-
图 1 真实场景中GPR B-scan中的双曲线特征
Figure 1.
-
图 2 在文献[28]中解决的一些复杂情况示例
Figure 2.
-
图 3 DCSE和OSCA算法的对比结果展示
Figure 3.
-
图 4 基于CTFP算法的双曲线拟合结果展示
Figure 4.
-
序号 参考文献 时间 GPR目标 客观评价 1 Borgioli et al. [17] 2008 地埋管道 在Hough变换中引入加权因子，解决了管道靠近时双曲线重叠的问题；但是需要预备模型，计算成本相对较高。 2 Maas et al. [23] 2013 双曲线反射 使用Viola-Jones算法标记目标候选区域，它避免了模板匹配并缩小了后续搜索区域；然而，应用特征需手动识别，分类结果取决于特征的质量，难度随着数据量的增加。 3 Besaw et al. [2] 2016 地埋爆炸物 应用CNN从GPR B-scan中提取有意义的特征并对目标进行分类。交叉验证，网络权重正则化和“dropout”用于防止过度训练。 4 Besaw[3] 2016 地埋爆炸物 在CNN基础上增加了额外的Data Augmentation技术，用于增加可用训练数据的数量和可变性。 5 文献[4,5] 2017 地埋爆炸物 研究了预训练CNN的初始化步骤，以解决GPR数据标记样本不足的问题；但是输入网络中真实图像的大小和数量通常是有限的，仅实现分类步骤。 6 Pham et al. [27] 2018 双曲线反射 首次采用Faster RCNN来检测GPR B-scan中的反射双曲线。该技术在真实测试集上的性能要超过使用HOG或Haar-like特征的检测器，但缺少定量的评估。 7 Lei et al. [28] 2019 地埋钢筋 在文献[27]基础上，采用了DA手段增加真实GPR数据集和仿真数据集；提出DCSE算法以识别双曲线特征，完善了文献[30]中提出的OSCA算法；提出CTFP算法自动提取拟合点。所提出方案的有效性在仿真和真实数据集上得到了验证。 8 Dou et al. [29] 2016 双曲线反射 提出了C3算法分割交叉双曲线，并将其送入神经网络进行分类。C3算法水平扫描B-scan图像中的每个像素以进行聚类。然而，双曲线是垂直向下打开的，C3算法没有考虑这个重要特征。 9 Zhou et al. [30] 2018 金属管道
水泥管道提出OSCA算法解决了文献[29]中的难题，可以识别具有向下开口特征的聚类。然而，在整个图像上进行OSCA算法是不合适的，因为难以处理包含太多非平稳噪声的大型现场数据集，导致后续处理复杂化。 表 1 GPR目标检测的经典算法总结
图共
4 个 表共
1 个
