基于深度学习的探地雷达回波数据处理研究

【摘要】：探地雷达(GPR)技术是利用高频超宽带信号来探测地下介质分布规律的无损勘探技术。现阶段的探地雷达设备商用化程度十分成熟,已经可以持续性探测并且探测结果精确度较高,范围较广,同时还具备探测操作简单,回波数据集成程度高等优点,因此受到了国内外学者的广泛关注。通过探地雷达信号成像处理技术对地下环境的属性特征进行定量分析一直是该领域科研人员研究重点,但是由于探测环境复杂,以及地下障碍物的几何形状和介电属性分布具有多样性,再加上各种噪声的干扰,使得现有的技术还无法对地下环境精确地定量分析。为了进一步提高探地雷达系统对回波信号的分析处理能力,本文结合深度学习对探地雷达成像技术进行研深入研究,论文的主要内容和研究工作如下:(1)探地雷达基本理论与数据预处理研究。介绍了探地雷达的工作原理和方式,同时引入探地雷达正演数值模拟软件GprMax,并利用GprMax对探地雷达探测模型进行正演模拟,并根据回波数据实验分析了直达波去除算法。(2)基于时域后向投影(BP)成像的回波汇聚算法研究。针对BP算法旁瓣和干扰能量较高的问题,本文将原算法中的单纯相加改良为加权相加,并提出使用余弦距离计算权值系数,提出了基于余弦定理的后向投影算法CBP。同时将0-1编码、分步处理的思想与传统BP算法相结合,提出了基于编码的后向投影算法EBP。通过理论分析和仿真数据实验,验证了两种算法的优越性。同时通过提出两种新算法改良原始算法,分析得出探地雷达回波数据具有极强的局部相关性,为后续研究奠定基础。(3)基于卷积神经网络(Convolutional neural network,CNN)的地下目标识别算法研究。本文分析并利用CNN机构特性,将CNN应用于探地雷达回波数据处理中,提出并设计了用于地下目标识别的CNN结构,通过三组实验分别验证了CNN网络对于地下目标形状、性质和综合性质的识别能力。从准确率和实时性两方面验证了该思路的可行性和优越性。(4)基于Faster R-CNN(Faster Regions with Convolutional neural network,Faster R-CNN)的地下目标定位识别算法研究。结合深度学习的目标检测算法,本文将其应用于地下回波数据中,提出了基于Faster R-CNN的地下目标定位识别算法,通过对Faster R-CNN结构和内部参数的优化实现了针对探地雷达仿真数据的地下目标的自动定位和识别。通过实验结果分析,验证了基于Faster R-CNN的地下目标定位方法的可行性。