Geri Dön

Deep unfolding for clutter removal in ground penetrating radar

Yere nüfuz eden radarda kargaşa gidermek için derin katman açma

PDF İndir

  1. Tez No: 807236
  2. Yazar: SAMET ÖZGÜL
  3. Danışmanlar: PROF. DR. IŞIN ERER
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Bilişim Enstitüsü
  11. Ana Bilim Dalı: İletişim Sistemleri Ana Bilim Dalı
  12. Bilim Dalı: Uydu Haberleşmesi ve Uzaktan Algılama Bilim Dalı
  13. Sayfa Sayısı: 77

Özet

Yere Nüfuz Eden Radar (YNR), yer altı nesnelerini tespit etmek için yaygın olarak kullanılan bir teknolojidir. YNR temel olarak verici anten, alıcı anten, görüntüleme ekranı ve merkezi kontrol bileşenlerinden oluşmaktadır. YNR üzerinde bulunan verici anten yer altına elektromanyetik sinyal gönderir böylelikle yer altındaki çeşitli nesnelerden ve hedeften yansıyan sinyaller alıcı anten ile toplanır. Alıcı antenlerden alınan veriler gerçek zamanlı olarak görüntüleme ekranına aktarılır ve YNR görüntüleri burada gösterilir. Aynı zamanda toplanan YNR verisi, daha sonra işlenmek üzere bilgisayar sabit diskine veya harici bir veri depolama ünitesine kaydedilebilir. YNR, arkeoloji, madencilik, mineral araştırmaları, şehir planlamalarında yer altı borularının tespiti ve kara mayınlarının tespiti gibi birçok uygulamada kullanılır. Kara mayınları çoğu zaman çok az miktarda metal içeren veya sadece plastikten yapılmaktadır. Bu yüzden hedefin algılanması oldukça zordur, hatta metal dedektörlerinin plastik veya az metal malzemeden yapılmış mayınları tespit etmesi neredeyse mümkün değildir. Ancak, YNR bu tarz hedeflerin konumu, şekli, boyutları hakkında bilgi verebilmektedir. Bu yüzden YNR askeri çalışmalar için kritik öneme sahiptir. Alıcı ve verici anten arasındaki kuplaj, hedefin yüzeye yakın olmasın, yeraltındaki bilinmeyen nesnelerden yansıyan sinyallerden, ağaç kökleri, ufak taşlar, toprak yapısı gibi birçok etken YNR sinyallerini etkileyerek kargaşa oluşmasına neden olur. Oluşan bu kargaşa (clutter) hedefin doğru şekilde algılanmasını güçleştirir veya yanlış algılanmasına sebep olur. Kargaşa, YNR'nin en büyük sınırlaması olarak kabul edilir. Bu nedenle, YNR görüntülerinde kargaşanın kaldırılması, yer altı nesnelerini doğru bir şekilde tespit edebilmek oldukça önemlidir. Yıllar boyunca, YNR görüntülerinden kargaşanın giderilmesi için birçok yöntem önerilmiştir. Başlıca yöntemler arasında Temel Bileşen Analizi (TBA), Bağımsız Bileşen Analizi (BBA) ve Tekil Değer Ayrışımı (TDA) gibi altuzay ayrışım teknikleri yer almaktadır. Bu teknikler, kargaşa ve hedef arasındaki sinyal güç farklarına dayanarak YNR görüntülerini farklı bileşenlere ayrıştırmak için kullanılabilir. Ancak, optimal sonuçlara ulaşmak için altuzay teknikleri kargaşa altuzayının doğru bir şekilde belirlenmesini gerektirmektedir. Genellikle, kargaşa, hedeften yansıyan sinyalden daha güçlü olduğu için YNR görüntülerinde baskın bir bileşen olarak kabul edilirken, hedef ikinci bir