《Optics and Lasers in Engineering》：Physics-constrained ITCNANet for terahertz-based identification and three-dimensional imaging of defects in composite materials
编辑推荐：
•物理信息 ITCNANet 实现了太赫兹缺陷分类和成像。•多约束损失函数提高了深度一致性和跨区域稳定性。•提出的模型实现了准确的缺陷深度估计和 3D 重建。引言纤维增强复合材料凭借其轻量化、高比强度、耐腐蚀和耐高温等优点，被广泛应用于航空航天、能源设备和高端结构件领域 [1
- •
物理信息 ITCNANet 实现了太赫兹缺陷分类和成像。
- •
多约束损失函数提高了深度一致性和跨区域稳定性。
- •
提出的模型实现了准确的缺陷深度估计和 3D 重建。
引言
纤维增强复合材料凭借其轻量化、高比强度、耐腐蚀和耐高温等优点，被广泛应用于航空航天、能源设备和高端结构件领域 [1]。然而，复合材料的多元异质结构、层间界面以及制造工艺的复杂性也使其容易产生孔隙、分层、层间分离、夹杂物和局部厚度变化等缺陷 [2]。这类缺陷可能在服务载荷、热循环或湿热环境下进一步扩展，从而降低结构承载能力和服务可靠性 [3]。因此，开发非接触、高分辨率且可定量表征的无损检测 (NDT) 方法，是复合材料质量评估和结构健康监测中的关键问题。
复合材料的传统无损检测方法主要包括超声检测 [4]、X 射线检测 [5] 和红外热像仪 [6]。尽管这些方法被广泛应用，但它们仍存在一定的局限性。超声检测通常需要耦合剂，且对复杂界面和多层结构中弱反射缺陷的灵敏度有限。X 射线具有较高的空间分辨率，但涉及电离辐射和设备成本问题。红外热成像适用于快速、大面积筛选，但其穿透深度和定量能力易受热扩散影响。对于非金属、低导电性复合材料，太赫兹波具有光子能量低、非接触检测以及穿透各种材料的一定能力。近年来，这已成为复合材料无损检测的重要发展方向 [[7], [8], [9]]。
太赫兹时域光谱 (THz-TDS) 测量传输或反射脉冲的时间变化电场。测量波形包含飞行时间 (ToF)、反射幅度、光谱响应以及内部界面相位变化的信息 [10]。既往研究表明，太赫兹技术可用于航空航天复合材料的损伤识别 [[11], [12], [13]]、GFRP 的分层定位 [14]、缺陷检测 [[15], [16], [17]] 以及热障涂层厚度退化的评估 [18,19]。然而，太赫兹检测信号常受材料散射、多次界面反射、厚度变化、背景不均匀性和系统噪声的影响。缺陷特征可能表现为弱幅度扰动、局部相位偏移或时频响应变化。这些特征使得在使用单阈值规则或手动设计特征时难以进行稳定识别。
随着机器学习的进步，数据驱动方法实现了复杂无损检测信号的自动特征提取和分类 [20,21]。卷积神经网络 (CNN) 可以从原始信号或图像中学习多尺度局部模式。它们已被用于复合材料冲击损伤识别和结构健康监测 [[22], [23], [24]]。Liu 等人 [25] 提出了一种基于 1D-CNN 和 Transformer 编码器的 THz-TDS 信号分类方法，以自动提取 QFRP 弯曲结构中不同深度缺陷的时域回声特征，实现了缺陷识别和 3D 可视化。Xu 等人 [26,27] 提出了 FSP-CNN 和轻量级 SMFLCNet 模型，将 GFRP 分层缺陷的太赫兹时域信号分析转化为多分类任务。通过类别编码，这些模型实现了分层缺陷的自动定位、二维成像和三维可视化。与手动设计特征相比，深度学习能更有效地整合幅度、局部波形形态和频域响应 [28,29]。这提高了复杂缺陷识别的自动化程度。
