CN107402386B - 一种基于bp神经网络的地下金属圆管半径和埋深的估计方法 - Google Patents
一种基于bp神经网络的地下金属圆管半径和埋深的估计方法 Download PDFInfo
- Publication number
- CN107402386B CN107402386B CN201710649475.7A CN201710649475A CN107402386B CN 107402386 B CN107402386 B CN 107402386B CN 201710649475 A CN201710649475 A CN 201710649475A CN 107402386 B CN107402386 B CN 107402386B
- Authority
- CN
- China
- Prior art keywords
- neural network
- underground
- buried depth
- radius
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/885—Radar or analogous systems specially adapted for specific applications for ground probing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/887—Radar or analogous systems specially adapted for specific applications for detection of concealed objects, e.g. contraband or weapons
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Geophysics And Detection Of Objects (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于BP神经网络的地下金属圆管半径和埋深的估计方法,采用探地雷达正演模拟得到不同半径和埋深的金属圆管埋在不同介质中的雷达回波数据;提取金属圆管正上方的A‑Scan回波峰值、峰值到达时间和预设时间段内的回波能量值,以此3个参数构建特征矢量,组成特征矢量矩阵,作为训练样本输入部分的数据集。训练样本输出部分的数据集由已知金属圆管的半径、埋深和地下介质的相对介电常数构成。设计BP神经网络的结构,运用训练样本数据对BP神经网络进行训练,训练完毕后将待测的探地雷达回波数据的特征参数输入至该BP神经网络,对地下金属圆管的半径和埋深进行估计。本发明能够快速、精确的估计地下金属圆管的半径和埋深。
Description
技术领域
本发明属于探地雷达无损探测领域,具体涉及一种探地雷达回波信号的特征提取和地下金属圆管的半径和埋深的方法。
背景技术
探地雷达(Ground Penetrating Radar,GPR)是一种有效便捷的无损探测技术。它通过发射天线向地下发射宽带电磁波,然后在接收天线端接收地下区域的散射波。电磁波在地下介质中传播时遇到电磁差异的界面发生散射,从而可以根据接收到的电磁波波形及特征,推断地下介质和探测目标的介电特性、空间位置、结构形态和埋藏深度等参数。
探地雷达的回波信号特征提取的方法有多种,从频域角度来看,在幅频谱上按既定规则划分频谱区间,以每个区间内的极大极小值和区间边界极值是否重合的情况,作为特征矢量【参考文献:Zhang H,Ouyang S,Wang G,et al.Dielectric Spectrum FeatureVector Extraction Algorithm of Ground Penetrating Radar Signal in FrequencyBands[J].IEEE Geoscience&Remote Sensing Letters,2015,12(5):958-962.】,该方法受地下探测目标的形状和介质背景噪声影响较大,一般适用于探测地下均匀介质的分布情况。从时域角度来看,以每个回波时间段内的极大、极小值作为特征矢量【参考文献:Khan US,Al-Nuaimy W,El-Samie F E A.Detection of landmines and underground utilitiesfrom acoustic and GPR images with a cepstral approach[J].Journal of VisualCommunication&Image Representation,2010,21(7):731-740.】,这种方法只能应用于地下介质目标的介电参数估计,无法判断目标的埋深。
