Статья
| Наименование | Разработка метода формирования обучающей выборки для искусственной нейронной сети с целью локализации трещин горных пород по данным георадиолокации | ||||
| Авторы |
|
||||
| Раздел | Недропользование | ||||
| Год | 2025 | Выпуск | 84 | Страницы | 33 - 41 |
| УДК | 681:622.1[621.396.96] | EDN | JLXHLR | ||
| Аннотация | Разработан метод формирования обучающей выборки для искусственной нейронной сети (ИНС) на основе генерации искусственных георадиолокационных данных с учетом параметров сигналов георадара и характеристик трещиноватости массива горных пород. Метод обеспечивает автоматическую генерацию до 20000 размеченных изображений за 5-10 минут, с учетом всевозможных наклонов и изгибов осей синфазности георадиолокационных сигналов и наличия шумов. Предусмотрена предобработка изображений (черно-белое преобразование и построение бинарных масок), а их размер варьируется от 8×8 до 64×64 пикселей для оптимизации архитектуры сверточных слоев ИНС. Апробация показала высокую достоверность синтетических данных и успешное распознавание трещин моделью сверточного автоэнкодера. Предложенный подход автоматизирует процесс подготовки данных и может применяться при инженерно-геологических исследованиях. | ||||
| Реферат | Цель. Разработка метода, позволяющего оперативно сформировать набор фрагментов радарограмм с различными вариантами количества и геометрии границ слоев горных пород и расположения в них трещин.
Актуальность. Необходимость повышения эффективности анализа георадиолокационных данных и автоматизации обработки больших объемов геофизической информации, что соответствует приоритетам Национальной стратегии развития искусственного интеллекта до 2030 года.
Методика. Проведен аналитический обзор методов формирования обучающих выборок, по результатам которого предложен метод синтеза искусственных георадиолокационных данных. Генерация данных учитывает наклоны и изгибы осей синфазности и наличие шумов. Полученные изображения подвергаются предобработке (черно-белое преобразование, построение бинарных масок). Размер изображений варьируется от 8×8 до 64×64 пикселей для оптимизации архитектуры сверточных слоев ИНС. Результаты. Разработанный метод позволяет автоматически формировать до 20000 размеченных изображений за 5-10 минут, существенно снижая трудоемкость и вероятность ошибок ручной разметки. Апробация на данных георадиолокации мерзлых горных пород показала высокую достоверность синтетических данных (коэффициент корреляции с полевыми — 0,82) и успешное распознавание трещин с использованием сверточного автоэнкодера. Научная новизна. Разработан метод массовой генерации бинарных изображений для обучения искусственной нейронной сети на основе программной реализации алгоритма расчета математической модели георадиолокационного разреза с трещиной, позволяющий сформировать фрагменты радарограмм с автоматической разметкой различных вариантов разрывов осей синфазности георадиолокационных сигналов. Практическая значимость. Метод обеспечивает автоматизацию процесса формирования обучающей выборки, сокращает время подготовки данных и может быть использован при инженерно-геологических исследованиях. |
||||
| Ключевые слова | георадиолокация, нейронная сеть, обучающая выборка, трещины, массив горных пород. | ||||
| Финансирование | работа выполнена в рамках государственного задания Министерства науки и высшего образования Российской Федерации (тема № 0297-2021-0020, ЕГИСУ НИОКТР № 122011800086-1). | ||||
| Список источников |
