《Optics and Lasers in Engineering》：Novel attention-based phase-feature correlation fusion network for three-dimensional super-resolution thermographic visualization of delamination defects in carbon fiber composite laminates
编辑推荐：
作者名单：Di Yan、Yi Ren、Jinyu Dong、Jiaxu Wu、Enlai Zheng、Kai Zheng、Hui Zhang、Zhitao Luo单位：南京农业大学工程学院机械工程系，中国南京 211800摘要本文提出了一种基于注意力的特征相关性融合网络，结合了瞬
作者名单：Di Yan、Yi Ren、Jinyu Dong、Jiaxu Wu、Enlai Zheng、Kai Zheng、Hui Zhang、Zhitao Luo
单位：南京农业大学工程学院机械工程系，中国南京 211800
摘要
本文提出了一种基于注意力的特征相关性融合网络，结合了瞬态锁相热成像技术，用于实现碳纤维增强聚合物（CFRP）层裂缺陷的三维（3D）超分辨率热成像检测。首先，利用瞬态锁相热成像技术检测CFRP层板中的内部层裂缺陷，制备了两个分别含有16个和12个不同深度和尺寸的平底孔的CFRP试样以模拟层裂缺陷。随后，提取不同激励频率下的相应相位图像，并使用所提出的融合网络进行进一步融合。该网络设计了多尺度特征提取模块和群组特征交互机制，以提高群组内的特征相关性并增强小缺陷的特征信息。同时采用了轻量级特征变换和残差连接以及三级级联架构，显著降低了计算负担的同时保留了关键特征。最后，对结构相似度指数（SSIM）、峰值信噪比（PSNR）和检测率（DR）进行了定量比较分析。结果表明，所提出的网络在三者方面均表现最佳，能够有效检测CFRP层板中的小尺寸层裂缺陷。
引言
碳纤维增强聚合物（CFRP）是最先进的结构轻量化复合材料之一，近年来已广泛应用于航空发动机、军用飞机和新能源设备中[[1], [2], [3], [4], [5]]。CFRP层板具有强各向异性和明显的内部界面效应，这使得它们在承受疲劳载荷、循环应力及极端工作条件下容易产生界面层裂缺陷。无损检测（NDT）已成为检测CFRP构件内部缺陷不可或缺的方法，主要方法包括超声波检测[6]、涡流检测[7]、声发射检测[8]和主动热成像[9]。其中，主动热成像具有非接触、高分辨率、全场扫描、快速成像等优势，最近在CFRP层板的NDT和评估领域受到了广泛关注。该方法通过外部热激励（如激光[10,11]、闪光灯[12,13]、超声波[14,15]和涡流[16,17]）产生热能量，但由于加热不均、材料固有特性和测量噪声的影响，缺陷的可见性往往受到影响。因此，开发快速、准确且可靠的CFRP层裂缺陷NDT热成像技术至关重要。
脉冲热成像是应用最广泛的基本热成像技术之一，具有快速易实现的优点，通常使用毫秒级高能脉冲或闪光激励来激发CFRP试样。通过记录试样表面的温度变化序列（即热图像），并在冷却阶段对这些热图像进行后期处理，可以最终检测和量化内部层裂缺陷。为提高层裂缺陷的可见性，采用了多种热图像数据处理方法，如主成分分析（PCA）[18]、快速傅里叶变换（FFT）[19]、独立成分分析（ICA）[20]、稀疏PCA[21]和热图像重建（TSR）[22]。最近，还提出了平滑低秩张量完成算法，可从少量热图像数据中恢复原始图像序列；同时，快速的随机稀疏PCT和2DPCT技术也用于进一步提高从高采样率热图像数据中检测CFRP缺陷的能力[23]。尽管脉冲热成像是主动热成像中检测效率最高的，但其较浅的检测深度限制了其在CFRP深層缺陷检测中的应用。