然而，深度学习在复合材料太赫兹检测中仍面临几个挑战。实验样本通常有限，且缺陷类别往往高度不平衡。纯数据驱动模型可能会学习与扫描位置、背景变化或局部噪声相关的非物理特征。这可能导致跨域测试性能较差和成像泛化能力有限。近年来，物理信息神经网络 (PINN) 受到了越来越多的关注。它们可以减少深度模型对大规模标注数据的依赖，并提高物理一致性和跨域泛化能力 [30]。Xu 等人 [31] 提出了一种基于受损和未受损区域传播时间差的物理诱导太赫兹 ToF 补偿方法。通过补偿离隙距离和表面粗糙度，该方法实现了复合材料准确的损伤厚度测量和高分辨率全场成像。Sun 等人 [32] 提出了一种基于解析模型的物理驱动深度学习框架。该框架使用前三个太赫兹回声峰作为稀疏输入。通过引入权重约束层，它实现了热障涂层中陶瓷层的准确、低成本厚度测量。这些研究展示了物理信息学习在智能复合材料检测中的潜力。
在太赫兹缺陷检测中，缺陷类别、缺陷深度和背景响应不是独立的。它们受到波传播路径、界面反射和飞行时间差异的约束。因此，将深度、背景、一致性和相位约束引入深度网络，可以减少对随机统计相关性的依赖。它还可以提高小样本条件下的分类稳定性和成像可靠性。
基于此，本文提出了一种使用带有物理信息约束的 Inception-TCN-Attention 网络的缺陷识别和成像方法。第 2 节介绍了复合材料样品、太赫兹检测系统和小样本数据集划分策略。第 3 节描述了整体处理工作流程、PI-ITCNANet 架构、多约束物理损失函数和比较模型。第 4 节分析了分类性能、物理约束的消融效应、缺陷深度估计准确性和成像结果。第 5 节提出了结论和未来方向。
章节摘要
样品制备
玻璃纤维复合材料板样品被用作测试对象，如图 1 所示。每个样品尺寸为 200 mm × 200 mm × 10.4 mm。前表面被用作太赫兹扫描的入射面。在每个样品的后表面上预制了九个人工缺陷。这些缺陷旨在模拟具有不同横向尺寸和埋深的损伤。缺陷按 3 × 3 图案排列。三列对应直径分别为 3、6 和 9 mm 的孔。
整体处理框架
本文提出了一种使用太赫兹信号进行复合材料缺陷检测和深度成像的方法。整体工作流程包括信号输入、深度特征提取、物理信息约束学习、交叉验证以及二维和三维成像，如图 6 所示。
对复合材料样品进行逐点太赫兹扫描。然后获得每个扫描位置的时间域反射信号。原始波形被截断为统一长度
整体分类性能比较
所有模型均采用留一区域交叉验证策略进行评估。在每一轮中，一个空间区域被用作独立测试集，而剩余区域用于训练和验证。模型性能根据整体分类、特征可分性以及跨不同区域的稳定性进行评估。这种比较突出了 PI-ITCNANet 相较于传统机器学习和常规深度学习模型的优势。
结论
本文提出 PI-ITCNANet 用于太赫兹信号的缺陷分类、深度估计和三维成像。Inception 模块提取多尺度回声特征，而 TCN 和注意力模块捕获时间关系并增强缺陷响应。
在训练期间引入了多约束物理信息损失函数。它由分类损失、缺陷深度约束、背景深度约束、分类 - 深度一致性约束和
CRediT 作者贡献声明
李瑞: 撰写 – 初稿，软件，调查，数据整理。 刘增华: 撰写 – 审阅与编辑，监督，资源，资金获取，概念化。 张辰琪: 软件，调查。 唐珍河: 撰写 – 初稿，调查。 刘一一: 软件，调查。 朱华平: 资源，资金获取。 王晓然: 验证。
竞争利益声明
作者声明他们没有任何已知的竞争性经济利益或个人关系可能影响本文中报告的工作。
致谢
本研究得到了 中国国家自然科学基金委员会 (编号 3222001)、中国国家自然科学基金委员会 (编号 12172015 和 11772014) 的支持。
李瑞 |刘增华 |张辰琪 |唐珍河 |刘一一 |朱华平 |王晓然
