面向机场跑道的探地雷达杂波抑制算法

doi:10.11772/j.issn.1001-9081.2025020243

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (2): 659-665.DOI: 10.11772/j.issn.1001-9081.2025020243

• 前沿与综合应用 • 上一篇

面向机场跑道的探地雷达杂波抑制算法

李海丰¹, 刘文强¹, 李南莎¹(), 桂仲成²

^1.中国民航大学计算机科学与技术学院，天津 300300
^2.上海圭目机器人有限公司，上海 200092

收稿日期:2025-03-12 修回日期:2025-04-18 接受日期:2025-04-28 发布日期:2025-05-16 出版日期:2026-02-10
通讯作者: 李南莎
作者简介:李海丰（1984—），男，内蒙古通辽人，教授，博士，CCF会员，主要研究方向：机器人环境感知、计算机视觉
刘文强（1999—），男，福建泉州人，硕士研究生，主要研究方向：计算机视觉
李南莎（1996—），女，湖北咸宁人，讲师，博士，主要研究方向：计算机视觉Email:nsli@cauc.edu.cn
桂仲成（1979—），男，安徽六安人，教授级高级工程师，博士，主要研究方向：智能机器人。
基金资助:
国家自然科学基金面上项目(62373365);天津市教委科研计划项目(2023KJ225);天津市自然科学基金多元投入项目(23JCYBJC00020);天津市科技计划项目创新平台专项(24PTLYHZ00230)

Ground penetrating radar clutter suppression algorithm for airport runways

Haifeng LI¹, Wenqiang LIU¹, Nansha LI¹(), Zhongcheng GUI²

^1.College of Computer Science and Technology，Civil Aviation University of China，Tianjin 300300，China
^2.Shanghai Guimu Robot Company Limited，Shanghai 200092，China

Received:2025-03-12 Revised:2025-04-18 Accepted:2025-04-28 Online:2025-05-16 Published:2026-02-10
Contact: Nansha LI
About author:LI Haifeng， born in 1984， Ph. D.， professor. His research interests include robot environmental perception， computer vision.
LIU Wenqiang， born in 1999， M. S. candidate. His research interests include computer vision.
LI Nansha， born in 1996， Ph. D.， lecturer. Her research interests include computer vision.Email:nsli@cauc.edu.cn
GUI Zhongcheng， born in 1979， Ph. D.， professor of engineering. His research interests include intelligent robot.
Supported by:
National Natural Science Foundation of China(62373365);Research Project of Tianjin Municipal Education Commission(2023KJ225);Natural Science Foundation of Tianjin(23JCYBJC00020);Innovative Platform Special Project of Tianjin Science and Technology Program(24PTLYHZ00230)

摘要/Abstract

摘要：

针对机场跑道探地雷达（GPR）数据中的复杂背景杂波和层间强反射干扰信号的问题，提出一种基于改进U-Net的深度学习杂波抑制算法。该算法在U-Net的跳跃连接处引入细节增强模块DE-Conv，从而增强网络对多尺度浅层特征中目标信号细节的捕捉能力；同时，采用含杂波-无杂波图像对计算特征-像素双级融合损失函数优化训练过程。具体地，通过共享权重编码器提取的含杂波与无杂波数据的高维特征，计算特征级别损失来指导编码器的训练，并使用解码器输出图像与对应的无杂波仿真图像计算像素级别损失以优化解码器性能。实验结果表明，在合成数据集上，所提算法的峰值信噪比（PSNR）和结构相似度（SSIM）分别达到37.114 7 dB和0.999 8；而在真实机场跑道数据集上，所提算法的平均信杂比（SCR）和改善系数（IF）分别为8.28 dB和5.90 dB，以上4种指标相较于基准模型的数据分别提升了0.952 8 dB、0.000 4、6.58 dB和5.32 dB。与鲁棒非负矩阵分解（RNMF）、鲁棒主成分分析（RPCA）及同样基于深度学习的基于U-Net改进的杂波去除神经网络（CR-Net）相比，所提算法在杂波抑制效果和计算效率上均表现出优势。同时，大量的消融实验结果验证了细节增强模块和特征-像素双级损失函数对杂波去除和目标信号恢复的有效性。

关键词: 探地雷达, 杂波抑制, 细节增强网络, 特征-像素双级融合损失, 机场跑道

Abstract:

To address the problem of complex background clutter and interference of strong inter-layer reflection in airport runway Ground Penetrating Radar （GPR） data， an improved U-Net-based deep learning algorithm for clutter suppression was proposed. In the algorithm， a detail enhancement module DE-Conv was introduced at the skip connections of U-Net to improve the network ability to capture details of target signals in multi-scale shallow features， and a feature-pixel dual-level fusion loss function was adopted using clutter-contaminated and clutter-free image pairs to optimize the training process. Specifically， high-dimensional features from both clutter-contaminated and clutter-free data were extracted by a shared-weight encoder， feature-level losses were computed to guide the training of the encoder， and pixel-level losses were computed using the images output by the decoder and the corresponding clutter-free simulated images to optimize the decoder’s performance. Experimental results show that the proposed algorithm achieves a Peak Signal-to-Noise Ratio （PSNR） of 37.114 7 dB and a Structural SIMilarity （SSIM） of 0.999 8 on a synthetic dataset， and an average Signal-to-Clutter Ratio （SCR） of 8.28 dB and Improvement Factor （IF） of 5.90 dB on a real airport runway dataset， outperforming the baseline model by 0.952 8 dB， 0.000 4， 6.58 dB， and 5.32 dB in these four metrics， respectively. Compared with Robust Nonnegative Matrix Factorization （RNMF）， Robust Principal Component Analysis （RPCA）， and the deep learning-based Clutter-removal Neural Network （CR-Net）， the proposed algorithm has superior clutter suppression performance and computational efficiency. At the same time， a lot of ablation experimental results validate the effectiveness of the detail enhancement module and feature-pixel dual-level loss function to clutter removal and target signal recovery.

Key words: Ground Penetrating Radar (GPR), clutter suppression, detail enhancement network, feature-pixel dual-level fusion loss, airport runway

中图分类号:

TP391

李海丰, 刘文强, 李南莎, 桂仲成. 面向机场跑道的探地雷达杂波抑制算法[J]. 计算机应用, 2026, 46(2): 659-665.

Haifeng LI, Wenqiang LIU, Nansha LI, Zhongcheng GUI. Ground penetrating radar clutter suppression algorithm for airport runways[J]. Journal of Computer Applications, 2026, 46(2): 659-665.

图/表 14

图1 细节增强U-Net的结构

Fig. 1 Detail-enhanced U-Net structure

图2 ResNet50结构

Fig. 2 Structure of ResNet50

图3 DE-Conv结构

Fig. 3 DE-Conv structure

图4 融合特征-像素双级融合损失结构

Fig. 4 Feature-pixel dual-level fusion loss structure

图5 合成数据的制作

Fig. 5 Production of synthetic data

表1 数据集样本的分布

Tab. 1 Dataset sample distribution

背景	仿真	合成数据		真实数据
背景	仿真	训练	测试	测试
83	1 628	1 466	162	232

图6 合成数据的背景抑制效果

Fig. 6 Background suppression effects of synthetic data

表2 不同算法在合成数据上的背景抑制性能比较

Tab. 2 Comparison of background suppression performance of different algorithms on synthetic data

算法	PSNR/dB（↑）	SSIM（↑）	MAE（↓）	MSE（↓）
MS^［11］	30.445 8	0.978 7	107.877 7	59.148 5
SVD^［14］	31.696 3	0.968 6	106.506 0	44.824 5
RNMF^［13］	30.085 9	0.989 3	120.939 4	64.820 3
RPCA^［17］	32.857 1	0.547 9	101.022 1	34.653 0
CR-Net^［16］	36.772 9	0.999 4	98.319 3	14.140 3
本文算法	37.114 7	0.999 8	96.101 9	13.111 7

图7 不同算法在合成数据上的背景抑制效果

Fig. 7 Background suppression effects of different algorithms on synthetic data

图8 真实数据的背景抑制效果

Fig. 8 Background suppression effects of real data

表3 不同算法在真实数据上的背景抑制性能比较

Tab. 3 Comparison of background suppression performance of different algorithms on real data

算法	SCR	IF	推理时间/s
MS	1.77	0.32	0.011
SVD	2.13	1.00	0.244
RNMF	1.76	0.18	10.457
RPCA	3.81	2.93	1.340
CR-Net	6.02	4.18	0.238
本文算法	8.28	5.90	0.231

图9 不同算法在真实数据上的背景抑制效果

Fig. 9 Background suppression effects of different algorithms on real data

表4 DE-Conv模块和双级损失模块的消融实验结果

Tab. 4 Ablation experiment results of DE-Conv module and dual-level loss module

实验序号	DE-Conv		双流损失	合成数据				真实数据
实验序号	P₁+P₂+P₃	P₄	双流损失	PSNR/dB（↑）	SSIM（↑）	MAE（↓）	MSE（↓）	平均SCR/dB（↑）	平均IF/dB（↑）
1	×	×	×	36.161 9	0.999 4	109.367 0	16.230 3	1.70	0.58
2	√	√	×	36.644 7	0.999 5	97.018 8	14.614 0	2.33	0.70
3	×	×	√	36.774 9	0.999 7	100.605 6	14.175 7	3.05	1.11
4	√	×	√	36.892 1	0.999 8	98.356 2	13.139 0	8.02	5.67
5	√	√	√	37.114 7	0.999 8	96.101 9	13.111 7	8.28	5.90

