GPR_Data|地面穿透雷达数据集|目标检测数据集

该数据集包含高分辨率的地面穿透雷达（GPR）数据，特别是使用400 MHz和200 MHz天线获取的A-scan和B-scan剖面。数据集包含2239张图像及其对应的地下设施、空洞和完整区域的注释，这些数据是在2019年至2024年间在摩洛哥不同城市和城镇的基础设施项目中获取的。注释使用在线注释工具makesense.ai创建，并以YOLO和VOC XML格式提供，使其兼容各种类型的模型。

原始信息汇总

GPR_Data 数据集概述

数据集描述

• 数据类型: 高分辨率地面穿透雷达（GPR）数据，包括A-scan和B-scan剖面。
• 频率: 使用400 MHz和200 MHz的天线采集数据。
• 数据量: 包含2239张图像及其对应的注释。
• 注释内容: 地下设施、空洞和完整区域的注释。
• 注释工具: 使用makesense.ai进行注释。
• 注释格式: 提供YOLO和VOC XML格式的注释文件。

数据采集

• 天线: 使用GSSI的400 MHz和200 MHz天线。
• 配置:
  • 400 MHz天线：范围50 ns，增益点5，低通频率800 MHz，高通频率100 MHz，每扫描512个样本。
  • 200 MHz天线：范围150 ns，增益点5，低通频率400 MHz，高通频率30 MHz，每扫描512个样本。
• 材料: 根据被检测材料调整介电常数。

数据可视化

• 图像示例: 包含注释的图像示例。

数据处理

• 裁剪: 使用Python脚本crop.py将原始GPR剖面裁剪为224×224大小。
• 数据增强: 使用Python脚本augmentation.py进行数据增强，包括几何变换、随机噪声、频谱偏移、弹性变形和时间偏移。

文件结构

• GPR_data文件夹: 包含2239张图像，分为553张空洞图像、786张地下设施图像和900张完整区域图像。
• augmented_cavities文件夹: 包含553张空洞图像及其注释文件（VOC XML和YOLO格式）。
• augmented_utilities文件夹: 包含786张地下设施图像及其注释文件（VOC XML和YOLO格式）。
• augmented_intact文件夹: 包含900张完整区域图像。
• cavities文件夹: 包含79张原始空洞剖面。
• Utilities文件夹: 包含131张原始地下设施剖面。
• intact文件夹: 包含75张原始完整剖面。

引用

如果使用该数据集，请引用以下文献：

• A. MOJAHID, D. EL OUAI, K. El Amraoui, K. EL-HAMI, H. AITBENAMER, (2024). Intelligent Recognition of Subsurface Utilities and Voids: A Ground Penetrating Radar Dataset for Deep Learning Applications. in data in brief journal 10.17632/ww7fd9t325.1

下载

数据集可以从这里下载。

AI搜集汇总

数据集介绍

构建方式

GPR_Data数据集通过使用400 MHz和200 MHz的GSSI天线，在摩洛哥多个城市和城镇的基础设施项目中采集高分辨率的地面穿透雷达（GPR）数据。数据采集过程中，天线配置为手动操作，并在调查轮模式下运行，确保数据的精确性和一致性。采集到的A-scan和B-scan剖面图经过裁剪和增强处理，最终生成了包含2239张图像的数据集，每张图像均通过在线标注工具makesense.ai进行了详细标注，标注格式包括YOLO和VOC XML，适用于多种模型训练。

特点

GPR_Data数据集涵盖了地下设施、空洞和完整区域的三类标注数据，分别包含786张地下设施图像、553张空洞图像和900张完整区域图像。数据集不仅提供了原始图像，还包含了经过几何变换、随机噪声、频谱偏移、弹性形变和时间偏移等数据增强技术处理后的图像。此外，数据集支持YOLO和VOC XML两种标注格式，便于用户根据需求选择适合的模型训练方式。

使用方法

GPR_Data数据集适用于地下异常检测的深度学习模型训练。用户可以通过下载数据集，利用提供的YOLO或VOC XML格式的标注文件进行模型训练。数据集中的图像经过裁剪和增强处理，可直接用于迁移学习，支持多种骨干网络如VGG19。此外，数据集提供了原始图像和增强后的图像，确保研究的可重复性和灵活性。用户可根据具体需求选择不同类别的图像进行训练，以优化模型的检测性能。

背景与挑战

背景概述

GPR_Data数据集由摩洛哥多个城市和城镇的基础设施项目中获取的高分辨率地面穿透雷达（GPR）数据组成，涵盖A-scan和B-scan剖面，数据采集时间为2019年至2024年。该数据集由Abdelaziz Mojahid等研究人员创建，旨在通过深度学习技术识别地下设施和空洞。数据集包含2239张图像及其对应的注释，涵盖了地下设施、空洞和完整区域三类目标。注释通过makesense.ai工具生成，并以YOLO和VOC XML格式提供，适用于多种模型的训练。该数据集为地下异常检测领域的研究提供了重要的数据支持，推动了相关技术的发展。

当前挑战

GPR_Data数据集在解决地下设施和空洞识别问题时面临多重挑战。首先，地下环境的复杂性和多样性导致数据采集过程中信号干扰严重，增加了数据标注和模型训练的难度。其次，由于地下结构的非均匀性和材料介电常数的变化，雷达信号的解释和分类具有较高的不确定性。此外，数据集的构建过程中，研究人员需克服数据采集设备配置的复杂性，如天线频率选择和滤波参数调整，以确保数据的准确性和一致性。最后，数据增强和裁剪步骤虽然提升了模型的泛化能力，但也引入了额外的计算复杂性和时间成本。

常用场景

经典使用场景

GPR_Data数据集在土木工程和地质勘探领域具有广泛的应用，特别是在地下设施的智能识别和地下空洞的检测中。该数据集通过提供高分辨率的A-scan和B-scan雷达剖面图，结合精确的标注信息，为研究人员和工程师提供了丰富的训练数据。这些数据能够有效支持深度学习模型的训练，尤其是在地下异常检测和分类任务中，显著提升了模型的准确性和鲁棒性。

实际应用

在实际应用中，GPR_Data数据集被广泛用于城市基础设施的维护和规划中。例如，市政工程团队可以利用该数据集训练模型，快速识别地下管道、电缆等设施的分布情况，避免施工过程中对地下设施的破坏。此外，该数据集还可用于地质灾害预警，如地下空洞的早期检测，从而减少潜在的安全隐患。

衍生相关工作

GPR_Data数据集催生了一系列经典的研究工作，特别是在基于深度学习的雷达图像分析领域。许多研究利用该数据集开发了高效的地下异常检测算法，如基于卷积神经网络（CNN）的目标识别模型和基于迁移学习的分类器。这些工作不仅验证了数据集的实用性，还推动了地下探测技术的进一步发展，为相关领域的研究提供了重要的参考。