在BP神经网络结构设计上,传统方法设计为3层网络结构,包括一个输入层,一个隐含层和一个输出层,各层节点个数设置为:1-x-1和2-x-1的结构(x表示隐含层节点的个数)【参考文献:Caorsi S,Stasolla M.A machine learning algorithm for GPR sub-surface prospection[C]//Microwave Symposium.IEEE,2009:1-5.】和2-3-2网络结构【参考文献:Caorsi S,Cevini G.An electromagnetic approach based on neural networksfor the GPR investigation of buried cylinders[J].IEEE Geoscience&RemoteSensing Letters,2005,2(1):3-7.】。第一个方法输出的参数是目标介质的厚度,在没有噪声的情况下平均相对误差是5.67%;第二个方法输出的参数是圆管目标的半径、埋深和地下介质的相对介电常数,在没有噪声的情况下的相对误差分别为4.31%,2.26%,3.64%。这样的结果无法满足GPR对地下金属圆管的半径和埋深等参数高精度估计的目的。
因此,有必要设计一种能精确估计地下金属圆管埋深和半径的新方法。
发明内容
本发明所要解决的技术问题是,针对现有技术的不足,提供一种基于BP神经网络地下金属圆管半径和埋深的估计方法,通过设计探地雷达回波的特征提取方法和构建BP神经网络模型,能够快速、精确的估计地下金属圆管的半径和埋深。
发明的技术解决方案如下:
一种基于BP神经网络的地下金属圆管半径和埋深的估计方法,包括以下步骤:
步骤1:设定不同的探测场景(不同的探测场景是指探测参数不同的场景,如用探地雷达对不同半径和埋深的金属圆管埋在不同介质中进行扫描探测的场景),分别进行探地雷达正演模拟得到不同探测场景下的多个原始探地雷达B-Scan回波数据;探测场景的参数包括金属圆管的半径r、埋深d以及地下介质的相对介电常数ε;
说明:探地雷达正演模拟是现有技术,如采用GPRMAX仿真软件,正演探地雷达探测地下目标的信号:在GPRMAX软件输入目标参数(包括位置和形状、介质类型(包括介电常数、磁导率等))、收发天线参数(探地雷达发射端的子波类型、中心频率f0(如果是B-scan需要步长参数)、发射天线tx、接收天线rx的扫描方式和距离地面的高度)以及地下介质的参数(包括介电常数、磁导率等),构建探地雷达正演模型,正演接收到的信号。
探地雷达在地表沿垂直于金属圆管轴向的方向扫描探测,发射/接收天线移动到某个空间位置时,发射天线向下发射宽带电磁波,部分能量透射入地表并被地下金属圆管反射,反射波的部分能量向上传播被接收天线接收,获得一道回波数据,也称为A-Scan数据;当发射/接收天线沿测线在地表移动时,不同的空间位置接收到的多道A-Scan数据依序排列,就形成了原始探地雷达B-Scan回波数据;
步骤2:构建训练样本的输入数据集和输出数据集;
对原始探地雷达B-Scan回波数据进行去直达波和背景噪声预处理(说明:去除直达波和背景噪声属于现有技术);再对预处理后的探地雷达B-Scan回波数据进行最强能量道的提取(即比较探地雷达B-Scan回波数据中每道A-Scan回波数据的峰值大小,提取峰值最大的A-Scan回波数据作为金属圆管正上方的A-Scan回波数据),得到金属圆管正上方的A-Scan回波数据;最后对该A-Scan回波数据进行特征提取,得到其特征参数;以其特征参数构建其特征矢量;依次对所有原始探地雷达B-Scan回波数据进行上述处理和特征提取,得到多个探测场景下金属圆管正上方的A-Scan数据的特征参数和它们对应的特征矢量;将得到的所有特征矢量组成特征矢量矩阵X=[x1,x2,...,xk,...,xK],作为训练样本的输入数据集;其中xk表示第k个探测场景下金属圆管正上方的A-Scan回波数据的特征矢量,K表示训练样本的数量;
每个探测场景对应的参数构成一个输出矢量y(探测场景的参数为地下金属圆管的半径r、埋深d和地下介质的相对介电常数ε时,构成的输出矢量即为y=[r,d,ε]T);多个探测场景的输出矢量组成输出矢量矩阵Y=[y1,y2,...,yk,...,yK],作为训练样本的输出数据集;
步骤3:设计BP神经网络的结构,包括输入输出层的节点数、中间层的层数和各层的节点数;
步骤4:运用训练样本数据集对该BP神经网络进行训练;
步骤5:提取待探测场景下金属圆管正上方的A-Scan回波数据,并提取其特征参数;将其特征参数构建的特征矢量输入至训练好的BP神经网络,输出该待探测场景对应的地下金属圆管的半径、埋深和地下介质的相对介电常数的估计值,完成对地下金属圆管半径和埋深的估计。
进一步地,所述步骤2中,通过以下步骤获取金属圆管正上方的A-Scan回波数据的特征参数,构建其特征矢量:
步骤2.1:对金属圆管正上方的A-Scan回波数据取绝对值,再提取其峰值(绝对值最大的点)坐标,记峰值幅度为a,峰值到达时间为τ;
步骤2.2:根据探地雷达发射信号的子波宽度,设置该金属圆管正上方的A-Scan回波数据的回波提取时间窗twindow:twindow=2·tth,单位为s,tth为根据发射信号的子波宽度设定的信号两端的预留时宽;
步骤2.3:以峰值到达时间τ为基准,twindow作为时间轴上取值宽度,设置预设时间区间为
步骤2.4:计算预设时间区间内的回波能量
