Ticari Radar Platformlarıyla Tahribatsız Muayene için Sar Görüntüleme

Abstract

Ticari olarak temin edilebilen frekans modülasyonlu sürekli dalga (FMSD) milimetre dalga (mmDalga) radarları, mmDalga teknolojisindeki son gelişmelerle beraber radar görüntüleme uygulamalarında giderek daha popüler hale gelmiştir. mmDalga sensörlerinin derin penetrasyon ve yüksek çözünürlük yetenekleri sayesinde, mmDalga sensörlerini benimseyen sentetik açıklıklı radar (SAR) görüntüleme uygulamaları, tahribatsız muayenede (TM) kusur tespiti için büyük bir vaat taşımaktadır. Bununla birlikte, yüksek çözünürlüklü görüntüleme elde etmek için önerilen algoritmik, yapısal ve deneysel çözümler genellikle yüksek maliyet ve karmaşıklık sorunlarıyla sonuçlanmaktadır. Dahası, verimli işleme açısından optimize edilmiş sistem parametreleriyle düşük yansıtıcı malzemelerdeki asgari kusurları tespit etmek ve kusurlu nesnelerin otomatik tespiti yeterince ele alınmamaktadır. Bu tez, SAR görüntülerinden derin öğrenmeye dayalı otomatik kusur tespiti uygulamasını ve TM uygulamalarında kullanım için özel olarak optimize edilmiş sistem parametrelerine sahip yüksek çözünürlüklü ve uygun maliyetli iki boyutlu (2B) mmDalga SAR görüntüleme sistemini tanıtmaktadır. 77 ile 81 GHz arasında çalışan ticari olarak satılan (TOS) bir FMSD radar sensörüyle entegre edilmiş iki eksenli otonom bir tarayıcı inşa etmekteyiz. Deneysel ölçümler, radar sensörünün tek bir alıcı-verici çiftini kullanan bir laboratuvar ortamında gerçekleştirilmektedir. FMSD radar sinyal özellikleri, mekansal örnekleme aralıkları ve tarama açıklıkları dahil olmak üzere yeniden oluşturulan görüntü kalitesini etkileyen sistem parametreleri, yüksek çözünürlük ve düşük hesaplama karmaşıklığı elde etmek için optimize edilmiştir. Düşük yansıtıcı ve hasarlı olanlar dahil olmak üzere farklı tür ve boyutlardaki nesnelerin SAR görüntüleri elde edilmiş ve sistem parametrelerinin görüntü kalitesi üzerindeki etkisi araştırılmıştır. Hedef malzemenin bileşiminin SAR görüntüleme üzerindeki etkisiyle birlikte, hedefte görsel olarak tespit edilemeyen kusurların SAR görüntüleme yoluyla tespit edilebilme potansiyeli irdelenmiştir. Ayrıca, derin öğrenme uygulamaları aracılığıyla arızalı nesnelerin otomatik tespiti için eşleştirilmiş filtre tabanlı bir SAR görüntü veri kümesi oluşturma yöntemi önerilmiştir. Bu sayede gerçek SAR ölçümlerinden elde edilen geniş ve çeşitli SAR görüntüleri içeren bir veri seti oluşturulmuş ve derin öğrenme şemalarının TM uygulamalarına uyarlanması sağlanmıştır. Bulgular, önerilen sistemin düşük maliyetli, yüksek çözünürlüklü 2B SAR görüntüleme için ve düşük radar yansıtıcılığına sahip minyatür malzemelerdeki minimal kusurların tespiti için önemini göstermektedir.Commercially available frequency-modulated continuous-wave (FMCW) millimeter-wave (mmWave) radars have become increasingly popular in radar imaging applications, coinciding with the recent advancements of mmWave technology. Thanks to the deep penetration and high-resolution capabilities of mmWave sensors, synthetic aperture radar (SAR) imaging applications adopting mmWave sensors hold great promise for defect detection in non-destructive testing (NDT). Nevertheless, in order to attain high-resolution imaging, proposed algorithmic, structural, and experimental solutions typically result in high cost and complexity issues. Moreover, detecting minimal defects on low reflective materials with optimized system parameters in terms of efficient processing as well as the automatic detection of defective objects are insufficiently addressed. This thesis introduces a deep learning-based automatic defect detection implementation from SAR imagery along with a high-resolution and cost-effective two-dimensional (2D) mmWave SAR imaging system with system parameters specifically optimized for use in NDT applications. We build a two-axis autonomous scanner integrated with a commercial-off-the-shelf (COTS) FMCW radar sensor operating between 77 and 81 GHz. Experimental measurements are conducted in a laboratory environment employing a single transceiver pair of the radar sensor. The system parameters that affect the reconstructed image quality including FMCW radar signal characteristics, spatial sampling intervals, and scanning apertures are optimized to obtain high resolution and low computational complexity. SAR imageries of different types and sizes of objects including low-reflective and defective ones are acquired and the impact of the system parameters on the image quality are investigated. Along with the effect of the target material's composition on SAR imaging, the potential for detecting visually undetectable defects on the target through SAR imaging is explored. Furthermore, a matched filter-based SAR image dataset creation method is proposed for the automatic detection of defective objects via deep learning applications. By this means, a dataset containing a wide and diverse range of SAR images obtained from real SAR measurements has been created, enabling the adaptation of deep learning schemes to NDT applications. The findings demonstrate the significance of the proposed system for low-cost, high-resolution 2D SAR imaging and the detection of minimal defects on miniature materials with low radar reflectivity.