Рейтинг@Mail.ru




Исследование методов восстановления радиоголограмм в различных приложениях технологии радиовидения


Радиовидение — метод интроскопии, позволяющий с помощью радиоволн визуально изучать внутреннее строение объектов, непрозрачных в оптическом диапазоне волн и наблюдать объекты, находящиеся в оптически непрозрачной среде. В данном проекте рассматриваться только системы ближнего радиуса действия.

Актуальность исследования связана с постепенным расширением списка прикладных областей, где становятся востребованными системы ближнего радиовидения (рассматриваемые в данном проекте), и, соответственно, ростом интереса к ним. Среди практических областей применения можно выделить следующие: подповерхностная радиолокация (поиск средств технической разведки; неразрушающий контроль диэлектрических композиционных материалов, применяемых в авиационной и ракетно-космической отраслях; диагностика строительных конструкций и объектов культурного наследия; поиск мин в операциях по гуманитарному разминированию); обеспечение безопасности в аэропортах и других местах массового скопления людей (поиск запрещенных к проносу предметов, спрятанных под одеждой); микроволновая томография (раннее выявление рака молочной железы; диагностика опухолей головного мозга, обследование конечностей и др.).

Результатом исследования с использованием технологии радиовидения является видимое изображение объекта, скрытого за непрозрачной в оптическом диапазоне преградой (либо изображение внутренней структуры объекта). Данное изображение строится путем восстановления рассеянного объектом электромагнитного поля (называемого радиоголограммой), зарегистрированного с помощью некоторой радиосистемы. Для решения этой обратной задачи существует целый ряд методов, но в большинстве случаев каждый исследователь (коллектив исследователей) использует для решения конкретной задачи только один метод, выбранный либо по совету коллег, либо по результатам анализа литературы.

Данное теоретическое и экспериментальное исследование посвящено систематизации, оптимизации, определению областей применения и выбору оптимальных параметров методов восстановления радиоголограмм в различных задачах радиовидения. Оно поможет новым исследователям, планирующим использовать технологию радиовидения для решения своих задач, сориентироваться в огромном многообразии существующих методов и подходов.

Аннотация отчета за 2019 год:

Основная задача данного этапа проекта — сравнение трех методов восстановления радиоголограмм применительно к подповерхностной радиолокации: №1 — обратных проекций, №2 — Гаусса–Ньютона, №3 — обратного распространения. Сравнение выполнялось путем применения каждого из методов к одним и тем же радиоголограммам, полученным как методом численного моделирования, так и экспериментально.

Для возможности сравнения восстановленных радиоизображений не только визуально, но и численно, предложен критерий, в соответствии с которым чем меньше значение интеграла от модуля восстановленного радиоизображения, нормированного на максимальное значение, тем выше качество радиоизображения.

По результатам численных и физических экспериментов можно сделать следующие выводы.

Если радиоголограмма зарегистрирована на регулярной сетке с шагом, не превышающем половины длины волны зондирующего сигнала, и уровень шума невелик (отношение сигнал/шум > ~20 дБ), то все методы обеспечивают примерно одинаковое качество радиоизображений, при этом быстродействие метода №3, основанного на быстром преобразовании Фурье, на два порядка выше, чем у двух других методов.

При увеличении уровня шума лучшие результаты показывает метод №2, причем, чем больше уровень шума, тем больше выигрыш. Также этот метод выигрывает при обработке радиоголограмм, зарегистрированных на регулярной сетке с шагом, большим половины длины волны, а также на нерегулярной сетке. В этих случаях метод №1 показывает промежуточные результаты, а метод №3 — худшие.

В случае разреженных выборок (как регулярных, так и нерегулярных) интерполяция исходных данных на регулярную сетку с мелким шагом позволяет существенно улучшить результаты всех методов.

Существенным недостатком метода №2 является его высокая требовательность к оперативной памяти компьютера, на котором производятся вычисления, а также низкое быстродействие. При обработке радиоголограмм с большим количеством выборок, для вычислений может потребоваться больше памяти, чем установлено в компьютере, при этом время вычислений возрастет многократно из-за непрерывного обмена данными с жестким диском, либо расчеты провести будет вообще невозможно. В этом случае хорошей альтернативой может быть метод №1, который предъявляет самые низкие требования к оперативной памяти, при этом показывает несколько худшие, но вполне приемлемые результаты.

Кроме этого, разработан оптимизационный метод подбора положений антенных элементов в мультистатических антенных решетках, позволяющих минимизировать количество антенных элементов при сохранении качества получаемых радиолокационной системой радиоизображений. На языке программирования Python был написан класс, оптимизирующий положения передающих и приемных антенных элементов для получения наилучшего результата восстановления. Критерием качества восстановления является сумма всех абсолютных значений нормированной на единицу функции неопределенности, представляющей собой результат восстановления радиоголограммы точечного объекта.