步骤2.5:由上述三个参数a、τ和e构成特征矢量x=[a,τ,e]T。
进一步地,所述步骤3中,设计BP神经网络结构的步骤如下:
步骤3.1:根据BP神经网络的输入数据集和输出数据集的维度,确定BP神经网络的输入层和输出层的节点个数分别为m和n;
步骤3.2:根据公式L=ceil(ln(m·n))确定中间隐含层总层数L;
步骤3.3:由以下方法确定中间隐含层中各层的节点数:
第一隐含层的节点数h1由输入层的节点个数m和调节因子λ确定,计算公式为λ∈[1,5]为调节因子;
其后L-1个中间隐含层的节点数hl由前一层隐含层的节点数hl-1决定,计算公式为l表示第l层隐含层,l=2,...,L。
进一步地,所述输入数据集的维度即输入的特征矢量的维度等于3,3个维度分别为金属圆管正上方的A-Scan回波数据的峰值幅度a,峰值到达时间τ和预设时间区间内的回波能量e;输出数据集的维度即输出矢量的维度等于3,3个维度分别为探测场景的3个参数,即地下金属圆管的半径r、埋深d和地下介质的相对介电常数ε;
由此确定BP神经网络的输入层的节点个数m=3,输出层的节点个数n=3,中间隐含层总层数L=5。
进一步地,所述步骤4中,训练过程包括以下步骤:
步骤4.1:导入训练样本,包括训练样本的输入数据集X=[x1,x2,...,xk,...,xK]和输出数据集Y=[y1,y2,...,yk,...,yK];
步骤4.2:设置BP神经网络各个层间节点的前向传递激活函数为Sigmoid函数:u为节点的输入变量,f(u)为节点的输出变量;
步骤4.3:选择Levenberg-Marquardt(L-M)优化方法训练BP神经网络。
有益效果:
本发明设计了一种基于BP神经网络的地下金属圆管半径和埋深的估计方法,其中探地雷达A-Scan信号的特征提取方法,提取回波的时域峰值、峰值到达时间和回波能量为特征参数,全面描述了探地雷达A-Scan回波信号的特征;其中BP神经网络模型的中间隐含层层数和中间隐含层节点个数的确定方法,第一个中间隐含层的节点个数由输入层的节点个数确定,以后每一层隐含层的节点个数均由前一隐含层的节点个数决定,缩小了隐含层节点个数的选择范围,缩小迭代训练次数和神经网络各层节点数。本发明基于BP神经网络结构估计地下金属圆管埋深和半径。在地下金属圆管的精确定位应用领域中,该方法能够快速、精确的得出地下金属圆管的半径、埋深和地下介质的相对介电常数,适用于对地下金属圆管目标的精细探测。
附图说明
图1示出了基于5层BP神经网络的地下金属圆管定位的流程图;
图2示出了探地雷达对地下金属圆管扫描获得的B-Scan记录剖面;
图3示出了截取时间窗twindow内的一维波形数据;
图4示出了5层BP神经网络的结构图。
具体实施方式
以下将结合附图和具体实施例对本发明做进一步详细说明。本实验使用GPRMAX软件构建探地雷达正演模型,获得散射回波数据,产生训练样本和测试样本的两个数据集的参数设置不重合。下面给出具体实施例。
实施例1:
本实例中,地下介质相对介电常数ε的取值区间是[3.0,3.5,4.0,...,7.5],一共10个数据。金属圆管的半径取值区间是[0.05,0.08,0.11,0.14,0.17],单位为m,一共10个数据。金属圆管的埋深取值区间是[0.30,0.32,0.34,...,0.68],单位为m,一共10个数据。三个矢量各自组合后,形成训练数据集样本的容量大小为1000。每个样本下,采用GPRMAX正演软件,设置发射天线tx和接收天线rx位于距离地面0.1m高度处,子波类型为ricker波,中心频率为1GHz,得到探地雷达的B-Scan回波数据。对该B-Scan数据进行去直达波和最强能量道的提取,得到金属圆管正上方的A-Scan数据,并对该道数据进行特征提取,截取时间窗提取该A-Scan数据的特征矢量x=[a,τ,e]T。
神经网络的输入层节点即为特征矢量x=[a,τ,e]T的长度,m=3。输出层节点即为探测场景的参数集y=[r,d,ε]T的长度,n=3。
根据L=ceil(ln(m·n))s.t.1<m,n<10,得到神经网络的中间隐含层的层数L=3,即该神经网络有3层隐含层网络结构。
隐含层节点个数由和计算,其中λ∈[1,5]为调节因子,得到3层隐含层节点个数的范围分别是:[17,22],[12,21],[8,20],网络训练速率为0.01,最大迭代次数c为3000,训练模型结果的均方误差(Mean SquareError,MSE)阈值ththreshold为0.001,迭代比较后选取中间隐含层的节点个数依次为20、18、19。定义相对误差表示为:其中ξreal表示参数真实值,ξnet表示由网络得出的估计值。定义平均相对误差为:其中p是训练样本容量大小。经过样本容量为1000的训练数据集训练后得到网络模型net1,对于训练数据集的平均相对误差是{0.251%,0.138%,0.823%},3个值分别是金属圆管的半径、埋深和地下介质的相对介电常数估计值与真实值的相对误差,验证了该模型的有效性。
