A Migration-Assisted Deep Learning Scheme for Imaging Defects Inside Cylindrical Structures via GPR: A Case Study for Tree Trunks

Resumen Técnico: Un esquema de aprendizaje profundo asistido por migración para la imagen de defectos internos en estructuras cilíndricas mediante GPR

Planteamiento del Problema
El radar de penetración terrestre (GPR) es una herramienta crítica para la detección de defectos internos en estructuras cilíndricas como troncos de árboles, postes de servicios públicos y columnas de patrimonio cultural. Sin embargo, la obtención de imágenes de estos defectos presenta desafíos significativos que invalidan el procesamiento de señales tradicional y las técnicas de aprendizaje profundo (DL) existentes.

1. Desajuste Geométrico: Los modelos de DL convencionales (p. ej., MRF-UNet, PiNet) se entrenan en B-scans de superficies planas donde las hipérbolas de reflexión se alinean espacialmente con las ubicaciones de los objetivos. En el escaneo circunferencial de estructuras cilíndricas, las reflexiones forman patrones sinusoidales sin una correspondencia espacial directa con la ubicación del defecto, lo que provoca una degradación severa del rendimiento en los modelos estándar.
2. Clutter y Reflexiones Múltiples: Las capas internas y las superficies de la corteza generan reflexiones múltiples complejas y ruido ambiental, creando un clutter (ruido de fondo) que oscurece las firmas de los defectos.
3. Reconstrucción de Permitividad y Forma: Los métodos existentes tienen dificultades para reconstruir simultáneamente la forma precisa y la permitividad dieléctrica de los defectos. Los algoritmos basados en migración a menudo requieren pruebas iterativas sobre un rango de velocidades de onda para encontrar el enfoque óptimo, lo que es computacionalmente costoso. Además, las técnicas de autofocalización (AFT) basadas en la entropía convencionales suelen generar imágenes con distorsión geométrica, fallando en preservar la verdadera forma del defecto.
4. Limitaciones de los Enfoques de DL Actuales: Los enfoques híbridos que utilizan imágenes migradas como entradas auxiliares sufren el mismo problema de desalineación espacial y dependen de resultados de migración subóptimos generados por AFTs basadas en la entropía.

Metodología
Los autores proponen un marco de aprendizaje profundo asistido por migración de tres etapas, diseñado específicamente para el escaneo GPR circunferencial de objetos cilíndricos. El esquema integra el procesamiento de señales basado en la física con redes neuronales especializadas para lograr la reconstrucción en tiempo casi real de la forma y la permitividad del defecto.

1. Etapa 1: Estimación de Doble Permitividad (DPE-Net)

   • Objetivo: Estimar simultáneamente la permitividad equivalente del medio cilíndrico anfitrión ($\varepsilon_{r,medium}$) y la permitividad del defecto interno ($\varepsilon_{r,defect}$) directamente a partir de la B-scan cruda.
   • Arquitectura: La red utiliza un Módulo de Extracción de Características (FEM) basado en Bloques Residuales, un Módulo de Agregación de Características (FAM) para combinar características multinivel, y un Módulo de Atención de Bloque Convolucional (CBAM) para refinar la representación de las características.
   • Estrategia de Entrenamiento: Para generar las etiquetas de verdad de campo (ground truth) para $\varepsilon_{r,medium}$ durante el entrenamiento, se emplea una novedosa Técnica de Autofocalización (AFT) basada en el Índice de Similitud Estructural (SSIM). A diferencia de las AFT basadas en la entropía que favorecen la concentración de energía (lo que a menudo conduce a la distorsión geométrica), la AFT basada en SSIM selecciona la velocidad de migración que maximiza la similitud estructural entre la imagen migrada y una máscara de anillo que representa el límite del defecto. Esto asegura que la permitividad seleccionada preserve la fidelidad geométrica del defecto.

2. Etapa 2: Migración de Kirchhoff Modificada

   • Objetivo: Mapear las señales reflejadas del dominio de la B-scan al dominio de la imagen espacial.
   • Proceso: Utilizando la $\varepsilon_{r,medium}$ predicha por DPE-Net, se ejecuta una vez un algoritmo de migración de Kirchhoff modificado (migración de un solo paso o one-shot). Esto mapea las señales hacia los límites del defecto, reduciendo significativamente el costo computacional en comparación con las búsquedas iterativas de velocidad. El algoritmo utiliza un modelo de fuente explosiva (ESM) para aproximar la propagación de ida y vuelta como un problema de radiación de una sola vía.

3. Etapa 3: Reconstrucción de Forma (SR-Net)

   • Objetivo: Procesar la imagen migrada con clutter y reconstruir la geometría precisa del defecto.
   • Arquitectura: Una arquitectura U-Net mejorada que cuenta con conexiones ResPath entre el codificador y el decodificador para cerrar la brecha semántica entre las características de bajo y alto nivel. También emplea un decodificador basado en CBAM para ponderar dinámicamente las contribuciones de las características.
   • Salida: La red suprime el ruido y el clutter, entregando una máscara binaria limpia de la forma del defecto.

