湖南大學(xué)：機器學(xué)習(xí)在相控陣超聲無損檢測中的應(yīng)用進展與融合挑戰(zhàn)

相控陣超聲檢測（PAUT）是工業(yè)裝備“健康體檢”的核心技術(shù)，憑借陣列探頭的靈活波束控制，可精準檢測金屬、復(fù)合材料等構(gòu)件內(nèi)部缺陷，輸出A掃、B掃、C掃、S掃及三維體數(shù)據(jù)等多模態(tài)信號。但這些信號需經(jīng)驗豐富的工程師逐張判讀，存在效率低、主觀誤判、漏檢等短板，難以適配規(guī)?；a(chǎn)需求。

機器學(xué)習(xí)的發(fā)展為PAUT智能化提供了支撐：早期自動化處理依賴人工設(shè)計算法與統(tǒng)計方法，適配性有限；傳統(tǒng)機器學(xué)習(xí)需人工提取信號特征，在復(fù)雜場景下性能不足；深度學(xué)習(xí)可自主挖掘缺陷特征，CNN、YOLO、Mask R-CNN等模型在PAUT成像優(yōu)化、缺陷檢測中成效顯著，但存在標注數(shù)據(jù)稀缺、模型可解釋性差等問題。

現(xiàn)有綜述多聚焦超聲檢測與機器學(xué)習(xí)的泛化融合，缺乏針對PAUT多模態(tài)信號的專用梳理。為此湖南大學(xué)的科研人員系統(tǒng)總結(jié)了機器學(xué)習(xí)在PAUT成像優(yōu)化、缺陷檢測與表征、數(shù)據(jù)生成三大核心方向的研究進展，分析了現(xiàn)存挑戰(zhàn)并展望了未來趨勢。

圖1 機器學(xué)習(xí)在相控陣超聲檢測（PAUT）領(lǐng)域的進展概述，涵蓋相控陣超聲成像、缺陷檢測與表征以及數(shù)據(jù)生成

PAUT的基礎(chǔ)概述

想要看懂機器學(xué)習(xí)如何“賦能”PAUT，首先得搞明白：PAUT是怎么“看透”構(gòu)件內(nèi)部的？它輸出的“檢測信號”又是什么意思？圖2展示了PAUT探頭、成像方法和數(shù)據(jù)格式的模式。

圖2 (a) 探頭形式；(b) 成像方法

1

PAUT成像方式

PAUT成像分為實時成像與后處理成像兩類，適配不同檢測場景。實時成像邊掃邊出圖，適合快速排查，主要包括線性掃描（效率高，適配平面零件）、扇形掃描（角度靈活，適配焊縫等復(fù)雜結(jié)構(gòu)）、動態(tài)深度聚焦（實現(xiàn)全深度清晰成像）。

后處理成像先存儲原始數(shù)據(jù)再精修，適配高精度檢測需求：全聚焦法（TFM）為行業(yè)金標準，精度高但計算量大；時間反演成像可突破瑞利判據(jù)，清晰顯示超小缺陷；相位相干成像（PCI）利用相位信息抑制噪聲，適配低信噪比場景；平面波成像（PWI）幀率高，結(jié)合TFM可兼顧速度與精度。

2

PAUT數(shù)據(jù)表示形式

PAUT輸出數(shù)據(jù)分為三類：一維A掃信號（波形圖，反映缺陷深度與大?。?；二維圖像（B掃展示缺陷縱向形態(tài)、C掃展示平面位置、S掃適配復(fù)雜區(qū)域檢測）；三維體數(shù)據(jù)（堆疊二維圖像形成立體模型，直觀呈現(xiàn)缺陷空間形態(tài)）。