设置测试数据集参数,埋地金属圆管的半径取值区间是:[0.04,0.09,0.12,0.16,0.20],单位为m。埋地金属圆管的埋深取值区间是:[0.24,0.28,0.72,0.78],单位为m。地下介质相对介电常数ε的取值区间是:[3.2,3.7,4.2,4.7,5.2]。GPRMAX正演模拟的参数设置与训练样本的参数设置一致,测试数据集的样本容量为100。将该测试数据集输入至训练完毕的5层BP神经网络中,输出埋地金属圆管的半径、埋深和地下介质的相对介电常数的估计。同样采用上述的平均相对误差计算公式,得到该5层BP神经网络对金属圆管半径、埋深和地下介质相对介电常数三个参数与估计值与真实值的平均相对误差分别是:{0.953%,0.731%,1.252%},本发明方法得到的金属圆管半径、埋深的估计值分别比传统估计方法得到的估计值的平均相对误差下降了3.639%和1.519%,验证了本发明的高精度参数估计性能。
Claims (4)
1.一种基于BP神经网络的地下金属圆管半径和埋深的估计方法,其特征在于,包括以下步骤:
步骤1:设定不同的探测场景,分别进行探地雷达正演模拟得到不同探测场景下的多个原始探地雷达B-Scan回波数据;探测场景的参数包括金属圆管的半径r、埋深d以及地下介质的相对介电常数ε;
步骤2:构建训练样本的输入数据集和输出数据集;
对原始探地雷达B-Scan回波数据进行去直达波和背景噪声预处理;再对预处理后的探地雷达B-Scan回波数据进行最强能量道的提取,得到金属圆管正上方的A-Scan回波数据;最后对该A-Scan回波数据进行特征提取,得到其特征参数;以其特征参数构建其特征矢量;依次对所有原始探地雷达B-Scan回波数据进行上述处理和特征提取,得到多个探测场景下金属圆管正上方的A-Scan数据的特征参数和它们对应的特征矢量;将得到的所有特征矢量组成特征矢量矩阵X=[x1,x2,...,xk,...,xK],作为训练样本的输入数据集;其中xk表示第k个探测场景下金属圆管正上方的A-Scan回波数据的特征矢量,K表示训练样本的数量;
每个探测场景对应的参数构成一个输出矢量y;多个探测场景的输出矢量组成输出矢量矩阵Y=[y1,y2,...,yk,...,yK],作为训练样本的输出数据集;
步骤3:设计BP神经网络的结构,包括输入输出层的节点数、中间层的层数和各层的节点数;
步骤4:运用训练样本数据集对该BP神经网络进行训练;
步骤5:提取待探测场景下金属圆管正上方的A-Scan回波数据,并提取其特征参数;将其特征参数构建的特征矢量输入至训练好的BP神经网络,输出该待探测场景对应的地下金属圆管的半径、埋深和地下介质的相对介电常数的估计值,完成对地下金属圆管半径和埋深的估计;
所述步骤2中,通过以下步骤获取金属圆管正上方的A-Scan回波数据的特征参数,构建其特征矢量:
步骤2.1:对金属圆管正上方的A-Scan回波数据取绝对值,再提取其峰值坐标,记峰值幅度为a,峰值到达时间为τ;
步骤2.2:根据探地雷达发射信号的子波宽度,设置该金属圆管正上方的A-Scan回波数据的回波提取时间窗twindow:twindow=2·tth,单位为s,tth为根据发射信号的子波宽度设定的信号两端的预留时宽;
步骤2.3:以峰值到达时间τ为基准,twindow作为时间轴上取值宽度,设置预设时间区间为
步骤2.4:计算预设时间区间内的回波能量
步骤2.5:由上述三个参数a、τ和e构成特征矢量x=[a,τ,e]T。
2.根据权利要求1中所述的基于BP神经网络的地下金属圆管半径和埋深的估计方法,其特征在于,所述步骤3中,设计BP神经网络结构的步骤如下:
步骤3.1:根据BP神经网络的输入数据集和输出数据集的维度,确定BP神经网络的输入层和输出层的节点个数分别为m和n;
步骤3.2:根据公式L=ceil(ln(m·n))确定中间隐含层总层数L;
步骤3.3:由以下方法确定中间隐含层中各层的节点数:
第一隐含层的节点数h1由输入层的节点个数m和调节因子λ确定,计算公式为λ∈[1,5]为调节因子;
其后L-1个中间隐含层的节点数hl由前一层隐含层的节点数hl-1决定,计算公式为l表示第l层隐含层,l=2,...,L。
3.根据权利要求2所述的基于BP神经网络的地下金属圆管半径和埋深的估计方法,其特征在于,所述输入数据集的维度即输入的特征矢量的维度等于3,3个维度分别为金属圆管正上方的A-Scan回波数据的峰值幅度a,峰值到达时间τ和预设时间区间内的回波能量e;输出数据集的维度即输出矢量的维度等于3,3个维度分别为探测场景的3个参数,即地下金属圆管的半径r、埋深d和地下介质的相对介电常数ε;
由此确定BP神经网络的输入层的节点个数m=3,输出层的节点个数n=3,中间隐含层总层数L=5。
4.根据权利要求1所述的基于BP神经网络的地下金属圆管半径和埋深的估计方法,其特征在于,所述步骤4中,训练过程包括以下步骤:
步骤4.1:导入训练样本,包括训练样本的输入数据集X=[x1,x2,...,xk,...,xK]和输出数据集Y=[y1,y2,...,yk,...,yK];
步骤4.2:设置BP神经网络各个层间节点的前向传递激活函数为Sigmoid函数:u为节点的输入变量,f(u)为节点的输出变量;
