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

Resumo Técnico: Um Esquema de Aprendizado Profundo Assistido por Migração para Imagem de Defeitos Internos em Estruturas Cilíndricas via GPR

Definição do Problema
O radar de penetração no solo (GPR) é uma ferramenta crítica para detectar defeitos internos em estruturas cilíndricas, como troncos de árvores, postes de utilidade pública e colunas de patrimônio cultural. No entanto, a imagem desses defeitos apresenta desafios significativos que tornam as técnicas tradicionais de processamento de sinais e as técnicas existentes de aprendizado profundo (DL) ineficazes.

1. Desajuste Geométrico: Modelos de DL convencionais (ex: MRF-UNet, PiNet) são treinados em B-scans de superfícies planas, onde as hipérboles de reflexão se alinham espacialmente com a localização do alvo. Na varredura circunferencial de estruturas cilíndricas, as reflexões formam padrões sinusoidais sem correspondência espacial direta com a localização do defeito, causando uma severa degradação de desempenho nos modelos padrão.
2. Clutter e Reflexões Múltiplas: Camadas internas e superfícies de casca geram reflexões múltiplas complexas e ruído ambiental, criando clutter que obscurece as assinaturas dos defeitos.
3. Reconstrução de Permissividade e Forma: Métodos existentes têm dificuldade em reconstruir simultaneamente a forma precisa e a permissividade dielétrica dos defeitos. Algoritmos baseados em migração frequentemente exigem tentativas iterativas sobre uma gama de velocidades de onda para encontrar o foco ideal, o que é computacionalmente caro. Além disso, técnicas de autofocalização (AFTs) baseadas em entropia convencionais frequentemente produzem imagens geometricamente distorcidas, falhando em preservar a verdadeira forma do defeito.
4. Limitações das Abordagens Atuais de DL: Abordagens híbridas que utilizam imagens migradas como entradas auxiliares sofrem do mesmo problema de desalinhamento espacial e dependem de resultados de migração subótimos gerados por AFTs baseadas em entropia.

Metodologia
Os autores propõem um framework de aprendizado profundo assistido por migração em três estágios, projetado especificamente para a varredura circunferencial de objetos cilíndricos via GPR. O esquema integra o processamento de sinais baseado em física com redes neurais especializadas para alcançar a reconstrução quase em tempo real da forma e da permissividade do defeito.

1. Estágio 1: Estimativa de Dupla Permissividade (DPE-Net)

   • Objetivo: Estimar simultaneamente a permissividade equivalente do meio cilíndrico hospedeiro ($\varepsilon_{r,medium}$) e a permissividade do defeito interno ($\varepsilon_{r,defect}$) diretamente a partir do B-scan bruto.
   • Arquitetura: A rede utiliza um Módulo de Extração de Características (FEM) baseado em Blocos Residuais, um Módulo de Agregação de Características (FAM) para combinar características de múltiplos níveis, e um Módulo de Atenção de Bloco Convolucional (CBAM) para refinar a representação das características.
   • Estratégia de Treinamento: Para gerar rótulos de verdade fundamental (ground truth) para $\varepsilon_{r,medium}$ durante o treinamento, é empregada uma nova Técnica de Autofocalização (AFT) baseada no Índice de Similaridade Estrutural (SSIM). Diferente das AFTs baseadas em entropia que favorecem a concentração de energia (frequentemente levando à distorção geométrica), a AFT baseada em SSIM seleciona a velocidade de migração que maximiza a similaridade estrutural entre a imagem migrada e uma máscara de anel que representa o limite do defeito. Isso garante que a permissividade selecionada preserve a fidelidade geométrica do defeio.

2. Estágio 2: Migração de Kirchhoff Modificada

   • Objetivo: Mapear os sinais refletidos do domínio B-scan para o domínio de imagem espacial.
   • Processo: Utilizando o $\varepsilon_{r,medium}$ previsto pela DPE-Net, uma migração de Kirchhoff modificada é executada uma única vez (migração one-shot). Isso mapeia os sinais para os limites do defeito, reduzindo significativamente o custo computacional em comparação com buscas iterativas de velocidade. O algoritmo utiliza um modelo de fonte explosiva (ESM) para aproximar a propagação de ida e volta como um problema de radiação de via única.

3. Estágio 3: Reconstrução de Forma (SR-Net)

   • Objetivo: Processar a imagem migrada com clutter e reconstruir a geometria precisa do defeito.
   • Arquitetura: Uma arquitetura U-Net aprimorada apresentando conexões ResPath entre o codificador e o decodificador para preencher a lacuna semântica entre características de baixo e alto nível. Também emprega um decodificador baseado em CBAM para ponderar dinamicamente as contribuições das características.
   • Saída: A rede suprime o ruído e o clutter, produzindo uma máscara binária limpa da forma do defeito.

