结合灵敏度算法与Transformer-UNet模型的混合方法用于三维电磁层析成像：基于电导率的形状重建与缺陷检测

《ADVANCED ENGINEERING INFORMATICS》：Hybrid method combining sensitivity-based algorithm and Transformer–UNet model for 3D electromagnetic tomography: Conductivity-based shape reconstruction and defect detection

　　

本文介绍了一种用于三维电磁层析成像（EMT）的新方法，设计了一个三维EMT测量系统，用于体积电导率重建和缺陷检测，该系统由一种创新的混合方法实现，该方法结合了基于灵敏度的算法与Transformer-UNet模型。传统的非迭代算法，如线性反投影（LBP）、Tikhonov正则化（TR）和奇异值分解（SVD），在复杂场景中面临精度降低和对噪声敏感等局限性。为解决这些问题，研究人员提出了一种通过双拉普拉斯正则化增强的TR算法，显著提高了重建质量。广泛的仿真和实验验证表明，所提出的方法优于传统算法，取得了更高的量化收益。此外，集成深度学习技术，特别是所提出的方法，通过有效结合原始电磁信号与基于所提重建算法的先验重建结果，实现了精确重建，从而显著提高了鲁棒性、准确性和细节保留。实验验证证实了该混合模型在工业应用中的实用有效性和鲁棒性。该框架不同于先前纯数据驱动的重建方法，它明确地将基于灵敏度的EMT求解器与通过监督图像域损失训练的Transformer-UNet结合起来，其中基于物理的预重建作为额外的先验，实现了实时监测与离线形状精确细化。

**论文解读文章**

**研究背景与问题**
电磁层析成像（EMT）是一种非侵入式成像技术，通过电磁场与导电或磁性材料的相互作用重建电特性空间分布。与传统成像技术（如X射线CT、MRI、超声、电阻抗层析成像）相比，EMT具有非接触、低成本、适用于恶劣工业环境等优势。然而，经典的非迭代重建算法（如线性反投影LBP、Tikhonov正则化TR、奇异值分解SVD）在复杂场景下精度低、对噪声敏感，且难以处理强对比度或复杂几何形状。迭代算法（如共轭梯度法、Landweber迭代）虽能提高质量，但计算成本高。现有深度学习重建方法多为纯数据驱动，缺乏物理模型约束，且多数聚焦于二维场景，难以直接迁移至三维工业检测。因此，研究人员旨在开发一种结合物理模型与深度学习的混合方法，实现三维EMT的高精度、实时体积电导率重建与缺陷检测。该论文发表在《ADVANCED ENGINEERING INFORMATICS》。

**研究所用的主要关键技术方法**
研究人员构建了一个32线圈（4层×8线圈）的三维EMT传感器和测量系统，通过COMSOL Multiphysics仿真构建三维灵敏度矩阵（雅可比矩阵）。采用双拉普拉斯正则化增强的Tikhonov正则化（TR）方法进行初始重建，通过预条件共轭梯度法高效求解。随后设计了一种双分支混合网络（EMT-Transformer-UNet-Hybrid）：一个分支使用带有多头自注意力的Transformer模块直接从原始电磁信号提取局部特征；另一个分支使用轻量卷积编码器从TR预重建结果捕获全局结构。两分支特征通过通道拼接融合，再经Transformer瓶颈增强全局上下文，最终通过解码器输出三维重建体积。训练采用均方误差（MSE）与结构相似性（SSIM）的复合损失函数，优化器为Adam，训练集来自实验测量数据（630个三维图像重建样本，60个缺陷重建样本），样本包括铝管、铝圆柱、不锈钢球及带有条状、圆形、交叉缺陷的样品。

**研究结果**

**3D EMT reconstruction**
通过仿真比较了LBP、TR、SVD及带滤波器的变体，所提出的双拉普拉斯正则化TR方法在单目标、双目标和三目标场景中均获得最高的相关系数（CC）和结构相似性指标（SSIM），分别达到0.819/0.712（单圆柱）、0.794/0.682（一球一圆柱）、0.801/0.704（两球一圆柱），显著优于传统算法。实验验证中，该方法对铝管、铝圆柱、不锈钢球等样品实现了清晰的三维重建，CC和SSIM分别达0.782/0.703（单球）至0.688/0.604（三目标）。

**3D EMT defect detection**
在仿真中，所提方法对带缺陷的球体、圆柱体和立方体的CC/SSIM分别为0.776/0.741、0.744/0.702、0.714/0.674。实验中对带条状缺陷的圆柱（CC=0.718, SSIM=0.692）、圆形缺陷的管（CC=0.694, SSIM=0.634）、交叉缺陷的球（CC=0.438, SSIM=0.321）均成功重建出缺陷轮廓。

**Deep learning for 3D images reconstruction**
深度学习部分，所提出的双分支混合方法在三维物体重建和缺陷重建任务上均优于2D U-Net、3D U-Net、Vision Transformer（ViT）和混合Conv-Transformer基线。在物体重建中，平均测试损失降至0.043，平均CC/SSIM达0.934/0.912，延迟仅1.56毫秒（641 FPS）。在缺陷重建中，平均测试损失0.073，平均CC/SSIM达0.891/0.881，延迟1.37毫秒（730 FPS）。引入物理先验（TR+双拉普拉斯）的网络设置比无先验的Transformer-UNet在平均测试损失、CC、SSIM上均有显著提升。训练集规模分析表明，630个样本足以获得饱和性能。

**总结讨论与结论**
研究人员在讨论中指出，所提方法在大的提离变化、严重电磁干扰或厚多层板场景下可能降低信噪比，且对不同材料和复杂几何的泛化能力有限。未来工作将包括自适应校准、域适应、不确定性量化、扩展数据集和边缘部署。

研究结论翻译如下：
本研究提出了一种用于三维电磁层析成像的先进混合算法，显著提升了体积电导率重建和缺陷检测的能力。与经典算法相比，带有双拉普拉斯正则化的TR算法明显提高了重建保真度。实验在CC和SSIM指标上展示了显著的性能增益。此外，所提出的结合基于灵敏度的算法与Transformer-UNet模型的混合方法大幅超越了传统和基线深度学习方法，有效利用了多源信息和全局上下文建模，生成了精确且无伪影的三维重建。结果凸显了所提方法在精确可靠地检测和成像缺陷方面的巨大潜力，展示了在需要高精度的工业环境中的鲁棒适用性。对于该方法，大的提离变化、严重的电磁干扰或厚多层板会降低信噪比并损害重建，且在不同材料和更复杂几何形状上的泛化能力仍有限。虽然当前测量数据集主要关注典型工业基元（如圆柱、管和球）及其代表性缺陷模式，但扩展训练集以包含更多样化的几何基元（例如长方体、棱柱结构）和未见过的形状将是未来工作的重要方向，以进一步评估跨形状泛化能力。