介电材料如玻璃纤维增强聚合物（Glass fiber reinforced polymer,GFRP）、聚乙烯（Polyethylene,PE）具有轻质、强度高、抗腐蚀性能好等特点,被广泛应用于工业制造、能源、交通运输领域[1-2]。但介电材料在冲击、腐蚀或者制造缺陷的影响下,可能出现脱黏、分层、材料损失等缺陷,使得其强度、刚度等机械性能显著下降,从而对设备的安全服役造成极大的威胁。因此,采用无损检测技术来检测介电材料服役过程中的缺陷,以评估其性能和使用寿命是至关重要的。目前国内外常见的介电材料检测方法有：声发射检测[3]、红外热成像检测[4]、超声检测[1][5]、太赫兹检测[6]。然而这些方法对于介电材料的检测都存在些许不足,如声发射检测的缺陷定位能力有限且易受外界环境的影响；红外热成像检测需依赖外部激励且成像分辨率低；超声检测需要耦合剂且不适用于结构复杂的材料；太赫兹检测分辨率高但穿透介电材料的能力差。
近年来微波无损检测已被广泛应用于复合非金属材料的结构完整性评价。微波技术凭借其卓越的材料穿透性、宽泛的检测频带、出色的灵敏度以及无电离辐射的安全特性,在介电材料的无损检测领域展现出了显著的优势[7]。近年来,微波无损检测技术得到了长远发展,LIANG等[8]针对层状复合材料微小缺陷的微波无损检测,提出了一种能够同时重构层状介质电导率和介电常数参数的多参数反演方法。FANG等[9]引入了一种融合波谱重建和压缩感知（Compressed Sensing,CS）的方法实现快速稀疏成像。RAHMAN等[10]通过研究天线嵌入式复合结构的微波无损检测,证明了微波无损检测在检测智能结构方面的潜在用途。
为了获取高质量的微波成像结果,用于缺陷识别及定量,一般需按照检测微波四分之一波长的空间扫查间隔进行扫查。在该约束下,对大尺寸被测件的扫查非常耗时,尤其是在高频段。为了提高检测效率,可采用稀疏扫查模式,但该方式会降低成像质量。因此,如何在保证检测效率的同时维持成像质量,成为了一个重要的问题。图像处理领域中的图像稀疏重建技术,是一种通过特定算法将低分辨率图像转化为高分辨率图像的方法。该技术能够有效地将采样稀疏的图像恢复到像素值矩阵稠密的状态。将其应用在微波成像领域,能够在保证检测效率的同时提升图像质量,为图像处理和分析带来更多的可能性。
在图像稀疏重建技术领域,插值法[11]因其简便性和实用性而被广泛应用。这种方法通过预定义的变换函数或插值核,将稀疏的图像信息填充为更丰富的图像内容,其计算过程相对简单,易于理解,然而,像素值的变化并不是连续且平滑的,其重建效果往往并不理想。基于数学重建模型[12]的图像稀疏重建主要依赖于构建数学模型,常见的方法包括迭代反投影法、凸集投影法和最大后验概率法等,然而,这种方法对于加性噪声的抵抗能力相对较弱,即鲁棒性较差。压缩感知理论凭借其卓越的降维特性,为图像稀疏重建问题的求解带来了全新的思路。在基于CS的图像稀疏重建还原领域,多种方法应运而生。其中,基于迭代收缩和全变分稀疏表示的方法,通过迭代优化和稀疏性约束,有效提升了图像的稀疏重建效果；基于小波域的压缩感知图像稀疏重建方法,利用小波变换的多尺度特性,实现了对图像高频信息的精准捕捉与重建；而基于冗余字典的图像稀疏重建方法,通过构建丰富的图像特征字典,提高了图像重建的准确性和效率[1,13]。这些方法共同为图像稀疏重建问题的解决提供了强有力的支持。然而,上述方法的建模复杂、还原所需的迭代次数多、时间代价巨大。近年来,深度学习以其卓越的函数拟合能力在图像稀疏重建领域取得了优秀的成果。其中,SRCNN（Super-resolution convolutional neural network）和ESPCN（Efficient sub-pixel convolutional neural network）等模型备受瞩目[14-15]。然而这些模型在训练过程中,普遍采用均方误差（Mean square error,MSE）作为目标函数,这会使得还原后的图像过于平滑而出现一定程度的失真。
鉴于此,文章提出一种基于SRGAN[16]网络的缺陷微波检测图像稀疏重建方法并对网络进行改进,探究其在介电材料缺陷成像中的应用关键,明确所提方法的优势。
