Semi-automatic detection of buried rebar in GPR data using a genetic algorithm

Wang, Yanhui; Cui, Guangyan; Xu, Jun

doi:10.1016/j.autcon.2020.103186

Cited by 31 publications

(7 citation statements)

References 36 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Среди новых технологий обработки данных георадиолокации можно выделить автоматическое и полуавтоматическое определение скоростных характеристик из локализованных гиперболических отражений (A. Ristić, Ž. Bugarinović, M. Vrtunski, M. Govedarica [251], S. Jazayeri, A. Saghafiand, S. Esmaeili, C. Tsokos [252], Y. Wang, G. Cui, J. Хu [253]). Стоит отметить инновационную технологию автоматизированного анализа поля обратного рассеяния (ПОР) электромагнитных волн, реализованную в программе «ГЕОРАДАР-ЭКСПЕРТ», позволяющую существенно улучшить качественные и количественные показатели результирующих параметров (Р. Р. Денисов, В. В. Капустин [254]).…”

Section: современные тенденции георадарных исследованийunclassified

Многоуровневые Комплексные Исследования И Мониторинг Хвостохранилищ Горнодобывающих Предприятий Северо-Западной Части Российского Сектора Арктики

Калашник¹,

Максимов²,

Калашник³

et al. 2022

View full text Add to dashboard Cite

Основной целью монографии являлось развитие методологии многоуровневых комплексных исследований хвостохранилищ горнодобывающих предприятий западной части Российского сектора Арктики для получения полной, детализированной и иерархически структурированной информации о контролируемом объекте. Более 10 лет авторы разрабатывают методологические основы многоуровневых исследований и мониторинга хвостохранилищ, реализующие оптимальное комплексирование мультидисциплинарных методов и способов наблюдений в комбинациях на различных уровнях от дневной поверхности. Такой системный подход позволяет решать задачи диагностики и контроля гидрогеомеханического состояния исследуемого объекта в иерархии от регионального уровня до локальных его компонентов и элементов. Для теоретического базиса созданы методические основы и построены гидрогеомеханические 3D-модели всех действующих хвостохранилищ Кольского полуострова. В книге дано описание установленных модельных закономерностей трансформации гидрогеомеханического состояния хвостохранилищ: от гидростатического в стационарную фильтрацию, и далее –– в гидродинамику водотока и размыва ограждающей дамбы. В комплексе натурных и теоретических исследований получили развитие методические основы по обеспечению промышленной и экологической безопасности природно-технических водонасыщенных систем применительно к хвостохранилищам горнодобывающих предприятий. Методология многоуровневых исследований и мониторинга апробирована на хвостохранилищах всех горнодобывающих предприятий Кольского полуострова и может быть применена в других горнодобывающих регионах России. Монография может быть полезна специалистам и инженерам горнопромышленных предприятий, а также аспирантам и студентам горнотехнических и гидрогеологических специальностей.

show abstract

Section: современные тенденции георадарных исследованийunclassified

Многоуровневые Комплексные Исследования И Мониторинг Хвостохранилищ Горнодобывающих Предприятий Северо-Западной Части Российского Сектора Арктики

Калашник¹,

Максимов²,

Калашник³

et al. 2022

View full text Add to dashboard Cite

show abstract

“…In general, rebar placements can be primarily controlled through preconcreting and postconcreting inspections. Postconcreting inspections are based on ground penetrating radar (GPR), 6 electromagnetism, 7 thermography, 8 and ultrasonic waves 9 . The information captured by these common methods can be represented as images that can be analyzed directly using machine learning classification, 10 multi‐scale Harris corner detection algorithm, 11 self‐magnetic behavior simulation, 12 numerical modeling, 8 and artificial neural network 9 .…”

Section: Introductionmentioning

confidence: 99%

Reconstruction of tunnel lining rebars from terrestrial laser scanning data

Cheng

Zheng

Qiu

2023

Structural Concrete

View full text Add to dashboard Cite

Incorrect rebar placement has led to serious concrete structural failures; thus, site inspectors must ensure that the rebars placed are compliant with asdesigned drawings before tunnel lining concreting. This paper aims to develop a methodology that automatically segments the semantics (e.g., main rebar and distribution rebar) and instances of curved rebars and reconstructs the tunnel lining rebars from the raw point clouds. There are five main parts in the proposed methodology: rebar mesh reshaping, rebar mesh extraction and refinement, semantic segmentation, instance labeling, and rebar mesh modeling. To validate the developed methodology, an experiment was conducted on the rebar point cloud of a high-speed railway tunnel. The evaluation of the accuracies of segmentation was conducted by comparisons with the existing methods and manually labeled ground truth data. The results show that the rebar segmentation has high precision values with the acceptable recall values, and that the rebar models reconstructed achieve millimeter-level (about 2 mm) accuracy.

show abstract

“…In terms of GPR data interpretation, Wang et al. (2020) proposed a method using genetic algorithm to semiautomatically identify the buried reinforcement bars using solely GPR data. The results show that the missed detection rate and false alarm rate are, respectively, 11.98% and 9.08%.…”

Section: Introductionmentioning

confidence: 99%

Deep learning–based nondestructive evaluation of reinforcement bars using ground‐penetrating radar and electromagnetic induction data

Liu

Zhou

et al. 2021

Computer aided Civil Eng

View full text Add to dashboard Cite

This paper proposes a nondestructive evaluation method based on deep learning using combined ground‐penetrating radar (GPR) and electromagnetic induction (EMI) data for autonomic and accurate estimation of the cover thickness and diameter of reinforcement bars. A real‐time object detection algorithm—You Only Look Once–version 3 (YOLO v3)—is adopted to automatically identify the reinforcement bar reflected signals from radargrams, with which the range of the cover thickness is roughly predicted. Subsequently, EMI data, accompanied with the cover thickness range, are imported to a one‐dimensional convolutional neural network (1D CNN), pretrained by calibrated EMI and GPR data, to simultaneously estimate the cover thickness and reinforcement bar diameter. Testing with the on‐site GPR data shows that YOLO v3 is superior to Single Shot Multibox Detector method in GPR hyperbolic signal identification. Testing of 1D CNN with the EMI and GPR data collected in an in‐house sand pit experiment shows that the estimation accuracy of the cover thickness and reinforcement bar diameter is, respectively, 96.8% and 90.3% with a permissible error of 1 mm. Further, an experiment with concrete specimens demonstrates that among the 22 estimated values (including the reinforcement bar diameter and cover thickness), there are 17 values accurately estimated, while the inaccurately estimated values have an error up to 2 mm. The experimental results show that the proposed method can autonomically evaluate the reinforcement bar diameter and cover thickness with a high accuracy.

show abstract

Semi-automatic detection of buried rebar in GPR data using a genetic algorithm

Cited by 31 publications

References 36 publications

Многоуровневые Комплексные Исследования И Мониторинг Хвостохранилищ Горнодобывающих Предприятий Северо-Западной Части Российского Сектора Арктики

Многоуровневые Комплексные Исследования И Мониторинг Хвостохранилищ Горнодобывающих Предприятий Северо-Западной Части Российского Сектора Арктики

Reconstruction of tunnel lining rebars from terrestrial laser scanning data

Deep learning–based nondestructive evaluation of reinforcement bars using ground‐penetrating radar and electromagnetic induction data

Contact Info

Product

Resources

About