基于太赫兹成像技术，并结合改进的AMP_Net和StarSRGAN算法，检测聚氨酯材料中的内部缺陷

《Optics & Laser Technology》：Detection of internal defects in polyurea based on terahertz imaging combined with improved AMP_Net and StarSRGAN

聚氨酯内部缺陷的太赫兹成像检测方法研究，提出结合改进AMP_Net与StarSRGAN的复合算法，通过SE注意力机制和多层卷积提升低采样率下的图像重建精度，并利用超分辨率生成对抗网络增强边缘细节，实现90%采样时间缩减的同时保持图像质量，最大缺陷检测误差3.67%，关键字：THz成像|聚氨酯缺陷检测|改进AMP_Net|压缩感知算法|超分辨率重建|PTFE模拟缺陷|检测效率优化|星状生成对抗网络

　　聚氨酯作为一种高性能的弹性体材料，因其优异的机械性能和环境适应性，广泛应用于建筑、海洋防腐等领域[[1], [2], [3], [4], [5]]。然而，在制备和使用过程中，聚氨酯容易产生内部缺陷，如气泡和分层现象，这会显著降低材料的性能并威胁工程安全[6]。因此，高效的内部缺陷检测技术成为关键。传统的方法包括超声波检测、X射线成像和红外热成像等。这些方法各有优劣，但都存在一定的局限性，如超声波检测容易受到散射干扰，X射线成像存在辐射风险，而红外热成像仅适用于近表面缺陷[[7], [8], [9], [10]]。相比之下，太赫兹（THz）技术由于其非电离特性，可以避免辐射风险，同时其对材料的强穿透能力使其更适用于聚合物内部缺陷的检测[[11], [12], [13]]。太赫兹技术在玻璃纤维复合材料等材料的缺陷检测中展现出潜力[[14], [15], [16], [17]]。然而，太赫兹成像的分辨率低于X射线，且设备在数据采集速度和图像质量方面仍存在不足，这些问题尚未得到解决。

为了解决太赫兹成像中的瓶颈问题，本文提出了一种结合改进的自适应匹配追踪网络（Improved AMP_Net）与星型超分辨率生成对抗网络（StarSRGAN）的解决方案，用于太赫兹图像的压缩感知（CS）重建。此外，为了应对太赫兹图像中由于边缘模糊导致的缺陷分割不准确问题，引入了StarSRGAN算法，以提高图像的清晰度和检测精度。该方法不仅提升了检测效率，还确保了图像质量，从而在实际应用中具备更高的可行性。

在研究过程中，PTFE被用作模拟聚氨酯内部缺陷的材料。PTFE作为一种具有高弹性和均匀结构的材料，能够有效模拟聚氨酯中的气泡缺陷，为实验提供了良好的对照。通过使用PTFE，研究人员能够更准确地评估检测方法的性能，同时避免了实际缺陷制备过程中的不确定性。这一选择使得实验结果更具代表性，也提高了研究的可重复性。

为了提升压缩感知重建的效果，本文对AMP_Net算法进行了改进。传统的压缩感知技术依赖于稀疏性假设，通过减少采样点数量来实现信号的高效重建。然而，在实际应用中，尤其是面对复杂形状的缺陷时，传统方法往往难以在低采样率下准确重建图像。因此，本文引入了SE注意力机制和多尺度卷积结构，以优化复杂缺陷的重建效果。SE注意力机制能够有效捕捉图像中的关键特征，提升模型对细节的感知能力，而多尺度卷积结构则有助于在不同尺度上提取图像信息，从而提高重建的精度和鲁棒性。

改进后的AMP_Net算法在压缩感知重建过程中表现出色，其在峰值信噪比（PSNR）、归一化均方误差（NMSE）和结构相似性指数（SSIM）等指标上均优于其他四种压缩感知算法。这表明改进后的算法在图像质量、细节保留和整体结构匹配方面具有显著优势。此外，通过将改进后的AMP_Net与StarSRGAN相结合，研究人员能够进一步提升图像的清晰度和缺陷识别的准确性。StarSRGAN作为一种超分辨率算法，能够有效增强图像边缘的清晰度，从而提高缺陷的识别精度。

实验结果显示，该方法能够显著减少采样时间，同时确保图像质量。在10%的采样率下，通过改进后的AMP_Net算法进行压缩感知重建，其图像质量几乎与传统采样模式下的太赫兹图像一致。随后，使用StarSRGAN对重建后的图像进行超分辨率处理，进一步提升了图像的清晰度和缺陷识别的准确性。对于验证集，缺陷率的误差最大为3.67%，平均误差为2.71%。这表明该方法在实际应用中具备较高的检测精度和稳定性。

此外，本文还探讨了不同压缩感知算法在采样率和图像质量之间的平衡问题。采样率是压缩感知技术中的一个关键参数，它反映了实际采样点数量与原始信号长度的比例。较低的采样率虽然能够减少数据采集的时间和成本，但需要满足特定的条件，以确保图像重建的准确性。不同的压缩感知算法在这些条件上的表现各不相同，因此需要根据具体的应用场景进行选择和优化。

为了验证该方法的可行性，本文准备了8组不同形状的聚氨酯材料样本进行实验（见图9）。这些样本的图像空间分辨率为0.2 mm，与实验样本的分辨率一致。在10%的采样率下，对这些样本进行压缩感知重建，并使用StarSRGAN进行超分辨率处理。处理后的图像能够更清晰地显示缺陷的分布和形状，从而提高了缺陷识别的准确性。这一实验结果表明，结合改进的AMP_Net和StarSRGAN的检测方法在实际应用中具有较高的可行性。

本文的研究成果不仅为聚氨酯内部缺陷的检测提供了新的技术手段，也为其他材料的检测提供了参考。随着材料科学和工程技术的不断发展，对材料性能的要求越来越高，因此，高效的检测技术显得尤为重要。本文提出的检测方法结合了先进的压缩感知技术和超分辨率算法，能够有效提升检测效率和准确性，为聚氨酯材料的检测提供了新的思路。

在实验过程中，研究人员还关注了数据采集的效率和图像质量之间的关系。传统的数据采集方式需要大量的采样点，以确保图像的高质量，但这种方式往往效率较低，且成本较高。而压缩感知技术通过减少采样点数量，能够在保证图像质量的前提下提高数据采集的效率。本文提出的改进方法在这一方面表现出色，能够在较低的采样率下实现高质量的图像重建，从而有效提升检测效率。

此外，本文还探讨了不同压缩感知算法在实际应用中的表现。尽管压缩感知技术在理论上具有优势，但在实际应用中，不同的算法在采样率、图像质量、计算复杂度等方面的表现存在差异。因此，需要根据具体的应用需求选择合适的算法，并对其进行优化。本文提出的改进方法在多个关键指标上均优于其他算法，表明其在实际应用中具有更高的可行性。

综上所述，本文提出了一种结合改进的AMP_Net和StarSRGAN的太赫兹成像方法，用于聚氨酯内部缺陷的检测。该方法不仅提升了检测效率，还确保了图像质量，为聚氨酯材料的检测提供了新的技术手段。未来的研究可以进一步优化算法，提高检测精度，并拓展其应用范围，以适应更多材料的检测需求。