1. 介电材料缺陷微波检测及SRGAN网络
1.1 微波检测及缺陷成像
介电材料内部缺陷的微波检测原理及检测信号示例如图1所示。由图1（a）可知,当微波入射到材料表面或内部的不连续界面时,会发生反射现象。微波探头通过矩形波导发射高频电磁波,当电磁波到达试件界面处时,一部分发生反射,一部分透射进入试件内,还有一部分发生散射。在缺陷位置,透射进入试件内部的电磁波在试件缺陷边界和试件背面再次发生反射与散射。各反射波最终被探头接收,形成检测信号。而在非缺陷位置,仅有在试件表面与背面反射回的电磁波被探头接收。经过微波探头的探测,回波信号被捕获并传送至网络矢量分析仪。在此设备中,回波信号通过计算分析得到S11参数（无量纲）,从而与微波的频率形成微波检测信号[17]。该信号隐含了深层次的缺陷信息,为后续的缺陷识别与分析提供了重要依据。由图1（b）可知,分析试件缺陷区域与无缺陷区域微波检测信号的差异,即可区分出缺陷位置与无缺陷位置,且时域信号面积与缺陷尺寸存在关联性,文章提取时域面积作为成像的特征值。通过三维扫描台对试件进行二维扫查,再通过计算机对提取的特征进行分析,即可完成成像。
1.2 SRGAN网络在微波成像中的应用
文章采用一种结合图像稀疏重建与生成式对抗网络的算法——SRGAN,对微波检测图像进行还原,从而实现稀疏还原成像。该模型主要由两部分组成：生成器和判别器。生成器的目标是生成与原始图像相似的还原图像,而判别器的目标是区分原始图像与还原图像。
SRGAN框架及训练过程示意如图2所示,其主要由两部分组成：第一部分为缺陷图像稀疏预处理模块,微波原始图像稀疏采样得到微波稀疏图像；第二部分为SRGAN训练模块,在训练过程中稀疏图像经过生成器生成还原图像,生成器尝试使还原图像尽可能接近原始图像,并在每次训练后生成感知损失,而判别器通过提取特征,输出有关于输入图像是否为原始图像的判别损失,并将其作为判别器参数更新的依据,生成器参数更新的依据为感知损失与判别损失。
SRGAN框架中的核心是生成器SRResNet,该生成器用于还原图像,其结构如图3所示。为了更好地捕捉微波图像的特征并解决深层网络中梯度弥散和精度下降的问题,文章采用残差神经网络（Residual neural network,ResNet）构建生成器。
鉴于微波成像的图像模糊、特征不明显,文章将残差网络的数量由16设定为32,旨在进一步强化网络对微波图像特征的捕捉与提取能力,从而提升成像效果与精度。对原始图像进行下采样处理后,得到的稀疏图像尺寸会小于原始图像尺寸。然而,由于文章设计的网络结构中融入了残差模块,这使得所有残差块的输入与输出尺寸必须保持相同,故文章使用了一种像素清洗模块来调整图像尺寸,保证输出的还原图像尺寸与原始图像尺寸相匹配。像素清洗模块的结构示意如图4所示,通过控制像素清洗模块的个数,即可控制还原图像与稀疏图像的尺寸之比,从而实现多尺度的微波图像稀疏重建。
判别器作为辅助生成器训练的结构,其作用为防止生成器生成的图像过于平滑而导致失真。判别器Discriminator的网络结构如图5所示,该结构为典型的图像特征提取器结构。
在SRGAN生成器的训练过程中为防止更新中的还原图像过于平滑,更新生成器的损失函数增加了除与图片相似程度的感知损失之外的判别损失。判别损失是连接生成器与判别器的桥梁,是SRGAN网络在博弈中提升还原图像水平能力的关键。SRGAN网络的感知损失函数由两部分组成,第一部分借助了VGG16（Visual Geometry Group）网络结构进行特征提取,VGG16网络结构示意如图6所示。
经过VGG16特征提取的原始图像与还原图像的均方误差可表示为
式中：VGG为VGG16特征图的输出；Io,Ir分别为原始图片与还原图片的像素矩阵,Ir=G[S(Io)]；S为下采样过程；G为网络中生成器的输出；G[S(Io)]为原始图像经过下采样与生成器输出得到的还原图片。
然而,VGG16作为一个已经训练好的通用模型的图片特征提取器,对于微波图像这种成像不清晰、特征不明显的图像,不能很好地提取其特征,因此文章保留原始图像与还原图像的均方误差作为感知损失的第二部分,可表示为
SRGAN网络的判别损失函数可表示为