Reconstrução Final: O mapa final do defeito é gerado combinando a saída de forma da SR-Net com o valor de permissividade previsto pela DPE-Net.

Principais Contribuições

1. Framework Assistido por Migração: O artigo introduz um novo esquema que resolve o gargalo de desajuste de domínio na varredura circunferencial, desacoplando as tarefas: a estimativa de permissividade é realizada no domínio B-scan (onde as reflexões dependentes do material são retidas), enquanto a recuperação da forma é realizada no domínio da imagem migrada (onde a geometria espacial está corretamente alinhada).
2. Autofocalização Baseada em SSIM: Uma nova AFT é desenvolvida que prioriza a fidelidade geométrica sobre a concentração de energia. Isso permite uma estratégia de migração "one-shot" confiável, eliminando a necessidade de tentativas repetitivas de velocidade e fornecendo rótulos de supervisão precisos para a rede de estimativa de permissividade.
3. Redes Especializadas de Domínio: O design da DPE-Net (com FAM e CBAM) e da SR-Net (com ResPath e mecanismos de atenção) aborda especificamente os desafios de agregação de características e lacunas semânticas na imagem de defeitos cilíndricos.
4. Validação Abrangente: O framework é validado através de três conjuntos de dados distintos: cilindros em camadas sintéticas, um modelo de tronco laboratorial com decaimento baseado em solo e amostras reais de troncos de árvores (tanto cortadas recentemente quanto vivas).

Resultos

• Dados Sintéticos: O esquema proposto superou os métodos de DL existentes (PiNet, MRF-UNet, MultiPath-Net) em todas as métricas. Alcançou uma Interseção sobre União (IoU) de 0,8906 e um SSIM de 0,9634, comparado a pontuações significativamente menores para os modelos de base. A AFT baseada em SSIM reduziu o Erro Médio Absoluto (MAE) da estimativa de permissividade para 0,24, comparado a 2,72 para a AFT baseada em entropia.
• Modelo Laboratorial: Nos dados de medição de um modelo de balde preenchido com areia com decaimento artificial, o método proposto manteve desempenho superior com um IoU de 0,7947, reconstruindo com precisão formas irregulares (triângulos, trapézios) que outros métodos borraram ou distorceram.
• Troncos de Árvores Reais: Em testes em 21 amostras de troncos de árvores reais com defeitos simulados, o esquema proposto alcançou o maior IoU médio (54,74%) e demonstrou generalização robusta.
• Generalização (Zero-Shot & Árvores Vivas):
  • Zero-Shot: Modelos treinados apenas com dados sintéticos generalizaram com sucesso para dados de medição reais sem ajuste fino, alcançando um IoU de 38,72%, superando significativamente os modelos de base.
  • Árvores Vivas: Testes de generalização em árvores vivas com defeitos naturalmente desenvolvidos (validados via tomografia sonora e resistência de perfuração) confirmaram a capacidade do método de localizar defeitos com precisão. Embora tenham ocorrido pequenas variações de intensidade devido à variabilidade biológica, o método forneceu consistentemente reconstruções interpretáveis onde a migração tradicional e a tomografia sonora falharam em resolver os limites dos defeitos.
• Eficiência: O tempo total de CPU para o framework proposto foi de aproximadamente 20 segundos por amostra, oferecendo uma relação favorável entre precisão e velocidade em comparação com os métodos de migração iterativa (que levaram ~89 segundos).

Significância e Alegações
O artigo alega apresentar o primeiro framework de inversão de aprendizado profundo consistente com a física e implantável, adaptado para a imagem de defeitos internos via GPR em objetos cilíndricos. Sua significância reside em:

• Superar o Desajuste de Domínio: Resolver com sucesso o desalinhamento espacial inerente à varredura circunferencial, uma limitação que tem dificultado a aplicação de modelos de DL padrão para troncos de árvores e colunas.
• Automação Guiada pela Física: Integrar um passo de migração informado pela física com o aprendizado profundo para automatizar a seleção de parâmetros de migração sem conhecimento estrutural prévio, permitindo o imageamento totalmente automatizado.
• Implantabilidade Prática: Demonstrar a viabilidade para implantação em campo através de testes bem-sucedidos em árvores vivas, oferecendo uma ferramenta não invasiva para avaliar a integridade estrutural e prevenir a queda de árvores.
• Ampla Aplicabilidade: Embora focado em troncos de árvores, o princípio subjacente é aplicável a outros cenários de imagem GPR circunferencial, como postes de utilidade pública e colunas de patrimônio cultural.

Os autores reconhecem limitações relativas à complexidade do decaimento natural, variabilidade de umidade e geometrias não convexas, observando que trabalhos futuros se concentrarão em expandir os conjuntos de dados e refinar o processamento de sinais para formas irregulares. No entanto, os resultados atuais estabelecem uma base robusta para a imagem de defeitos em estruturas cilíndricas de forma precisa e em tempo real.