Page 66 - 无损检测2024年第十一期
P. 66
危洪波，等：
基于 SRGAN 的介电材料缺陷微波检测图像稀疏重建
始图片与还原图片的像素矩阵，I =G[S(I )]；S为下 将成像结果作为训练集，将训练好后的SRResNet生
r
o
采样过程；G为网络中生成器的输出；G[S(I )]为原 成器模型对微波检测图像进行还原，实现微波缺陷
o
始图像经过下采样与生成器输出得到的还原图片。 图像的稀疏还原。在训练策略方面，由于GAN网络
然而，VGG16作为一个已经训练好的通用模型 在训练过程中具有固有的对抗性特性而显得尤为复
的图片特征提取器，对于微波图像这种成像不清晰、 杂和耗时，故文章增加预训练阶段，在此阶段对仅把
特征不明显的图像，不能很好地提取其特征，因此文 感知损失作为损失函数的SRResNet生成器网络进
章保留原始图像与还原图像的均方误差作为感知损 行初步训练，待网络达到一个相对优化的参数状态
失的第二部分，可表示为 时，再引入生成器与判别器之间的对抗训练，该训练
M
1
L P 2 = M 1 I o i - I r i 2 （2） 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
i
SRGAN网络的判别损失函数可表示为 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
（3）
进行，并最终生成高质量的结果。
式中：D为判别器的输出；p为图片集合；E 为期望
函数。 2 缺陷成像结果以及讨论
在训练过程中，生成器在该函数趋于最小时达
2.1 微波试验成像结果
到最优，判别器在该函数趋于最大时达到最优。两
为向SRGAN网络提供必要的数据支持，文章
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 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
有精准判别图像是否为原始图像的能力。结合感知
构成：计算机、网络矢量分析仪、微波探头、介电材
损伤与判别损失得到生成器的总损失函数L 为 料试件、三轴扫描台及控制器。计算机控制网络矢
G
= ω L + ω L + ω L L （4）
1 P 1 G 2 P 2 3 gan 量分析仪生成稳定在5. 0 dBm的激励信号，该信号
式中： ω ，ω ，ω 为调控网络训练方向的超参数，三 驱动微波探头使其能够定向地辐射出微波，垂直地
1 2 3
者间的比例与重建图像质量、图像平滑及失真程度 入射到待测的介电材料试件上。微波在介电材料试
有关，文章设置ω =0. 2，ω =0. 6，ω =5e ；判别 件表面及内部发生反射后，由微波探头接收这些反
-5
1 2 3
器的判别损失为−L ，与生成器损失函数进行对抗 射波，再通过网络分析仪得到微波检测信号。
gan
博弈。 微波探头采用了Ka波段的矩形波导，其工作频
利用文章1. 1节阐述的微波成像法进行成像并 段为26. 5 GHz~40 GHz。为保证训练集微波图像的
图 7 微波检测试验系统结构示意
32
2024 年 第 46 卷 第 11 期
无损检测