圖3 PAUT數(shù)據(jù)格式

PAUT的前沿機器學(xué)習(xí)方法

如果說PAUT是“工業(yè)體檢儀”，那機器學(xué)習(xí)就是給它裝上的“智能大腦”——不用人工干預(yù)，就能自動處理數(shù)據(jù)、識別缺陷、優(yōu)化成像。目前，機器學(xué)習(xí)在PAUT中的應(yīng)用，主要聚焦三大方向：成像優(yōu)化、缺陷檢測與表征、數(shù)據(jù)生成，三者環(huán)環(huán)相扣，共同提升檢測的智能化水平。

1

相控陣超聲成像：

讓“模糊圖像”變“超清大片”

傳統(tǒng)PAUT成像存在計算量大、分辨率不足、噪聲偽影干擾等問題，機器學(xué)習(xí)通過兩種方式優(yōu)化：

一是嵌入成像流程，Luiken等用U-Net自監(jiān)督去噪模型去除同步發(fā)射引入的噪聲；Pilikos等構(gòu)建端到端網(wǎng)絡(luò)，整合數(shù)據(jù)預(yù)處理、波束形成與后處理；FMC-Net可直接從FMC原始數(shù)據(jù)重建高分辨率圖像，優(yōu)于傳統(tǒng)算法；Molinier等用GAN從單平面波數(shù)據(jù)生成類TFM圖像，兼顧效率與精度。

二是成像后處理，Gao等用半監(jiān)督CycleGAN實現(xiàn)TFM圖像超分辨率增強，Zhang等用兩階段網(wǎng)絡(luò)定位并細化缺陷輪廓。

圖4 FMC-Net高分辨率超聲成像架構(gòu)與不同算法成像效果對比

(a) 用于處理FMC數(shù)據(jù)的FMC-Net架構(gòu)；(b) 不同距離下三種成像方法在散射體中心的水平剖面；(c) 鋁塊中通孔缺陷的重建成像結(jié)果

2

缺陷檢測與表征：

AI化身“資深檢測員”

缺陷檢測與表征是PAUT核心任務(wù)，機器學(xué)習(xí)模型按輸入數(shù)據(jù)類型分為三類：

單模態(tài)模型專攻單一信號：

一維A掃用1D-CNN、LSTM等模型實現(xiàn)缺陷分類與尺寸預(yù)測；

二維B掃用改進YOLO、自編碼器等實現(xiàn)缺陷定位分割；C掃用YOLOv5、無監(jiān)督框架適配平面缺陷檢測；S掃用改進Mask R-CNN等適配焊縫缺陷分割；TFM/PWI數(shù)據(jù)采用遷移學(xué)習(xí)提升精度；

三維體數(shù)據(jù)用3D ResNet、3D U-Net實現(xiàn)空間缺陷表征。

圖5 基于物理信息增強的B-scan超聲缺陷分割模型結(jié)構(gòu)與實驗結(jié)果

(a) 用于處理B掃描圖像并整合物理信息的img2img缺陷重建；(b) 網(wǎng)絡(luò)的架構(gòu); (c) 性能指標；(d) 預(yù)測結(jié)果與真實橫截面圖像之間的比較

多模態(tài)模型結(jié)合多種信號交叉驗證，S-scan+A-scan雙分支融合分類精度達98.07%，C-scan定位與A-scan分類級聯(lián)框架可精準定位并識別缺陷類型，融合效果優(yōu)于單一模態(tài)。

圖6 基于A-scan與S-scan多模態(tài)融合的超聲缺陷分類架構(gòu)與性能分析

(a) 用于同時處理S掃描和A掃描數(shù)據(jù)的模態(tài)特征級融合的網(wǎng)絡(luò)架構(gòu)；(b) 模型精度收斂的學(xué)習(xí)曲線；(c) 不同方法的性能比較

多源模型融合PAUT與紅外熱成像、X射線CT等技術(shù)，優(yōu)勢互補，如PAUT與紅外熱成像結(jié)合實現(xiàn)表面與內(nèi)部缺陷全方位檢測，與X射線CT結(jié)合緩解粗晶材料檢測難題。