Аннотация отчета за 2020 год:

Радиовидение — метод интроскопии, позволяющий с помощью радиоволн визуально изучать внутреннее строение объектов, непрозрачных в оптическом диапазоне волн и наблюдать объекты, находящиеся в оптически непрозрачной среде. Результатом исследования с использованием технологии радиовидения является видимое изображение объекта, скрытого за непрозрачной в оптическом диапазоне преградой (либо изображение внутренней структуры объекта). Данное изображение строится путем восстановления рассеянного объектом электромагнитного поля (называемого радиоголограммой), зарегистрированного с помощью некоторой радиосистемы.

Для восстановления радиоголограмм существует целый ряд методов. Данный проект посвящен сравнению разных методов восстановления радиоголограмм при их применении для в различных областях радиовидения.

На прошлом (первом) этапе выполнения проекта были выбраны и программно реализованы следующие методы: метод обратного распространения, метод обратных проекций, метод Гаусса–Ньютона, метод аппаратной функции. Несмотря на то что основное достоинство метода аппаратной функции должно заключаться в использовании при восстановлении аппаратной функции конкретного прибора, данный метод при предварительном тестировании на экспериментальных данных проиграл первым трем методам, поэтому было принято решение в дальнейших исследованиях его не использовать.

На данном этапе проекта был дополнительно разработан нейросетевой метод восстановления радиоголограмм, который на данных математического моделирования продемонстрировал способность получать радиоизображений с лучшим разрешением, чем первые три метода. При этом было показано, что нейросеть действительно обучается, а не просто запоминает данные из обучающей выборки: после обучения на одиночных точечных объектах она способна восстанавливать радиоголограммы пространственно-протяженных сплошных объектов.

Основная задача данного этапа заключалась в сравнении методов на экспериментальных данных. Так как в текущей реализации нейросетевой метод способен восстанавливать радиоизображения объектов, расположенных на известной с высокой точностью глубине, в экспериментальном сравнении он не участвовал. Сравнение осуществлялось на образцах композиционных изделий в диапазоне частот 22.2–26.2 ГГц, а также на специально изготовленном стенде из листов гипсокартона с заложенной под них вырезанной из алюминиевой фольги буквы R в трех частотных диапазонах: 3.6–4.0, 6.4–6.8, 13.8–14.6 ГГц. Во всех случаях все три метода показали практически одинаковое качество восстановления, при том что метод обратного распространения, основанный на быстром преобразовании Фурье, превосходит остальные два метода как минимум на два порядка.

Также было выполнено сравнение методов на разреженных данных, полученных как с помощью компьютерного моделирования, так и экспериментально. Для получения разреженных данных подповерхностный радиолокатор был снабжен системой слежения за датчиком по видеоизображению, получаемому стандартной web-камерой. По результатам сравнения все три метода снова показали схожие результаты. Кроме этого, было показано, что разреженное сканирование позволяет повысить производительность обследования почти на порядок.

По результатам всех проведенных экспериментов были сформулированы по выбору наиболее подходящих методов восстановления радиоголограмм для различных условий. Метод обратных проекций является универсальным методом, к тому же он прост в реализации. Он позволяет восстанавливать радиоголограммы, зарегистрированные как с помощью моностатической антенной системы, так и с помощью мультистатической. При этом область регистрации может быть плоской, цилиндрической, и вообще иметь произвольную форму. Метод Гаусса–Ньютона также может работать при любой конфигурации антенной системы. Основным достоинством метода является возможность учитывать геометрию зондирования, что позволяет восстанавливать радиоголограммы, зарегистрированные не только на средах, представляющих собой однородное полупространство, но и на более сложных. Метод обратного распространения хорошо подходит для восстановления радиоголограмм, зарегистрированных на эквидистантной пространственной сетке. В силу того, что он реализован с помощью быстрого преобразования Фурье, он как минимум на два порядка превосходит два предыдущих метода по быстродействию.

Материал, в научно-популярной форме иллюстрирующий основные результаты проекта, полученные в 2019 году

Материал, в научно-популярной форме иллюстрирующий основные результаты проекта, полученные в 2020 году

Публикации по проекту:

  1. Разевиг В.В., Ивашов А.И., Бугаев А.С., Журавлев А.В. Теоретическое и экспериментальное сравнение различных методов восстановления радиоголограмм в подповерхностной радиолокации // Радиотехника. 2020. Т. 84. № 1(2). С. 62?72. DOI: 10.18127/j00338486-202001(02)-07.


© RSLab, 1999-2021 Тел.: (499) 263-6509, (495) 632-2219
Моб.: 8-903-687-2291
E-mail: sivashov@rslab.ru