Characterization of Inclusions in a Nonhomogeneous GPR Problem by Artificial Neural Networks

Abstract

This paper aims at detecting and characterizing inclusions in concrete structures by inverting ground-penetrating radar (GPR) data. First, the signal is preprocessed using the principal component analysis (PCA) and then used to train an artificial neural network (ANN). The GPR data consists of 1200 time steps. Using PCA, the data can be compressed to 286 dimensions without losing any information. Moreover, with 99.99% of the original variance the data needs only 139 dimensions. This dimensional reduction makes the ANN training easier and faster. The ANN were trained to find the buried inclusions characteristicsand -considering a nonhomogenous host medium by inverting the preprocessed data. The results show that the expected maximum error was kept under 1%, which is a remarkable result, since the host medium is nonhomogenous.Index Terms-Artificial neural network (ANN), buried objects, ground-penetrating radar (GPR), inverse problem.

Recent Advances in Neural Networks Structural Risk Minimization Based on Multiobjective Complexity Control Algorithms

“…This noise can be due to environmental conditions, geometric variations, and sensors characteristics. The numerical simulation follows the results described in Travassos et al (2008). A block diagram of a typical GPR system to detect underground targets, is given in Fig.…”

Tecnología aplicada en el funcionamiento y la detección de minas antipersonales: estado del arte

“…Por otro lado, las técnicas basadas en redes neuronales (NN) que aprenden a adaptarse basándose en las experiencias recogidas en diferentes topologías [11][12][13][14][15][16][17] conocidas como neural network, se han propuesto para resolver el pr o blema del electromagnetismo y la inversión canónic a . Por ejemplo, un esferoide incrustado en un medio de acogida [17,18], y otras mejoras en relación con las formas geométricas más realistas para aplicaciones ingenieriles [18,19], aun incluyendo la consideración de un medio de acogida no homogénea [19,20]. Un punto común en todas estas redes neuronales (NN), es la aplicación como paso previo a la fase de entrenamiento de las neural network, de un modelo computacional de escenarios de GPR.…”

“…De esta manera, el campo dispersado en un escenario generado al azar se puede calcular por métodos numé-ricos, por lo general en finitas diferencias en el dominio del tiempo (FDTD), un ventaneo en el dominio de la frecuencia [17,18], o para los casos en que se presentan inestabilidades numéricas, la dirección alterna de la FDTD implícita (ADI-FDTD) es un método [19,20] de aplicación. Una de las principales deficiencias de la aplicación de las NN como un sistema de predicción de problemas GPR es la maldición de la dimensional dad, que hace que el entrenamiento lento y la capacidad de predicción del sistema sea más pobre [21][22][23][24].…”

“…En este punto, la aplicación de la técnica de procesamiento de señal, que es como el análisis de componentes principales (PCA), puede ser introducida como parte del algoritmo. La utilidad de PCA como una técnica de compresión con pérdida mínima de información en señales de GPR en el dominio del tiempo se ha demostrado en [19,20]. En este trabajo, el objetivo es estimar la profundidad y el radio de tubos enterrados en una estructura de hormigón no homogénea.…”

Inversion of Ground Penetrating Radar Data Based on Neural Networks

“…Different neural networks were investigated by Caorsi and Cevini to reconstruct the geometric and dielectric characteristics of buried cylinders [7]. Travassos et al presented a novel approach of inclusion characterization in non-homogenous concrete structures using a neural network [8], and Sbartaï et al combined GPR technology and artificial neural networks for the non-destructive evaluation of the water and chloride contents of concrete [9]. Núñez-Nieto et al presented an automated landmine and unexploded ordnance (UXO) detection based on machine learning [10], while Lameri et al studied the landmine detection method using convolutional neural networks [11].…”