由于GitHub的限制，本项目只上传了大部分的实现代码（不包含gprMax3和YOLO模型的源码、数据集、训练模型以及MyGPR软件集成部分），完整的项目下载地址：https://pan.baidu.com/s/1GonJ49mzBCsCaM2c0gmEeQ 提取码：ebmw
在计算机配置较低时建议使用Google Colab来进行本文所涉及的数据模拟以及模型训练等工作，该网站（https://colab.research.google.com ）需要使用Google的Gmail邮箱账号进行登录，并与谷歌云盘进行绑定以存储训练数据以及训练模型等资源。它实际上是一个免费的云端Jupyter Notebook运行环境，支持Python编程语言，并且已经对Python中常用的模块特别是机器学习相关模块进行了配置，因此我们可以在该环境下快速建立自己的机器学习项目。详细的配置项如下：
- 正演程序：gprMax3（从https://github.com/gprmax/gprMax 下载程序源码，修改tools.plot_Bscan源码(或直接使用本项目提供的已修改过的源码)，并上传到谷歌云盘）
- 运行环境：Google Colab（需通过pip额外安装gprMax3所依赖的colorama,terminaltables,pycuda模块）
- 浏览器插件：谷歌访问助手（用于访问Google相关的网站）
- 编程语言：Python3
在计算机配置较高时可以使用本地运行环境来进行训练，详细的配置项如下：
- 正演程序：gprMax3（从https://github.com/gprmax/gprMax 下载程序源码，修改tools.plot_Bscan源码(或直接使用本项目提供的已修改过的源码)）
- 运行环境：Jupyter Notebook（下载地址：https://jupyter.org ）
- 编程语言：Python3（下载地址：https://www.python.org ）
- 主要的Python模块：keras, tensorflow, matplotlib等以及gprMax3所依赖的一些模块（在程序运行过程中可以通过错误提示来安装缺少的模块，安装方式：在命令行窗口输入“pip install 模块名”）
本文所涉及代码均根据云端运行环境编写，项目中已包含修改过的gprMax3和YOLO模型源码，以及用于训练的探地雷达B-scan图像和标签文件，并将训练好的模型集成在MyGPR软件中。若在本地环境中运行程序，需要将涉及到谷歌云端硬盘的相关代码删除（主要是第一个单元格中绑定云端硬盘的相关代码），并根据本地目录对代码中的涉及的文件路径进行相应的修改。
此外，本文所使用的标注工具为labelImg（下载地址：https://github.com/tzutalin/labelImg ），在云端运行环境中，需要将云端生成的定位模型训练图片下载到本地，用labelImg进行标注，然后运行标签格式转换程序，得到符合YOLO模型要求的标签文件“train.txt”，将其上传到谷歌云盘。
最后，对模型训练过程中主要涉及的文件目录结构进行说明：
gpr_data（用以训练分类模型的数据）
train（训练集，将同种异常体图像放在相同文件夹，并以异常体名称命名）
pec
free_space
soil
coal
val（验证集，将同种异常体图像放在相同文件夹，并以异常体名称命名）
pec
free_space
soil
coal
predict（测试集，将所有测试图像放在该文件夹下以测试模型的表现）
gpr_locate（用以训练定位模型的数据）
train（训练集，将同种异常体图像放在相同文件夹，并以异常体名称命名）
pec
free_space
soil
coal
val（验证集，将同种异常体图像放在相同文件夹，并以异常体名称命名）
pec
free_space
soil
coal
predict（测试集，将所有测试图像放在该文件夹下以测试模型的表现）
- gprMax某模型结构示意图
- gprMax模型中各种介质的性质参数
- 探地雷达B-scan图像
- 异常双曲线定位模型的测试结果
- 异常体分类模型的网络结构图
- loss值随学习率增大的变化曲线（用以确定分类模型的最佳学习率）
- 分类模型训练过程中loss值随迭代次数增加的变化曲线
- MyGPR软件界面
