Geri Dön

Novel deep learning based approaches for clutter removal and target detection in GPR

Ynr'de kargaşa giderme ve hedef algılama için yeni derin öğrenme tabanlı yaklaşımlar

PDF İndir

  1. Tez No: 998805
  2. Yazar: YAVUZ EMRE KAYACAN
  3. Danışmanlar: PROF. DR. IŞIN ERER
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: GPR, Sayısal görüntü işleme, Digital image processing
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Telekomünikasyon Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Yere Nüfuzlu Radar (YNR), elektromanyetik dalga teorisine dayanan ve sığ yeraltı yapılarının görüntülenmesinde kullanılan ileri teknoloji bir jeofizik yöntemdir. Sisteme ait temel çalışma prensibi, verici anten tarafından gönderilen yüksek frekanslı (10 MHz – 3 GHz) elektromanyetik dalgaların, yeraltındaki farklı dielektrik özelliklere sahip materyallerle, yani toprak katmanları, boşluklar veya gömülü nesnelerle etkileşime girmesi ve bir kısmının yüzeye geri yansıması esasına dayanır. Geri dönen sinyalin alıcı anten tarafından kaydedilmesiyle, hedefin derinliği ve konumu hakkında bilgi edinilir. Bu süreçte sinyalin hızı, ortamın dielektrik sabitine ($\epsilon_r$) doğrudan bağlıdır; örneğin suyun yüksek dielektrik sabiti sinyali yavaşlatırken, kuru kumda sinyal daha hızlı ilerler. YNR verileri genellikle üç farklı formatta görselleştirilir: Tek bir noktadan alınan derinlik-genlik bilgisi olan A-tarama, antenin bir hat boyunca hareketiyle elde edilen ve yeraltının kesitsel görüntüsünü sunan B-tarama ve paralel B-taramaların birleştirilmesiyle oluşturulan hacimsel C-tarama. Bu tezde odaklanılan B-tarama görüntülerinde, nokta hedefler (örneğin borular veya mayınlar), antenin hedefe yaklaşıp uzaklaşması sırasında oluşan mesafe değişiminden dolayı karakteristik bir hiperbol, yani ters U şeklinde görülür. Ancak, ideal bir YNR görüntüsü elde etmek pratikte oldukça zordur çünkü alınan ham sinyal, sadece hedeften gelen yansımayı değil, aynı zamanda Kargaşa olarak adlandırılan yoğun gürültü bileşenlerini de içerir. Literatürde bu kargaşa sinyalleri; verici ve alıcı anten arasındaki doğrudan etkileşim ile hava-toprak sınırındaki güçlü yansımaların oluşturduğu ve hedefi maskeleyen yatay bantlar olan rrken zaman kargaşa sinyalleri, toprak içindeki taşlar ve kökler gibi heterojen yapıların neden olduğu Saçılma ve sinyalin katmanlar arasında gidip gelmesiyle oluşan Çoklu Yansımalar olmak üzere üç ana kategoride incelenir. Bu kargaşa sinyalleri enerjisi genellikle hedef sinyalinden çok daha yüksek olduğu için, zayıf hedef yansımalarının tespit edilmesi ve yorumlanması ciddi bir mühendislik problemi haline gelmektedir. YNR veri işleme literatürü, basit sinyal işleme tekniklerinden karmaşık yapay zeka modellerine doğru evrilmiştir. İlk dönemlerde kullanılan Ortalama Çıkarma gibi yöntemler, durağan yatay bantları kaldırmada etkili olsa da, eğimli veya düzensiz yüzeylerde yetersiz kalmıştır. İstatistiksel yöntemlerin yükselişiyle birlikte, Tekil Değer Ayrışımı (TDA) ve Temel Bileşen Analizi (TBA) gibi alt uzay yöntemleri popüler hale gelmiştir. Bu yaklaşımlar, veriyi en baskın bileşenlere ve daha zayıf bileşenlere ayırarak temizlemeyi amaçlasa da, bu lineer yöntemler karmaşık ve lineer olmayan toprak yapılarında hedef sinyalinin bir kısmını gürültü kabul ederek silme riski taşır. Daha ileri seviye olan Gürbüz Temel Bileşen Analizi (GTBA) ve Düşük Sıralı Seyrek Ayrıştırma (DSSA) yöntemleri, kargaşa sinyalleri matrisin“düşük sıralı”, hedefi ise“seyrek”bileşeni olarak modelleyerek başarıyı artırmıştır. Buna rağmen, bu yöntemlerin performansı