Compressed Sensing e Super-Risoluzione per l'Imaging Strutturale basato su Onde Guidate

L'attività verte sull'integrazione di metodologie di compressione dati e tecniche di super-risoluzione applicate al monitoraggio dell'integrità strutturale (SHM) mediante onde guidate, dove i segnali sono acquisiti e analizzati come campo d'onda (wavefield). La finalità principale risiede nella super-risoluzione (SR) di immagini a partire da un input compresso, per ridurre l'elevata densità di punti di misura richiesta per una caratterizzazione spaziale dettagliata delle strutture, problema che può tradursi in tempi di scansione ed elaborazione eccessivamente prolungati. La soluzione risiede nell'elaborazione di un numero di punti minore per ciascun frame e nell'ottenimento di una SR degli stessi sfruttando modelli neurali. Sono state adottate due reti neurali per ottenere la SR ricercata: Super Resolution Convolutional Neural Network (SRCNN) e Very Deep Super Resolution (VDSR). La prima è una rete convoluzionale a soli 3 strati mentre la seconda è profonda con 20 livelli. In termini numerici, a partire da un'immagine degradata con fattore di compressione del 30% circa, ovvero l'output del processo di ricostruzione dei dati compressi in modo convenzionale, la SRCNN ottiene un Peak Signal to Noise Ratio (PSNR) pari a 19.23dB mentre la VDSR migliora questo parametro a 19.63dB. Inoltre, la VDSR mantiene errori di Mean Absolute Error (MAE) e Mean Squared Error (MSE) pari rispettivamente a 8.14e-02 e 1.09e-02 contro i valori più alti della SRCNN, pari a 8.48e-02 e 1.19e-02. Le analisi sono state svolte esplorando differenti tassi di compressione, dal 50% al 15% circa di dati residui rispetto al totale di partenza. La rete più profonda riesce a ricostruire i fronti d'onda dell'immagine anche con un sottocampionamento del 15%, mentre la SRCNN non è in grado per la sua limitata complessità strutturale. Il tasso del 30% indica il primo valore dal quale la VDSR inizia ad avere una ricostruzione migliore rispetto alla SRCNN.