《Remote Sensing》：Research on an Automatic Detection Method for Response Keypoints of Three-Dimensional Targets in Directional Borehole Radar Profiles
Xiaosong Tang,
Maoxuan Xu,
Feng Yang,
Jialin Liu,
Suping Peng and
Xu Qiao
编辑推荐：
在钻孔雷达（Borehole Radar, BHR）B扫描（B-scan）剖面的解释过程中，准确确定三维空间中地质目标的方位角是实现异常体精确定位与空间结构反演的关键问题。然而，现有定向BHR异常定位方法在智能化水平、多测点数据适应性及泛化能力方面均存在不足，
在钻孔雷达（Borehole Radar, BHR）B扫描（B-scan）剖面的解释过程中，准确确定三维空间中地质目标的方位角是实现异常体精确定位与空间结构反演的关键问题。然而，现有定向BHR异常定位方法在智能化水平、多测点数据适应性及泛化能力方面均存在不足，难以满足复杂地质条件下的工程应用需求。为应对这些挑战，研究人员基于YOLOv11n-pose开发了一种稳健的深度学习模型BSS-Pose-BHR，用于定向BHR剖面中的关键点检测。该模型包含三项关键优化：采用双层路由注意力（Bi-Level Routing Attention, BRA）替代骨干网络中的多头自注意力（Multi-Head Self-Attention, MHSA），以提升计算效率；采用Conv_SAMWS增强骨干网络与颈部网络中关键点相关特征的加权能力；在检测头中集成空间与通道重构卷积（Spatial and Channel Reconstruction Convolution, SCConv），以减少冗余并强化局部特征提取，从而提升其对关键点检测任务的适应性。此外，研究建立了含一定密度黏土颗粒的石灰岩三维电磁模型，并据此构建仿真数据集。在仿真测试集上，与当前主流深度学习方法及传统定向钻孔雷达异常定位算法相比，BSS-Pose-BHR表现出更优性能，其mAP50(B)达到0.9686，mAP50–95(B)为0.7712，mAP50(P)为0.9951，mAP50–95(P)为0.9952。消融实验表明，各所提模块均对性能提升具有显著贡献。与基线模型相比，BSS-Pose-BHR将mAP50(B)提高了5.39%，将mAP50(P)提高了0.86%，而模型权重仅增加1.05 MB，从而在检测精度与模型复杂度之间实现了合理权衡。此外，室内物理模型实验验证了该方法在实测数据上的有效性。不同峰值信噪比（Peak Signal-to-Noise Ratio, PSNR）条件及不同缺失道率下的鲁棒性实验表明，BSS-Pose-BHR在中等噪声与数据缺失条件下仍能保持较高检测精度，展现出较强的工程适用性与实际应用价值。
本文发表于《Remote Sensing》，围绕定向钻孔雷达（Borehole Radar, BHR）剖面中地下目标三维方位自动判识这一关键问题展开研究。研究背景在于，钻孔雷达作为地质雷达（Ground Penetrating Radar, GPR）在钻孔场景中的专门化应用，具备近距离探测、抗外部电磁干扰能力较强以及高分辨率等优势，已在地质与水文地质调查、矿产勘查以及结构健康监测等方向显示出较高应用潜力。然而，传统全向BHR系统受电磁波传播机理与复杂地质环境制约，通常只能给出目标与钻孔之间的距离信息，难以可靠判定周边目标的方位。针对这一不足，定向BHR系统通过天线旋转实现360°扫描，能够获得目标在剖面中的方向响应信息。但现有定向BHR异常定位方法主要依赖最大幅值法和中间值法，这类方法不仅解释过程费时费力，而且存在较强主观性，在复杂地质环境和大规模快速采集条件下难以满足工程应用对自动化、稳定性和泛化性的要求。因此，开展基于深度学习的定向BHR智能解释研究具有明确的现实必要性。
研究人员基于YOLOv11n-pose提出了BSS-Pose-BHR模型，将定向BHR剖面中的目标方位与距离定位问题形式化为关键点检测任务。与此同时，研究构建了含一定比例黏土颗粒的石灰岩三维电磁仿真模型，生成定向BHR响应剖面数据集，并采用统一标注策略对异常响应框与关键点进行标注。实验结果表明，所提出模型在仿真测试集、室内单目标与多目标实验以及噪声与缺失道退化条件下均优于多种对比模型与传统方位估计算法，说明该方法能够提升定向BHR解释的自动化水平和目标方位定位精度，具有较好的工程应用前景。
