Полное описание

Farah, Abbas Obaid Sari. Detection and classification of underground objects using deep learning = Обнаружение и классификация подземных объектов с использованием глубокого обучения / Farah Abbas Obaid Sari, Ali Abdulkarem Habib Alrammahi. - Текст : непосредственный // IV Международная научно-практическая конференция "Цифровизация агропромышленного комплекса" = IV International scientific and practical conference "Digitalization of agroindustrial complex" : сборник научных статей, Тамбов, 23-25 октября 2024 г. : научное издание : в 3 томах / Министерство науки и высшего образования Российской Федерации, Тамбовский государственный технический университет [и др.]. - Тамбов : ТГТУ, 2024. - Т. 3. - P. 104-107. - Библиогр. в конце ст. - ISBN 978-5-8265-2814-3.
Текст англ.

ГРНТИ	УДК
28.23.37	004.032.26
28.23.15	004.93

Рубрики:
Нейронные сети
Распознавание образов

Кл.слова (ненормированные): набор данных для подземных снимков -- глубокое обучение -- YOLO v8 -- R-CNN -- dataset for underground images, -- deep learning
Аннотация: С тех пор как георадар (GPR), неразрушающая технология, продемонстрировал обнадеживающие результаты в картографировании недр, он приобрел известность в подземных проектах, таких как HDD. Георадар имеет недостаток, заключающийся в том, что для анализа данных требуется много времени, несмотря на его многочисленные преимущества, такие как портативность оборудования, низкая стоимость и большое разнообразие в расположении объектов. В связи с этим были предприняты многочисленные попытки автоматизировать интерпретацию данных с помощью машинного обучения, чтобы увеличить количество радиолокационных данных, обрабатываемых за короткий промежуток времени. Глубокое обучение оказалось успешным при автоматическом обнаружении подземных объектов в недавних исследованиях; однако изменчивость георадарных изображений, включая уровни шума, типы оборудования и типы захороненных объектов, затрудняет поиск решения для глубокого обучения с возможностью обобщения для обнаружения целей в таких изменчивых условиях. В данной статье оценивается эффективность обнаружения и классификации R-CNN и YOLO v8 с использованием георадарных снимков. Предложенный метод получил 57% и 84% баллов f1 для R-CNN и YOLO v8, соответственно, за успешное обнаружение и классификацию подповерхностных объектов, показанных на георадарных снимках.
Since showing encouraging results in subsurface mapping, ground penetrating radar (GPR), a non-destructive technology, has gained prominence in assisting underground projects like HDD. GPR has the disadvantage of requiring a lot of time for data analysis, despite its many advantages–such as portable equipment, low cost, and great diversity in object location. Because of this, numerous attempts have been made to automate data interpretation through machine learning in order to improve the number of radar grams processed in a short amount of time. Deep learning has proven successful in the automatic detection of subterranean objects in recent research; however, the variability of GPR images, including noise levels, equipment types, and types of buried objects, makes it challenging to find a deep learning solution with the generalization ability to detect targets in such variable conditions. This paper assesses the detection and classification performance of R-CNN and YOLO v8 using GPR pictures. The suggested method achieved 57% and 84% f1 scores for R-CNN and YOLO v8, respectively, for its successful detection and classification of subsurface items feature shown in GPR pictures.
Доп. точки доступа:
Ali, Abdulkarem Habib Alrammahi
"Цифровизация агропромышленного комплекса", международная научно-практическая конференция(4 ; 2024 ; Тамбов)
Тамбовский государственный технический университет


Нет сведений об экземплярах
Держатели документа:
Государственная публичная научно-техническая библиотека России : 123298, г. Москва, ул. 3-я Хорошевская, д. 17 (Шифр в БД-источнике (KATBW): -019824-349424)

Шифр в сводном ЭК: 14b7610e082685c301a0f2cedd528902

Заказать
Заказ фрагмента документа ₽