بررسی روش‌های حذف کلاتر تصاویر رادار نفوذ در زمین با استفاده از هوش مصنوعی

رادار نفوذ در زمین(gpr) یک ابزار غیرمخرب جهت شناسایی اجسام مدفون در زیر زمین است. از مهم‌ترین چالش‌های موجود در استفاده از داده‌های gpr، حضور کلاتر محیطی است. در محیط‌های طبیعی، خاک به صورت لایه‌ای و با جنس غیر یکنواخت در راستای عمق است؛ یعنی هر لایه دارای ویژگی‌های الکتریکی متفاوتی بوده و با تغییر دی‌الکتریک در مرز لایه‌ها بازتاب‌های اضافی ایجاد و باعث بروز کلاتر می‌شود. در این پژوهش، با کمک نرم‌افزار gprmax، مبتنی بر روش عددی fdtd، شبیه‌سازی داده‌های gpr انجام شد. این داده‌ها با هدف نزدیک شدن به واقعیت زیرزمین و محیط لایه‌ای تولید شد. داده‌ها شامل سناریوی یک جسم مدفون، یک جسم مدفون در محیط لایه‌ای، چند جسم مدفون و چند جسم مدفون در محیط لایه‌ای است. در نهایت با استفاده از مجموعه‌ای از روش‌های مبتنی بر هوش مصنوعی و تجزیه ماتریس، حذف کلاتر ناشی از لایه‌های خاک مورد بررسی قرار گرفته است. این روش‌ها شامل تحلیل مولفه‌های اصلی (pca)، فاکتور‌سازی غیرمنفی ماتریس(nmf)، تحلیل مولفه‌های اصلی مقاوم(rpca)، تجزیه go (godec) و یادگیری زیرفضای متعامد مقاوم (rosl)هستند. نتایج بدست آمده نشان می‌دهد که در سناریوهای پیچیده محیط لایه‌ای،با حفظ سیگنال اصلی هذلولی، روش rosl عملکرد بهتری در حذف کلاتر ارائه می‌دهد. این موضوع با استفاده از محاسبه عددی مقدار نسبت قله سیگنال به نویز (psnr) تایید شده است؛ به صورتیکه از ساده‌ترین تا پیچیده‌ترین سناریو مقدار psnr به ترتیب برابر 167، 197، 72، 37 بوده که در هر سناریو نسبت به باقی روش‌ها به ترتیب 33.60%، 80.73%، 38.46%، 32.14%نتیجه بهتری داشته است.

investigationon of clutter removal techniques in ground penetrating radar imaging using artificial intelligence

ground penetrating radar (gpr) is a non-destructive tool for detecting buried objects underground. one of the most important challenges in using gpr data is the presence of environmental clutter. in natural environments, soil is layered and non-uniform in composition along depth; that is, each layer has different electrical properties. each subsurface layer has distinct electrical properties, and changes in the dielectric constant at the boundaries lead to additional reflections, which cause clutter. in this study, gpr data were simulated using the gprmax software based on the fdtd numerical method. the data were generated to resemble realistic subsurface and layered environments. the simulated scenarios include a single buried object, a buried object in a layered medium, multiple buried objects, and multiple buried objects in a layered medium. finally, several matrix decomposition and artificial intelligence–based methods were applied to remove clutter caused by soil layers. these methods include principal component analysis (pca), non-negative matrix factorization (nmf), robust principal component analysis (rpca), godec decomposition, and robust orthonormal subspace learning (rosl). the results show that in complex layered environments, while preserving the main hyperbolic signal, the rosl method provides superior clutter removal. this conclusion was confirmed by calculating the peak signal-to-noise ratio (psnr). the psnr values for the four scenarios, from the simplest to the most complex, were 167, 197, 72, and 37, respectively. compared with the other methods, rosl achieved better performance by 33.60%, 80.73%, 38.46%, and 32.14% in each scenario.