基于轻量级YOLO方法的GPR数据地下物体检测

《Scientific Reports》：Detection of underground objects from GPR data using a lightweight YOLO-based approach

　　

摘要

由于地面穿透雷达数据存在噪声、目标尺度较小以及地面条件的复杂性，地下物体检测面临着诸多挑战。本研究提出了一种基于YOLOv8n的专用框架，用于在充满噪声的GPR雷达图中发现小型地下物体。该模型在架构中整合了GhostConv和C3Ghost模块，以此降低计算成本并提升特征提取能力。这种基于“幽灵块”的结构减少了不必要的卷积操作，从而实现更有效的特征表达。该模型在Roboflow平台获取的四个不同GPR数据集上进行了训练和测试，既使用了单独的数据集，也采用了整合后的数据集。性能评估指标包括F1分数、IoU为0.5时的平均精度均值（mAP@0.5）、IoU阈值从0.5到0.95时的平均精度均值（mAP@0.5:0.95），以及推理时间（毫秒/帧）。实验结果表明，在整合数据集上，该方法的mAP和F1分数分别提升了5.7%和5.9%。研究结果表明，该方法不仅提高了检测精度，还降低了处理时间，具备在实际应用中的实用性，可用于非破坏性挖掘和地下检测领域。