Datasets GPR pour le Machine Learning et l'IA
Données géoradar réelles pour le deep learning, la vision par ordinateur et la recherche en interprétation automatisée
Téléchargez des datasets géoradar réels pour le machine learning, le deep learning, la vision par ordinateur, le traitement du signal et l'interprétation GPR automatisée. Chaque dataset de GPRbase contient des radargrammes bruts enregistrés sur de vrais sites — avec le bruit authentique, le fouillis, les effets de couplage et la variabilité de cibles qui font de l'interprétation GPR un problème de machine learning véritablement difficile.
L'interprétation GPR automatisée est un champ de recherche actif : détection d'hyperboles, localisation d'armatures, classification de réseaux, pointé de couches, détection de vides et segmentation de radargrammes de bout en bout. Les progrès sur toutes ces tâches dépendent de l'accès à des données d'entraînement réelles et variées. Les simulateurs synthétiques comme gprMax sont précieux pour le pré-entraînement et l'augmentation de données, mais les modèles entraînés uniquement sur données synthétiques échouent notoirement à généraliser aux conditions de terrain. GPRbase existe pour combler cet écart.
Tous les datasets sont gratuits, bruts (aucun traitement appliqué), documentés avec les métadonnées d'antenne et de fréquence, et distribués sous licence Creative Commons BY-NC-SA 4.0 — utilisables pour la recherche académique, y compris les publications, à condition de partager les dérivés sous la même licence. Téléchargez les données ci-dessous, et si votre laboratoire produit des acquisitions GPR, envisagez de contribuer pour enrichir le pot commun.
Datasets pour la recherche ML
Radargrammes bruts avec paramètres d'acquisition documentés — téléchargez et explorez — 17 datasets disponibles
Cavités karstiques avérées en terrain calcaire — Profils géoradar 300 MHz jusqu'à 4 m
Profils géoradar bruts acquis sur terrain calcaire présentant des cavités karstiques avérées, avec une antenne bi-fréquence GSSI UtilityScan…
Dalle en béton armé avec joint de dilatation
Set de données GPR composé de 7 fichiers acquis sur une dalle en béton armé. Les données mettent en évidence les armatures et un joint de di…
Réseaux & interfaces dans un sol favorable à grande profondeur de pénétration
Dataset GPR composé de 1 fichier acquis avec un géoradar GSSI UtilityScan DF bi-fréquence 300/800 MHz, dans un sol particulièrement favorabl…
Détection géoradar de branchements PE gaz (Polyéthylène PEHD)
4 profils géoradar double fréquence (UtilityScan DF) montrant la présence de branchements de gaz en PEHD (Polyéthylène haute densité)…
Acquisition 3D au niveau du renforcement d'une liaison dalle - rampe d'accès en béton armé
Grille 3D de dimension 60 x 60 cm (espacement tous les 10 cm). Départ en bas à gauche (0,0) et profils de gauche à droite, puis de bas en ha…
Croisement de différents réseaux enterrés avec une antenne double fréquence 300 MHz et 800 MHz
Un profil GPR en travers d'une avenue, croisant plusieurs réseaux enterrés. Combien en voyez-vous ? …
Deux nappes d'armatures légèrement décalées (grille 3D)
26 profils (grille 60 x 60cm), espacements de 5 cm. Set de données idéal pour s'entraîner à traiter en 3D avec GPRviewer, et essayer d'avoir…
Auscultation de chaussée autoroutière le long d'une bande d'arrêt d'urgence (BAU)
Six profils géoradar double fréquence (300/800 MHz) montrant de nombreuses interfaces et couches de structures de chaussée, dans un contexte…
Détection des épaisseurs au-dessus de trois voutes de pont en maçonnerie
Mesures réalisées avec UtilityScan DF 300/800 MHz depuis la chaussée …
Détection de réseaux enterrés avec l'antenne géoradar NX15 à saut de fréquence
Imagerie très haute résolution avec l'antenne NX15, pour la détection de câbles et canalisations enterrés. Observez la finesse de l'imagerie…
Vides dans un mur en agglos blocs à bancher
Fichier FLEX NX, double antenne (inline & cross-line), réalisé sur un mur en agglos blocs à bancher, présentant des vides (absence de béton)…
Grille 3D - Mur en blocs à bancher avec des vides
Grille 3D 60x60 cm réalisée avec le radar FLEX NX, mode 3D (26 profils par antenne) Espacement : 5 cm Orgine (0,0) : bas - gauche…
Profils DF géoréférencés (GPS) montrant des sols hétérogènes dans un parking
16 profils radar dans un parking, montrant des sols hétérogènes. Les données sont géoréférencées et peuvent être importées dans GPRviewer po…
Ligne de référence FLEX, NX25 et NX15 (MDSLab)
3 profils radar réalisés sur la même ligne, une de nos lignes de références dans le MDSLab à Aix en Provence. Comparez les mesures des 3 fic…
Double nappe d'armatures et changement de structure (1 profil)
Un radargramme. Deux lits d'aciers identifiables, le deuxième étant plus difficile à mettre en évidence (intéressant pour expliquer le phéno…
Grille FLEX 3D 60 x 60 cm (longrine et dalle béton armé)
Profils INLINE (channel 1) et CROSSLINE (channel 2) : 26 Profils, 13 en X, 13 en Y (espacement 5 cm)…
Détection d'une marnière comblée sous chaussée
Ce profil présente une mesure au droit d’une chaussée avec présence d’une marnière qui a été comblée. On y distingue clairement plusieurs co…
Pourquoi les données réelles comptent pour l'IA GPR
Les modèles entraînés exclusivement sur radargrammes synthétiques apprennent des hyperboles propres sur fonds homogènes — puis échouent sur les données de terrain pleines de fouillis de surface, de résonance d'antenne, d'hétérogénéité des sols et de réflexions superposées. Les datasets réels exposent votre modèle à cette complexité dès le départ. Les approches publiées les plus robustes combinent pré-entraînement synthétique et affinage sur données réelles : GPRbase fournit la composante réelle de cette recette.
