3D mapping of underground utility networks using ultra-wideband multi antenna array step frequency radar
GPR, Cartographie des services publics, détection des services publics, radar à pas de fréquence, intelligence artificielle
Résumé
The thesis study is part of a collaboration between Cerema, Logiroad, and the Universite Gustave Eiffel. Further, the research fully funded by Logiroad. The goal of this thesis study is to provide the signal processing steps required for automatic identification, localization, and classification of underground utility networks. The acquisition of data is focused in Ultrawide Band (UWB) multi antenna array Step Frequency Radar (SFR). The system must be equipped with a linear antenna array that can cover the whole width of the road or survey channel at ideal high speed, making it suited for highways and local urban roads. As a result, it may make large-scale 3D mapping easier. The thesis was motivated as a response to recently implemented government regulations in keeping a geomatics database of underground utility networks and positioning standards as damage avoidance measures during excavations. For example, the precision of three-dimensional location of critical underground networks in class A is 40 cm, as specified in the NF-S70-003-2 standard in France. Furthermore, the potential solution must be highly resilient in the highly dynamic, complex, unexpected, and dispersed subsurface environment indicated by the nature of this application. We have divided the overall goal of the research into three distinct subtasks, such as automated pipe detection, depth and diameter estimate, given that the localisation accuracy satisfies the Class A precision expectation. Finally, a multi antenna array step frequency radar was built to provide the proof of concept. This might aid in the creation of customized, high-density, low-cost array SFR. As a result, all investigated signal processing methods are highly based on the physical and machine learning approaches such as Ray-based, SVM, SVR, ANN, KNN, CNN, Faster RCNN, and YOLOv4, in conjunction with other physical GPR signal and image pre-processing techniques. In this context, all models were numerically validated and validated using partial experimental data.
Cette thèse s'inscrit dans le cadre d'une collaboration entre le Cerema, Logiroad et l'Université Gustave Eiffel, financée par Logiroad. L'objectif de cette thèse est de fournir les étapes de traitement du signal nécessaires à l'identification, la localisation et la classification automatique des réseaux enterrés. L'acquisition des données est réalisée par un radar à sauts de fréquence (RSF) à ultra-large bande (ULB) et à réseaux d'antennes. Le système doit être équipé d'un réseau linéaire d'antennes capable de couvrir toute la largeur de la route à grande vitesse, ce qui le rend adapté à l'auscultation des autoroutes et voies urbaines. Par conséquent, il peut faciliter la réalisation de cartographies 3D à grande échelle. Cette thèse a été motivée en réponse aux réglementations gouvernementales récemment mises en place pour conserver une base de données géomatiques des réseaux enterrés et des normes de positionnement comme mesures de prévention des dommages pendant les excavations. Par exemple, la précision de la localisation tridimensionnelle des réseaux rigides est de 40 cm en classe A, comme spécifié dans la norme française NF-S70-003-2. En outre, la démarche potentielle doit être hautement résiliente dans un environnement souterrain hautement dynamique, complexe, inattendu et chahuté lié à la nature de cette application. Nous avons divisé l'objectif global de la recherche en trois sous-tâches distinctes, telles que la détection automatisée des canalisations, l'estimation de leur profondeur et de leur diamètre, sachant que la précision en terme de localisation satisfait à l'attente de précision en classe A. Pour cela, un radar à sauts de fréquence à réseau d'antennes a été construit pour fournir la preuve du concept. Cela pourrait aider à la création de réseaux RSF personnalisés, à haute densité et à faible coût. Enfin, toutes les méthodes de traitement du signal étudiées sont fortement basées sur des approches physiques et méthodes d'apprentissage automatique telles que Ray-based, SVM, SVR, ANN, KNN, CNN, Faster RCNN et YOLOv4, en lien avec d'autres techniques physiques de prétraitements de signaux et d'images GPR. Dans ce contexte, tous les modèles ont été validés numériquement et validés à l'aide de données expérimentales.
Origine : Version validée par le jury (STAR)