编辑：无损检测证书挂靠网 时间：2025-03-25 15:17:08
靖珍珠（1991—）,女,硕士,高级工程师,主要从事超声检测的研究工作
相控阵超声检测技术具有独特的声束偏转、聚焦特性,能够对复杂构件形成声束覆盖,从而有效、快速地进行成像检测,在各个领域都得到了广泛的应用[1]。然而,目前相控阵超声图像的辨识和定量评价依然依赖于技术人员的主观判断,存在主观性强、效率低、可靠性差等问题。基于深度学习的语义分割发展迅速,对于相控阵超声缺陷图像具有像素级分割能力；在实现缺陷的智能分割后,可基于缺陷二值图像进一步定量缺陷尺寸。2015年,RONNEBERGER等[2-4]在全卷积神经网络（FCN）的基础上提出了U-Net语义分割网络,采用编码器-解码器形式的算法结构解决了医学图像的语义分割。U-Net网络被广泛用于卫星图像分割、船舶图像分割、生物医学图像分割等领域[5]。余加勇等[6]提出集成YOLOv5和U-Net3+算法的一体化桥梁裂缝智能检测方法,实现裂纹的快速识别定位,并基于U-Net3+裂缝分割结果实现了裂缝形态及宽度高精度测量。唐昀超等[7]融合U-Net网络算法和改进图像细化算法,提出大坝裂缝识别和宽度计算的方法,裂缝宽度的测量误差平均值为8.7%。在医学领域,禤浚波等[8]针对人工测量科布（Cobb）角时存在的问题,设计了改进的脊柱侧弯科布角自动测量方法,采用ResNet-50作为主干网络的U-Net网络模型的平均交并比（MIoU）值达到了94.7%,根据该模型只需约6.3 s即可自动计算脊柱侧弯患者的X光片中科布角大小,远快于医生手动测量的速度。
针对相控阵超声扇形扫查图像缺陷评定中效率低、可靠性不足的问题,提出基于U-Net图像分割算法的相控阵超声缺陷图像智能定量方法。搭建和优化了U-Net网络,通过图像扩充方法获得了用于训练和验证的图像数据,对网络进行训练后实现了基于U-Net图像分割算法的相控阵超声缺陷智能定量。
采集已知缺陷尺寸的相控阵超声缺陷图像,获取能够满足缺陷智能分割训练要求的U-Net模型数据集。共制备16块平底孔对比试块,试块材料为马氏体不锈钢,平底孔直径分别为0.8,1.2,3,8 mm,纵波声速为5 820 m·s−1。对比试块结构如图1所示,图中,L,W,H分别为试块的长,宽,高,D为平底孔埋深,d为平底孔深,ϕ为平底孔直径。对比试块平底孔几何参数如表1所示。
| 试块编号 | Φ | D | d |
|---|---|---|---|
| 1 | 8 | 5 | 17 |
| 2 | 8 | 20 | 20 |
| 3 | 8 | 35 | 19 |
| 4 | 8 | 50 | 20 |
| 5 | 3 | 2.5 | 17.5 |
| 6 | 3 | 5 | 15 |
| 7 | 3 | 10 | 15 |
| 8 | 3 | 20 | 19 |
| 9 | 3 | 25 | 17 |
| 10 | 3 | 35 | 17 |
| 11 | 1.2 | 2.5 | 17.5 |
| 12 | 1.2 | 5 | 17 |
| 13 | 1.2 | 10 | 9 |
| 14 | 1.2 | 20 | 19 |
| 15 | 0.8 | 2.5 | 11.5 |
| 16 | 0.8 | 5 | 10 |
从某型机匣铸件中提取内部缺陷的超声扇形扫描图像,铸件中纵波声速为5 820 m·s−1,弹性模量为200 GPa,密度为7 700 kg·ms−3,泊松比为0.3。典型机匣铸件内部缺陷的相控阵超声扇扫图像如图2所示,检测图像按右侧幅度-颜色标尺染色,缺陷图像位于25 mm深处。为了分析智能定量网络对自然缺陷的定量检测能力,采集50张机匣铸件内部缺陷的相控阵超声扇扫图像。
采用三种相控阵探头采集试块中平底孔相控阵扇扫图像,共采集44张图像。为保证U-Net缺陷智能分割模型的分割精度和泛化能力,需对采集的缺陷图像进行扩增处理。首先,将缺陷图像均重置为823像素×742像素的尺寸,再对其进行旋转、镜像翻转、模糊、加噪声、调整亮度等扩增处理（见图3）,缺陷图像数据集经扩增后达到440张。对图像数据集中的缺陷进行分割标注,最后按照9∶1的比例划分为训练集与测试集。由于U-Net网络对于较少样本数据集同样具有卓越的分割精度[9],该数据量可满足缺陷分割网络训练的要求。