图10 DE-Conv模块和双级损失模块在真实数据上的消融实验效果

Fig. 10 Ablation experimental effects of DE-Conv module and dual-level loss module on real data

参考文献 28

[1]	KOOHMISHI M， KAEWUNRUEN S， CHANG L， et al. Advancing railway track health monitoring： integrating GPR， InSAR and machine learning for enhanced asset management［J］. Automation in Construction， 2024， 162： No.105378.
[2]	杜翠，张千里，刘杰. 基于HCA与KAZE的铁路路基GPR图像配准算法［J］. 计算机工程， 2018， 44（3）： 264-269， 274.
	DU C， ZHANG Q L， LIU J. Railway ballast GPR image registration algorithm based on HCA and KAZE［J］. Computer Engineering， 2018， 44（3）： 264-269， 274.
[3]	黄晓惠. 透水混凝土整体路面施工质量控制与检测技术研究［D］. 绵阳：西南科技大学， 2021： 47-52.
	HUANG X H. Research on construction quality control and detection technology for pervious concrete monolithic pavement［D］. Mianyang： Southwest University of Science and Technology， 2021： 47-52.
[4]	郭云飞. 机场水泥混凝土道面脱空注浆修复评价研究［D］. 郑州：郑州大学， 2021： 46-56.
	GUO Y F. Research on evaluation of void grouting repair for airport cement concrete pavement［D］. Zhengzhou： Zhengzhou University， 2021： 46-56.
[5]	LIU K， GAO Z， CHEN F， et al. Application of airport pavement structure safety detection and intelligent recognition technology［C］// Proceedings of the 4th International Symposium on Traffic Transportation and Civil Architecture. Piscataway： IEEE， 2021： 143-146.
[6]	ZHANG Y， TONG Z， SHE X， et al. SWC-Net and multi-phase heterogeneous FDTD model for void detection underneath airport pavement slab［J］. IEEE Transactions on Intelligent Transportation Systems， 2024， 25（12）： 20698-20714.
[7]	HU Q F， ZHANG Z H， WANG F， et al. 3D GPR detection and case analysis of collapse hazards for an international airport runway［J］. Journal of Physics： Conference Series， 2024， 2887： No.012026.
[8]	LUO W， LEE Y H， JIAN X， et al. A new method for GPR clutter suppression based on stationary graph signals processing［J］. IEEE Transactions on Geoscience and Remote Sensing， 2025， 63： No.4500112.
[9]	HOU F， FANG M， LUO T X， et al. Dual-task GPR method： improved generative adversarial clutter suppression network and adaptive target localization algorithm in GPR image［J］. IEEE Transactions on Geoscience and Remote Sensing， 2024， 62： No.5108313.
[10]	TANG X S， YANG F， QIAO X， et al. A ground-penetrating radar clutter suppression algorithm integrating signal processing and image fusion［J］. IEEE Transactions on Geoscience and Remote Sensing， 2024， 62： No.5936618.
[11]	SOLIMENE R， CUCCARO A， DELL’AVERSANO A， et al. Ground clutter removal in GPR surveys［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2014， 7（3）： 792-798.
[12]	BENEDETTO A， TOSTI F， BIANCHINI CIAMPOLI L， et al. An overview of ground-penetrating radar signal processing techniques for road inspections［J］. Signal Processing， 2017， 132： 201-209.
[13]	KUMLU D， ERER I. Improved clutter removal in GPR by robust nonnegative matrix factorization［J］. IEEE Geoscience and Remote Sensing Letters， 2020， 17（6）： 958-962.
[14]	ABUJARAD F， NADIM G， OMAR A. Clutter reduction and detection of landmine objects in ground penetrating radar data using Singular Value Decomposition （SVD）［C］// Proceedings of the 3rd International Workshop on Advanced Ground Penetrating Radar. Piscataway： IEEE， 2005： 37-42.
[15]	CHEN G， FU L， CHEN K， et al. Adaptive ground clutter reduction in ground-penetrating radar data based on principal component analysis［J］. IEEE Transactions on Geoscience and Remote Sensing， 2019， 57（6）： 3271-3282.
[16]	SUN H H， CHENG W， FAN Z. Learning to remove clutter in real-world GPR images using hybrid data［J］. IEEE Transactions on Geoscience and Remote Sensing， 2022， 60： No.5113714.
[17]	SONG X， XIANG D， ZHOU K， et al. Improving RPCA-based clutter suppression in GPR detection of antipersonnel mines［J］. IEEE Geoscience and Remote Sensing Letters， 2017， 14（8）： 1338-1342.
[18]	雷文太，毛凌青，庞泽邦，等. DR-GAN：一种无监督学习的探地雷达杂波抑制方法［J］. 电子与信息学报， 2023， 45（10）： 3776-3785.
	LEI W T， MAO L Q， PANG Z B， et al. DR-GAN： an unsupervised learning approach to clutter suppression for ground penetrating radar［J］. Journal of Electronics and Information Technology， 2023， 45（10）： 3776-3785.
[19]	李海丰，张凡，朴敏楠，等. 基于通道和空间注意力的机场道面地下目标自动检测［J］. 计算机应用， 2023， 43（3）： 930-935.
	LI H F， ZHANG F， PIAO M N， et al. Automatic detection of targets under airport pavement based on channel and spatial attention［J］. Journal of Computer Applications， 2023， 43（3）： 930-935.
[20]	LI N， WU R， LI H， et al. M²FNet： multi-modal fusion network for airport runway subsurface defect detection using GPR data［J］. IEEE Transactions on Geoscience and Remote Sensing， 2023， 61： No.5108816.
[21]	NI Z K， SHI C， PAN J， et al. Declutter-GAN： GPR B-scan data clutter removal using conditional generative adversarial nets［J］. IEEE Geoscience and Remote Sensing Letters， 2022， 19： No.4023105.
[22]	RONNEBERGER O， FISCHER P， BROX T. U-Net： convolutional networks for biomedical image segmentation［C］// Proceedings of the 2015 Medical Image Computing and Computer-Assisted Intervention， LNCS 9351. Cham： Springer， 2015： 234-241.
[23]	PANDA S L， SAHOO U K， MAITI S， et al. An attention U-Net based improved clutter suppression in GPR images［J］. IEEE Transactions on Instrumentation and Measurement， 2024， 73： No. 8502511.
[24]	LIU G， LAN S， ZHANG T， et al. SAGAN： skip-attention GAN for anomaly detection［C］// Proceedings of the 2021 IEEE International Conference on Image Processing. Piscataway： IEEE， 2021： 2468-2472.
[25]	WOO S， PARK J， LEE J Y， et al. CBAM： convolutional block attention module［C］// Proceedings of the 2018 European Conference on Computer Vision， LNCS 11211. Cham： Springer， 2018： 3-19.
[26]	YANG C， LAN S， HUANG W， et al. A Transformer-based GAN for anomaly detection［C］// Proceedings of the 2022 International Conference on Artificial Neural Networks， LNCS 13530. Cham： Springer， 2022： 345-357.
[27]	PU B， LAN S， WANG W， et al. GanNeXt： a new convolutional GAN for anomaly detection［C］// Proceedings of the 2023 International Conference on Artificial Neural Networks， LNCS 14256. Cham： Springer， 2023： 39-49.
[28]	CHEN Z， HE Z， LU Z M. DEA-Net： single image dehazing based on detail-enhanced convolution and content-guided attention［J］. IEEE Transactions on Image Processing， 2024， 33： 1002-1015.

