Нейросетевые методы распознавания подземных объектов в данных георадара мобильного колесного робота

В настоящее время для решения задач, связанных с поиском и распознаванием объектов под землёй, часто используется георадар. Это позволяет получать богатую информацию об исследуемой местности на различной глубине, однако ручная интерпретация радарограмм связана с большими трудозатратами. В данной работе предлагается метод GeoRTr для автоматического нахождения подземных объектов интереса на основе нейронной сети оригинальной архитектуры с механизмом внимания GeoAttention, на вход которой подаются A-сканы георадара, установленного на колёсном роботе, перемещающемся в автоматическом либо полуавтоматическом режиме. Предлагаемая нейросетевая модель позволяет учитывать пространственные взаимосвязи между A-сканами георадара даже в тех случаях, когда траектория движения робота отличается от прямой линии. С использованием мобильного колёсного робота и георадара, антенна которого установлена на небольшой высоте над анализируемой поверхностью, собран и размечен уникальный набор данных для распознавания объектов нескольких категорий, находящихся под поверхностью земли. Эксперименты с разработанной нейросетевой моделью на собранном наборе данных продемонстрировали F1-меру классификации свыше 40%, что превосходит по качеству методы-аналоги. В ходе сравнительного анализа различных вариаций архитектуры модели выделены две конфигурации для разных условий решения задачи георадарного исследования.

1. Wu, M. Two-stage GPR image inversion method based on multi-scale dilated convolution and hybrid attention gate / M. Wu, Q. Liu, S. Ouyang // Remote Sensing. – 2025. – Vol. 17. – No. 2. – Art. 322. – DOI 10.3390/rs17020322.

2. Lee, K. GPR-Former: Context-Aware Moisture Detection / K. Lee, C. Feng // ISARC. Proceedings of the International Symposium on Automation and Robotics in Construction. – Montreal: IAARC Publications, 2025. – Vol. 42. – P. 1–8. – DOI 10.22260/isarc2025/0002.

3. Jeon, M. Efficient and Robust Temporal Modeling for LGPR Odometry With Mamba / M. Jeon, H. Lee, J. Lee // IEEE Access. – 2026. – Vol. 14. – P. 38775–38792. – DOI 10.1109/ACCESS.2026.3672677.

4. Automated railway subgrade defect detection using GPR and an enhanced YOLOv11 framework / M. T. Tegegne, R. Yang, S. Huang [et al.] // Transportation Geotechnics. – 2026. – Vol. 62. – Art. 102105. – DOI 10.1016/j.trgeo.2026.102105.

5. Lei, W. HFL-YOLOv8: a hyperbolic feature-enhanced lightweight network for object detection in ground penetrating radar images / W. Lei, S. Yu, T. Zhang // Applied Soft Computing. – 2026. – Vol. 188. – Art. 114403. – DOI 10.1016/j.asoc.2025.114403.

6. TLAD-YOLO: Lightweight network for intelligent detection of railway tunnel lining anomalies using ground penetrating radar / P. Zheng, A. Zhang, Z. Shi [et al.] // Journal of Applied Geophysics. – 2025. – Vol. 241. – Art. 105869. – DOI 10.1016/j.jappgeo.2025.105869.

7. ME-YOLO: A novel real-time detection network for pavement interlayer distress using ground penetrating radar / S. Cao, C. Lu, X. Wang [et al.] // Journal of Applied Geophysics. – 2026. – Vol. 245. – Art. 106057. – DOI 10.1016/j.jappgeo.2025.106057.

8. FLS-YOLO: a multi-scale subsurface defect detection network via heterogeneous grouping and spatial reconstruction / W. Zhang, Z. Liu, Q. Yang, X. Qiu // Signal, Image and Video Processing. – 2026. – Vol. 20. – No. 5. – Art. 262. – DOI 10.1007/s11760-026-05352-z.

9. A Novel Shape-Aware Topological Representation for GPR Data with DNN Integration / M. Kang, S. Kaji, S.-Y. Lee [et al.] // arXiv. – 2025. – arXiv:2506.06311. – DOI 10.48550/arXiv.2506.06311.

10. Arvas, M. M. Detection of underground objects from GPR data using a lightweight YOLO-based approach / M. M. Arvas, A. C¸ ınar // Scientific Reports. – 2026. – DOI 10.1038/s41598-026-59135-0.

11. Intelligent recognition of GPR road hidden defect images based on feature fusion and attention mechanism / H. Lv, Y. Zhang, J. Dai [et al.] // IEEE Transactions on Geoscience and Remote Sensing. – 2025. – Vol. 63. – P. 1–17.

12. Lightweight CNN model for automatic detection and depth estimation of subsurface voids using GPR B-scan data / A. Mojahid, D. El Ouai, K. El Amraoui [et al.] // Natural Hazards Research. – 2025. – Vol. 5. – No. 2. – P. 432–446. – DOI 10.1016/j.nhres.2025.02.001.

13. GPR-TSBiNet: An information gradient enrichment model for GPR B-scan small target detection / C. Wang, Y. Guan, M. Chi [et al.] // Sensors. – 2025. – Vol. 25. – No. 7. – Art. 2223. – DOI 10.3390/s25072223.

14. Attention-Module-Guided Time-Lapse Leakage Plume Imaging Driven by LeakInv-CUNet GPR Inversion Framework / H. Wang [et al.] // IEEE Access. – 2025. – Vol. 13. – P. 122514–122529.

15. Enhanced Pix2pixGAN with Spatial-Channel Attention for Underground Medium Inversion from GPR / S. Yang, L. Guo, Y. Yang, H. Ye // Remote Sensing. – 2026. – Vol. 18. – No. 3. – Art. 448. – DOI 10.3390/rs18030448.