步骤4.3:选择Levenberg-Marquardt优化方法训练BP神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710649475.7A CN107402386B (zh) | 2017-08-02 | 2017-08-02 | 一种基于bp神经网络的地下金属圆管半径和埋深的估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710649475.7A CN107402386B (zh) | 2017-08-02 | 2017-08-02 | 一种基于bp神经网络的地下金属圆管半径和埋深的估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107402386A CN107402386A (zh) | 2017-11-28 |
CN107402386B true CN107402386B (zh) | 2019-11-19 |
Family
ID=60401844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710649475.7A Active CN107402386B (zh) | 2017-08-02 | 2017-08-02 | 一种基于bp神经网络的地下金属圆管半径和埋深的估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107402386B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109164454B (zh) * | 2018-08-23 | 2020-10-30 | 武汉大学 | 一种基于伪随机码调制的中远程高频激光雷达测距模糊求解方法 |
CN110458129B (zh) * | 2019-08-16 | 2020-06-23 | 电子科技大学 | 基于深度卷积神经网络的非金属地雷识别方法 |
CN111445515B (zh) * | 2020-03-25 | 2021-06-08 | 中南大学 | 基于特征融合网络的地下圆柱体目标半径估算方法及*** |
CN111562574B (zh) * | 2020-05-22 | 2022-08-16 | 中国科学院空天信息创新研究院 | 基于后向投影的mimo探地雷达三维成像方法 |
CN112180452B (zh) * | 2020-09-23 | 2023-09-29 | 中国建筑第八工程局有限公司 | 基于探地雷达和三维速度谱的地下管线埋深估计方法 |
CN113359101B (zh) * | 2021-08-10 | 2021-11-05 | 中南大学 | 一种地下目标探测方法、***及计算机存储介质 |
CN115291200A (zh) * | 2022-08-02 | 2022-11-04 | 广州迪升探测工程技术有限公司 | 一种基于数字显示的埋深管道定位方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1595195A (zh) * | 2004-06-17 | 2005-03-16 | 上海交通大学 | 基于信息融合的超宽带探地雷达自动目标识别方法 |
CN1975112A (zh) * | 2006-12-14 | 2007-06-06 | 同济大学 | 基于探地雷达的盾构隧道沉降控制方法 |
-
2017
- 2017-08-02 CN CN201710649475.7A patent/CN107402386B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1595195A (zh) * | 2004-06-17 | 2005-03-16 | 上海交通大学 | 基于信息融合的超宽带探地雷达自动目标识别方法 |
CN1975112A (zh) * | 2006-12-14 | 2007-06-06 | 同济大学 | 基于探地雷达的盾构隧道沉降控制方法 |
Non-Patent Citations (3)
Title |
---|
GPR探测地埋管径研究综述;许献磊 等;《地球物理学进展》;20121031;第27卷(第5期);2206-2215 * |
基于神经网络的探地雷达探雷研究;王群 等;《电波科学学报》;20010930;第16卷(第3期);398-403 * |
混凝土中钢筋直径雷达检测的神经网络方法;叶爱文 等;《建筑科学与工程学报》;20081231;第25卷(第4期);106-108 * |
Also Published As
Publication number | Publication date |
---|---|
CN107402386A (zh) | 2017-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107402386B (zh) | 一种基于bp神经网络的地下金属圆管半径和埋深的估计方法 | |
CN104020495B (zh) | 一种基于探地雷达的地下管线参数自识别方法 | |