Reconstrucción Final: El mapa de defectos final se genera combinando la salida de la forma de SR-Net con el valor de la permitividad predicho por DPE-Net.

Contribuciones Clave

1. Marco Asistido por Migración: El artículo introduce un esquema novedoso que resuelve el cuello de botella del desajuste de dominio en el escaneo cilíndrico al desacoplar las tareas: la estimación de la permitividad se realiza en el dominio de la B-scan (donde se retienen las reflexiones dependientes del material), mientras que la recuperación de la forma se realiza en el dominio de la imagen migrada (donde la geometría espacial está correctamente alineada).
2. Autofocalización Basada en SSIM: Se desarrolla una nueva AFT que prioriza la fidelidad geométrica sobre la concentración de energía. Esto permite una estrategia de migración de "un solo paso" confiable, eliminando la necesidad de pruebas repetitivas de velocidad y proporcionando etiquetas de supervisión precisas para entrenar la red de estimación de permitividad.
3. Redes Especializadas por Dominio: El diseño de DPE-Net (con FAM y CBAM) y SR-Net (con ResPath y mecanismos de atención) aborda específicamente los desafíos de la agregación de características y las brechas semánticas en la imagen de defectos cilíndricos.
4. Validación Integral: El marco se valida a través de tres conjuntos de datos distintos: cilindros estratificados sintéticos, un modelo de tronco de laboratorio con degradación basada en suelo y muestras reales de troncos de árboles (tanto recién cortados como vivos).

Resultados

• Datos Sintéticos: El esquema propuesto superó a los métodos de DL existentes (PiNet, MRF-UNet, MultiPath-Net) en todas las métricas. Logró una Intersección sobre Unión (IoU) de 0.8906 y un SSIM de 0.9634, en comparación con puntuaciones significativamente más bajas de los modelos base. La AFT basada en SSIM redujo el Error Absoluto Medio (MAE) de la estimación de la permitividad a 0.24, frente a los 2.72 de la AFT basada en la entropía.
• Modelo de Laboratorio: En los datos de medición de un modelo de cubo lleno de arena con degradación artificial, el método propuesto mantuvo un rendimiento superior con un IoU de 0.7947, reconstruyendo con precisión formas irregulares (triángulos, trapecios) que otros métodos difuminaron o distorsionaron.
• Troncos de Árboles Reales: En pruebas en 21 muestras de troncos de árboles reales con defectos simulados, el esquema propuesto alcanzó el IoU promedio más alto (54.74%) y demostró una generalización robusta.
• Generalización (Zero-Shot y Árboles Vivos):
  • Zero-Shot: Los modelos entrenados únicamente con datos sintéticos se generalizaron con éxito a datos de mediciones reales sin ajuste fino (fine-tuning), logrando un IoU de 38.72%, superando significativamente a los modelos base.
  • Árboles Vivos: Las pruebas de generalización en árboles vivos con defectos desarrollados naturalmente (validados mediante tomografía sonora y resistencia de perforación) confirmaron la capacidad del método para localizar defectos con precisión. Aunque ocurrieron variaciones menores de intensidad debido a la variabilidad biológica, el método proporcionó consistentemente reconstrucciones interpretables donde la migración tradicional y la tomografía sonora fallaron en resolver los límites de los defectos.
• Eficiencia: El tiempo total de CPU para el marco propuesto fue de aproximadamente 20 segundos por muestra, ofreciendo una relación favorable entre precisión y velocidad en comparación con los métodos de migración iterativa (que tomaban ~89 segundos).

Significancia y Reivindicaciones
El artículo afirma presentar el primer marco de inversión de aprendizaje profundo, desplegable y consistente con la física, adaptado para la imagen de defectos internos mediante GPR en objetos cilíndricos. Su significancia radica en:

• Superar el Desajuste de Dominio: Abordar con éxito la desalineación espacial inherente al escaneo circunferencial, una limitación que ha obstaculizado la aplicación de los modelos de DL estándar a los troncos de árboles y columnas.
• Automatización Guiada por la Física: Integrar un paso de migración informado por la física con el aprendizaje profundo para automatizar la selección de parámetros de migración sin conocimiento estructural previo, permitiendo la imagen totalmente automatizada.
• Desplegabilidad Práctica: Demostrar la viabilidad del despliegue en campo mediante pruebas exitosas en árboles vivos, ofreciendo una herramienta no invasiva para evaluar la integridad estructural y prevenir la caída de árboles.
• Amplia Aplicabilidad: Aunque se centra en los troncos de los árboles, el principio subyacente es aplicable a otros escenarios de imagen GPR circunferencial, como postes de servicios públicos y columnas de patrimonio cultural.

Los autores reconocen las limitaciones respecto a la complejidad de la degradación natural, la variabilidad de la humedad y las geometrías no convexas, señalando que el trabajo futuro se centrará en expandir los conjuntos de datos y refinar el procesamiento de señales para formas irregulares. Sin embargo, los resultados actuales establecen una base robusta para la imagen de defectos en tiempo real y con precisión en estructuras cilíndricas.