matematiksel parametrelerin manuel olarak çok hassas ayarlanmasına bağlıdır ve işlem yükleri yüksektir. Bu noktada, derin öğrenme temelli Otokodlayıcı yaklaşımları, kargaşanın düşük dereceli yapısını parametre ayarına gerek duymadan öğrenerek umut verici bir alternatif sunmaktadır. Derin öğrenme devrimiyle birlikte, Konvolüsyonel Otomatik Kodlayıcılar (KOK) ve Çekişmeli Üretken Ağ (ÇÜA) mimarileri YNR alanına uyarlanmıştır. Bu modeller, veri dağılımını öğrenerek daha başarılı temizleme yapsalar da, temel bir yapısal kısıtla karşılaşmışlardır: CNN'lerin doğası gereği sahip olduğu“yerel alıcı alan”, piksel komşuluklarına odaklanır; oysa YNR görüntülerindeki hiperbolik yansımalar ve katmanlı yapılar, görüntünün tamamına yayılan uzun menzilli (global) uzamsal bağımlılıklar içerir. Standart CNN'ler bu global bağlamı modellemede yetersiz kalmaktadır. Ayrıca, mevcut literatürdeki çalışmalar genellikle kargaşa giderme ve hedef tespitini birbirinden kopuk iki ayrı süreç olarak ele alır. Bu ardışık yaklaşımda, temizleme algoritması tespit ağının ihtiyaçlarından habersizdir ve temizleme sırasında oluşan küçük bir bozulma, tespit aşamasında hedefin tamamen kaçırılmasına yol açabilir. Bu tez çalışması, belirtilen kısıtları aşmak için dört temel yenilikçi yaklaşım önermektedir. İlk aşamada, klasik matris ayrıştırma yöntemlerinin parametre bağımlılığını ortadan kaldırmak amacıyla Otokodlayıcı Güdümlü Düşük Dereceli Yaklaşım (AE-LRA) yöntemi sunulmuştur. Bu yöntem, verideki baskın kargaşa bileşenini bir otokodlayıcı ağı ile öğrenerek ve parametre ayarı gerektirmeyen gürbüz bir temizleme sağlar. İlk olarak, CNN'lerin global bağlam eksikliğini gidermek için Vision Transformer (ViT) mimarisini temel alan DC-ViT modeli geliştirilmiştir. DC-ViT, görüntüyü küçük yamalara bölerek ve“Self-Attention”mekanizmasını kullanarak, görüntüdeki her bir noktanın diğer tüm noktalarla ilişkisini hesaplar; böylece kargaşa sinyalleri ile hedef hiperbolleri arasındaki global yapısal farklar öğrenilir. Modelde, standart ViT'ten farklı olarak katmanlar arasında yoğun bağlantılar kurularak bilgi akışı güçlendirilmiş ve Transformer'ların zayıf olduğu yerel detayları yakalamak için LeFF blokları entegre edilmiştir. İkinci olarak, Transformer modellerinin yüksek işlem yükü sorununa çözüm olarak, Mamba (State Space Models) mimarisi DC-Mamba adıyla ilk kez YNR alanına uyarlanmıştır. Mamba mimarisi, veriyi bir dizi olarak işleyerek uzun menzilli bağımlılıkları lineer hesaplama karmaşıklığıyla modelleyebilir, bu da yüksek çözünürlüklü YNR verilerinin çok daha hızlı işlenmesini sağlar. Model, global özellikleri öğrenen EVSS blokları ile yerel detayları işleyen Ters Residual bloklarının birleşiminden oluşan hiyerarşik bir yapıya sahiptir. Ayrıca, tezin en çarpıcı teknik katkılarından biri olan Tensor-Train (TT) teknolojisinin modele entegre edildiği V2 varyantı, performanstan ödün vermeden parametre sayısını ve bellek kullanımını radikal bir şekilde düşürerek gömülü sistemlere uygun hale getirilmiştir. Özellikle V2 varyantı, DC-ViT mimarisine kıyasla parametre sayısında \%74 ve işlem yükünde \%71 oranında sağladığı düşüşle, donanım kısıtı olan cihazlarda yüksek performans vaat etmektedir. Üçüncü ve en kapsamlı model olan RAFDEC-YOLO ise kargaşa giderme ve hedef tespiti görevlerini tek bir ağda birleştirir. Model, YOLOv12 tabanlı bir omurga, kargaşa temizleyen bir kod çözücü ve tespit yapan bir kafa yapısından oluşur. Bu mimaride kullanılan“Residual Adapter Fusion (RAF)”mekanizması, kargaşa giderme dalından elde edilen temizlenmiş özellik haritalarını ana tespit ağının boyun