摘要：近年来，探地雷达(Ground Penetrating Radar， GPR)凭借其非破坏性检测与高效率优势，已成为植物根系研究的重要技术手段。然而，从 GPR 数据中快速准确识别根点双曲线反射信号并反演波速信息仍面临多重挑战，包括噪声干扰、双曲线形态复杂及实测数据样本稀缺等挑战。针对上述瓶颈，本文提出一种改进型深度学习模型：Yolov4-HPV(Hyperbolic Position and Velocity)，基于Yolov4目标检测框架创新性集成关键点定位算法，通过解析双曲线特征中的五个关键几何点，实现波速参数的辅助高精度计算。为解决实测训练数据不足的难题，本研究设计了一种基于 gprMax 正演模拟软件的仿真根系GPR数据生成框架。首先，采用 Merge 策略优化仿真图像批量生成流程；其次，利用 Multi-CycleGAN 策略对图像进行风格转换，显著提升仿真数据的多样性和模型的泛化能力。结果表明，Yolov4-HPV 模型能够准确识别根点双曲线反射信号并估算波速，关键点法可进一步提高波速估算精度。在测试集中，Yolov4-HPV 和关键点法的波速估算相对均方根误差(RRMSE)分别为 4.76% 和 3.43%；在控制实验中，根埋深定位的平均绝对误差分别为 4 cm 和 3 cm，平均相对误差分别为 15% 和 11%，充分说明了上述方法在根系定位和波速反演中的高精度和鲁棒性。本研究提高了GPR自动化根系识别和波速估算的效率，显著降低了仿真图像生成的时间成本，为拓展 GPR根系研究提供了新途径。
文章目录
0 引言
1算法框架
1.1 基于Merge、Multi-CycleGAN策略的根系场景数据集构
1.1.1 基于Merge策略的多根场景模拟数据集构建
1.1.2 基于Multi-CycleGAN的根系场景风格迁移数据集构建
1.2 Yolov4-HPV根点识别和波速估算模型
2 研究方法
2.1 可迁移性验证
2.2 Yolov4-HPV模型训练设置
2.3 评价指标
3实验结果
3.1 风格迁移结果
3.2 Yolov4-HPV模型根点识别和波速估算结果
3.2.1 Yolov4-HPV测试集结果
3.2.2 Yolov4-HPV野外实测数据结果
4讨论
4.1 Merge策略可行性及必要性分析
4.2 Multi-CycleGAN策略优势性
4.3 Yolov4-HPV的特点及展望
5结论
