在综合分析地下目标回波特征的基础上，讨论了使用GPR评估目标位置的可行性，并回顾了国内外学者在GPR成像中对双曲线特征自动化检测的研究进展。该文还在国内外典型实例剖析的基础上，总结并比较了目标检测的处理方法。最后指出，未来的研究应集中于开发新的深度学习检测框架，用以自动检测和估计真实场景中的地下特征。     

基于深度学习的电力设备状态检测的研究

针对设备状态巡检业务应用对图像的智能化程度、可靠性、可用性等需求提出更高要求的情况,提出基于深度学习的电力设备状态检测方案。方案基于异构平台的多类电力设备的状态检测及效率提升技术,实现典型电力设备状态的高效识别,通过低功耗电力设备状态图像采集及分析装置,为应用提供多种形态检测方式,实现多类电力设备的状态检测。此方案改善了电力设备巡检模式,提升了设备状态管控力和运检决策水平,加快了管理决策速度,进一步提升了电力生产管理水平。     

基于深度学习的图像目标检测算法综述

图像目标检测是找出图像中感兴趣的目标，并确定他们的类别和位置，是当前计算机视觉领域的研究热点。近年来，由于深度学习在图像分类方面的准确度明显提高，基于深度学习的图像目标检测模型逐渐成为主流。首先介绍了图像目标检测模型中常用的卷积神经网络；然后，重点从候选区域、回归和anchor-free方法的角度对现有经典的图像目标检测模型进行综述；最后，根据在公共数据集上的检测结果分析模型的优势和缺点，总结了图像目标检测研究中存在的问题并对未来发展做出展望。     

电网机巡图像分析框架与深度学习方法

随着智能制造与物联网技术的发展，无人机被电网企业广泛地应用于输电线路巡视检查，同时也产生了大量的巡检图像数据亟需分析与处理。针对机巡图像分析中面临的多类多尺度、光照变化及遮挡等挑战，设计了一套从用户数据归集、分析与自动标注到用户评价反馈的U2U图像分析框架，在此基础上研究了Faster R-CNN和SSD两种深度学习方法在绝缘子、防震锤、均压环、屏蔽环等电力部件检测中的应用，提出了基于K-means++聚类分析的兴趣对象锚点信息框设定方法。实验结果表明，本文提出的方法有效地提高了深度学习方法对多尺度兴趣部件的适应能力与检测精度，为后续更大规模的机巡图像缺陷检测及机巡深化应用提供了有益的借鉴。     

基于深度学习的红外与可见光决策级融合检测

提出了一种基于深度学习的红外与可见光决策级融合检测方法。首先,提出了一种介于深度学习模型之间的参数传递模型,进而从基于深度学习的可见光物体检测模型上抽取了用于红外物体检测的预训练模型,并在课题组实地采集的红外数据集上进行fine-tuning,从而得到基于深度学习的红外物体检测模型。在此基础上,提出了一种基于深度学习的红外与可见光决策级融合检测模型,并对模型设计、图像配准、决策级融合过程进行了详细地阐述。最后,进行了白天和傍晚条件下基于深度学习的单波段检测实验和双波段融合检测实验。定性分析上,由于波段之间的信息互补性,相比于单波段物体检测,双波段融合物体检测在检测结果上具有更高的置信度和更精确的物体框;定量分析上,白天时,双波段融合检测的mAP为86.0%,相比于红外检测和可见光检测分别提高了9.9%和5.3%;傍晚时,双波段融合检测的mAP为89.4%,相比于红外检测和可见光检测分别提高了3.1%和14.4%。实验结果表明:基于深度学习的双波段融合检测方法相比于单波段检测方法具有更好的检测性能和更强的鲁棒性,同时也验证了所提出方法的有效性。     

基于深度学习的医疗图像分割综述

自2006年深度学习这一概念提出以来,各研究领域对于深度学习技术的研究热度一直高居不下.深度学习的出现,对计算机视觉领域的发展起到了重要推动作用.计算机视觉的主要研究任务是对图像、视频等进行目标的检测、识别以及分割等,目前已经广泛应用于医疗、金融和工业领域中.其中最常见的应用场景是医学图像处理.图像分割是医学图像处理任...     

Landmine detection with ground penetrating radar using hiddenMarkov models

Novel, general methods for detecting landmine signatures in ground penetrating radar (GPR) using hidden Markov models (HMMs) are proposed and evaluated. The methods are evaluated on real data collected by a GPR mounted on a moving vehicle at three different geographical locations. A large library of digital GPR signatures of both landmines and clutter/background was constructed and used for training. Simple, but effective, observation vector representations are constructed to naturally model the time-varying signatures produced by the interaction of the GPR and the landmines as the vehicle moves. The number and definition of the states of the HMMs are based on qualitative signature models. The model parameters are optimized using the Baum-Welch algorithm. The models were trained on landmine and background/clutter signatures from one geographical location and successfully tested at two different locations. The data used in the test were acquired from over 6000 m² of simulated dirt and gravel roads, and also off-road conditions. These data contained approximately 300 landmine signatures, over half of which were plastic-cased or completely nonmetal     

基于深度学习的复杂沙漠背景SAR目标检测

SAR目标检测,因成像场景大、背景复杂多变而极具挑战。传统基于恒虚警率的SAR目标检测方法极易受背景干扰。针对上述问题,提出一种基于深度学习的复杂沙漠背景SAR目标端对端检测识别系统。即采用小规模沙漠背景下的SAR图像数据对Faster-RCNN网络进行迁移训练,一体化完成典型目标的检测与识别。基于合成数据集Desert-SAR的试验结果表明,与传统方法相比,该方法检测速度更快、准确率更高、鲁棒性更强。     

光学卫星遥感图像舰船目标检测综述

遥感图像的目标检测是把海量遥感数据转化为应用成果的重要一环,而光学遥感图像中舰船目标的检测更是遥感图像处理分析的研究热点,具有重要的应用价值.本文的主要目的是研究光学遥感图像中舰船目标检测的各种方法,对目前采用的检测方法做出系统性总结.重点介绍了基于灰度信息统计特征、视觉显著性、模板匹配和分类学习的四种传统舰船目标检测方法和深度学习方法在舰船目标检测中的应用,并分析了各种方法的优缺点和适用性,同时对舰船目标检测的未来发展进行了展望.     

基于深度学习的GPR时频域联合电磁反演方法

对探地雷达(ground penetrating radar, GPR)数据进行电磁反演可以获得探测区域中目标的几何参数和电磁参数.本文针对GPR时域数据与频域数据在图像域的特征差异,首先设计了基于深度学习的GPR维度变换自编码器提取GPR回波数据的时域特征,并对GPR时频域特征进行一致化处理;然后设计了基于时频融合数据的电磁反演处理框架GPR-EInet,并分别使用2 000和200个GPR B-Scan数据对GPR-EInet进行训练和测试.仿真实验结果表明,GPR-EInet可以在SNR=-10 dB、目标介电常数与背景介电常数的相对偏差为50%的情况下实现单/双目标的电磁反演,介电常数反演结果与真实值的结构相似性指数（structure similarity index measure, SSIM）达到了0.995 64.分别运用GPR-EInet、ünet与PINet对仿真数据进行电磁反演,结果表明：GPREInet的抗噪性能要优于PINet与ünet.对实测的GPR数据也开展了电磁反演实验,获得了探测区域的目标参数信息.与单独的时域或频域数据反演相比,时频融合数据提升了GP...