U-Net网络结构整体呈U型对称,左侧的编码器部分由卷积层和采样层组成,对输入图像进行缺陷特征提取；右侧的解码器由上采样和跳跃连接组成,可对缺陷特征图进行融合操作；解码器包含大量特征通道,具备将上下层相控阵超声图像缺陷特征信息传递至更高分辨率层级的能力[10-12]。U-Net网络结构示意如图4所示,其中深橙色箭头表示卷积操作,卷积核大小为3×3,采用ReLU函数作为激活函数,以改变缺陷特征图的通道数量,进而更好地捕获缺陷特征信息。ReLU激活函数的表达式为
图4中,浅蓝色箭头表示最大池化采样；橙色箭头表示上采样操作；深蓝色箭头表示卷积操作,卷积核大小为1×1；灰色箭头表示维度拼接操作,该操作将浅层与深层缺陷特征进行结合,获取深层缺陷特征信息细节的同时还可获取浅层缺陷特征图的相关信息,提高了缺陷特征的表征能力[13]。此外,由于缺陷的相控阵超声图像较简单,结构相对固定,U-Net网络的维度拼接方式能确保模型对相控阵超声缺陷图像语义分割特征发挥良好作用。
缺陷智能分割是将缺陷图像从背景中分割出来,缺陷为白色,背景为黑色。为评估U-Net缺陷分割模型的性能[14-18],采用像素准确率（PA）表示正确分割缺陷图像的像素点数量与总像素点数量的比值、交并比（IoU）表示模型分割正确的像素点区域与标注区域之间的重叠程度、平均交并比（MIoU）表示模型分割各类别像素点区域与标注区域之间重叠程度的平均值。即各指标计算公式为
式中：TP为被正确地分割为缺陷区域的像素点数量；TN为被正确地分割为背景的像素点数量；FP为被错误地分割为缺陷区域的像素点数量；FN为被错误地分割为背景的像素点数量。
PA、MIoU和IoU的值均在0和1之间,值越大表示模型的缺陷分割性能越好,而PA作为最直观简单的评价指标,对模型的分割性能具有较高的验证能力。
设置U-Net网络初始化学习率为0.005,批量大小为4,训练迭代周期为500,权重衰减（Weight_decay）参数设为1×10-8、动量（Momentum）为0.9。U-Net智能缺陷分割模型性能参数如表2所示,可见：经过多次优化训练参数和大量的模型训练,三种性能评价指标均高于80%；模型具有较高的PA值,对缺陷具有较强的像素级分割能力,基于U-Net网络的相控阵超声缺陷智能分割模型已达到应用要求。
| 网络 | 参数 | ||
|---|---|---|---|
| IoU | MIoU | PA | |
| U-Net | 80.1 | 81.7 | 93.4 |
不同自然缺陷图像的分割结果如图5所示,可见,U-Net网络模型对缺陷大部分区域具有强分割能力,对高噪声和低分辨率的缺陷图像自适应能力较强；具有噪点的图像也可被正确分割,表明智能模型具有出色的抗干扰能力和优异的鲁棒性,具备缺陷特征提取和像素级分割的能力。
相控阵超声扇扫图像分割后形成二值图像,背景为黑色,缺陷区域显示为白色,采用实际长度法与像素比值法对缺陷图像进行定量,实际单位长度对应的像素值P可表示为
式中：WD为图像横向实际长度（检测范围）；D为图像横向像素点值。
为计算缺陷横向长度的像素值,设缺陷边缘最左端白色像素值为x1,最右端白色像素值为x2,缺陷横向像素值计算示意如图6所示。已知实际单位长度对应的像素值P,对缺陷进行比值计算得到缺陷的横向尺寸
为评估智能缺陷定量网络的定量精度,将测试图像输入至智能定量系统。基于图像分割的智能定量结果如表3所示,可见,基于U-Net分割的智能定量结果的相对误差最大为16.6%,最小相对误差为0.0%,平均相对误差为5.9%；基于-6 dB法定量结果的相对误差最大为16.7%,最小相对误差为0.0%,平均相对误差为5.7%。因此,U-Net网络的智能定量精度与-6 dB法的精度基本相同,且具有速度快、方法简洁、数据易保存等特点。由于二者定量原理不同,其对具体平底孔图像的定量能力并无相关性；U-Net定量结果一般偏大,而-6 dB法定量结果一般偏小。U-Net智能定量能力更多地依赖于数据库的训练,随着含自然缺陷数据库的进一步丰富,其定量能力将不断提升。
