期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于YOLO算法的探地雷达道路图像异常自动检测
被引量:
2
1
作者
覃紫馨
姜彦南
+3 位作者
徐立
王娇
张世田
冯温雅
《科学技术与工程》
北大核心
2023年第27期11505-11512,共8页
探地雷达(ground-penetrating radar,GPR)是一种可用于道路内部异常目标识别的无损检测方法。GPR工作时往往产生海量的扫描数据,而数据解释是技术要求高、任务繁重的工作,通常需要人工完成。此外,道路内部的复杂性和异常目标的多样性增...
探地雷达(ground-penetrating radar,GPR)是一种可用于道路内部异常目标识别的无损检测方法。GPR工作时往往产生海量的扫描数据,而数据解释是技术要求高、任务繁重的工作,通常需要人工完成。此外,道路内部的复杂性和异常目标的多样性增加了图像异常检测的难度。近年来,人工智能(artificial intelligence,AI)技术的快速发展为基于AI的探地雷达B-scan图像自动解释提供了可行的技术思路,常用的深度学习算法有RCNN(region-convolutional neural network)和YOLO(you only look once)。虽然YOLOv3在目标检测方面已经有了一定的成效,但YOLOv4的改进算法可以进一步提高检测能力。结合YOLOv3算法,对比研究分析YOLOv4目标检测算法的改进对于目标检测任务的影响,以及YOLOv4算法对探地雷达图像异常目标检测效率的提升能力。结果表明,YOLOv4的改进算法更适用于探地雷达异常目标的自动检测,经过训练后的YOLOv4网络模型满足探地雷达道路内部异常目标智能化检测需求,具有较强的实用价值。
展开更多
关键词
探地雷达
人工智能
目标检测
深度学习算法
卷积神经网络
下载PDF
职称材料
基于行列方差方法的探地雷达道路数据感兴趣区域自动提取技术
被引量:
1
2
作者
徐立
冯温雅
+5 位作者
姜彦南
王娇
朱四新
覃紫馨
李沁璘
张世田
《物探与化探》
CAS
北大核心
2023年第3期804-809,共6页
随着经济和社会的快速发展,道路承受的负载急剧增大,使得道路内部逐渐产生一系列的病害。探地雷达(ground penetrating radar, GPR)是一种无损探测技术,可将道路下方目标的回波信息呈现在雷达剖面图上,其中的空洞、脱空、疏松体等病害...
随着经济和社会的快速发展,道路承受的负载急剧增大,使得道路内部逐渐产生一系列的病害。探地雷达(ground penetrating radar, GPR)是一种无损探测技术,可将道路下方目标的回波信息呈现在雷达剖面图上,其中的空洞、脱空、疏松体等病害信息构成了探地雷达道路数据的感兴趣区域(region of interest, ROI)。传统的人工提取ROI方法对人员的技术要求高,同时针对海量数据的人工识别给一般人员的精力提出了不小的挑战。为此,本文提出一种通过在行列方差基础上加入阈值分割数据的方法,实现ROI的自动提取。实验结果表明,提出的方法有效地提取出多类型、多目标ROI位置信息。该方法在提高探地雷达道路检测效率方面具有较大的应用潜力。
展开更多
关键词
探地雷达
探地雷达剖面图
行列方差
阈值分割
ROI
下载PDF
职称材料
题名
基于YOLO算法的探地雷达道路图像异常自动检测
被引量:
2
1
作者
覃紫馨
姜彦南
徐立
王娇
张世田
冯温雅
机构
桂林电子科技大学信息与通信学院
中国电波传播研究所
出处
《科学技术与工程》
北大核心
2023年第27期11505-11512,共8页
基金
国家自然科学基金(62261015)
广西自然科学基金(2019GXNSFFA245002)
+2 种基金
电波环境特性及模化技术重点实验室基金(202003007)
广西无线宽带通信与信号处理重点实验室基金(GXKL06200126)
桂林电子科技大学研究生教育创新计划(2021YCXB04)。
文摘
探地雷达(ground-penetrating radar,GPR)是一种可用于道路内部异常目标识别的无损检测方法。GPR工作时往往产生海量的扫描数据,而数据解释是技术要求高、任务繁重的工作,通常需要人工完成。此外,道路内部的复杂性和异常目标的多样性增加了图像异常检测的难度。近年来,人工智能(artificial intelligence,AI)技术的快速发展为基于AI的探地雷达B-scan图像自动解释提供了可行的技术思路,常用的深度学习算法有RCNN(region-convolutional neural network)和YOLO(you only look once)。虽然YOLOv3在目标检测方面已经有了一定的成效,但YOLOv4的改进算法可以进一步提高检测能力。结合YOLOv3算法,对比研究分析YOLOv4目标检测算法的改进对于目标检测任务的影响,以及YOLOv4算法对探地雷达图像异常目标检测效率的提升能力。结果表明,YOLOv4的改进算法更适用于探地雷达异常目标的自动检测,经过训练后的YOLOv4网络模型满足探地雷达道路内部异常目标智能化检测需求,具有较强的实用价值。
关键词
探地雷达
人工智能
目标检测
深度学习算法
卷积神经网络
Keywords
ground penetrating radar
artificial intelligence
object detection
deep learning algorithm
convolutional neural network
分类号
P227 [天文地球—大地测量学与测量工程]
下载PDF
职称材料
题名
基于行列方差方法的探地雷达道路数据感兴趣区域自动提取技术
被引量:
1
2
作者
徐立
冯温雅
姜彦南
王娇
朱四新
覃紫馨
李沁璘
张世田
机构
桂林电子科技大学信息与通信学院
广西无线宽带通信与信号处理重点实验室
中国电波传播研究所
华北水利水电大学地球科学与工程学院
出处
《物探与化探》
CAS
北大核心
2023年第3期804-809,共6页
基金
广西自然科学基金项目(2019GXNSFFA245002)
电波环境特性及模化技术重点实验室基金项目(202003007)
+1 种基金
广西无线宽带通信与信号处理重点实验室基金项目(GXKL06200126)
桂林电子科技大学研究生教育创新计划资助项目(2021YCXB04)。
文摘
随着经济和社会的快速发展,道路承受的负载急剧增大,使得道路内部逐渐产生一系列的病害。探地雷达(ground penetrating radar, GPR)是一种无损探测技术,可将道路下方目标的回波信息呈现在雷达剖面图上,其中的空洞、脱空、疏松体等病害信息构成了探地雷达道路数据的感兴趣区域(region of interest, ROI)。传统的人工提取ROI方法对人员的技术要求高,同时针对海量数据的人工识别给一般人员的精力提出了不小的挑战。为此,本文提出一种通过在行列方差基础上加入阈值分割数据的方法,实现ROI的自动提取。实验结果表明,提出的方法有效地提取出多类型、多目标ROI位置信息。该方法在提高探地雷达道路检测效率方面具有较大的应用潜力。
关键词
探地雷达
探地雷达剖面图
行列方差
阈值分割
ROI
Keywords
ground penetrating radar
ground penetrating radar profile
row-column variance
threshold segmentation
ROI
分类号
P631.4 [天文地球—地质矿产勘探]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于YOLO算法的探地雷达道路图像异常自动检测
覃紫馨
姜彦南
徐立
王娇
张世田
冯温雅
《科学技术与工程》
北大核心
2023
2
下载PDF
职称材料
2
基于行列方差方法的探地雷达道路数据感兴趣区域自动提取技术
徐立
冯温雅
姜彦南
王娇
朱四新
覃紫馨
李沁璘
张世田
《物探与化探》
CAS
北大核心
2023
1
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部