式中：D为判别器的输出；p为图片集合；E为期望函数。
在训练过程中,生成器在该函数趋于最小时达到最优,判别器在该函数趋于最大时达到最优。两个网络相互对抗,不断调整参数,从而最终使得生成器具有生成高质量还原图像的能力,同时判别器具有精准判别图像是否为原始图像的能力。结合感知损伤与判别损失得到生成器的总损失函数LG为
式中：ω1,ω2,ω3为调控网络训练方向的超参数,三者间的比例与重建图像质量、图像平滑及失真程度有关,文章设置ω1=0.2,ω2=0.6,ω3=5e-5；判别器的判别损失为−Lgan,与生成器损失函数进行对抗博弈。
利用文章1.1节阐述的微波成像法进行成像并将成像结果作为训练集,将训练好后的SRResNet生成器模型对微波检测图像进行还原,实现微波缺陷图像的稀疏还原。在训练策略方面,由于GAN网络在训练过程中具有固有的对抗性特性而显得尤为复杂和耗时,故文章增加预训练阶段,在此阶段对仅把感知损失作为损失函数的SRResNet生成器网络进行初步训练,待网络达到一个相对优化的参数状态时,再引入生成器与判别器之间的对抗训练,该训练方法显著提升了网络训练的效率。同时为确保生成器与判别器之间的博弈能够达到理想效果,文章采取了一种平衡机制,即每一轮训练中,生成器和判别器各进行一次训练。该平衡机制有助于保持两者之间的动态平衡,从而确保GAN网络的训练能够顺利进行,并最终生成高质量的结果。
2. 缺陷成像结果以及讨论
2.1 微波试验成像结果
为向SRGAN网络提供必要的数据支持,文章搭建微波检测试验系统对介电材料试件进行成像,其结构示意如图7所示。该系统主要由以下几部分构成：计算机、网络矢量分析仪、微波探头、介电材料试件、三轴扫描台及控制器。计算机控制网络矢量分析仪生成稳定在5.0 dBm的激励信号,该信号驱动微波探头使其能够定向地辐射出微波,垂直地入射到待测的介电材料试件上。微波在介电材料试件表面及内部发生反射后,由微波探头接收这些反射波,再通过网络分析仪得到微波检测信号。
微波探头采用了Ka波段的矩形波导,其工作频段为26.5 GHz~40 GHz。为保证训练集微波图像的成像质量,使其具有较高的信噪比,文章采用10 MHz作为采样间隔点、并保证探头扫查移动步长小于试件最小缺陷直径的一半。然后,提取接收微波信号的时域面积作为成像的特征值,并采用奇异值分解法抑制直达波的影响,得到的部分成像结果如图8所示。
2.2 微波稀疏重建成像结果
通过训练完成后的SRResNet网络,对微波介电材料缺陷试件成像图进行还原,获得的结果与直接还原的结果如图9所示,可见,经过SRGAN稀疏重建技术的处理,还原后的图像成像效果提升,其噪声水平也明显降低,呈现出更为清晰的检测效果。
为进一步论证SRGAN对于微波缺陷图像稀疏重建还原的优势,文章采用峰值信噪比PSNR和结构相似性SSIM在各稀疏还原系数的条件下定量评价还原图像。稀疏还原系数是指还原图像与稀疏图像的尺寸之比,反映了图像的稀疏程度,且与图像扫查时间有关。稀疏还原系数为2的条件下进行微波稀疏扫查,其所用时间几乎是正常扫查所用时间的1/4。
PSNR是一种评价图像的客观标准（单位：dB）,其数值越大表示失真越小。PSNR是基于对应像素点间的误差的图像质量评价指标,可表示为
各方法直接还原、插值还原、SRGAN还原和增加残差数量的PSNR与SSIM如图10所示,改进损失函数的SRGAN还原方法在各稀疏还原系数的条件下的PSNR与SSIM充分说明了SRGAN的优势。
可以发现改进后的SRGAN技术即便是在高稀疏还原系数下,依然能得到出色的图像稀疏重建效果。与直接还原和插值还原相比,SRGAN技术处理后的图像还原效果更为显著,与原始图像更为接近,更好地完成了稀疏扫查模式下高质量成像的任务。
3. 结语
针对传统微波成像技术需要大量的阵列元素,导致数据处理困难、扫描时间过长以及检测效率降低的问题,文章提出了一种基于SRGAN的微波稀疏成像方法,SRGAN通过生成器和判别器的协同作用,实现了对微波检测图像的还原和稀疏成像。该方法通过感知损失和判别损失的结合,增强了生成器还原图像的能力,在一定程度上克服了传统方法的局限性,提高了微波检测的效率,可望在介电材料的无损检测中推广与应用
