Improving the Anomaly Detection in GPR Images by Fine-Tuning CNNs with Synthetic Data

要約

地中レーダ (GPR) は、一部の都市道路や地下施設の健全な運用を推定するために広く使用されています。
ある地域で GPR によって地下異常を特定する場合、得られたデータが不均衡になる可能性があり、潜在的な地下異常の数と種類を事前に認識することができませんでした。
この論文では、GPR Bスキャン画像からの地下異常検出を改善するための新しい方法が提案されています。
通常の (つまり、地表下のオブジェクトがない) GPR 画像セクションは、最初に検出された領域で収集されます。
GPR 画像は本質的に電磁波 (EM) と伝搬時間の表現であり、地下の背景とオブジェクトの詳細の両方を保持するために、通常の GPR 画像はセグメント化され、さまざまな種類のオブジェクトを含むシミュレートされた GPR 画像と融合されます。
ウェーブレット分解に基づいて検出領域の合成データを生成します。
次に、事前トレーニング済みの CNN を合成データで微調整し、その後検出領域で取得されたセグメント化された GPR 画像の特徴を抽出するために使用できます。
抽出された特徴は、事前に設定された異常のタイプまたは数なしで、特徴空間内の 1 クラス学習アルゴリズムによって分類できます。
実施された実験は、提案された合成データを使用して事前トレーニング済みの CNN を微調整することで、検出領域内のオブジェクトのネットワークの特徴抽出を効果的に改善できることを示しています。
さらに、提案された方法は、検出領域で簡単に取得できる正常なデータのセクションのみを必要とし、実用的なアプリケーションでの適時性要件も満たすことができます。

要約(オリジナル)

Ground Penetrating Radar (GPR) has been widely used to estimate the healthy operation of some urban roads and underground facilities. When identifying subsurface anomalies by GPR in an area, the obtained data could be unbalanced, and the numbers and types of possible underground anomalies could not be acknowledged in advance. In this paper, a novel method is proposed to improve the subsurface anomaly detection from GPR B-scan images. A normal (i.e. without subsurface objects) GPR image section is firstly collected in the detected area. Concerning that the GPR image is essentially the representation of electromagnetic (EM) wave and propagation time, and to preserve both the subsurface background and objects’ details, the normal GPR image is segmented and then fused with simulated GPR images that contain different kinds of objects to generate the synthetic data for the detection area based on the wavelet decompositions. Pre-trained CNNs could then be fine-tuned with the synthetic data, and utilized to extract features of segmented GPR images subsequently obtained in the detection area. The extracted features could be classified by the one-class learning algorithm in the feature space without pre-set anomaly types or numbers. The conducted experiments demonstrate that fine-tuning the pre-trained CNN with the proposed synthetic data could effectively improve the feature extraction of the network for the objects in the detection area. Besides, the proposed method requires only a section of normal data that could be easily obtained in the detection area, and could also meet the timeliness requirements in practical applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google