الكشف الآلي عن الأجسام المطمورة اعتماداً على صور رادار اختراق سطح الأرض باستخدام الشبكات العصبونية الالتفافية.

الملخص

رادار اختراق سطح الأرض Ground Penetrating Radar (GPR) هو أحد التقانات التي أثبتت كفاءتها في كشف الأجسام المطمورة وذلك باستخدام الأمواج الكهرطيسية. تعاني هذه

التقانة من مشكلة تتمثّل في أن التعرّف بشكل دقيق على الأجسام المطمورة من خلال صور GPRيظل مهمة صعبة تعتمد بشكل كبير على خبرة مستثمر جهاز GPR، وبالتالي قد تكون نتائج تفسير الصور غير موثوقة، كما وتحتاج لعمل شاق ووقت طويل للتفسير. يهدف البحث إلى مساعدة مستثمر جهاز GPR في التغلب على هذه المشكلة، وذلك عن طريق بناء نموذج شبكة عصبونية التفافية Convolutional Neural Network (CNN) يقوم بالكشف الآلي عن بصمة القطع الزائد المنعكس عن الهدف المطمور (أنبوب مطمور في التربة كحالة دراسية) في صور GPR من النوع B-Scan (مسح نصوعي Brightness-Scan).

هناك تحدي يتمثّل في تأمين مجموعة البيانات اللازمة لتدريب نماذج التعلم العميق في مجال تقانة GPR، وذلك بسبب ندرة بيانات GPR الحقيقية والمشروحة من قبل خبراء في هذا المجال، كما أن الحصول على صور GPR معلّمة Labeled images غير متاح دوماً، لذا تم في هذا البحث إنشاء مجموعتي بيانات Datasets مكونة من صور GPR B-Scan محاكاة باستخدام برنامج المحاكاة gprMax ومن صور GPR B-Scan حقيقية، استُخدمت في تدريب واختبار نموذج CNN. حقق النموذج المقترح دقة 100% على بيانات التحقق، ودقة 97.5% على بيانات الاختبار التي تمثّل بيانات غير مرئية بالنسبة للنموذج، وهذا يمثَل أداء عالي للنموذج المقترح، وبالتالي يمكن استخدام نموذج CNN المقترح كنظام داعم لعملية كشف الأجسام المطمورة من قبل مستثمرين ليس لديهم الخبرة الكافية في مجال تقانة GPR.