Аналіз завадостійкості нейромережевої системи розпізнавання підповерхневих об’єктів
Анотація
Актуальність: Системи підповерхневого зондування на основі імпульсних електромагнітних хвиль широко застосовуються для виявлення прихованих об’єктів у ґрунті. Водночас ефективність таких систем істотно знижується в умовах інтенсивних завад, спричинених зовнішніми відбиттями та радіочастотними джерелами. Особливо складною є задача автоматизованого розпізнавання об’єктів за георадарними сигналами з використанням штучних нейронних мереж, оскільки їхня завадостійкість суттєво залежить від вибору параметрів моделювання, формування вхідних даних та навчання.
Мета роботи: Дослідження та оптимізація параметрів системи виявлення підповерхневих об’єктів на основі штучної нейронної мережі з метою підвищення її завадостійкості шляхом застосування алгоритму повного перебору параметрів (grid search).
Матеріали та методи: Підповерхневе середовище з прихованим металевим об’єктом опромінювалося плоскою імпульсною електромагнітною хвилею. Електродинамічна задача поширення та розсіяння хвилі розв’язувалася числовим методом скінченних різниць у часовій області (FDTD) з урахуванням взаємодії електромагнітного поля, однорідного ґрунту та об’єкта. Вхідні дані для нейронної мережі формувалися на основі часових залежностей прийнятих сигналів, а також додаткової інформації, отриманої з використанням підходу дискретної томографії та трасування променів. Для пошуку оптимальної конфігурації системи застосовано grid search, у межах якого досліджено вплив типу вхідних даних, кількості датчиків, параметрів часового вікна, методів аугментації даних та способів кодування цільових класів. Оцінювання завадостійкості здійснювалося за допомогою F1-міри та порогового рівню завадостійкості системи (Gate SNR).
Результати: У результаті проведеного grid search визначено конфігурації системи, які забезпечують найвищу завадостійкість розпізнавання. Показано, що вибір часового вікна є критичним фактором, який суттєво впливає на значення Gate SNR. Встановлено, що навчання нейронної мережі на зашумлених даних покращує її здатність до узагальнення та підвищує стабільність роботи в умовах шуму. Продемонстровано, що спосіб кодування класу відсутності об’єкта має найбільший вплив на ефективність системи, дозволяючи досягти нижчих порогових значень Gate SNR порівняно з іншими параметрами.
Висновки: Застосування алгоритму grid search дозволило систематично оптимізувати параметри системи підповерхневого розпізнавання об’єктів на основі штучної нейронної мережі. Отримані результати підтверджують доцільність поєднання фізично обґрунтованих методів обробки сигналів із машинним навчанням для підвищення завадостійкості георадарних систем. Запропонований підхід може бути використаний як основа для подальшого розвитку методів автоматизованого аналізу георадарних даних у реальних експериментальних умовах.
Завантаження
Посилання
Gazdag J, Sguazzero P. Migration of seismic data. Proc IEEE. 1984;72(10):1302–1315. doi:10.1109/PROC.1984.13044.
Smitha N, Bharadwaj DRU, Abilash S, Sridhara SN, Singh V. Kirchhoff and F-K migration to focus ground penetrating radar images. Geo-Engineering. 2016;7:4. doi:10.1186/s40703-016-0019-6.
Plakhtii V, Dumin O, Pryshchenko O. Kirchhoff migration method for tube detection with UWB GPR. In: Proc. 2021 IEEE Int. Conf. on Direct and Inverse Problems of Electromagnetic and Acoustic Wave Theory (DIPED); 2021 Sep. p. 1–5. doi:10.1109/DIPED53165.2021.9552330.
Alani AM, et al. The use of ground penetrating radar and microwave tomography for the detection of decay and cavities in tree trunks. Remote Sens. 2019;11(18):2073. doi:10.3390/rs11182073.
Chen Y, Witten AJ. Pseudoinverse imaging for multimonostatic ground-penetrating radar data. Proc SPIE. 2001. doi:10.1117/12.445458.
Pryshchenko O, Dumin O, Plakhtii V. Discrete tomography approach for subsurface object detection by artificial neural network. In: Proc. 2022 IEEE Ukrainian Microwave Week (UkrMW); 2022 Nov. p. 1–4. doi:10.1109/UKRMW58013.2022.10037072.
Windsor CG, Capineri L, Falorni P. A data pair-labeled generalized Hough transform for radar location of buried objects. IEEE Geosci Remote Sens Lett. 2014;11(1):124–127. doi:10.1109/LGRS.2013.2248119.
