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．