A Deep Learning-Augmented Stand-off Radar Scheme for Rapidly Detecting Tree Defects

树木缺陷检测对于树木结构健康筛查至关重要。现有的树木缺陷非破坏性测试（NDT）技术需要耗费大量时间和人力进行测量，这阻碍了它们在管理城市树木整体人口常规结构健康筛查中的应用。为了解决这个问题，本研究提出了一种深度学习增强的远离雷达方案，用于非接触式扫描树干和快速检测树木缺陷。在这个方案中，天线沿着距离树干的直线轨迹移动，获取树干的B扫描图。然后，所获得的原始B扫描图通过一个专门开发用于揭示B扫描图中缺陷散射特征的信号处理框架进行处理，该框架使得测量数据的信杂比和噪声比分别提高了30 dB和22 dB。最后，处理后的B扫描图被输入到一个特别设计用于实时提取处理后B扫描图中缺陷特征的多级特征融合神经网络中。该方案应用于检测真实鲜切树干的缺陷检测表明，远离雷达方案可以以96%的准确率检测树木缺陷。这种远离雷达方案是第一种非接触式NDT技术，用于树木缺陷检测，同时在直线轨迹上操作，潜在地可以集成到城市树木管理的常规树木检查工作流程中。

本论文试图解决树木结构健康筛查中树木缺陷检测的问题。现有的非破坏性测试技术需要耗费大量时间和人力，不适用于对大量管理城市树木进行例行结构健康筛查。

本论文提出了一种深度学习辅助的远离式雷达方案，用于树干的非接触式扫描和快速检测树木缺陷。该方案的关键思路是：通过在距离树干一定距离的直线轨迹上移动天线来获取树干的B扫描图像，然后通过信号处理框架处理原始的B扫描图像，以揭示B扫描图像中缺陷的散射特征。最后，将处理后的B扫描图像输入到多级特征融合神经网络中，以实时提取处理后的B扫描图像中缺陷的特征。

本论文的亮点包括：该方案是第一个在直线轨迹上操作的非接触式NDT技术，可以检测到树木缺陷的96%；通过信号处理框架的处理，可以使树干样本和活树的测量数据的信噪比分别提高30 dB和22 dB；实验使用了真实的鲜切树干数据集进行测试，证明了该方案的有效性。

最近在这个领域中，还有一些相关的研究，如：《基于机器学习的树木缺陷检测方法》、《基于声学波的树木缺陷检测技术研究》等。