改进YOLOv5的探地雷达常见地下管线识别

作     者：王惠琴 罗佳 何永强 曹明华 高大庆 李佳豪 WANG HuiQin;LUO Jia;HE YongQiang;CAO MingHua;GAO DaQing;LI JiaHao

作者机构：兰州理工大学计算机与通信学院兰州730050 西北民族大学土木工程学院兰州730030 

出 版 物：《地球物理学报》 (Chinese Journal of Geophysics)

年 卷 期：2024年第67卷第9期

页      面：3588-3604页

核心收录：

学科分类：081801[工学-矿产普查与勘探] 081802[工学-地球探测与信息技术] 08[工学] 0818[工学-地质资源与地质工程] 

基　　金：国家自然科学基金资助项目(62261033,61861026) 甘肃省重点研发计划-社会发展类(23YFFA0060)资助 

主　　题：探地雷达 地下管线 深度学习 ConvNeXt 三维显示 

摘      要：针对当前探地雷达(Ground Penetrating Radar,GPR)图像识别准确率低,且小目标识别困难等问题,本文将YOLOv5(You Only Look Once)和ConvNeXt网络相结合,提出一种适用于GPR图像的常见地下管线识别网络ConvNeXt-YOLOv5,显著提高了雷达图像中小目标的识别精度.同时,为了解决因地下管线原始信息不足而导致的模型训练精度低的问题,使用实测GPR图像、时域有限差分法(Finite-Difference Time-Domain,FDTD)与混类增强算法Mixup模拟图像构建数据集.然后,在此数据集上验证了本文所提方法对常见地下管线的识别效果,并用识别后的二维GPR B-scan图像还原出地下管线的三维图像.实验结果表明,对镀锌输水钢管、PVC管、电缆线和含水塑料瓶等常见地下管线进行识别时,ConvNeXt-YOLOv5表现出优良的识别性能.尤其是对PVC管的识别精度提升明显.与YOLOv4、YOLOv5、YOLOv7和Faster R-CNN模型相比,其平均精度均值分别提高了3.83%、2.82%、1.9%和3.72%.同时,三维探地雷达图像更直观的还原了地下管线信息.