Volltext-Downloads (blau) und Frontdoor-Views (grau)
  • search hit 10 of 897
Back to Result List

AI-based Ground Penetrating Radar Signal Processing for Thickness Estimation of Subsurface Layers

  • 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 compressedThis 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.show moreshow less
  • 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. BeimDiese 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.show moreshow less

Download full text files

  • Thesis_Reza_Aliabadi.pdf
    eng

Export metadata

Statistics

frontdoor_oas
Metadaten
Document Type:Master's Thesis
Zitierlink: https://opus.hs-offenburg.de/7681
Bibliografische Angaben
Title (English):AI-based Ground Penetrating Radar Signal Processing for Thickness Estimation of Subsurface Layers
Title Additional (German):KI-basierte Bodenradar Signalverarbeitung zur Dickenschätzung von Schichten im Untergrund
Author:Reza Aliabadi
Advisor:Marlene Harter, Christian Reich
Year of Publication:2023
Granting Institution:Hochschule Offenburg
Page Number:vi, 84, ix
Language:English
Inhaltliche Informationen
Institutes:Forschung / IUAS - Institute for Unmanned Aerial Systems
Fakultät Elektrotechnik, Medizintechnik und Informatik (EMI) (ab 04/2019)
Institutes:Abschlussarbeiten / Master-Studiengänge / CME
DDC classes:600 Technik, Medizin, angewandte Wissenschaften
Tag:Bodenradar; Elektromagnetische Reflexionsmethode
CNN; Convolutional neural networks; GPR; Ground penetrating radar; thickness estimation
Formale Angaben
Open Access: Closed 
Licence (German):License LogoCreative Commons - CC BY-NC - Namensnennung - Nicht kommerziell 4.0 International