Tâches de machine learning sur données GPR
Les problèmes de recherche courants incluent : détection et ajustement d'hyperboles (localisation d'objets), détection d'armatures et estimation d'enrobage dans le béton, détection de réseaux enterrés et classification de matériaux, pointé de limites de couches pour chaussées et stratigraphie, détection de vides et défauts, et segmentation sémantique complète de radargrammes. Chaque dataset GPRbase documente ses cibles, vous permettant de sélectionner les données correspondant à votre tâche — scans de béton riches en armatures pour les modèles de détection, couloirs multi-réseaux pour la classification, chaussées stratifiées pour le pointé de limites.
Structure des données : du DZT aux tenseurs
Un radargramme est naturellement un tableau 2D : traces (colonnes) × échantillons temporels (lignes), avec des valeurs d'amplitude 16 ou 32 bits. Les bibliothèques Python comme readgssi chargent les fichiers DZT directement en tableaux numpy, prêts pour les pipelines PyTorch ou TensorFlow. Les B-scans peuvent être traités comme images pour les approches CNN, comme séquences pour les modèles récurrents, ou comme signaux bruts pour les architectures convolutionnelles 1D. L'en-tête DZT fournit la calibration physique (plage temporelle, échantillons par scan) nécessaire pour reconvertir les prédictions en profondeurs.
Prétraitement et augmentation
Le prétraitement typique inclut la correction du temps zéro, la suppression de fond (soustraction de trace moyenne), la compensation de gain et la normalisation. Comme les données GPRbase sont complètement brutes, vous contrôlez toute la chaîne — essentiel pour la recherche reproductible et l'étude de la sensibilité au prétraitement. Pour l'augmentation, les données réelles peuvent être combinées avec des radargrammes synthétiques, découpées en patchs, retournées horizontalement et bruitées. La variété multi-antennes des datasets augmente naturellement la diversité fréquentielle.
Généralisation entre sites et antennes
Un modèle qui fonctionne sur un site avec une antenne échoue souvent ailleurs. Les datasets GPRbase couvrent plusieurs applications (béton, réseaux, géotechnique, archéologie, routes, géosciences), antennes (de 100 MHz à 2,7 GHz) et conditions de site. Cette variété permet une évaluation inter-domaines significative : entraînez sur certains datasets, testez sur des sites tenus à l'écart, et mesurez la vraie généralisation plutôt que la mémorisation de site.
Citer et publier avec les données GPRbase
La licence CC BY-NC-SA 4.0 permet l'usage en recherche y compris les publications à comité de lecture, avec attribution. Citez l'identifiant du dataset (dsXXX) et l'URL GPRbase dans votre déclaration de disponibilité des données. Si vous construisez des versions annotées (boîtes englobantes, masques, pointés), la clause share-alike implique de les publier sous la même licence — enrichissant le bien commun pour toute la communauté ML GPR.
Questions fréquentes — Machine learning GPR
Ces datasets sont-ils annotés ?
Les datasets sont des radargrammes bruts avec cibles documentées dans les métadonnées, mais sans annotations au niveau pixel. Les descriptions de cibles (armatures, réseaux, couches) guident votre propre étiquetage. Les dérivés annotés partagés sous CC BY-NC-SA 4.0 sont des contributions bienvenues.
Comment charger des fichiers DZT en Python ?
La bibliothèque readgssi lit les fichiers DZT en tableaux numpy : pip install readgssi, puis readgssi.readgssi(infile=chemin). GPRPy est une alternative avec fonctions de traitement. Depuis numpy, les données vont directement dans PyTorch ou TensorFlow.
Puis-je utiliser ces datasets dans un article publié ?
Oui, la CC BY-NC-SA 4.0 permet la publication académique avec attribution. Citez l'identifiant du dataset et l'URL GPRbase. Usage non commercial uniquement ; la licence commerciale nécessite de contacter info@gprbase.com.
Les données suffisent-elles pour entraîner un réseau profond depuis zéro ?
Pour la plupart des architectures profondes, combinez-les avec un pré-entraînement synthétique (ex. simulations gprMax) ou de l'apprentissage auto-supervisé, puis affinez sur les données réelles. L'entraînement par patchs multiplie significativement le nombre d'échantillons effectifs.
Les datasets partagent-ils un format commun ?
Oui — tous les datasets sont des fichiers DZT GSSI de structure cohérente, ce qui simplifie la construction d'un chargeur de données unique pour toute la collection. Les métadonnées d'antenne et de fréquence permettent le conditionnement ou le filtrage.
Vous travaillez sur GPR + IA ? Contribuez vos données
Chaque dataset contribué enrichit le pot commun d'entraînement pour toute la communauté de recherche. Acquisitions brutes, jeux annotés et découpages de benchmark sont tous bienvenus.
Proposer vos données