基于RFD-U-Net的探地雷达缺失数据重构

在探地雷达勘探中，由于受到采样点数与测量速度不匹配、地表不均匀或仪器内外部干扰等因素的影响，容易造成信息不完整，甚至缺失．如何有效重构缺失信号是提高原始GPR数据精度和进行后续高分辨率成像的关键环节．本文提出了一种残差特征提取网络（RFD-U-Net）来针对性处理数据缺失这一问题．其中，RFD采用信息蒸馏网络的方法对缺失数据进行重构，首先使用多个特征提取连接来进行特征学习，然后在残差单元上增加跳跃映射，补充卷积过程中损失的特征信息，最后与轻量网络U-Net相结合，极大程度地缩减了网络冗杂．合成测试数据的对比结果及UQI和SNR两种评价指标的量化分析结果可知，RFD-U-Net获得了最优的重构效果和最佳的计算数值，验证了本文所提方法重构缺失GPR剖面的准确度和优越性．将RFD-U-Net应用于实测数据中，能够较好地重构缺失数据，在细节上突出了有效信号的连续性，并采用自动聚焦技术这一评价指标进行佐证，证明了该方法的实用性．