编辑推荐：
太赫兹技术为GFRP复合材料脱粘缺陷的定量表征提供新方法，但类不平衡数据导致传统模型分类精度与推理速度失衡。本文提出基于Ghost Bottleneck Attention Module Network（GBAMNet）的轻量级三维表征系统，通过引入Ghost层卷积与BAM模块降低计算成本，同时设计梯度调和机制（GHM Loss）缓解类不平衡问题，实验验证该系统在保持高分类精度的同时实现实时检测，有效推动THz无损检测的实际应用。
Xingyu Wang|Yafei Xu|Yuqing Cui|Wenkang Li|Rong Wang|Liuyang Zhang|Ruqiang Yan|Xuefeng Chen
西安交通大学机械工程学院，中国西安710049
摘要
太赫兹（THz）技术作为一种有前景的替代传统无损检测（NDT）的方法，在定量表征玻璃纤维增强聚合物（GFRP）复合材料中的脱粘缺陷方面展现出巨大潜力。然而，在智能识别复合材料内部的脱粘缺陷时，由于THz数据集的类别不平衡问题，导致检测精度降低，而传统的深度学习模型在平衡分类精度和推理速度方面存在困难。因此，本文提出了一种基于Ghost Bottleneck Attention Module Network（GBAMNet）的轻量级THz三维表征系统，用于处理类别不平衡的THz数据集，以实现GFRP内部隐藏脱粘缺陷的自动表征。Ghost层卷积和Bottleneck Attention Module（BAM）模块被专门设计用于以低计算成本捕获原始THz信号中的关键特征，从而实现实时、高精度的THz信号分类。引入了ghost特征因子s来控制Ghost层内线性变换生成的ghost特征映射数量，增加网络中的特征映射量，以最小的计算和参数开销增强表征能力。此外，梯度协调机制（GHM）损失函数通过动态调整每个样本的梯度权重来解决类别不平衡问题，实现平衡的梯度分布。通过一系列针对类别不平衡数据集的实验验证了GBAMNet在分类精度和推理速度方面的综合性能。总体而言，我们提出的系统将促进太赫兹无损检测（THz NDT）技术在自动和实时缺陷表征方面的实际应用。
引言
由于具有出色的强度、轻质结构、耐腐蚀性和耐磨性，纤维增强聚合物复合材料，特别是GFRP，在航空航天和汽车领域得到广泛应用[1]、[2]。然而，制造缺陷如孔隙率和树脂分布不均匀会降低界面粘附力并引入隐藏缺陷[3]。在使用过程中，局部或集中载荷可能引发界面脱粘缺陷，危及结构完整性，甚至导致灾难性故障。此外，湿度和温度波动在长期暴露于潮湿环境或极端温度下会进一步促进脱粘[4]。传统的无损检测技术，包括超声波检测[5]、红外热成像[6]和X射线成像[7]、[8]，虽然取得了显著成果，但在工业应用中也存在实际限制，例如依赖于耦合剂、对环境温度条件敏感或涉及辐射安全要求。因此，寻找一种安全可靠的NDT方法来检测GFRP中的脱粘缺陷至关重要。
太赫兹波位于微波和红外波之间，频率范围从0.1到10 THz[9]、[10]。这一独特的频率范围赋予了太赫兹波独特的物理特性，如卓越的穿透能力、更高的分辨率和强大的安全性，从而在NDT领域受到了广泛关注[11]、[12]。利用其在非极性材料中的卓越穿透能力，太赫兹NDT技术[10]已被广泛用于检测复合材料、陶瓷和涂层[13]。例如，Stoik等人[14]、[15]应用太赫兹NDT技术评估了航空复合材料并成功识别了损伤。尽管取得了这些进展，太赫兹NDT技术在自动和实时表征方面仍面临重大挑战。原始信号容易受到设备噪声、环境干扰、多次反射和太赫兹检测过程中的色散等复杂因素的影响[16]。原始信号还受到复合干扰的影响，包括仪器噪声、环境漂移、频率依赖的色散以及多层界面的多次反射。这些效应可能会掩盖显著的缺陷特征并降低对比度，从而使得可靠检测和识别变得复杂。信号处理方法[17]、[18]已被用来从原始THz信号中提取有用特征，但这些方法依赖于手动设计的特征提取器和专业知识，导致耗时较长，最终无法满足工业检测对自动和实时检测的需求。
