TY  - THES
U1  - Master Thesis
A1  - Aliabadi, Reza
T1  - AI-based Ground Penetrating Radar Signal Processing for Thickness Estimation of Subsurface Layers
N2  - This thesis focuses on the estimation of subsurface layer thickness using Ground Penetrating Radar (GPR) A-scan and B-scan data through the application of neural networks. The objective is to develop accurate models capable of estimating the thickness of up to two subsurface layers.
Two different approaches are explored for processing the A-scan data. In the first approach, A-scans are compressed using Principal Component Analysis (PCA), and a regression feedforward neural network is employed to estimate the layers’ thicknesses. The second approach utilizes a regression one-dimensional Convolutional Neural Network (1-D CNN) for the same purpose. Comparative analysis reveals that the second approach yields superior results in terms of accuracy.
Subsequently, the proposed 1-D CNN architecture is adapted and evaluated for Step Frequency Continuous Wave (SFCW) radar, expanding its applicability to this type of radar system. The effectiveness of the proposed network in estimating subsurface layer thickness for SFCW radar is demonstrated.
Furthermore, the thesis investigates the utilization of GPR B-scan images as input data for subsurface layer thickness estimation. A regression CNN is employed for this purpose, although the results achieved are not as promising as those obtained with the 1-D CNN using A-scan data. This disparity is attributed to the limited availability of B-scan data, as B-scan generation is a resource-intensive process.
N2  - Diese Masterarbeit befasst sich mit der Schätzung der Dicke von Bodenschichten unter Verwendung von A- und B-Scan-Daten eines Bodenradars (GPR) durch die Anwendung von neuronalen Netzen. Ziel ist es Modelle zu entwickeln, welche in der Lage sind die Dicke von bis zu zwei unterirdischen Schichten zu schätzen.
Für die Verarbeitung der A-Scan-Daten werden zwei verschiedene Ansätze untersucht. Beim ersten Ansatz werden die A-Scan-Daten zunächst mit Hilfe der Hauptkomponentenanalyse (PCA) komprimiert und danach wird zur Schätzung der Schichtdicke ein neuronales Regressions-Forward-Netzwerk eingesetzt. Der zweite Ansatz verwendet ein regressives 1-D Convolutional Neural Network (CNN) mit demselben Ziel.. Ein Vergleich zeigt, dass der zweite Ansatz in Bezug auf die Genauigkeit bessere Ergebnisse liefert.
Anschließend wird die vorgeschlagene 1-D-CNN-Architektur an das Step Frequency Continuous Wave (SFCW)-Radar angepasst und evaluiert, um die Anwendbarkeit auf diese Art von Radarsystem zu erweitern. Für SFCW-Radar wird die Leistungsfähigkeit des vorgeschlagenen Netzwerks zur Schätzung der Dicke von Untergrundschichten dargestellt.
Darüber hinaus wird in dieser Arbeit die Verwendung von GPR B-Scan-Bildern als Eingangsdaten für die Schätzung der Schichtdicke im Untergrund untersucht. Zu diesem Zweck wird ein Regressions-CNN eingesetzt, wobei die erzielten Ergebnisse nicht so vielversprechend sind wie die mit dem 1-D-CNN unter Verwendung von A-Scan-Daten erzielten. Diese Diskrepanz wird auf die begrenzte Verfügbarkeit von B-Scan-Daten zurückgeführt, da die Erzeugung von B-Scans ein ressourcenintensiver Prozess ist.
KW  - Ground penetrating radar
KW  - GPR
KW  - Convolutional neural networks
KW  - CNN
KW  - thickness estimation
KW  - Bodenradar
KW  - Elektromagnetische Reflexionsmethode
Y2  - 2023
SP  - vi, 84, ix
S1  - vi, 84, ix
ER  -