面向机场跑道的探地雷达杂波抑制算法

Ground penetrating radar clutter suppression algorithm for airport runways

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 28

相关文章 7

编辑推荐

Metrics

[1]	李海丰, 张凡, 朴敏楠, 王怀超, 李南莎, 桂仲成. 基于通道和空间注意力的机场道面地下目标自动检测[J]. 《计算机应用》唯一官方网站, 2023, 43(3): 930-935.
[2]	李海丰, 赵碧帆, 侯谨毅, 王怀超, 桂仲成. 基于自适应双阈值的地下目标自动检测算法[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1275-1283.
[3]	肖磊, 熊秀娟, 陈菲, 陈波. 超声血流成像中基于动态域的回归和奇异值分解的杂波抑制方法[J]. 计算机应用, 2015, 35(1): 265-269.
[4]	吴静王洪汪学刚. 机场跑道异物监测雷达的杂波图恒虚警率检测[J]. 计算机应用, 2013, 33(11): 3288-3290.
[5]	汪成曦刘以安张强. 改进的最小均方自适应滤波算法[J]. 计算机应用, 2012, 32(07): 2078-2081.
[6]	丁建立李晓丽李全福. 基于改进蚁群协同算法的枢纽机场场面滑行道优化调度模型[J]. 计算机应用, 2010, 30(4): 1000-1003.
[7]	杨莘，陈淑珍，唐中柱. 探地雷达管道目标图像的识别[J]. 计算机应用, 2005, 25(05): 1209-1211.