基于机器学习的太赫兹时域光谱场增强方法研究.pdfVIP

摘要

太赫兹成像技术在无损检测、生物医学成像、安全检测、天文科学等方面具

有很大的应用前景。太赫兹波对光学不透明材料具有很强的穿透性，因此可以被

用于获取材料内部信息。随着太赫兹时域光谱的使用，太赫兹扫描成像技术获得

了更好的稳定性和更高的信噪比。然而，由于太赫兹波光斑尺寸较大、扫描步长

限制和太赫兹波衍射极限限制等因素，低分辨率是THz-TDS系统扫描图像的一

个重要缺点。随着机器学习的诞生和发展，越来越多的领域开始利用机器学习的

高性能和便利条件来进行训练学习。本文将机器学习应用于太赫兹扫描成像的质

量增强和太赫兹应力场分布图像的超分辨测量，具体内容如下：

首先，本文针对THz难以获得大量训练集的问题，开发了一种太赫兹图像

质量增强算法。与以往的算法相比，该算法针对太赫兹光谱图像的特点，引入新

的目标函数，避免了传统机器学习算法需要采集或模拟生成大量训练集的弊端，

实现了训练图像即目标图像的单幅光谱图像增强算法。

其次，考虑太赫兹波自身丰富的光谱信息，构建了一个网络模型，提出了对

于复杂波形进行处理的新方法，提高了信息的利用率。即通过对太赫兹时域曲线

加权拟合，对波形各处的信息均加以利用，通过对实验信号中产生缺陷的来源的

分析，设计了提高太赫兹信号质量的针对性网络。该算法在传统SRCNN网络的

基础上，针对太赫兹波自身的特点，利用其独特的光谱信息优势，将太赫兹时域

波形权重进行分配，最终得到了质量增强的太赫兹图像。该算法与传统的超分辨

算法相比，更加的适合太赫兹成像提高了对太赫兹信号的利用率，且只需要一次

位移前后两幅图像的简单实验就可以获得大量的训练数据，实现了训练图像即目

标图像的单幅光谱图像增强算法，最终获得高质量的图像和高精度的位移场。该

算法主要分为两个部分，分别是MLP网络和SRCNN网络，通过MLP网络和

SRCNN网络在不改变硬件条件的情况下提高系统扫描成像的质量。搭建了太赫

兹时域成像的实验装置，选择设计了加载位移以及固定装置，通过实验获得了氧

化铝多孔陶瓷的成像数据，并以此进行网络训练。利用树叶形状塑料泡沫成像，

对网络进行检验，得到的结果表明所提出的太赫兹成像复合算法可以提高太赫兹

扫描成像的质量和位移场精度，且具有不错的效果。

最后，本文针对平面应力场对THz-TDS光谱信号调制模型，开发了一种用

于太赫兹应力场分布图像的超分辨算法，通过网络串联实现参数训练。使用实际

实验数据，而并非以往的模拟数据或传统图片集训练，改善了基于THz-TDS进

行应力测量精度不足的问题，是太赫兹应力测量应用上的一个创新。将CNN、

MLP以及SRCNN相结合的复合网络，用于获得高质量的应力场。通过网络对太

赫兹信号以及太赫兹图像进行超分辨，最终获得高质量的基于THz-TDS扫描的

受力试件的应力分布图。网络整体分为三部分，第一部分是THz-CNN网络，第

二部分和第三部分是在前一个网络的基础上得来的。第一部分用于对太赫兹信号

矩阵进行训练，后两部分联合对太赫兹图像进行训练。该网络的第一部分获得的

信号矩阵可用于进行应力分布图像的计算，以此获得高质量应力分布图像。网络

第三部分获得的结果则是高分辨的太赫兹成像图。将构建的网络模型作用于实验

获得的太赫兹信号，并通过实验获得了氧化铝陶瓷的训练集。将实验获得的对径

受压圆盘放入到网络进行训练，对网络的效果进行检验。通过获得的应力分布图

像以及太赫兹成像图，并且求取的相关的评价指标，证明了本文网络的有效性，

可以使得应力分布图像质量获得提升。

综上所述，本文研究了适合于太赫兹扫描成像质量提高的复合算法，研究了

基于THz-TDS的应力测量的机器学习算法，得到了高精度位移场和高质量太赫

兹强度场图像、应力场分布图像，并进行了相应的实验验证。

关键词：太赫兹，THz-TDS，机器学习，质量增强，复合算法，场，应力场测

量

ABSTRACT

Terahertzimagingtechnologyhasgreatapplicationprospectsinnondestructive

testing,biomedicalimaging,safetytesting,astronomicalscienceandsoon.Terahertz

wavesarehighlypenetratin