bölgesine eklemeli bir şekilde aktarır. Ayrıca, temizleme dalında kullanılan dikkat kapılı yukarı örnekleme blokları gürültüyü filtrelerken, ortak kayıp fonksiyonu sayesinde ağ uçtan uca eğitilerek temizleme modülünün tespit başarısını artıracak özellikleri belirginleştirmesi sağlanır. Geliştirilen modellerin başarısı, öncelikle sentetik ve gerçek verilerin birleşiminden oluşan hibrit veri seti üzerinde, ardından zorlu laboratuvar koşullarında gerçekleştirilen kum havuzu deneyleriyle doğrulanmıştır. Yapılan karşılaştırmalı testlerde, önerilen AE-LRA yönteminin, parametre ayarı gerektiren NMF ve RPCA gibi klasik yöntemlere kıyasla daha yüksek sinyal-kargaşa oranı (SCR) artışı sağladığı ve hedef hiperbollerini daha net ortaya çıkardığı gözlemlenmiştir. Hibrit veri seti ile yapılan testlerde, önerilen DC-Mamba mimarisi (özellikle V1 varyantı), hem görüntü yeniden oluşturma kalitesi hem de gürültü bastırma yeteneği açısından geleneksel CNN modellerini ve Transformer tabanlı DC-ViT mimarisini geride bırakmıştır. Ayrıca, DC-Mamba'nın Tensor-Train teknolojisi ile optimize edilen V2 varyantı, DC-ViT'e kıyasla çok daha düşük bir hesaplama yükü ve parametre sayısına sahip olmasına rağmen, görsel kaliteyi koruyarak kargaşa sinyallerini temizlemede üstün bir başarı sergilemiş ve modelin verimliliğini hibrit veriler ve laboratuvarda yapılan ölçümler üzerinde kanıtlamıştır. Kargaşa giderme ve hedef tespitini tek bir çatı altında birleştiren Joint (Bütünleşik) modellerin değerlendirilmesinde, önerilen RAFDEC-YOLO mimarisi rakiplerine kıyasla belirgin bir üstünlük sağlamıştır. Bu üstünlük, ilk olarak hibrit veri seti üzerinde yapılan kapsamlı testlerle doğrulanmış; ardışık eğitim stratejisi ile eğitilen temel modellere (UNet, CR-Net vb.) kıyasla, bütünleşik eğitim yaklaşımının tespit doğruluğunu (mAP) ve hassasiyeti (Precision) önemli ölçüde artırdığı sayısal olarak kanıtlanmıştır. Özellikle ardışık yöntemlerin başarısız olduğu ve hedeflerin kaybolduğu yoğun gürültülü gerçek saha verilerinde, bu bütünleşik yapı zayıf hedefleri dahi tespit edebilmiştir. Asfalt altı gibi karmaşık senaryolarda RAFDEC-YOLO, yüzey karmaşasını filtreleyerek derin hedefleri yüksek güvenilirlikle yakalamıştır. Ayrıca, sadece hedefin varlığını bulmak değil yerini tam olarak belirlemek de kritik olduğundan, bütünleşik eğitim stratejisi sayesinde modelin ürettiği tespit kutularının hedefleri çok daha sıkı ve doğru bir şekilde çevrelediği, rakiplerin aksine hatalı konumlanmış kutular üretmediği görsel analizlerle doğrulanmıştır. Sonuç olarak, bu tez çalışması GPR teknolojisinde yapay zeka kullanımını bir adım öteye taşıyarak; global bağlamı anlayan, hesaplama açısından verimli ve görevler arası bilgi paylaşımı yapabilen mimarilerin, özellikle karmaşık ve gürültülü saha koşullarında geleneksel yöntemlere kıyasla çok daha üstün ve güvenilir sonuçlar verdiğini kanıtlamıştır. Yapılan kapsamlı testler sonucunda, DC-Mamba V2 modeli metalik hedeflerde \%50'nin üzerinde SCR artışı sağlarken, RAFDEC-YOLO mimarisi [email protected]:0.95 metriğinde mevcut literatürdeki en iyi modellere kıyasla \%29'a varan performans farkı oluşturmuştur. Gelecek çalışmalar kapsamında, bu tezde sunulan derin öğrenme yaklaşımlarının 3-boyutlu (3-B) YNR verilerine (C-tarama) uyarlanması hedeflenmektedir. Ayrıca, modellerin genelleştirme yeteneğini artırmak için farklı toprak tiplerine adaptasyon süreçlerinin iyileştirilmesi ve geliştirilen hafif mimarilerin gömülü sistemler üzerinde donanım hızlandırmalı uygulamalarının gerçekleştirilerek gerçek zamanlı uygulamalara entegrasyonu planlanmaktadır.