bileşen olarak kabul edilir. Bu nedenle birden fazla hedefin bulunduğu durumlarda, altuzay teknikleri kargaşa ve hedefi ayırmada başarılı olmayabilir çünkü iki hedefin sinyal güçleri birbirine yakındır. Negatif olmayan matris faktörizasyonu (NOMF) [10], anlamlı özelliklerin çıkarılması ve verilerin boyutunun azaltılması için GPR görüntülerine uygulanabilir. NOMF'nin amacı, bir görüntünün matrisini yalnızca pozitif olmayan değerler içeren iki matrise ayrıştırmaktır. İlk matris, sütunlar tarafından temsil edilen temel vektörleri içerirken, ikinci matris, satırlar tarafından temsil edilen ağırlıkları içerir. Gürbüz Temel Bileşen Analizi (GTBA), bir matrisi düşük-rank ve seyrek bileşenlere ayrıştırır ve görüntü işleme, video arka plan çıkarma, tıbbi görüntülerde doku/kontrast ayrımı, gürültü giderme, değişim tespiti, YNR görüntülerinde kargaşanın giderilmesi gibi birçok araştırma alanında kullanılmaktadır. GTBA, her iterasyonda TDA işlemi içerdiğinden yüksek hesaplama maliyetine sahiptir ve çalışma süresini yüksektir. TDA işlemlerinin sürecini hızlandırmak için çeşitli çalışmalar yapılmıştır. Bu amaçla, doğrudan düşük-rank bileşeni elde etmek için bilateral rasgele projeksiyonlar (BRP) kullanan Go-Decompotision (GoDec) gibi alternatif yöntemler geliştirilmiştir. Ayrıca, NOMF ayrışımına seyrek bir bileşen ekleyen yeni bir yaklaşım olan Gürbüz NOMF (GNOMF) önerilmiştir. Derin öğrenme yöntemleri son yıllarda YNR görüntülerindeki kargaşanın kaldırılması, hedefin sınıflandırması ve gürültü azaltma gibi birçok uygulamada kullanılmıştır. YNR görüntülerindeki hedefleri tespit etmek veya sınıflandırmak için Konvolüsyonel Derin Ağ (KDA) temelli çeşitli teknikler geliştirilmiştir. Otomatik Kodlayıcılar (OK), YNR görüntülerinde anomalileri tespit etme, kargaşa bastırma ve Sentetik Açıklıklı Radar (SAR) görüntülerini sınıflandırma gibi gözetimsiz öğrenme görevlerinde sıkça kullanılan sinir ağlarıdır. Gürbüz Otomatik Kodlayıcılar (GOK), matrisi düşük-rank ve seyrek bileşenlere ayrıştırmak için GTBA yerine alternatif olarak kullanılabilir. GOK, GTBA ile benzer şekilde seyrek bir matrisi l_1-normunu kullanarak ayrıştırır, ancak düşük-rank bileşeni yakalamak için otomatik kodlayıcının doğrusal olmayan temsil yeteneğini de kullanır. Bu, GOK'nin düzensiz kargaşa durumlarıyla başa çıkmada GTBA'dan daha etkili olmasını sağlar. Yukarıdaki geleneksel yöntemlerin yüksek hesaplama maliyetini ve çalışma süresini azaltmak için, Öğrenen Gürbüz Temel Bileşen Analizi (ÖGTBA), Evrişimli Gürbüz Temel Bileşen Analizi (EGTBA) ve GODEC-Net yöntemleri önerilmiştir. Önerilen yöntemler Açığa Çıkaran Derin Öğrenme (AÇDÖ) algoritmaları olarak adlandırılır. Genel olarak AÇDÖ algoritmaları, iteratif yöntemlerin her bir iterasyonunu, bir derin öğrenme katmanına çevirir. Geleneksel yöntemlerin çok fazla iterasyon içermesi ve her bir yöntemin uygulamadan uygulamaya değişen parametresinin olması gerçek-dünya uygulamalarında