| 講演名 | 2020-11-25 AIで地中レーダ画像を高精度に識別するための地中レーダや地中媒質の違いに対応する学習画像の生成 多賀 大貴(大分高専), 木本 智幸(大分高専), 園田 潤(仙台高専), |
|---|---|
| PDFダウンロードページ |  PDFダウンロードページへ |
| 抄録(和) | 地中レーダは，地中に入射した電波が誘電率差のある場所で反射することを利用して地中物体を検出する技術であり，近年問題になっている社会インフラ内の空洞などの劣化状況を非破壊でセンシングするのに有効である．近年，FDTD法による物理シミュレーションで様々な種類の物体が埋まったレーダ画像を大量に生成して畳み込みニューラルネットワーク(CNN)に学習させることで，地中レーダ画像から物体の誘電率や大きさの識別が可能であることが明らかになってきた．しかしながら，地中レーダは製品ごとに発射する電波の周波数や波形が異なるため，製品ごとにFDTD法でレーダ画像を大量に作り直さなければならず，FDTD法は非常に大きな計算機パワーを必要とするため大量のレーダ画像を生成し直すのは現実的ではない．そこで本研究では，予め１製品についてFDTDレーダ画像を大量に準備しておけば，新たに生成したい製品のFDTDレーダ画像は少量だけ準備することで，機械学習を使って大量かつ容易に疑似FDTDレーダ画像が生成できることを報告する．そして，この疑似FDTDレーダ画像が有効な生成画像であることをCNNによる識別率調査で確かめたので報告する． |
| 抄録(英) | Ground penetrating radar is a technology that detects underground objects by utilizing the reflection of radio waves incident on the ground in places where there is a difference in permittivity, and It is effective for non-destructive sensing of deterioration status such as cavities in social infrastructure. In recent years, by training a large number of radar images in which various types of buried objects generated by physical simulation with FDTD method on the convolutional neural network (CNN), it has become clear that not only the detection of buried objects but identification of the permittivity and size are possible. However, since the frequency and waveform of radio waves emitted by each product of ground penetrating radar are different, it is necessary to regenerate a large number of radar images with the FDTD method for each product. Since the FDTD method requires extremely large computing power, so it is not realistic to regenerate a large number of radar images. In this study, we report that if a large amount of FDTD radar images for one product is prepared in advance, a large amount of pseudo FDTD radar images for the new product can be easily generated using machine learning by preparing only a small amount of FDTD radar images for new product. We also report that we have confirmed that this pseudo FDTD radar image is a valid generated image by a discrimination rate survey by CNN. |
| キーワード(和) | 地中レーダ / 機械学習 / ディープラーニング / 画像生成 / FDTD法 |
| キーワード(英) | Ground penetrating radar / Machine learning / Deep Learning / Image generating / FDTD method |
| 資料番号 | SANE2020-28 |
| 発行日 | 2020-11-18 (SANE) |
| 研究会情報 | |
| 研究会 | SANE |
|---|---|
| 開催期間 | 2020/11/25(から1日開催) |
| 開催地（和） | オンライン開催（千葉大学から変更） |
| 開催地（英） | Online |
| テーマ（和） | レーダ信号処理，リモートセンシング及び一般 |
| テーマ（英） | Radar, Remote Sensing and general issues |
| 委員長氏名（和） | 灘井 章嗣(NICT) |
| 委員長氏名（英） | Akitsugu Nadai(NICT) |
| 副委員長氏名（和） | 山田 寛喜(新潟大) / 田中 真(東海大) |
| 副委員長氏名（英） | Hiroyoshi Yamada(Niigata Univ.) / Makoto Tanaka(Tokai Univ.) |
| 幹事氏名（和） | 網嶋 武(三菱電機) / 夏秋 嶺(東大) |
| 幹事氏名（英） | Takeshi Amishima(Mitsubishi Electric) / Ryo Natsuaki(Univ. of Tokyo) |
| 幹事補佐氏名（和） | 二ッ森 俊一(電子航法研) |
| 幹事補佐氏名（英） | Shunichi Futatsumori(ENRI) |
| 講演論文情報詳細 | |
| 申込み研究会 | Technical Committee on Space, Aeronautical and Navigational Electronics |
|---|---|
| 本文の言語 | JPN |
| タイトル（和） | AIで地中レーダ画像を高精度に識別するための地中レーダや地中媒質の違いに対応する学習画像の生成 |
| サブタイトル（和） | |
| タイトル（英） | Generation of learning images corresponding to differences in ground penetrating radar and underground media for highly accurate identification of ground penetrating radar images with AI |
| サブタイトル（和） | |
| キーワード(1)（和/英） | 地中レーダ / Ground penetrating radar |
| キーワード(2)（和/英） | 機械学習 / Machine learning |
| キーワード(3)（和/英） | ディープラーニング / Deep Learning |
| キーワード(4)（和/英） | 画像生成 / Image generating |
| キーワード(5)（和/英） | FDTD法 / FDTD method |
| 第 1 著者 氏名（和/英） | 多賀 大貴 / Daiki Taga |
| 第 1 著者 所属（和/英） | 大分工業高等専門学校(略称：大分高専) National Institute of Technology, Oita College(略称：NIT, Oita) |
| 第 2 著者 氏名（和/英） | 木本 智幸 / Tomoyuki Kimoto |
| 第 2 著者 所属（和/英） | 大分工業高等専門学校(略称：大分高専) National Institute of Technology, Oita College(略称：NIT, Oita) |
| 第 3 著者 氏名（和/英） | 園田 潤 / Jun Sonoda |
| 第 3 著者 所属（和/英） | 仙台高等専門学校(略称：仙台高専) National Institute of Technology, Sendai College(略称：NIT, Sendai) |
| 発表年月日 | 2020-11-25 |
| 資料番号 | SANE2020-28 |
| 巻番号（vol） | vol.120 |
| 号番号（no） | SANE-250 |
| ページ範囲 | pp.7-12(SANE), |
| ページ数 | 6 |
| 発行日 | 2020-11-18 (SANE) |