Özet (Çeviri)

Ground Penetrating Radar (GPR) is a non-destructive geophysical tool that uses electromagnetic waves to create detailed images of shallow underground structures and buried objects. The basic operating principle of this system is based on the interaction of waves emitted by the transmitter antenna with materials in the subsurface that have different dielectric properties (permittivity) and conductivity. Signals returning from different layers or objects are recorded by the receiver antenna and processed in the time-depth plane. Particularly in B-scan images obtained by moving the antenna along a line, point targets (e.g., pipes, mines, or archaeological remains) appear as characteristic hyperbolic (inverted U) signatures resulting from the change in distance as the antenna approaches and moves away from the target. However, the raw GPR data obtained in practice is quite different from ideal theoretical models. Direct interaction between antennas (crosstalk), strong surface reflections at the air-soil boundary, scattering caused by inhomogeneous ground structure, and multiple reflections caused by the signal echoing between layers create intense noise components referred to in the literature as“clutter.”These noises generally mask weak signals returning from the target, reducing image quality and making target detection a serious signal processing and engineering problem. To solve this problem, statistical subspace methods such as Singular Value Decomposition (SVD) and Principal Component Analysis (PCA) have been used in the literature for many years. However, these linear methods are insufficient for separating the target signal from noise in complex and variable ground conditions and often lead to the loss of target data. Moreover, although advanced techniques such as Low-Rank Sparse Decomposition (LRSD) offer improvements, they suffer from a critical dependency on the manual tuning of regularization parameters. Although Convolutional Neural Networks (CNNs) have become popular with the advent of deep learning, the“limited receptive field”problem of these architectures prevents the capture of long-range (global) context spread across the entire image, such as hyperbolic reflections in GPR radargrams. Furthermore, most existing studies treat the processes of clutter removal and target detection as separate, sequential blocks. In this approach, even the slightest data corruption during the cleaning phase can cause the target to be completely missed during the detection phase. This thesis contributes four original and innovative architectures to the literature to overcome the aforementioned methodological and structural limitations. First, an Autoencoder Guided Low-Rank Approximation (AE-LRA) approach is introduced to address the parameter dependency of classical LRSD methods by automatically learning the low-rank clutter distribution from the data. Second, DC-ViT (Densely Connected Vision Transformer), based on the Vision Transformer architecture, was developed to overcome the local focus limitation of CNNs. This model uses the“Self-Attention”mechanism to model the relationship between information at any point in the image and all other points, capturing the global context. At the same time, thanks to the densely connected connections and“Locally-enhanced Feed-Forward”(LeFF) blocks integrated into the structure, the preservation of local details, which Transformers are generally weak at, is ensured. Third, the DC-Mamba architecture is presented as a solution to the quadratic computational load problem that Transformer models create with high-resolution data. This model adapts the“State Space Models”(Mamba) architecture, which can model long-range dependencies in data with linear computational complexity, to the GPR domain. In particular, the Tensor-Train (TT) decomposition technology used in the model's V2 variant radically reduces the model's number of parameters and memory usage, enabling it to operate with high efficiency on embedded systems with limited processing power (FPGA, mobile processors, etc.). The fourth and most comprehensive solution, RAFDEC-YOLO, is an end-to-end“Joint Learning”architecture that combines clutter removal and target detection tasks in a single network. The“Residual Adapter Fusion”(RAF) mechanism developed in this model transfers noise-free feature maps obtained from cleaning layers to the detection neck without disrupting the gradient flow of the main detection network. Thus, the network learns not only to visually improve the image but also to highlight features that will maximize detection success. The performance of the developed models was validated using extensive synthetic hybrid datasets and sandbox experiments conducted under challenging laboratory conditions. Comparative experiments indicated that the proposed AE-LRA method achieved greater Signal-to-Clutter Ratio (SCR) improvement than RPCA and NMF methods, without the need for manual parameter adjustment. The DC-Mamba architecture also delivered superior image quality and processing efficiency, producing the cleanest B-scan images, especially in conditions with intense signal attenuation, such as beneath asphalt, and high surface complexity. On the target detection side, RAFDEC-YOLO detected weak targets with high reliability even in data where sequential methods completely failed, and targets were lost in noise. Furthermore, thanks to the integrated training strategy, it was shown that the model's bounding boxes encircle targets much more tightly and accurately. This study shows that joint models considering the global context in GPR are efficient and can share information between tasks. As a result, they deliver results that are much better, more reliable, and more practical than traditional methods.