研究所采用的主要技术方法可概括为以下几个方面：首先，基于gprMax（v3.0）建立三维电磁仿真模型，围绕单孔定向BHR工作模式生成623组数据，并按8:1:1划分训练集、验证集与测试集；其次，以YOLOv11n-pose为基础构建端到端关键点检测框架，引入BRA、SimAMWithSlicing与SCConv三个改进模块；再次，采用mAP50、mAP50–95、模型大小与浮点运算量（FLOPs）评估模型性能，并结合传统最大幅值法与中间值法开展方位误差对比；最后，通过室内实测信号与不同峰值信噪比（PSNR）、不同缺失道率情形下的鲁棒性实验检验模型稳定性。
3.1. Implementation Details
研究在Windows 10环境下完成深度学习实验，硬件平台包括Intel(R) Xeon(R) Gold 6133 @ 2.50 GHz处理器与24 GB显存的NVIDIA GeForce RTX 4090图形处理器（GPU），开发框架为PyTorch 2.0.1、CUDA 11.7与Python 3.8。由于三维仿真及精细天线建模的计算复杂度较高，623组数据的生成耗时近1个月，这也说明了该研究在数据构建层面的工作量较大。
3.2. Training Performance of BSS-Pose-BHR
研究给出了BSS-Pose-BHR在400个训练周期中的损失函数与评价指标变化曲线。结果显示，训练集上的框回归损失、分类损失与分布焦点损失均在前期快速下降，随后逐步趋于稳定，表明模型能够有效学习空洞目标在BHR雷达图中的空间定位、尺度信息与边界特征。关键点姿态损失与关键点目标性损失在400轮后均稳定在0.1以下，说明模型能够较为稳健地区分真实关键点与背景噪声，并学习到可靠的空间关键点表征。验证集上的各项损失与指标同样表现为平滑收敛，未出现明显过拟合或剧烈振荡，表明训练配置合理且稳定。
3.3. Comparative Experiments
通过与YOLOv8n-pose、YOLOv10n-pose、YOLOv11n-pose、YOLOv12n-pose及YOLOv11n-SPPF_improved-BSAM-LSCD_LQE等模型对比，研究发现BSS-Pose-BHR在各项关键指标上均表现突出。相较YOLOv10n-pose，该模型在mAP50(B)、mAP50–95(B)、mAP50(P)和mAP50–95(P)方面分别提升7.54%、4.00%、2.75%和3.00%。验证集混淆矩阵显示，BSS-Pose-BHR能够实现完全正确预测，而YOLOv10n-pose存在将目标样本误判为背景的情况。研究同时指出，尽管BSS-Pose-BHR引入了三个改进模块，其计算复杂度仅较YOLOv11n-pose增加0.2 GFLOPs，表明该方法在检测精度与计算代价之间取得了较优平衡。进一步地，通过代表性样本检测结果与约450组关键点位置误差分布比较，研究表明BSS-Pose-BHR在关键点定位的平均误差和标准差上均优于YOLOv11n-pose，显示出更高的定位精度和稳定性。与传统最大幅值法和中间值法相比，BSS-Pose-BHR在目标方位角预测精度方面也更具优势。
3.4. Ablation Experiment
消融实验基于YOLOv11n-pose展开，逐步验证BRA、SimAMWithSlicing与SCConv三类模块的贡献。结果表明，BRA模块引入后，模型mAP50(B)提高2.02%，mAP50(P)提高0.23%，但模型大小增加0.56 MB，说明该模块增强了特征提取与定位能力。进一步叠加SimAMWithSlicing后，mAP50(B)与mAP50(P)相较基线分别提升3.14%与0.69%，且由于该注意力模块设计轻量，模型大小几乎未明显增加。最后，将SCConv加入检测头后，空间与通道信息得到进一步优化，冗余特征被压缩，局部特征学习能力增强，从而使地下目标关键点检测性能继续提升。整体而言，三个模块均对最终性能产生正向贡献，验证了模型结构设计的合理性。
3.5. Indoor Experimental Testing
3.5.1. Single-Target Detection Experiment