kullanılmasını engellemektedir. AÇDÖ yöntemleri, genellikle manuel olarak seçilen ve her uygulama için değişen algoritma parametrelerini öğrenebilir hale getirir. Veriseti AÇDÖ yöntemleri ile eğitilmesiyle, her bir katmanda öğrenilen katsayılar ve parametreler daha sonra yeni veri için gerçek zamanlı uygulamalar için kullanılmasını mümkün kılmaktadır. AÇDÖ yöntemleri genellikle, iteratif algoritmaları belirli sayıda derin öğrenme katmanına açar ve bu modelin esnekliğini ve doğruluğunu kısıtlar. Ancak ÖGTBA, sabit katmanlı İleri Beslemeli Sinir Ağı (İBSA) modeline bir Yinelemeli Sinir Ağı (YSA) ekleyerek sonsuz katmanlı bir model olan İleri Beslemeli Yinelemeli Model ile Karışık Sinir Ağı (İBYKSA) elde eder. Elde edilen hibrit model ile hata, YSA sayesinde belirli bir koşul altında minimize edilir ve geleneksel kargaşa giderme yöntemlerinin performansına benzer sonuçlar elde edilir. EGTBA, Iterative Shrinkage-Thresholding Algorithm (ISTA)'yı açarak evrişimli katmanlara dönüştürür. İteratif algoritmadaki matris çarpımları yerine evrişimli katmanların olması öğrenilen parametre sayısını düşürmektedir. EGTBA, ham YNR görüntüsündeki kargaşa ve hedefi ayırırken eğitim esnasında TDA kullanılır. TDA'nın kullanılması eğitim aşamasında algoritmanın çalışma süresini uzatmaktadır. Önerilen GODEC-Net algoritması bu sorunu çözmek TDA yerine BRP kullanarak, EGTBA'dan çalışma süresini 50% kısaltmaktadır. Bu tezin amacı, çok fazla iterasyon gerektiren ve yüksek çalışma sürelerine sahip geleneksel metotlar yerine esnek, öğrenebilir ve hızlı AÇDÖ algoritmaları kullanarak gerçek ortamdan elde edilmiş YNR görüntülerinden kargaşayı gidermektir. Bu amaçla, gerçek ortam koşullarından elde ettiğimiz YNR görüntülerinden oluşan veriseti kullanılmıştır. Oluşturulan veriseti birçok farklı hedeften ve toprak tipinden elde edilmiş herbiri 50x50 pixel olan toplamda 898 adet YNR görüntüsü içermektedir. Oluşturulan verisetinin 75%'lik bölümü eğitim için kullanılırken 25%'lik kısmı da test için kullanılmıştır. Önerilen ÖGTBA, EGTBA ve GODEC-Net algoritmalarını eğitmek için, eğitim verisetine ham YNR görüntülerinin kargaşa ve hedef olarak ayrılmış görüntüleri de eklenmiştir. Eğitim verisetindeki görüntüleri kargaşa ve hedef olarak ayırmak için GTBA yöntemi kullanılmıştır. Eğitim aşaması tamamlandıktan sonra modellerin çıktıları kayıt edilmiş ve sonrasında bu çıktılar test verisetleri üzerinde denenmiştir. Sonuç olarak, gerçek ortamdan elde edilen yeni veriseti hem geleneksel hem de önerilen yöntemlerin kargaşa giderme performansları görsel ve nümerik olarak karşılaştırılmıştır. Önerilen AÇDÖ algoritmalarının geleneksel yöntemlere benzer sonuçlar verdiği hatta bazı senaryolarda geleneksel yöntemlerden daha iyi sonuçlar verdiği görülmüştür. Önerilen yöntemlerden ÖGTBA çalışma hızı bakımından EGTBA ve GODEC-Net'ten daha hızlı olmasına rağmen, EGTBA ve GODEC-Net kargaşayı bastırmada daha başarılı olduğu gözlemlenmiştir.

Özet (Çeviri)

Ground Penetrating Radar (GPR) is commonly used for identifying subterranean items, particularly plastic landmines that have a small amount of metal, cavities and pipelines. Nevertheless, reflections emanating from subterranean targets are considerably impacted by the mess created by the direct connection between the antennas used for transmitting and receiving signals, reflections originating from the surface of the soil, and the scattering effect caused by objects other than mines, such as roots, gravel, or uneven terrain. The clutter is preventing to detect targets and decreases the performance of detection algorithms since it is dominating targets' reflections. For this reason, the clutter removal of GPR images plays a critical role to detect clearly underground objects. For decades, lots of methods are proposed for clutter removal from GPR images. The subspace decomposition techniques such as Principal Component Analysis (PCA), Independent Component Analysis (ICA), and Singular Value Decomposition (SVD) can be used to decompose GPR images into distinct components corresponding to the clutter and the target based on their strength differences. Non-negative matrix factorization (NMF) can be applied to GPR images to extract meaningful features and reduce the dimensionality of the data. Robust PCA (RPCA) decomposes a matrix to low-rank and sparse components. Due to high computational cost SVD operation in each iteration to solve non-convex minimizing operation that increases run-time. Several efforts have been made to accelerate the process of SVD operations in field studies suchs as Go-Decomposition (GoDec) which uses bilateral random projections (BRP) to directly obtain the low-rank component. Also robust NMF (RNMF) has been proposed, which includes a sparse component in the NMF decomposition. Deep learning methods are used in GPR imaging detection target and clutter removal tasks. The Robust AutoEncoder (RAE) is unsupervised deep learning method that can serve as a viable alternative to RPCA when it comes to decomposing a matrix into low-rank and sparse components. RAE employs the l_1-norm to break down a sparse matrix, much like RPCA does. The following traditional methods have been proposed to reduce the high computational cost and working time: Learned Robust Principal Component Analysis (LRPCA), Convolutional Robust Principal Component Analysis (CORONA), and Go-Decomposition Network (GODEC). These proposed methods are referred to as Deep Unfolding Networks (DUN) algorithms. In general, DUN algorithms convert each iteration of iterative methods into a deep learning layer in order to reduce the aforementioned computational cost and working time. LRPCA expands the concept of deep unfolding from a limited number of iterations to an infinite number of iterations by utilizing a unique feedforward-recurrent-mixed neural network model. This approach allows LRPCA to improve the runtime performance during the testing phase compared to traditional methods, while also enabling the learnability of hyperparameters. On the other hand, CORONA is recognized for its fast algorithm, but its computational intensity is amplified due to the utilization of SVD in each iteration. However, a newly proposed method called GODEC-Net addresses this issue by employing BRP instead of SVD at each iteration. As a result, this modification significantly enhances the speed of regular operations for CORONA. In this thesis study, a dataset is created using GPR images obtained from real-world conditions. The dataset is divided into two parts: training and testing. In order to train the DUN algorithms, the training dataset included not only raw data from GPR images but also separate images for target and clutter. To achieve this, the training dataset is initially decomposed into its components using RPCA. The proposed algorithms are compared visually and numerically with SVD, RPCA, RNMF, GoDec, and RAE. According to the obtained results, our proposed algorithms yielded similar results to other methods and, in some scenarios, are observed to perform better in clutter removal. LRPCA, although faster in terms of processing speed compared to CORONA and GODEC-Net, it has been demonstrated that CORONA and GODEC-Net perform better in clutter removal. The aim of the thesis is to remove clutter in GPR images using deep unfolding networks, instead of computationally expensive and time-consuming algorithms. By doing so, it becomes more flexible to learn the iterative algorithm parameters that vary from one application to another using the proposed algorithms. This enables the realization of clutter removal in real-world applications.

Benzer Tezler

  1. Tez No

    729824

    Image reconstruction with deep learning and applications in MR images

    Derin öğrenme ile görüntü geriçatımı ve MR görüntülerinde uygulamaları

    AMIR AGHABIGLOU

    Doktora

    İngilizce

    İngilizce

    2022

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ENDER METE EKŞİOĞLU

  2. Tez No

    643266

    İlkokul öğretmen ve velilerinin öğrenme yönetim sistemleri ile ilgili görüşlerinin belirlenmesi

    Determination of the principles of the primary school teachers and parents about the learning management systems

    SÜMEYYE BARUTCU

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Eğitim ve Öğretimİstanbul Aydın Üniversitesi

    İlköğretim Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ DİLEK ÖZALP

  3. Tez No

    413598

    Derici sumağı (Rhus coriaria L.)'nın Kahramanmaraş yöresindeki doğal yayılışı ile bazı biyolojik ve ekolojik özellikleri üzerine araştırmalar

    Studies on the natural distribution and some biological and ecological characteristics of sumac (Rhus coriaria L.) in the Kahramanmaraş region

    TAHSİN ÇİÇEK

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    Ormancılık ve Orman MühendisliğiKahramanmaraş Sütçü İmam Üniversitesi

    Orman Mühendisliği Ana Bilim Dalı

    PROF. DR. MAHMUT DERYA AVŞAR

  4. Tez No

    662696

    Discovery of novel enzymes using proteomic approaches

    Proteomik yaklaşımlar kullanılarak yeni enzimlerin keşfi

    MERVE ÖZTUĞ KILINÇ

    Doktora

    İngilizce

    İngilizce

    2021

    Biyokimyaİstanbul Teknik Üniversitesi

    Moleküler Biyoloji-Genetik ve Biyoteknoloji Ana Bilim Dalı

    PROF. DR. NEVİN GÜL KARAGÜLER

    DOÇ. DR. MÜSLÜM AKGÖZ

  5. Tez No

    900735

    Une etude sur le concept de negation dans le cadre de la critique Hegelinne de l'ironie romantique

    Hegel'in romantik ironi eleştirisi çerçevesinde olumsuzlama kavramı üzerine bir inceleme

    SEMA ÖZTEKİN

    Yüksek Lisans

    Fransızca

    Fransızca

    2024

    FelsefeGalatasaray Üniversitesi

    Felsefe Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ UMUT ÖKSÜZAN

Geri Dön