Benzer Tezler

  1. 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

  2. Tez No

    970074

    Geri dönüştürülebilir atıkların derin öğrenme modelleri ile sınıflandırılması: Veri seti boyutunun etkisi üzerine bir karşılaştırma

    Classification of recyclable wastes with deep learning models: A comparison on the effect of dataset size

    GAMZE AĞIRTAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SERAP ÇAKAR KAMAN

  3. Tez No

    629137

    Face recognition and person re-identification for person recognition

    Kişi tanıma için yüz tanıma ve kişinin yeniden tanınması

    EMRAH BAŞARAN

    Doktora

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA ERSEL KAMAŞAK

    PROF. DR. MUHİTTİN GÖKMEN

  4. Tez No

    701473

    Integrating fuzzy logic into deep autoencoders for interpretability and clustering

    Yorumlanabilirlik ve öbekleme için bulanık mantığın derin özkodlayıcılara entegre edilmesi

    KUTAY BÖLAT

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TUFAN KUMBASAR

  5. Tez No

    945902

    A frequency-based weighting mechanism for data embedding methodologies

    Veri gömme yöntemleri için sıklık tabanlı ağırlıklandırma mekanizması

    NAİL TAŞGETİREN

    Doktora

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET SIDDIK AKTAŞ

Geri Dön