锁相（LI）热成像是另一项基础且应用广泛的热成像技术，通过正弦调制热激励并使用锁相提取算法获得高分辨率的二维相位图像。与脉冲热成像不同，LI热成像能够有效检测CFRP层板中的深层层裂缺陷。例如，Matarrese等人[24]研究了锁相循环次数、帧率和丢失帧数对CFRP缺陷检测能力的影响；Ekanayake等人[26]基于LI热成像在不同厚度和盲孔直径条件下实现了高精度深度测定；Liu等人[27]研究了LI热成像检测CFRP界面缺陷的概率；Luo等人[20]开发了瞬态LI热成像技术，实现了较高的信噪比（SNR）和检测率（DR），以及较低的运行时间。此外，还有其他改进的LI热成像方案被提出[28,29]。
为了进一步提高CFRP层裂缺陷的可见性，学者们提出了多种多频率融合LI热成像方法，通过融合不同激励频率下的锁相相位图像来提高缺陷检测效果。例如，Wei等人[30]提出了一种结合PCA融合方法的多频率融合LI热成像技术；随后又提出了基于无监督编解码器的多频率融合LI热成像技术，有效扩展了CFRP层裂缺陷的检测深度并提升了图像质量[31]；Luo等人[32]进一步提出了改进的瞬态LI热成像技术，用于自动快速识别界面脱粘缺陷。然而，目前文献中尚少有关于使用多频率融合LI热成像检测CFRP层裂缺陷的研究。本文提出了一种基于注意力的特征相关性融合网络，结合瞬态锁相热成像技术实现CFRP层裂缺陷的3D超分辨率热成像检测。具体而言，首先利用瞬态锁相热成像技术检测CFRP层板中的内部层裂缺陷，制备了含有不同深度和尺寸平底孔的试样；然后提取不同激励频率下的相位图像并融合；最后进行了SSIM、PSNR和DR的定量比较分析。
本文其余部分结构如下：第2节详细描述了所提出的融合网络；第3节介绍了实验样品和设置；第4节详细分析并讨论了实验结果；第5节总结了研究结论。
节选内容
提出的融合框架
为实现CFRP层裂缺陷的3D超分辨率热成像可视化，本文详细介绍了所提出的融合网络，该网络通过在RGB颜色空间中进行端到端深度学习特征的融合，最终生成包含缺陷信息的彩色特征图像。该网络基于轻量级融合架构开发而成
实验样品和设置
为充分验证所提出网络的有效性，制备了尺寸为100 × 100 × 4.0 mm3的CFRP试样，每块试样由20层碳/环氧复合层（每层厚度0.2 mm）组成，层压排列方式为[0° /90°]?s。通过CNC加工在试样中制造了16个和12个不同直径和深度的平底孔（FBHs）以模拟内部层裂缺陷。图2展示了这些试样的原始相位图像。
实验结果
图6显示了在不同激励频率（0.1、0.075、0.05和0.01 Hz）下制备的CFRP?试样的原始相位图像。图7提供了对应的信噪比（SNR）矩阵图像。值得注意的是，为了获得SNR矩阵图像，每个相位特征图像被均匀划分为4×4的子区域，每个子区域代表一个检测单元。
结论
总结而言，首先采用瞬态LI热成像技术检测CFRP层板中的内部层裂缺陷；然后提取不同激励频率下的相位图像并使用所提出的基于注意力的特征相关性融合网络进行融合；最后进行了SSIM、PSNR和DR的定量比较分析。
作者贡献声明
Di Yan：撰稿、原始草案编写、方法论设计、实验研究。Yi Ren：可视化处理、方法论设计、实验研究。Jinyu Dong：可视化处理、方法论设计、实验研究、形式化分析。Jiaxu Wu：可视化处理、实验研究。Enlai Zheng：可视化处理、形式化分析。Kai Zheng：可视化处理、方法论设计、形式化分析。Hui Zhang：撰稿与编辑、可视化处理、资金筹措、形式化分析、概念构思。Zhitao Luo：撰稿与编辑、可视化处理、
利益冲突声明
作者声明不存在可能影响本文研究的已知财务利益或个人关系。
致谢
本研究得到了国家重点研发计划（项目编号2022YFB3404300）、国家自然科学基金（项目编号52272433、52075269）、江苏省自然科学基金（项目编号BK20241579）和海南省自然科学基金（项目编号526QN0716）的支持。