| 序号 | 试块型号 | U-Net智能分割定量方法 | -6 dB定量方法 | ||
|---|---|---|---|---|---|
| 检测尺寸/mm | 相对误差/% | 检测尺寸/mm | 相对误差/% | ||
| 1 | ϕ0.8-2.5 | 0.8 | 0.0 | 0.9 | 12.5 |
| 2 | ϕ0.8-5 | 0.8 | 0.0 | 0.8 | 0.0 |
| 3 | ϕ1.2-2.5 | 1.2 | 0.0 | 1.3 | 8.3 |
| 4 | ϕ1.2-5 | 1.3 | 8.3 | 1.2 | 0.0 |
| 5 | ϕ1.2-10 | 1.4 | 16.6 | 1.2 | 0.0 |
| 6 | ϕ1.2-20 | 1.2 | 0.0 | 1.3 | 8.3 |
| 7 | ϕ3-2.5 | 3.2 | 6.6 | 3.0 | 0.0 |
| 8 | ϕ3-5 | 3.2 | 6.6 | 3.0 | 0.0 |
| 9 | ϕ3-10 | 3.0 | 0.0 | 2.8 | -6.7 |
| 10 | ϕ3-20 | 3.1 | 3.3 | 2.8 | -6.7 |
| 11 | ϕ3-25 | 2.9 | -3.3 | 2.5 | -16.7 |
| 12 | ϕ3-35 | 3.3 | 10.0 | 2.9 | -3.3 |
| 13 | ϕ8-5 | 9.2 | 15.0 | 7.5 | -6.3 |
| 14 | ϕ8-20 | 8.7 | 8.7 | 7.6 | -5.0 |
| 15 | ϕ8-35 | 8.1 | 1.2 | 7.4 | -7.5 |
| 16 | ϕ8-50 | 9.2 | 15.0 | 7.2 | -10.0 |
为进一步分析U-Net智能定量方法对自然缺陷的定量检测能力,在机匣安装边区域采集50张缺陷的相控阵超声检测图像,并分别通过U-Net定量法与-6 dB法进行尺寸测量。部分机匣内部缺陷智能分割定量效果如图7所示,可见,U-Net网络模型对机匣缺陷具有较高的分割精度,而图7（f）中颜色幅值较低的较小缺陷的分割效果较差。分析得出其原因为：智能识别网络的训练过程中,没有将小缺陷图像放入训练样本集,使得U-Net网络无法识别小缺陷,将小缺陷图视为背景。
U-Net图像分割与-6 dB法两种定量方法对于机匣内部缺陷定量结果对比如表4所示,采用6张机匣自然缺陷的相控阵超声扇扫图像进行对比分析,智能定量方法的结果相对于-6 dB定量法结果偏小但相差不大,可替代-6 dB法,能够提高检测结果辨识的数字化、智能化水平。U-Net方法对自然缺陷的定量结果整体小于-6 dB法的,这与平底孔缺陷的识别效果相反,进一步说明U-Net方法对于训练数据库的要求很高,由于训练数据中并未采用自然缺陷图像数据,U-Net分割定量误差增大。
| 缺陷序号 | -6 dB法 | U-Net法 |
|---|---|---|
| 1 | 1.1 | 0.8 |
| 2 | 1.2 | 0.9 |
| 3 | 2.4 | 2.2 |
| 4 | 1.5 | 1.3 |
| 5 | 1.6 | 1.4 |
| 6 | 1.7 | 1.2 |
提出的基于U-Net网络的相控阵超声图像智能分割模型,展现出较强的抗干扰能力、较高的分割精度、良好的鲁棒性与泛化能力,能准确分割缺陷与背景图像。U-Net智能定量方法的精度与-6 dB法精度相当,且在速度、数据保存和人力节省方面具有优势,可满足工程应用。但U-Net智能定量能力受训练集完备性影响,缺乏自然缺陷样本会导致自然缺陷定量能力不足。通过图像扩增可提升所提模型性能,随着自然缺陷数据库的完善,其定量能力有望进一步提高。
推荐阅读：
