HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ
Lọc theo danh mục
liên kết website
Lượt truy cập
Lượt truy cập :
24,433,224
- Công bố khoa học và công nghệ Việt Nam
60
Viễn thám
BB
Hoàng Ngọc Quý, Kang Seonghun, Lee Jong Sub, Trương Quang Hùng
Tăng cường phân loại và xử lý ảnh GPR bằng phương pháp học sâu kết hợp với gia tăng nhiễu trắng
Improving ground penetrating radar image classification using deep learning with white noise data augmentation
Tạp chí Khoa học Giao thông vận tải
2025
06
916-927
1859-2724
Phân loại, Nhiễu trắng, DNN, GPR, NDT
Công nghệ Ground Penetrating Radar (GPR) hiện đang được ứng dụng trong khảo sát công trình ngầm tại Việt Nam nhằm giảm rủi ro thi công, tiết kiệm chi phí và bảo vệ môi trường, đặc biệt trong lĩnh vực hạ tầng đô thị, giao thông, thủy lợi và khảo cổ. Tuy nhiên, để phát huy tối đa hiệu quả, cần cải thiện khả năng xử lý và phân tích dữ liệu GPR nhằm tăng độ chính xác trong khảo sát và đánh giá hiện trạng địa chất. Bài báo nghiên cứu việc cải thiện hiệu suất phân loại ảnh radar xuyên mặt đất (GPR) bằng cách kết hợp phương pháp học sâu (DNN) với tăng cường dữ liệu sử dụng nhiễu trắng. Dữ liệu nghiên cứu được thu thập từ các công trường xây dựng tại Hàn Quốc và bao gồm ba nhóm chính: nhiễu nền, phản xạ hyperbol từ vật thể chôn vùi, và phản xạ từ hố ga. Để tăng tính đa dạng của dữ liệu và giảm thiểu tác động của nhiễu môi trường, phương pháp tăng cường dữ liệu bằng cách thêm nhiễu trắng với hệ số biến thiên (cov) được áp dụng. Mô hình DNN dựa trên cấu trúc VGG19 được triển khai để trích xuất đặc trưng và phân loại các ảnh GPR. Kết quả thực nghiệm cho thấy dữ liệu tăng cường giúp cải thiện đáng kể hiệu suất phân loại, giảm hiện tượng overfitting và tăng cường tính tổng quát của mô hình. Nghiên cứu này chứng minh tiềm năng của việc áp dụng nhiễu trắng trong xử lý ảnh GPR kết hợp với phương pháp học sâu.
Ground Penetrating Radar (GPR) technology is increasingly utilized in underground structure surveys in Vietnam to enhance construction safety, optimize costs, and minimize environmental impact, particularly in urban infrastructure, transportation, water resource management, and archaeological studies. However, to maximize its potential, advancements in data processing and analytical techniques are required to improve the accuracy of subsurface investigations and geological assessments. This study investigates the enhancement of GPR image classification performance through the integration of deep learning techniques (DNN) and data augmentation utilizing white noise. The dataset used in the research was collected f-rom construction sites in South Korea and comprises three primary categories: background noise, hyperbolic reflections f-rom buried objects, and reflections f-rom manholes. To increase the diversity of the dataset and mitigate the effects of environmental noise, a data augmentation method incorporating white noise with a coefficient of variation (cov) is employed. A DNN model based on the VGG19 architecture is implemented for feature extraction and classification of GPR images. Experimental results demonstrate that the augmented data significantly enhance classification performance, reduce overfitting, and improve the generalization capability of the model. This research highlights the potential of using white noise-based data augmentation to enhance GPR image classification performance.
TTKHCNQG, CVv 287
Xem toàn văn