1. Figueira A., Vaz B. Survey on Synthetic Data Generation, Evaluation Methods and GANs // Mathematics. 2022. Vol. 10. Art. 2733. DOI: 10.3390/math10152733 EDN YLOYDS
2. Detection of concealed cracks from ground penetrating radar images based on deep learning algorithm / S. Li [et al.] // Construction and Building Materials. 2021. Vol. 273. Art. 121949. DOI: 10.1016/j.conbuildmat.2020.121949 EDN CNWHHV
3. Research on the improvement method of imbalance of ground penetrating radar image data / L. Cao, L. Liu, C. Lu, R. Chen // Scientific Reports. 2025. Vol. 15. Art. 2859. DOI: 10.1038/s41598-025-87123-3 EDN HUKKGO
4. Deep learning-based masonry crack segmentation and real-life crack length measurement / L. M. Dang, H. Wang, Y. Li, L. Q. Nguyen // Construction and Building Materials. 2022. Vol. 359. Art. 129438. DOI: 10.1016/j.conbuildmat.2022.129438 EDN DFAUWX
5. Crack Unet: Crack Recognition Algorithm Based on Three-Dimensional Ground Penetrating Radar Images / J. Tang [et al.] // Sensors. 2022. Vol. 22. Art. 9366. DOI: 10.3390/s22239366 EDN UHPOTL
6. GPR detection localization of underground structures based on deep learning and reverse time migration / J. Lei, H. Fang, Y. Zhu, Z. Chen // NDT & E International. 2024. Vol. 143. Art. 103043. DOI: 10.1016/j.ndteint.2024.103043 EDN YDFAQN
7. Automatic Object Detection in Radargrams of Multi-Antenna GPR Systems Based on Simulation Data for Railway Infrastructure Analysis / L. Lahnsteiner, D. Größbacher, M. Bürger, G. Zauner // Applied Sciences. 2024. Vol. 14. Art. 3521. DOI: 10.3390/app14083521 EDN NGNNIB
8. Synthetic data generation using finite element method to pre-train an image segmentation model for defect detection using infrared thermography / K. A. Pareek [et al.] // Journal of Intelligent Manufacturing. 2024 (issue published 2025). Vol. 36. P. 1879–1905. DOI: 10.1007/s10845-024-02326-1 EDN CQNXYN
9. Aldao E., Fernández-Pardo L. M., Veiga-López F. Synthetic Data Generation Techniques for Enhancing Crack Detection in Railway Concrete Sleepers // Journal of Computing in Civil Engineering (Proceedings / ASCE). 2025. Vol. 39. Iss. 3. DOI: 10.1061/JCCEE5.CPENG-6158 EDN HFVYYS
10. An active learning method for crack detection based on subset searching and weighted sampling / Z. Xiang, Y. Bao, J. Chen, H. Li // Structural Health Monitoring. 2024. Vol. 23. Iss. 2. DOI: 10.1177/14759217231183661 EDN EVTOXY
11. Performance Evaluation of Deep CNN-Based Crack Detection and Localization Techniques for Concrete Structures / L. Ali [et al.] // Sensors. 2021. Vol. 21. Art. 1688. DOI: 10.3390/s21051688 EDN XUVYKM
12. Zheng T., Gao J., Zhang H. Recognition, location, measurement, and 3D reconstruction of concealed cracks using convolutional neural networks // Construction and Building Materials. 2017. Vol. 146. P. 775–787. DOI: 10.1016/j.conbuildmat.2017.04.097
13. Соколов К. О., Шамаев С. Д. Распознавание волновых образов трещин массива горных пород на основе нейронных сетей по данным георадиолокации // Успехи современного естествознания. 2023. № 7. С. 109–114. DOI: 10.32634/0869-8155-2019-323-3-69-71 EDN MHEGPF
14. Zheng T., Jie G., Haitao Z. Recognition, location, measurement, and 3D reconstruction of concealed cracks using convolutional neural networks // Construction and Building Materials. 2017. Vol. 146. P. 775–787. DOI: 10.1016/j.conbuildmat.2017.04.097
15. Соколов К. О. Разработка модели георадиолокационного разреза массива мерзлых горных пород с трещиной // Известия Уральского государственного горного университета. 2021. № 2 (62). С. 134–139. DOI: 10.21440/2307-2091-2021-2-134-139 EDN RRZUEC
|
||||
| Полный текст |
|
||||