基于轻量化人工智能模型的复合材料损伤太赫兹智能表征策略

太赫兹（Terahertz，THz）无损检测技术，作为一种新兴的非接触式高精无损电磁检测技术，其检测频率处于微波和远红外之间，通过对材料中太赫兹波信号的接收和处理，分析复合材料内部的物理结构和性质。相较于传统的超声、红外、X射线等检测方式，THz检测技术在检测分辨率、穿透性和安全性方面具有更好的优势，现已成为复合材料检测与评估领域重要的研究热点之一。

虽然THz检测技术在复合材料领域具有潜在的应用前景，但在实际检测过程中，由于THz信号容易受到噪声、层间反射、色散和重叠等各种复杂干扰，造成THz定位精度和成像分辨率下降。虽然一些基于复杂先验知识和手动特征的方法被相继提出，如小波变换、频域小波反卷积、稀疏表示等，但由于高度依赖人工操作和专家经验，并且需要根据THz信号的变化手动调整最优超参数，通常复杂且耗时，这不仅对操作员能力提出了更高的要求，而且很难在无任何先验知识下实现端到端地THz信号特征提取，阻碍了THz自动化、智能化检测技术的发展。

针对这一问题，最近西安交通大学张留洋教授团队提出了一种基于轻量化人工智能模型的复合材料损伤THz自动实时表征策略，旨在解决传统THz损伤特征提取方法依赖于专家经验和先验知识、损伤定位识别精度和速度不匹配的难题。该策略简化损伤定位和成像过程为多类分类过程，并基于分类结果建立了基于类编码策略的新型THz高分辨成像方法，实现了复合材料不同深度损伤的端到端自动定位和高分辨成像，从而为复合材料损伤THz自动定位和成像提供一种新的范式。相关成果以“Real-time terahertz characterization for composite delamination using a lightweight CPU adaptive network”为题发表于复合材料Top期刊Composites Part B: Engineering上。

图 1 提出的基于SMFLCNet模型的复合材料损伤THz智能表征策略

图1显示了提出的基于人工智能模型的复合材料损伤THz智能表征策略。该策略包含三个主要步骤，依次为THz信号数据集的构建、损伤定位和损伤成像。在THz信号数据集构建过程中，旨在建立用于模型训练、测试和成像的损伤THz数据集，为不同深度损伤THz智能定位和成像提供足够的数据来源。在损伤定位过程中，通过将不同深度损伤定位过程简化为基于轻量化模型的分类过程，实现复合材料不同深度损伤的智能定位表征。损伤成像过程则是基于损伤定位的结果，采用类编码成像策略对待测样本内部不同深度损伤进行2D/3D可视化成像，揭示样本内部损伤的横向位置和尺寸信息。基于以上方法，分别制备了带损伤的复合材料训练样本和测试样本，利用太赫兹时域光谱仪采集太赫兹信号，分别构建训练集、测试集和成像数据集。随后，利用GPU平台对提出的模型进行训练和测试，并从精度和速度两个方面综合评估提出的轻量化模型的分类性能，进而完成复合材料损伤的定位和成像。

为评估提出的轻量化模型对不同深度损伤THz信号的分类性能，进行了5次重复实验，分类结果如图2所示。从图中可以看出，对于每次实验，模型均保持较好的分类精度。值得注意的是，提出的模型在CPU平台上（Intel Xeon Platinum 8175 M）执行每个epoch的平均推理延迟时间为8.51 ms。换句话说，提出的轻量化模型每秒可以有效处理117个THz信号输入样本，能够满足实际THz检测场景中对损伤THz信号进行实时处理的需求。

图2 5次重复实验中的模型的分类性能

最后为了揭示提出的策略对损伤的可视化性能，采用提出的类编码成像策略对不同深度损伤进行2D和3D可视化表征，如图3所示，相较于传统的时域局部峰峰值（LPTP）和频域THz成像算法，提出的成像策略不仅可以在无需手动成像特征选择情况下获得更好的成像分辨率，而且可以为不同深度损伤提供详细的三维特征信息，有利于实现复合材料不同深度损伤的自动高分辨成像和定量识别。

图3 复合材料不同深度损伤可视化成像结果

作者介绍：

西安交通大学机械制造系统工程国家重点实验室张留洋教授为论文通讯作者，博士研究生徐亚飞为第一作者，该研究得到了国家自然科学基金、省自然科学基金等项目的资助。团队鼓励多学科交叉，致力于太赫兹检测与成像技术、智能传感器设计与制造技术以及状态感知与监测技术的研究。