شناسايي مشخصات اهداف استوانه‌اي پنهان در تصاوير GPR با استفاده از دو روش هوشمند شبكه‌هاي عصبي و تطبيق الگو

Detecting Cylindrical Targets Characteristics Hidden in GPR Images Using Artificial Neural Network and Template Matching

رادار نفوذي زمين (GPR) روش ژيوفيزيكي غيرمخرب و با قدرت تفكيك زياد است كه از بازتاب امواج الكترومغناطيسي با فركانس بالا براي آشكارسازي اشيا مدفون استفاده مي‌كند. در پژوهش حاضر اين روش براي تعيين پارامترهاي هندسي اهداف استوانه‌اي مدفون نظير انواع ساختارهاي تونلي استفاده شده است. دست‌يابي به‌چنين مقصودي براساس تعيين روابط پنهان بين پارامترهاي هندسي اهداف استوانه‌اي و پارامترهاي هذلولي پاسخ GPR، با استفاده از روش‌هاي هوشمند شبكه‌هاي عصبي مصنوعي و شناخت الگو، انجام شده است. براي اين منظور پاسخ GPR مدل‌هاي مصنوعي استوانه‌اي شكل توليد شده با مدل‌سازي پيش‌رو به‌ روش اختلاف محدود دوبعدي، به‌عنوان الگو در الگوريتم‌هاي شبكه‌هاي عصبي مصنوعي و تطبيق الگو استفاده شده است. ساختار شبكه عصبي استفاده شده براساس استخراج ويژگي‌هاي متمايز و منحصر به‌فرد (مقادير ويژه و نرم مقادير ويژه) از تصاوير GPR و تعيين تمام پارامترهاي هندسي اهداف، به‌طور هم‌زمان بنا شده است. عمليات تطبيق الگو نيز با به‌كارگيري دو روش شباهت مختلف هم‌آميخت حوزه فضايي و هم‌بستگي متقابل نرماليزه شده در حوزه عدد موج دوبعدي، صورت گرفت. نتايج پژوهش نشان مي دهد كه هر دوروش هوشمند استفاده شده، قابليت كاربرد برجا، سريع، دقيق و خودكار را براي اهداف ژيوتكنيكي واقعي دارند، هرچند درمجموع روش شبكه هاي عصبي نسبت به‌ روش تطبيق الگو خطاي كم‌تر و در نتيجه قدرت تخمين بيش‌تر براي پارامترهاي هندسي اهداف استوانه اي مدفون دارد.

Ground-Penetrating Radar (GPR) is a non-destructive and high-resolution geophysical method which uses high-frequency electromagnetic (EM) wave reflection off buried objects to detect them. In current research this method has been used to identify geometrical parameters of buried cylindrical targets such as tunnel structures. To achieve this aim, relationships between the geometrical parameters of cylindrical targets with the parameters of GPR hyperbolic response have been determined using two intelligent pattern recognition methods known as artificial neural network and template matching. To this goal GPR responses of synthetic cylindrical objects produced by 2D finite-difference method have been used as templates in the neural network and template matching algorithms. The structure of applied neural network has been designed based on extracting discriminant and unique features (eigenvalues and the norm of eigenvalues) from the GPR images and predicting all geometrical parameters of the targets, simultaneously. Also the template matching operation carried out using two diverse similarity approaches, spatial domain convolution and normalized cross correlation in 2D wave number domain. The results of the research show that both two employed intelligent methods can be applied for in situ, real-time, accurate and automatic interpretation of real GPR radargrams, however in general the neural network method has led to less error and better estimation than template matching to predict the geometrical parameters of the cylindrical tar