Varyanitza-Roshchupkina LA, Pochanin G. Wavelet analysis of signals in short-range radiolocation problems. In: Proc. 2013 Int. Conf. on Antenna Theory and Techniques (ICATT); 2013 Sep. p. 1–4. doi:10.1109/ICATT.2013.6650794.
Plakhtii V, Dumin O, Pryshchenko O, Shyrokorad D, Pochanin G. Influence of noise reduction on object location classification by artificial neural networks for UWB subsurface radiolocation. In: Proc. 2019 IEEE Int. Seminar on Direct and Inverse Problems of Electromagnetic and Acoustic Wave Theory (DIPED); 2019 Sep. p. 1–4. doi:10.1109/DIPED.2019.8882590.
Wang S, Han L, Gong X, Zhang S, Huang X, Zhang P. MCMC method of inverse problems using a neural network: application in GPR crosshole full waveform inversion. Remote Sens. 2022;14(6):1320. doi:10.3390/rs14061320.
Persanov I, Dumin O, Plakhtii V, Shyrokorad D. Subsurface object recognition in soil using UWB irradiation by butterfly antenna. In: Proc. 2019 IEEE DIPED; 2019. p. 160–163. doi:10.1109/DIPED.2019.8882577.
Pryshchenko OA, et al. Implementation of an artificial intelligence approach to GPR systems for landmine detection. Remote Sens. 2022;14(17):4421. doi:10.3390/rs14174421.
Capineri L, Falorni P, Borgioli G, Bossi L, Pochanin G, Ruban V, et al. Background removal for processing scans acquired with the “UGO-1st” landmine detection platform. In: Proc. 2019 PhotonIcs & Electromagnetics Research Symposium—Spring (PIERS); Rome, Italy; 2019 Jun. p. 3965–3973.
Dumin O, Plakhtii V, Pryshchenko O, Pochanin G. Comparison of ANN and cross-correlation approaches for ultra-short pulse subsurface survey. In: Proc. 2020 IEEE TCSET; 2020. p. 1–6. doi:10.1109/TCSET49122.2020.235459.
Feng K, Zhao Y, Wu J, Ge S. Cross-correlation attribute analysis of GPR data for tunnel engineering. In: Proc. 2014 Int. Conf. on Ground Penetrating Radar (ICGPR); 2014 Jun. p. 1–4. doi:10.1109/ICGPR.2014.6970461.
Feng K, Zhao Y, Wu J, Ge S. Cross-correlation attribute analysis of GPR data for tunnel engineering. In: Proc. 2014 Int. Conf. on Ground Penetrating Radar (ICGPR); 2014 Jun. p. 1–4. doi:10.1109/ICGPR.2014.6970461.
Mint Mohamed Mostapha A, Faize A, Alsharahi G, Louzazni M, Driouach A. Effect of external noise on ground penetrating radar ability to detect objects. Int J Microw Opt Technol. 2019;14:124–131.
Agapiou A, Sarris A. Working with Gaussian random noise for multi-sensor archaeological prospection: fusion of GPR depth slices and ground spectral signatures. Remote Sens. 2019;11(16):1895. doi:10.3390/rs11161895.
Lee Y. Image classification with artificial intelligence: cats vs dogs. IEEE Xplore; 2021 Jan 1. doi: 10.1109/CDS52072.2021.00081
Pryshchenko O, Dumin O, Plakhtii V, Pochanin G. Subsurface object detection in randomly inhomogeneous medium model. In: Proc. 2021 IEEE UKRCON; 2021 Aug. p. 1–4. doi:10.1109/UKRCON53503.2021.9575688.
Pryshchenko O, Dumin O, Plakhtii V, Pochanin G. Classification of objects buried in inhomogeneous medium by artificial neural network using impulse GPR with 1Tx + 4Rx antenna system. In: Proc. 2021 Int. Workshop on Advanced Ground Penetrating Radar (IWAGPR); 2021 Dec. p. 1–4. doi:10.1109/IWAGPR50767.2021.9843169.
Dumin O, Plakhtii V, Shyrokorad D, Pryshchenko O, Pochanin G. UWB subsurface radiolocation for object location classification by artificial neural networks based on discrete tomography approach. In: Proc. 2019 IEEE UKRCON; 2019 Jul. p. 1–4. doi:10.1109/UKRCON.2019.8879827.
Avola D, et al. A shape comparison reinforcement method based on feature extractors and F1-score. IEEE Access. 2019;7:1–10. doi: 10.1109/SMC.2019.8914601.
Цю роботу ліцензовано за Міжнародня ліцензія Creative Commons Attribution 4.0.