在室内单目标实验中，研究人员将BHR系统置于距地面约50 cm处并执行360°旋转扫描，以观察地面目标在剖面中的响应特征。由于天线电子设计、阻抗失配及地下界面多次反射等因素，原始剖面包含明显水平干扰，因此先采用稳健主成分分析（Robust Principal Component Analysis, RPCA）抑制低秩干扰成分，再进行关键点检测。结果显示，BSS-Pose-BHR在检测置信度方面优于YOLOv11n-pose。对于理论上应位于水平轴中点0.5附近的地面响应关键点，BSS-Pose-BHR预测值为0.527522，YOLOv11n-pose为0.551346，说明前者更接近真实位置。
3.5.2. Multi-Target Detection Experiment
在多目标实验中，研究人员在钻孔雷达上方水平放置铝箔，使剖面中额外出现对应于铝箔的响应。地面目标关键点位于约180°附近，铝箔关键点位于约0°/360°附近。实验结果表明，两种方法在关键点定位表现上相近，但BSS-Pose-BHR对预测框给出了更高置信度，说明其在多目标场景中的检测可靠性更强。
3.6. Robustness Analysis
为评估模型在退化条件下的稳定性，研究人员向BHR剖面中加入不同强度高斯噪声，并构造不同缺失道率的数据。噪声实验采用31 dB至43 dB的PSNR范围，缺失道实验则通过随机通道缺失模拟稀疏采样与不完整观测场景。结果表明，在不同PSNR与缺失道条件下，BSS-Pose-BHR在mAP50–95(B)与mAP50–95(P)上始终优于YOLOv11n-pose，其性能曲线整体保持在基线模型之上。代表性案例显示，即使在PSNR = 31 dB或缺失道率为0.35时，模型仍能检测完整目标框并准确给出关键点。方位角误差统计进一步显示，在各种退化条件下，BSS-Pose-BHR的平均方位误差均显著低于两种传统方法；并且传统方法中，最大幅值法始终劣于中间值法。这些结果说明所提方法具备较好的抗噪声能力与对不完整数据的适应性。
3.7. Limitations
研究也明确指出了方法的局限性。首先，数据集主要来自数值仿真，尚不能完全覆盖真实地质环境的复杂性，后续需引入更真实的地质模型、实测数据或生成式数据增强策略。其次，三维仿真与精细天线建模计算开销大，限制了大规模数据集构建效率。最后，本文关键点定义主要聚焦目标响应方位，属于适用于初步探索的简化设定，未来仍需在更复杂、非对称地质结构与真实钻孔环境中进一步验证模型的泛化能力。
讨论部分表明，BSS-Pose-BHR在定向BHR自动解释任务中兼顾了高精度与较低复杂度，三个结构改进模块分别从全局稀疏注意、关键点特征增强与检测头冗余压缩三个层面提升了模型表现。仿真、室内实验以及鲁棒性分析共同证明，该方法不仅优于多种主流轻量级姿态估计模型，也优于传统方位定位算法，说明将定向BHR异常定位转化为关键点检测任务是有效可行的技术路线。同时，研究也强调当前成果仍处于仪器研发早期阶段，未来需要更多真实场景验证与更大规模数据支持。
结论部分可译为：
基于YOLOv11n-pose，研究提出了用于定向BHR剖面中地质目标关键点检测的BSS-Pose-BHR。据研究人员所知，这是将深度学习应用于该类地下目标自动检测任务的较早尝试之一。主要结论如下：其一，在训练集和验证集上，BSS-Pose-BHR经过400个训练周期后的损失与评价指标曲线均表现为平滑稳定收敛，未出现过拟合或明显振荡，说明训练配置合理稳定。其二，与先进基线模型相比，BSS-Pose-BHR显示出明确优势，所有精度指标均为对比方法中最佳；在x–y轴方向预测关键点与真实关键点的比例误差中，基线模型均值和标准差分别为0.0128与0.0099，而BSS-Pose-BHR分别为0.0118与0.0086，表明其关键点定位精度更高；此外，与传统定向BHR目标定位方法相比，BSS-Pose-BHR在方位角预测上表现更优，平均误差仅为2.7°。其三，消融实验验证了各模块的增量贡献；相较基线，BSS-Pose-BHR将mAP50(B)提升5.39%，将mAP50(P)提升0.86%，模型大小仅增加1.05 MB。其四，受控室内实验中的实测BHR信号进一步验证了模型有效性；在单目标情形下，BSS-Pose-BHR对关键点的预测更接近真实位置，在多目标实验中则表现出与基线相当的关键点定位能力和更高的预测框置信度。其五，针对不同PSNR和缺失道率构建的退化数据集表明，BSS-Pose-BHR在所有场景下均持续优于YOLOv11n-pose，其平均mAP50–95(B)和mAP50–95(P)始终更高，且方位角预测显著优于两种传统定位方法。