3

相控陣超聲數(shù)據(jù)生成：

解決“缺數(shù)據(jù)”的痛點

針對工業(yè)缺陷樣本稀缺、標注成本高的問題，主要有兩種數(shù)據(jù)生成方式：

一是數(shù)據(jù)合成，利用CIVA、Field II等專業(yè)軟件，基于物理模型與有限元仿真生成各類PAUT數(shù)據(jù)，成本低、真實度高；

二是數(shù)據(jù)增強，傳統(tǒng)方法通過幾何變換、噪聲注入擴充樣本，生成式方法用CycleGAN、U-Net等模型生成高分辨率多模態(tài)超聲圖像，提升模型泛化能力。

機器學(xué)習(xí)與PAUT融合挑戰(zhàn)

雖然機器學(xué)習(xí)給PAUT帶來了“智能升級”，但要真正落地到工業(yè)現(xiàn)場，還需要闖過三道“關(guān)卡”，解決三個核心難題：

圖7 機器學(xué)習(xí)與相控陣超聲檢測融合的挑戰(zhàn)

1

數(shù)據(jù)關(guān)：樣本少、標注貴、真假有差距

工業(yè)缺陷樣本稀缺，高質(zhì)量標注耗時費力，且數(shù)據(jù)集多不公開；仿真虛擬數(shù)據(jù)與現(xiàn)場真實數(shù)據(jù)存在差異，導(dǎo)致模型現(xiàn)場適配性差。解決方向包括優(yōu)化仿真數(shù)據(jù)、提升真實數(shù)據(jù)質(zhì)量、通過不確定性量化減少數(shù)據(jù)差異影響。

2

泛化關(guān)：換個場景，AI就“不會判”

超聲信號受材料、探頭耦合、溫度等因素影響大，模型在不同場景下性能下降，泛化能力不足。解決方向包括豐富樣本場景多樣性、采用“仿真+真實”混合訓(xùn)練、利用域適應(yīng)技術(shù)提升模型適配性。

2

可解釋關(guān)：AI判錯了，說不出原因

深度學(xué)習(xí)模型可解釋性差，無法追溯檢測依據(jù)，難以通過安全關(guān)鍵領(lǐng)域認證。解決方向包括嵌入可解釋模塊、注意力可視化、融入超聲傳播物理機理，提升模型可信度。

討論與展望

1

怎么選，才能讓檢測更高效？

特征提取已從人工設(shè)計向自動學(xué)習(xí)演進，A掃適合提取時頻特征，B/C/S掃適合CNN空間特征提取，3D體數(shù)據(jù)適合體素卷積；

模態(tài)選擇需匹配缺陷類型：裂紋類用B掃、TFM，焊縫缺陷用S掃與多模態(tài)融合，復(fù)合材料分層用C掃，微小缺陷用A掃與多模態(tài)融合，復(fù)雜結(jié)構(gòu)件用3D體數(shù)據(jù)與多模態(tài)融合。

2

未來展望：智能超聲檢測的下一個方向

未來機器學(xué)習(xí)與PAUT融合將朝著四大方向發(fā)展：

一是成像驅(qū)動的缺陷表征，提升亞波長與微小缺陷識別精度；

二是物理信息與機器學(xué)習(xí)深度融合，增強模型可解釋性；

三是構(gòu)建輕量級多模態(tài)融合框架，適配邊緣設(shè)備實時檢測；

四是推進三維超聲重建技術(shù)，突破復(fù)雜曲面構(gòu)件檢測難題。

來源：陜西科數(shù)智能檢測技術(shù)有限公司

論文引用：Na Y, He Y, Deng B, et al. Advances of machine learning in phased array ultrasonic non-destructive testing: a review[J]. AI, 2025, 6(6): 124.

文獻網(wǎng)址：https://www.mdpi.com/2673-2688/6/6/124

“版權(quán)聲明：我們的目的旨在行業(yè)分享交流，傳遞行業(yè)正能量，講好與特種設(shè)備有關(guān)故事，引導(dǎo)行業(yè)與公眾守法合規(guī)。如有侵權(quán)請聯(lián)系我們刪除！”