最近，机器学习算法在太赫兹NDT中得到了广泛应用，实现了有价值特征的自动提取，并提高了信号分析的效率和准确性。例如，Brook等人[19]、[20]依次应用了向量量化、期望最大化和贝叶斯决策规则，将特征量化、参数学习和空间连贯推理统一到一个端到端的过程中，用于检测和定位复合材料中的内部缺陷。这项开创性工作在航空复合材料的无损检测中实现了高检测率和低误报率。然而，传统的机器学习算法依赖于手动设计的特征提取，这需要领域专业知识和经验，从而增加了模型构建的复杂性。作为机器学习的一个专门分支，深度学习算法通过从前端到后端的信息流支持端到端学习，简化了复杂任务的处理流程[21]、[22]。目前，一些研究人员已采用深度学习算法进行太赫兹NDT，以评估复合材料的健康状况[23]、[24]。例如，Zhu等人[25]率先将太赫兹超分辨率生成对抗网络（THz-SRGAN）应用于太赫兹成像，开发了一种特定于太赫兹的Richardson–Lucy超分辨率重建方法，实现了迄今为止报道的最大空间分辨率提升。Kim等人[26]采用基于卷积神经网络（CNN）的太赫兹信号处理方法，定量区分GFRP复合材料中的微缺陷。Liu等人[27]提出了一种基于Transformer的神经网络，用于全面表征石英纤维增强聚合物中的预嵌入分层缺陷。然而，由于应力分布和环境因素的变化，GFRP在不同深度发生的脱粘缺陷的概率和程度各不相同。其中一个原因是GFRP在时变幅度和方向下受到应力作用，可能导致应力分布不均匀，从而产生不同大小的缺陷。因此，对于GFRP脱粘缺陷的太赫兹信号，其特征存在固有的类别不平衡问题。因此，选择合适的深度学习模型架构并对不平衡的THz信号数据集进行优化对于太赫兹NDT的实际应用至关重要。
在本文中，我们开发了一种针对类别不平衡THz数据集的轻量级THz三维表征系统，能够自动实时表征GFRP中的隐藏脱粘缺陷。为了在分类精度和推理速度之间保持平衡，我们提出了基于轻量化和性能增强策略的GBAMNet。与其他深度学习算法相比，GBAMNet能够在类别不平衡条件下保持精度和速度的平衡。此外，为了实现高效的成像分辨率，我们引入了一种基于定位结果的类别编码策略来可视化脱粘缺陷。总之，这种轻量级THz表征系统在分类精度和推理速度方面都得到了显著提升，有助于实现工业应用中的轻量级THz NDT系统自动化缺陷表征。
方法部分
方法论
在本节中，我们建立了一个基于太赫兹时域光谱（THz-TDS）系统和GBAMNet的自动化GFRP脱粘缺陷表征系统。如图1所示，该系统包括三个步骤：数据集构建、模型训练和验证以及脱粘缺陷定位和成像。
在数据集构建过程中，使用THz-TDS系统对含有内部脱粘的GFRP样品进行逐点扫描
评估指标
我们在PyCharm Community上采用了16的批量大小，以在内存消耗和并行计算效率之间取得平衡。计算操作由Intel(R) Xeon(R) Gold 6148 CPU（时钟速度为2.40 GHz）完成，并配备了256 GB的RAM用于数据处理。GPU为NVIDIA GeForce RTX 3090。经过100个周期的学习和调整，模型逐步优化以达到最佳精度。随机梯度下降（SGD）被用作优化算法
结论
本文使用THz-TDS系统对含有不同深度内部脱粘缺陷的GFRP样品进行逐点扫描，捕获太赫兹信号。然后，提出了一种基于GBAM框架和THz-TDS系统的轻量级3D表征系统，在类别不平衡条件下完成多类分类任务。Ghost层卷积和BAM模块被专门设计用于从原始太赫兹信号中捕获关键特征
CRediT作者贡献声明
Xingyu Wang：可视化、软件开发、方法论、形式分析、数据整理。Yafei Xu：验证、资金获取。Yuqing Cui：可视化、方法论、数据整理。Wenkang Li：可视化。Rong Wang：可视化。Liuyang Zhang：写作——审稿与编辑、监督、项目管理、调查。Ruqiang Yan：写作——审稿与编辑。Xuefeng Chen：监督。
利益冲突声明
作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。
致谢
本研究得到了国家自然科学基金（项目编号：52175115）对Liuyang Zhang的支持，以及中国博士后科学基金（项目编号：2023M740922）、中国博士后研究人员计划（项目编号：GZB20230953）、国家自然科学基金（项目编号：52405587）、河南省科技研究项目（项目编号：252102220054）对Yafei Xu的支持。
