雷达学报

作者：王惠琴, 杨发东, 何永强, 刘宾灿, 刘鑫

单位：1.兰州理工大学计算机与通信学院 兰州 730050；2.西北民族大学土木工程学院 兰州 730030；3.陕西建工安装集团有限公司 西安 710068；

关键词：探地雷达, 深度学习, 雷达图像处理, 模型部署, 实时检测

基金：甘肃省重点研发计划 (23YFFA0060)，甘肃省优秀研究生“创新之星”项目

针对当前探地雷达(GPR)图像检测中存在准确率低、误检和漏检等问题，该文提出了一种GPR常见地下目标检测模型GDS-YOLOv8n。该模型首先使用DRRB特征提取模块替换YOLOv8n模型中的部分C2f模块，旨在增强模型对多尺度特征的提取能力。其次使用SPD-Conv下采样模块替换像素为320×320及以下特征图所对应的Conv模块，有效克服分辨率受限以及存在小目标的GPR图像在下采样过程中的信息损失问题；同时利用辅助训练模块，在不增加检测阶段模型复杂度的前提下提升GPR图像的检测性能。最后，引入Inner-SIoU损失函数，在添加新约束条件的基础上，通过比例因子生成适合于当前GPR图像的辅助边界框，以提高预测框的准确性。实验结果表明，GDS-YOLOv8n模型对金属管、PVC管和电缆线等6类常见地下目标在实测GPR图像数据集上的P, R和mAP50分别为97.1%, 96.2%和96.9%，较YOLOv8n模型分别提高了4.0%, 6.1%和4.1%，尤其对PVC管和电缆线目标的检测效果提升更明显。与YOLOv5n, YOLOv7-tiny和SSD等模型相比，其mAP50分别提高了7.20%, 5.70%和14.48%。此外，将GDS-YOLOv8n模型部署到NVIDIA Jetson Orin NX嵌入式设备上，并使用TensorRT进行优化。经FP16量化后，模型的检测速度由22.0 FPS提高到40.6 FPS，能够满足移动场景下GPR地下目标实时探测任务的需求。

来源：2024年第6期

《雷达学报》期刊编辑部

查看雷达学报杂志2024年第6期