GPR-TSBiNet:用于GPR B-Scan小目标检测的信息梯度丰富模型
Chongqin Wang1, Yi Guan1, Minghe Chi1
1School of Electrical and Electronic Engineering, Harbin University of Science and Technology, Harbin 150080, China.
Sensors (Basel, Switzerland)
|April 12, 2025
概括
准确地检测地下接地线是具有挑战性的. 新的GPR-TSBiNet模型使用先进的GPR-TSBiNet架构显著提高了这些埋藏目标的检测准确性.
科学领域:
- 地质物理学 地质物理学
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 地下接地线的检测是困难的,因为深埋和信号分散在土壤中,导致模糊的地面透雷达 (GPR) B扫描图像.
- 现有的方法难以可靠地识别小型深层目标,阻碍了准确的地下基础设施绘图.
研究的目的:
- 开发一个先进的深度学习架构,GPR-TSBiNet,从GPR B扫描图像中准确检测地下接地线.
- 增强特征提取和保存小目标的细节,克服当前基于GPR的检测方法的局限性.
主要方法:
- 拟议的GPR-TSBiNet架构包括GPR-Transformer (GPR-Trans) 骨干和空间深度转换双向特征金字塔网络 (SC-BiFPN) 与SPD-ADown.
- 利用了Shape-IoU损失功能,以改善小目标的边界细节保存.
- 针对最先进的模型 (YOLOv11,YOLOv10) 和现实世界GPR验证进行了比较实验.
主要成果:
- GPR-TSBiNet显示出卓越的检测准确性,AP0.5比YOLOv11X提高了11.6%,比YOLOv10X提高了27.4%.
- 实现了小目标检测 (APsmall) 的显著增加,达到49.4 ± 0.7%,比SOTA YOLOv11模型提高13.4%.
- 现实世界的验证证实了该模型在地下接地线路检测方面的可靠性.
结论:
- 使用GPR数据,GPR-TSBiNet提供了一种强大而准确的解决方案,用于使用GPR数据检测具有挑战性的地下接地线.
- 提出的建筑创新有效地解决了特征损失,并提高了复杂的土壤环境中的小目标检测.
- 这项工作推进了基于GPR的目标识别,为基础设施检查和管理提供了可靠的工具.
