摘要：针对机场道面地下目标检测任务中,探地雷达(GPR)生成的B-scan图背景复杂、包含大量噪声,尤其是单个B-scan图不能反映地下目标的完整信息等问题,构建一种三维通道和空间注意力的UNet(3D-CSA-UNet)模型对地下目标进行自动检测。首先,设计三维通道和空间注意力并行模块(3D-CS-Block),使模型重点关注雷达C-scan中的地下目标信息,抑制背景和噪声的干扰;其次,设计多尺度的三维分割模型从雷达C-scan中提取不同大小的特征图,以增强3D-CS-Block提取目标特征的能力;最后,使用交叉熵损失函数计算每个尺度下特征图的损失值,从而提高模型的检测精度。在采集的实际机场道面地下目标数据集上,相较于3D-FCN、3D-UNet等模型,3D-CSA-UNet对于脱空、钢筋和钢筋平行目标预测的平均F1至少提高12.33、9.05、11.05个百分点。实验结果表明,3D-CSA-UNet可以较好地满足工程实际要求。

摘要：及时准确地检测机场跑道地下病害对保障飞行安全至关重要,由于机场道面结构层复杂,其电磁波传播环境复杂、噪声强度大,致使地下病害的探地雷达数据特征被严重干扰。为此,提出了一种基于尺度融合的机场跑道地下病害检测算法SF-SSD。首先,在VGG16主干网络上设计具有更宽感受野的RFB模块,抑制了病害周围的噪声干扰,提取更多原始雷达数据特征;然后,使用尺度融合的方式融合网络浅层特征,获取不同类型病害间的细微差异,形成高辨识度的病害细节纹理特征;最后,根据6种不同分辨率的特征图生成6种尺度先验框进行类别预测和位置回归,通过非极大值抑制的方式筛除冗余的先验框。在真实机场跑道地下病害数据集上进行了测试,并与目前5种经典目标检测算法进行对比。实验结果表明,SF-SSD算法可以较好地从辨识度低、噪声强度大的雷达数据中完成病害自动检测,并取得了最高的平均准确率,达到了82.18%。