CN105137498A (zh) | 一种基于特征融合的地下目标探测识别***及方法 | |
Catapano et al. | GPR imaging via qualitative and quantitative approaches | |
Oloumi et al. | Imaging of oil-well perforations using UWB synthetic aperture radar | |
CN1332220C (zh) | 基于信息融合的超宽带探地雷达自动目标识别方法 | |
CN107390213B (zh) | 一种基于滑动时窗的探地雷达记录剖面的时延曲线提取方法 | |
CN110082832B (zh) | 一种地面磁共振和探地雷达数据联合成像方法 | |
Aboudourib et al. | A processing framework for tree-root reconstruction using ground-penetrating radar under heterogeneous soil conditions | |
Wu et al. | Continuous pavement profiling with ground-penetrating radar | |
Li et al. | Artifact suppression of back-projection algorithm under multiple buried objects | |
Meschino et al. | Spot-gpr: A freeware toolfor target detection and localizationin gpr data developedwithin the cost action tu1208 | |
Jazayeri et al. | Sparse blind deconvolution of common-offset GPR data | |
Skartados et al. | GPR Antenna localization based on A-Scans | |
Panda et al. | Subsurface propagation velocity estimation methods in ground-penetrating radar: A review | |
Torrione et al. | Application of Markov random fields to landmine detection in ground penetrating radar data | |
Juan et al. | A new Wavelet Prediction method for GPR clutter elimination Based on LSTM network | |
Guo et al. | Research on tunnel lining image target recognition method based on YOLOv3 | |
Mapoka et al. | Modeling ground penetrating radar (gpr) technology for seed planting depth detection using numerical scheme based on finite difference time domain (fdtd) method | |
Savita et al. | Modeling of GPR Using gprMax Simulation | |
Rohman et al. | Basic Shape Classification of Buried Object Using Pattern Matching in Ultrawideband Radar Image | |
Deming | Automatic buried mine detection using the maximum likelihood adaptive neural system (MLANS) | |
Motevalli et al. | Time-Domain Spectral Inversion Method for Characterization of Subsurface Layers in Ground-Penetrating-Radar (GPR) Applications | |
Grimberg et al. | GPR for UXO recognition | |
Caorsi et al. | Electromagnetic infrastructure monitoring: The exploitation of GPR data and neural networks for multi-layered geometries |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |