Geri Dön

Derin öğrenme tabanlı yöntemler ile GPR görüntülerinde obje tespiti

Object detection in GPR images with deep learning based methods

PDF İndir

  1. Tez No: 810499
  2. Yazar: ORHAN APAYDIN
  3. Danışmanlar: DOÇ. DR. TURGAY İŞSEVEN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Jeofizik Mühendisliği, Geophysics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Jeofizik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Jeofizik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 106

Özet

Yer radarı (GPR) yakın yüzey yer altı araştırmaları için sıklıkla kullanılan bir elektromanyetik (EM) yöntemdir. GPR yöntemi üretilen bir EM dalganın yer içerisine nüfuz etmesi ve yer içerisindeki farklı EM empedansa sahip yapılar ya da süreksizliklerden yansıyan, kırılan ve direk gelen dalgalar alıcı anten tarafından elektrik akımlarına dönüştürülerek kayıt edilmesi esasına dayanır. Bir hat boyunca gerçekleştirilen GPR ölçümleri neticesinde B-tarama veya radargram olarak adlandırılan GPR görüntüsü elde edilir. İlk GPR araştırmaları buzul kalınlıklarının tespiti amacıyla yapılmış olmasına rağmen günümüzde özellikle gömülü boru vb. modern alt yapı elemanları arkeolojik kalıntılar, ağaç kök dağılımları, mayın tespiti, tünel, havaalanı, tren rayları vb. ulaşım altyapı araştırmaları, obrukların tespiti, ağaç gövdelerinin içerisindeki boşlukların tespiti gibi alanlarda tahribatsız bir yöntem olması dolayısı ile sıklıkla kullanılmaktadır. Yer içerisine gömülü objeler B-tarama görüntülerinde hiperbolik şekilli anomaliler olarak görünmektedir. Hiperbollerin geometrik özellikleri, objelerin yer yüzünden olan derinliğine, ortamın ve objenin dielektrik sabiti ve elektrik iletkenliğine, boyut ve şekillerine bağlıdır. Özellikle gömülü objelerin geometrik şekilleri ve fiziksel özellikleri, farklı yapıda hiperbolik anomalilerin oluşmasına neden olur. Araştırmaların amacına göre verilerin yorumlanmasında bu hiperbolik şekilli anomalilerin tespit edilmesi ve geometrik şekillerine göre sınıflandırılması önem arz eder. Görüntülerdeki objelerin tespiti ve sınıflandırılması derin öğrenme (DÖ) tabanlı yöntemler ile gerçekleştirilebilmektedir. DÖ yapay zekâ alanında en popüler yöntemlerden biri olup bilgisayar teknolojilerinin gelişmesi ile uygulama imkân ve kapsamları ilerlemiştir. Resimler üzerinde gerçekleştirilmek istenen obje tespit ve sınıflandırma uygulamalarında evrişimsel sinir ağları (ESA) metodu DÖ modellerinin içerisinde bulunur ve resimlere ait özellik çıkarımları yapılması sağlanır. Bu fikir ve yapılan araştırma ve geliştirmeler sayesinde ESA içeren DÖ yöntemleri türetilmeye başlanmıştır. En popüler DÖ tabanlı obje tespit ve sınıflandırma uygulamaları Faster R-CNN ve YOLO'dur. Bu iki metot kendisine askeri, tıp, havacılık ve uzay, jeofizik, uzaktan algılama, otonom araç teknolojisi gibi birçok disiplinde uygulama alanı bulmuştur. GPR görüntülerinde obje tespiti uygulamaları da bu yöntemler ile denenmiştir. Bu tez çalışması kapsamında farklı geometrik şekle sahip objelerin GPR görüntülerindeki hiperbolik şekilli anomalilerinin tespiti ve ardından bunların hangi geometrik şekle sahip olduğunu gösteren sınıflandırılmasının yapılması için DÖ tabanlı Faster R-CNN ve YOLO uygulamaları kullanılmıştır. DÖ yöntemleri ile obje tespit ve sınıflandırma uygulamaları için veri kümesi kritik bir öneme sahiptir. Bu tez çalışması kapsamında oluşturulan veri kümesi laboratuvar ortamında gerçekleştirilen GPR ölçümlerinden ve gprMax adlı EM dalga simülasyonu yapabilen açık kaynaklı program ile laboratuvar ortamında oluşturulan senaryolara benzer olarak türetilen modellerin simülasyonu sonucunda elde edilen sentetik verilerden oluşur. Laboratuvar ortamındaki ölçümler için vektör ağ analizörü (VAA) ve Vivaldi anten çifti kullanılarak bir GPR ölçüm cihazı oluşturulmuştur. VAA cihazı ile frekans ortamında sinyal üretip toplanabilmektedir. Tez çalışması kapsamında VAA cihazı 600 MHz ile 1200 MHz aralığında bir bant genişliği kullanılarak EM dalga üretilmiştir. Ölçüm cihazının hazırlanmasının ardından yapay bir yer altı modeli oluşturmak amacı ile ahşap bir masa kullanılmıştır. Burada 140 cm genişlik ve 4 cm kalınlığındaki ahşap masanın üst yüzeyi yer yüzü, masanın altında kalan ve araştırılacak objelerin konumlandırılacağı alan ise yer içi olarak kurgulanmıştır. Tez çalışmasındaki amaçlardan biri farklı geometrik şekilli objelerin GPR görüntülerindeki tespiti olduğundan dikdörtgen prizma şekilli, alüminyum folyo kaplı kutu ve silindirik şekilli demir çubuk masa altına farklı derinliklerde konumlandırılmıştır. Kutu ve demir çubuk çeşitli boyutlarda seçilerek veri kümesi genişletilmiştir. Laboratuvar ölçümlerinde iki farklı senaryo kurgulanmıştır. Bunlardan ilki 28 cm ve 40 cm genişlikte iki farklı dikdörtgen prizma şekilli kutunun masa altına farklı derinliklerde konumlandırılması ikincisi ise 2,5 cm ve 5 cm çapa sahip iki farklı silindirik şekilli demir çubuğun masa altına farklı derinliklerde konumlandırılmasıdır. Ölçümler için tasarlanan GPR cihazı ile masa üzerinde 120 cm uzunluğunda hat boyunca 2 cm'de bir radar ölçümleri gerçekleştirilmiş ve B-tarama görüntüsü elde edilmiştir. İlk ve ikinci senaryolar için toplamda 19 adet GPR verisi elde edilmiştir. VAA cihazı üretim amacı nedeni ile verileri frekans ortamındaki kayıt etmektedir. Frekans ortamındaki bu veriler ters ayrık Fourier dönüşümü (TAFD) kullanılarak 20 nanosaniye uzunluğunda B-tarama görüntüleri elde edilmiştir. Veri kümesini oluşturan diğer GPR görüntüleri ise gprMax programı ile oluşturulan sentetik verilerdir. Laboratuvar ölçümlerinde kullanılan objeler ve GPR ölçüm cihazı aynı EM ortam parametreleri ile birebir gprMax programında modellenmiştir. Simülasyonda oluşturulan yapay EM dalganın merkez frekansı 900 MHz olarak ayarlanmıştır. Laboratuvar ölçümlerine benzer olarak iki farklı senaryoda objeler farklı derinliklere konumlandırılarak 20 nanosaniyelik bir zaman dilimi simüle edilmiştir. Simülasyonlar sonucunda birinci senaryo için 50, ikinci senaryo için 50 adet olmak üzere toplam 100 adet sentetik GPR görüntüsü oluşturulmuştur. Veri sayısını arttırmak amacı ile DÖ yöntemlerinde gerçekleştirilen obje tespiti uygulamalarında sıklıkla kullanılan veri çeşitlendirme yöntemleri olan aynalama ve yeniden boyutlandırma teknikleri uygulanmıştır. Bu tekniklerin uygulanması sonucunda laboratuvar ölçümleri ve simülasyon ile elde edilen 119 adet GPR görüntüsü, toplam 357 adete çıkarılmıştır. DÖ tabanlı obje tespit uygulamaları görüntüler ve bu görüntülerde tespit edilmek istenen objelerin etiketlenmesi ile eğitilir. Elde edilen GPR görüntülerinde dikdörtgen prizma şekilli kutulara ait hiperboller“dikdörtgensel”, silindirik şekilli objelere ait hiperbol yapılar“silindirik”olarak isimlendirilmiştir. Etiketleme işlemi tespit edilmek istenen objenin bir sınırlandırıcı kutu içerisine alınıp isimlendirme işlemidir. Etiketleme işleminin ardından veri kümesi artık DÖ tabanlı Faster R-CNN ve YOLO ağlarının eğitimi için kullanılabilir hale getirilmiştir. Faster R-CNN ve YOLO yönteminin bir veri kümesi ile eğitilmesi tespit edilmek istenen objelerin makine tarafından öğrenilmesi ve farklı bir veri görselinde bu objenin tespit edilebilmesi anlamına gelir. Yöntemler sonucunda yüksek doğruluk oranları ile GPR görüntülerinde farklı geometrik şekle sahip objelerden kaynaklı hiperbolik anomaliler tespit edilip bu anomalilerin hangi geometrik şekle sahip objelere ait olduğu tespit edilmiştir. Elde edilen sonuçlar neticesinde YOLO yöntemi kullanılarak bir GPR görüntüsünde obje tespiti ortalama 52.7 milisaniye sürmüş, Faster R-CNN ile bu süre 4,2 saniye sürmüştür. Eğitim sonucunda Faster R-CNN yönteminde sınıflandırma kaybı = 5,48E-03, konumlandırma kaybı = 3,97E-03, objesizlik kaybı = 5,11E-05, GOK_0.5 = 1, GOK_0.75 = 1 bulunurken YOLO yönteminde sonuçlar, sınıflandırma kaybı = 1,93E-04, konumlandırma kaybı = 1,54E-02, objesizlik kaybı = 7,24E-03, GOK_0.5 = 0.995, GOK_0.5:0.95 = 0.779 olarak bulunmuştur. Böylece YOLO kullanılarak GPR görüntülerinde daha hızlı obje tespiti yapılmıştır. Buna karşılık Faster R-CNN, görüntülerdeki objelerin tespitini ve sınıflandırmasını YOLO'dan daha doğru değerler ile gerçekleştirmiştir.

Özet (Çeviri)

Ground Penetrating Radar (GPR) is an electromagnetic (EM) method commonly used for near-surface subsurface investigations. The GPR method is based on the penetration of an EM wave into the ground and the recording of reflected, refracted, and direct waves from structures or discontinuities with different EM impedance within the subsurface, which are then converted into electrical currents by the receiver antenna. GPR measurements conducted along a profile yield a GPR image known as a radargram or a B-scan. While the initial purpose of GPR research was the detection of glacier thickness, it is now widely used in various fields such as detecting buried pipes, modern infrastructure elements, archaeological remains, tree root distributions, landmine detection, tunnel and transportation infrastructure investigations (e.g., airports, train tracks), sinkhole detection, and void detection within tree trunks, due to its non-destructive nature. Buried objects appear as hyperbolic-shaped anomalies in Bscan images. The geometric properties of these hyperbolas depend on the depth of the objects from the surface, the dielectric constant and electrical conductivity of the medium and object, as well as the size and shape of the objects. The geometric shapes and physical properties of embedded objects, in particular, lead to the formation of hyperbolic anomalies with different structures. Depending on the purpose of the research, it is important to detect these hyperbolic-shaped anomalies and classify them according to their geometric shapes during the interpretation of the data. Detection and classification of objects in images can be achieved using deep learning (DL) based methods. DL is one of the most popular methods in the field of artificial intelligence and its application possibilities and scopes have advanced with the development of computer technologies. Particularly in the last decade, DL-based computer vision data processing algorithms have been widely used and developed due to their successful results. In object detection and classification applications on images, convolutional neural networks (CNN) is a method that is included in DL models, allowing for feature extraction from the images. Thanks to this idea and the research and development efforts, DL methods incorporating CNN have been derived. The most popular DL-based object detection and classification applications are Faster RCNN and YOLO. These two methods have found application in various disciplines such as military, medicine, aviation and space, geophysics, remote sensing, and autonomous vehicle technology. Object detection applications in GPR images have also been attempted using these methods. In this study, DL-based Faster R-CNN and YOLO applications were used for the detection of hyperbolic-shaped anomalies of objects with different geometric shapes in GPR images, followed by their classification indicating the geometric shape they belong to.Data set is critical for object detection and classification applications using DL methods. The data set created within the scope of this study consists of synthetic data obtained from GPR measurements performed in a laboratory environments and simulations of models derived from scenarios created in a laboratory environment using an open-source program called gprMax capable of simulating EM waves. For the laboratory measurements, a GPR measurement device was constructed using a vector network analyzer (VNA) and a Vivaldi antenna pair. The VNA is a device designed to measure and analyze the characteristics of electrical signals, such as amplitude and phase, and can be used to examine the performance of the antennas' operating frequencies. The VNA device can generate and collect signals in the frequency domain. In this thesis study, the VNA device was used to generate EM waves with a bandwidth ranging from 600 MHz to 1200 MHz The Vivaldi antenna, which is used as the transmitting antenna and enables the emission of the generated EM radiation, was connected to one port of the VNA device, while an identical second Vivaldi antenna with the same dimensions and characteristics was attached as the receiving antenna to the other port. To create a simulated underground model, a wooden table with a width of 140 cm and a thickness of 4 cm was used. The upper surface of the table represents the ground surface, and the area beneath the table where the objects of interest will be positioned is designed as the pseudo-subsurface model. One of the objectives of this study is the detection of objects with different geometric shapes in GPR images. Therefore, rectangular prism-shaped, aluminum foil-covered boxes, and cylindrical iron rods were positioned at different depths under the table. The boxes and iron rods were selected in various sizes to expand the data set. Two different scenarios were designed for laboratory measurements. The first scenario involved positioning two rectangular prism-shaped boxes of different widths (28 cm and 40 cm) at various depths under the table. The second scenario involved positioning two cylindrical iron rods of different diameters (2.5 cm and 5 cm) at various depths under the table. GPR measurements were conducted along a 120 cm line on the table using the designed GPR device, and radar measurements were obtained at 2 cm intervals, resulting in B-scan images. A total of 19 GPR data were obtined for the first and second scenarios. The VNA device records the data in the frequency domain due to its intended use. These frequency domain data were transformed into B-scan images with a length of 20 nanoseconds using inverse discrete Fourier transform (IDFT). The other GPR images that make up the data set are synthetic data generated using the gprMax program. The objects used in laboratory measurements and the GPR measurement device were modeled in the gprMax program with the same EM environment parameters. The center frequency of the artificial EM wave generated in the simulation was set to 900 MHz similar to the laboratory measurements, objects were positioned at different depths in two different scenarios, simulating a time duration of 20 nanoseconds. As a result of the simulations, a total of 100 synthetic GPR images were generated, 50 for the first scenario and 50 for the second scenario. Data augmentation techniques commonly used in DL-based object detection applications, such as flipping and resizing, were applied to increase the data size. As a result of applying these techniques, the number of GPR images obtained from laboratory measurements and simulations was increased from 119 to a total of 357. DL-based object detection applications are trained on labeled images, where the objects of interest in the images are labeled. In the obtained GPR images, the hyperbolas corresponding to rectangular prism-shaped boxes were labeled as“rectangular,”while the hyperbolic structures corresponding to cylindrical objects were labeled as“cylindrical.”The labeling process involves enclosing the object of interest within a bounding box and assigning a label. After the labeling process, the data set was prepared for training DL-based Faster R-CNN and YOLO methods. Training Faster R-CNN and YOLO methods with a dataset refers to the machine learning of the desired objects to be detected and the ability to detect these objects in a different visual data. As a result of these methods, hyperbolic anomalies caused by objects with different geometric shapes in GPR images were detected with high accuracy rates, and it was determined which geometric shape these anomalies belong to. Based on the obtained results, object detection in a GPR image took an average of 52.7 milliseconds using the YOLO method, while it took 4.2 seconds using Faster R-CNN. After training, the Faster R-CNN method had a classification loss of 5.48E-03, a localization loss of 3.97E-03, an objectness loss of 5.11E-05, mAP_0.5 = 1, and mAP_0.75 = 1, while the results for the YOLO method were a classification loss of 1.93E-04, a localization loss of 1.54E-02, an objectness loss of 7.24E-03, mAP_0.5 = 0.995, and mAP_0.5:0.95 = 0.779. Thus, object detection in GPR images was performed faster using YOLO. In contrast, Faster R-CNN achieved more accurate detection and classification of objects in images compared to YOLO.

Benzer Tezler

  1. Tez No

    684179

    Missing data recovery in GPR with deep learning

    Derin öğrenme ile GPR görüntülerinde veri kurtarma

    KÜBRA TAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. IŞIN ERER

  2. Tez No

    637564

    Derin öğrenme yöntemleri ile GPR B tarama görüntülerinin analizi

    Analysis of GPR B scan images with deep learning methods

    UMUT ÖZKAYA

    Doktora

    Türkçe

    Türkçe

    2020

    Elektrik ve Elektronik MühendisliğiKonya Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. LEVENT SEYFİ

  3. Tez No

    785735

    Derin ağ tabanlı özniteliklerle gazların sınıflandırılması ve konsantrasyon değerlerinin regresyon analizi

    Classification of gases with deep network-based features and regression analysis of concentration values

    HANDE BAKİLER

    Doktora

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiBaşkent Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SELDA GÜNEY

  4. Tez No

    800491

    Ground penetrating radar antenna design to detect buried object and signal processing with deep learning networks by usingnumerical electromagnetic methods

    Gömülü hedef tespit etmek için yere nüfuz eden radar anten tasarımı ve sayısal elektromanyetik yöntemler kullanarak derin öğrenme ağları ile sinyal işleme

    REYHAN YURT

    Doktora

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik MühendisliğiYıldız Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HAMİD TORPİ

  5. Tez No

    649908

    Derin öğrenme tabanlı yöntemler ile cilt lezyonlarının bölütlenmesi

    Classification of skin lesions with deep learning based methods

    NURULLAH ŞAHİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. DAVUT HANBAY

    DR. ÖĞR. ÜYESİ NUH ALPASLAN

Geri Dön