DR-GAN：一种无监督学习的探地雷达杂波抑制方法

探地雷达(GPR)是一种基于电磁波的地下无损探测技术,广泛应用于市政工程、交通、军事等领域。在数据采集过程中,由于发射天线和接收天线之间的耦合、起伏地面的散射以及地下随机媒质的复杂性等原因,采集得到的GPR B-scan回波中通常存在杂波,杂波严重影响了地下目标的检测和特征提取。该文提出一种用于GPR B-scan图像杂波抑制的解纠缠表示生成对抗网络(DR-GAN),设计了目标特征编码器和杂波特征编码器用来提取GPR B-scan图像中的目标特征和杂波特征,设计了杂波抑制生成器用来获取杂波抑制后的GPR B-scan图像。与现有的基于监督学习的GPR杂波抑制方法相比,该方法在网络训练时不需要成对的匹配数据,可以更好地应用于实测GPR图像的杂波抑制。在仿真和实测GPR数据上的实验结果表明,DR-GAN这一无监督学习网络具有更好的杂波抑制性能。对石英砂中埋设的钢筋进行数据采集,运用DR-GAN对含杂波的实测数据进行处理,处理结果的改善系数(IF)指标较现有的鲁棒非负矩阵分解(RNMF)方法提高了17.85 dB。     

伪随机序列编码脉冲信号在探地雷达中的应用研究

探测深度是探地雷达最为重要的指标之一,在一定分辨率情况下如何增加探测深度一直是国内外研究的热点问题。该文对伪随机序列编码脉冲信号在探地雷达中的应用进行了研究,分析了伪随机序列编码脉冲信号的特点以及探地雷达对发射信号的应用需求,介绍了一个采用m序列二相脉冲调制的探地雷达实验系统,给出了该系统的测试和实验结果并对实验结果进行了理论分析,实验结果与理论分析十分吻合。分析与实验结果表明：在同样条件下,伪随机序列编码脉冲探地雷达较传统的Impulse探地雷达可以实现更大的探测深度,可以满足考古、地质勘察等深层探测应用的需求。     

探地雷达多阶段级联U-Net墙内小目标三维重建方法

探地雷达(GPR)在对掩埋目标的探测中发挥着至关重要的作用,尤其在墙体内小目标检测及重建方面。由于墙体结构及材质的复杂性,墙内小目标精准重建面临极大挑战。针对墙内小目标重建难题,该文提出了一种多阶段级联U-Net方法,用于墙内小目标的三维重建。首先,通过蒙特卡罗抽样生成符合级配要求的物理三维骨料散射模型,构建了复杂墙体场景的高分辨率探测模型和数据集,以提高模拟的真实性和准确性;其次,多阶段网络结构的设计能够有效抑制C扫描数据中的噪声和非均质杂波,从而提升信号质量;最后,预处理后的数据用于重建小目标三维分布。此外,该文还引入了一种自适应多尺度模块和级联网络训练策略,优化了复杂场景中小目标信息的拟合性能。通过模拟与实测数据的对比,验证所提方法的有效性和泛化能力。相比现有技术,该方法成功重建了三维墙体内小目标,显著提高了峰值信噪比,为小目标的准确探测提供了重要技术支持。     

NON-DESTRUCTIVE PAVEMENT LAYER THICKNESS MEASUREMENT USING EMPIRICAL MODE DECOMPOSITION WITH GPR

Ground Penetrating Radar （GPR） is an effective Non-Destructive Testing （NDT） technique for highway pavement surveys, which is able to acquire continuous pavement data compared with traditional core drilling method. In this study, we proposed an accurate and efficient method to estimate the thickness of each pavement layer using an air-coupled GPR system. For this work, the main difficulties are estimating each pavement layer＇s time delay and dielectric constant. We first give the basic signal model for pavement evaluation, and then present an Intrinsic Mode Functions （IMFs） product detector to determine each pavement layer＇s time delay. This method is based on Empirical Mode Decomposition （EMD）, which is an adaptive signal decomposition procedure and proved to be suitable for suppressing noises in GPR signal. The dielectric constant was determined by metal reflection measurement. The laboratory and highway experiments illustrate that the proposed thickness estimation method yields reasonable result, thus meets the requirements of practical highway pavement survey with massive GPR data.     

基于鲁棒Capon波束形成的探地雷达成像算法

传统的探地雷达(Ground Penetrating Radar, GPR)成像算法属于非自适应方法,其成像结果中存在较强的旁瓣和杂波干扰,而自适应方法具有很强的干扰抑制能力。该文利用鲁棒Capon波束形成(Robust Capon Beamforming, RCB)理论,提出了一种自适应的基于RCB的GPR成像算法,不仅考虑了GPR工作场景下电磁波折射现象,同时研究了适用于GPR成像的协方差矩阵构造方法。所提算法可大幅降低成像结果中旁瓣和杂波能量,并在一定程度上提高成像分辨率,实测数据的实验结果证明了算法的有效性。     

地下管线渗漏环境下探地雷达信号特征分析

探地雷达(GPR)在地下水管渗漏的检测中具有良好的应用前景。前期研究表明：地下水管的渗漏会在雷达剖面中形成震荡信号,但其形成机理尚不明晰。为揭示不同材质地下管道渗漏后的探地雷达信号特征的成因,该文结合物理模型试验与渗流场-电磁场数值模拟分析干砂中PVC管和金属管渗漏前后雷达信号特征、渗漏后震荡信号的形成机理和电磁波传播路径。结果表明：地下水管发生渗漏后,管道周围区域出现一定分层状态,电磁波在传播过程中存在更多界面反射和界面间的多次波。PVC管渗漏后,管道顶部、底部反射信号和爬行波信号在渗漏区中多次反射形成复杂的震荡双曲线信号,而金属管渗漏后管壁与渗漏区间存在多次反射。研究成果可为探地雷达在地下水管渗漏探测实际应用提供技术支持。     

Clutter suppression method for heterogeneous environment

Clutter suppression is a key process in ground moving target indication (GMTI). Adaptive filtering is an effective method for clutter suppression but the performance degrades severely in heterogeneous clutter environment. To solve this problem, a new clutter suppression method is proposed. The approach uses subspace tracking technique to update clutter subspace of different clutter patches which may mitigating the heterogeneous effects. Simulation results illustrate that the method performs well when lacking of the independent and identically distributed (i.i.d.) samples.     

基于自适应子空间重建的杂波抑制

针对红外图像中背景杂波抑制困难的问题,提出了一种基于自适应子空间重建的杂波抑制方法.该方法首先根据稀疏编码理论,学习得到描述红外小目标的超完备字典,接着依次提取测试图像中的图像子块,并计算其在超完备字典中的表示系数,根据背景子块和红外小目标在稀疏域中表示系数的差异性,自适应地选择字典中的原子构成子空间对图像子块进行重构,从而得到原图与重构图像之间的残差图像.实验结果表明,该方法得到的残差图像,能够有效抑制杂波,提高红外图像的信噪比.     

探地雷达对两层介质中目标的快速后向投影成像方法

运用探地雷达对分层介质中的目标进行探测时,时域后向投影算法是一种常用的成像方法。但大运算量和低成像分辨力一直是该算法难以实用化的瓶颈问题。该文提出一种实用的高分辨快速后向投影成像方法。首先提出了基于1维搜索或求解一元四次方程的传播时延快速计算方法。其次,设计了一种对时延曲线上散射回波进行处理的加权因子以提高成像质量。运用所提的成像算法对仿真数据进行了处理,获得了高分辨的成像结果,验证了该算法的有效性和快速运算能力。     

Clutter Suppression Method in GPR Using the Convergence of Matrix Entropy

A novel clutter suppression method in ground penetrating radar(GPR) is proposed.The preliminary result is obtained by using target resolution improved processing(TRIP).The preliminary result will be used as an initial input for TRIP iteration.All TRIP iteration steps are the adaptive linear combination of the previous TRIP result and the preliminary result.This adaptive combination strategy can balance clutter suppression and target information protection,which is considered as a troublesome contradiction and a chronic problem in clutter suppression research.When the matrix entropy of iteration result converges,the algorithm can achieve a good result both in clutter suppression and target protection.Experimental results demonstrate that the new algorithm outperforms the existing approaches.     

一种适用于FLGPSAR的自适应干扰抑制与背景均衡新方法

针对车载前视地表穿透合成孔径雷达(Forward-Looking Ground Penetrating Synthetic Aperture Radar, FLGPSAR)探测系统存在自信号干扰和图像背景增益不一致问题,该文提出了一种基于图像域距离带分割和迭代操作的自适应干扰抑制和背景均衡新方法。通过距离带分割实现并行处理并提高参数估计的准确性,采用迭代操作在线估计和更新参数,自适应实现干扰去除和图像背景增益均衡。实测数据处理结果表明：所提方法具有更好的环境适应性,且结构上适于实时处理,可满足车载FLGPSAR探测系统对图像预处理的需求。     

压缩感知理论在频率步进探地雷达偏移成像中的应用

该文针对频率步进探地雷达的具体工作过程,利用目标成像空间的稀疏性提出了一种基于压缩感知理论的频率步进探地雷达偏移成像算法,成像过程中首先采用杂波抑制方法在频率域去除直达波,同时利用交叉验证算法来估计成像过程中的正则化参数,最后基于稀疏约束最优化方法实现对地下目标成像,仿真和实验数据表明了该算法的可行性和有效性。     

A new algorithm of the nonlinear adaptive interpolation

The paper presents a new algorithm of NonLinearly Adaptive Interpolation （NLAI）. NLAI is based on both the gradients and the curvature of the signals with the predicted subsection, it is characterized by adaptive nonlinear interpolation method with extracting the characteristics of signals, Experimental research testifies the validity of the algorithm using the echoes of the Ground Penetrating Radar （GPR）. A comparison of this algorithm with other traditional algorithms demonstrates that it is feasible.     

雷达系统杂波自由度研究

为了分析各种非均匀、非线性、非密集阵列雷达的杂波抑制性能,该文基于带限信号自由度理论提出了一种适用于多种阵列构型的杂波自由度估计方法。该方法能有效估计杂波大特征值的个数,并揭示了杂波自由度与系统参数、杂波场景的内在联系。研究表明,为了提高稀疏阵雷达的杂波抑制性能,需增加系统自由度来减少稀疏采样区。最后通过计算机仿真验证了该文提出的估计方法的有效性。     

非正侧视阵机载雷达杂波抑制算法研究

非正侧视阵机载雷达的空时二维杂波谱随距离的变化而变化,即在距离维是非均匀的,因此不能直接由邻近距离单元估计杂波协方差矩阵。为了解决这种由距离依赖性引起的杂波特别是近程杂波的非均匀问题,该文对多普勒频移算法进行了改进,将经过多普勒频移补偿后的数据转换到阵元-多普勒域,在多普勒域进行空间频率补偿,提高其在主杂波区的性能。改进算法既充分利用了原算法简单,易于实现的特点,又克服了原算法在大偏航角下性能下降的缺陷,仿真结果验证了该算法的有效性。     

基于隐Markov模型和Bresenham算法的层位追踪法

在探地雷达测量目的中,层位追踪是正确进行地质解释的基础。该文提出一种基于隐Markov模型和Bresenham算法的层位追踪法,该方法通过对探地雷达回波时延的跟踪,初步实现层位边缘检测,在此前提下进一步实现边缘连接,最终完成层位追踪。对实测数据的处理结果表明：该文提出的层位追踪法在追踪精确度上远远优于单纯利用隐Markov模型的层位追踪法。     

基于人工神经网络的复杂介质中波的传播不确定性分析方法

土壤在物理系统的工作频率范围内可能表现出较强的色散性,色散物质的不确定参数在波传播的仿真结果中引入了不确定性。在考虑这些仿真结果的可接受性时,量化仿真结果中的不确定性至关重要。针对传统不确定性分析法计算效率低、运算量大的问题,该文以探地雷达建模仿真中的不确定性分析为例,提出一种基于人工神经网络的不确定性分析模型,阐述了模型的构建过程,及克服过拟合问题的策略。作为探地雷达全波仿真的替代模型能够预测仿真结果,进而得到仿真结果的统计信息,如均值、标准差。经比较,在相同的数值模型、不确定性输入参数个数,以及参数变化范围为10%的前提条件下,对任意一组输入参数,输出得到1000组结果时,该方法所得预测结果统计特性与执行全波仿真所得具有较好的一致性,且显著降低运算量,计算时间效率提升79.82%。     

面向探地雷达常见地下目标的GDS-YOLOv8n检测方法

针对当前探地雷达(GPR)图像检测中存在准确率低、误检和漏检等问题,该文提出了一种GPR常见地下目标检测模型GDS-YOLOv8n。该模型首先使用DRRB特征提取模块替换YOLOv8n模型中的部分C2f模块,旨在增强模型对多尺度特征的提取能力。其次使用SPD-Conv下采样模块替换像素为320×320及以下特征图所对应的Conv模块,有效克服分辨率受限以及存在小目标的GPR图像在下采样过程中的信息损失问题;同时利用辅助训练模块,在不增加检测阶段模型复杂度的前提下提升GPR图像的检测性能。最后,引入Inner-SIoU损失函数,在添加新约束条件的基础上,通过比例因子生成适合于当前GPR图像的辅助边界框,以提高预测框的准确性。实验结果表明,GDS-YOLOv8n模型对金属管、PVC管和电缆线等6类常见地下目标在实测GPR图像数据集上的P, R和mAP50分别为97.1%, 96.2%和96.9%,较YOLOv8n模型分别提高了4.0%, 6.1%和4.1%,尤其对PVC管和电缆线目标的检测效果提升更明显。与YOLOv5n, YOLOv7-tiny和SSD等模型相比,其mAP50分别提高了7.20%, 5.70%和14.48%。此外,将GDS-YOLOv8n模型部署到NVIDIA Jetson Orin NX嵌入式设备上,并使用TensorRT进行优化。经FP16量化后,模型的检测速度由22.0 FPS提高到40.6 FPS,能够满足移动场景下GPR地下目标实时探测任务的需求。     

基于改进粒子群优化的探地雷达波形反演算法

探地雷达工作的最终目的是反演解释地下结构参数,由于大多数反演问题是非线性的,研究非线性的反演方法具有重要意义。该文提出基于改进粒子群优化方法的探地雷达反演问题,该算法以信号均方误差为目标函数,用时域有限差分方法作为正演工具。通过与基于遗传算法等反演方法的结果对比,说明了该算法兼顾了准确性和简便性;通过对模型复杂、参数多、信噪比差的仿真数据的反演结果,说明了该算法对多参数反演的有效性和良好的抗噪性;对实测数据的反演结果,进一步验证了该算法的可行性。     

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。