Page 117 - 《应用声学》2022年第1期
P. 117

第 41 卷 第 1 期             朱甜甜等： 焊缝超声相控阵检测数据深度学习降噪方法                                          113


                                                                   近年来，深度学习的快速发展为超声相控阵
             0 引言
                                                               图像降噪提供了新的思路。2009 年，Jain 等                [12]  首
                 超声相控阵检测技术(Ultrasonic phased-array             次提出了使用卷积神经网络 (Convolutional neural
                                                               networks, CNN) 处理自然图像的降噪问题，但是
             inspection technology, PAUT) 通过电子方式控制
                                                               网络结构复杂、效率较低；2012 年，Burger 等              [13]  提
             晶片阵列的激励延时，控制发射声束的偏转、聚焦等
             声场特征，从而在一维扫查条件下完成检测区域的                            出了用多层感知机的方法实现神经网络降噪，但
             完整覆盖，形成 3D 检测数据体，实现多方式、多角                         是只能对单个噪声级别的图像进行降噪；2016 年，
                                                               Mao 等  [14]  提出了深度的卷积编解码网络应用于图
             度的图像显示，为检测人员进行数据判断提供了丰
             富的检测信息，有效提升了缺陷判断的准确性                     [1−3] 。  像降噪，降噪神经网络开始向更深层次发展；2017
                                                               年，Zhang 等   [15]  将残差模块应用到 CNN 网络中提
             但对焊缝等复杂几何外形对象进行检测时，焊缝余
             高、焊趾边沿等结构会产生多种声散射信号，与检测                           出 DnCNN 网络结构，将高斯噪声从图像中分离出
                                                               来，达到降噪效果，然而，该网络仅对高斯噪声和规
             对象本底噪声、仪器噪声叠加后，极大增加相控阵
                                                               则的乘性噪声处理效果较好，对于超声检测图像中
             超声检测结果的判读难度和工作量。在实际检测工
                                                               的结构噪声降噪效果欠佳。
             作中，根据 ASME 等常用超声检测标准的要求，对
                                                                   因此，本文对降噪网络DnCNN进行改进，使用
             于非危害型缺陷，当超声回波高于评定线时才需按
                                                               实际检测的结构噪声替代高斯噪声进行训练，同时
             照标准要求进行评定，能够避免冗余信息的干扰，但
                                                               加入池化层和焊缝区域修正模块，提高训练速度，保
             如果直接按照标准中规定的评定线波幅对图像信
             号进行抑制，将导致缺陷细节信息丢失，不利于对缺                           留焊缝区域细节。实验结果表明，在对焊缝 PAUT
                                                               检测图像中非缺陷信号进行降噪处理的同时，可以
             陷的进一步分析。因此，寻找一种可以实现对焊缝
                                                               有效保留缺陷图像的细节特征，在降噪性能和降噪
             超声相控阵检测成像有效降噪、提升成像质量的方
                                                               效率上均比传统降噪方法有所提高，同时避免了人
             法具有重要意义。
                                                               工对不同缺陷数量和不同缺陷严重程度的S扫图像
                 传统的图像降噪方法大体上可分为两类，空间
                                                               进行参数反复优化，该结果将为进一步进行 3D 检
             域降噪算法和变换域降噪算法              [4] 。其中空间域降噪
                                                               测数据的智能判断提供条件。
             算法是在原图像上直接进行数据运算，通过平滑的
             方式降低随机性的噪声。代表性的方法有算数均值
                                                               1 焊缝PAUT检测
             滤波  [5] 、统计中值滤波     [6] 、高斯滤波   [7] 、双边滤波   [8]
             和非局部平均 (NL-Means) 降噪方法           [9]  等。而变换           PAUT 的基本思想来源于雷达电磁波相控阵
             域降噪算法是对图像进行某种变换，将图像从空间                            技术   [16] 。其设备使用的换能器由若干个形状相同、
             域转换到变换域，再对变换域中的变换系数进行处                            大小相等的压电晶片组成阵列，每个晶片独立地发
             理，最后进行反变换将图像从变换域转换到空间域，                           射超声波束，并通过按一定规则和时序的电子系统
             实现图像降噪。代表性方法有傅里叶变换和小波变                            控制激发各个晶片单元，从而调节控制焦点的位置
             换等。这些方法在对图像降噪的同时会丢失一定图                            和聚焦的方向形成聚焦声场              [17−18] 。图1 [19]  为超声
             像的细节或边缘信息。2007 年，Dabov 等              [10]  将空    相控阵偏转、聚焦示意图。
             间域降噪算法和变换域降噪算法相结合，提出了三                                焊缝 PAUT 检测是以成像显示检测结果，即将
             维块匹配 (Block matching 3D, BM3D) 算法，可以              采集的三维数据体按照实际的物理位置关系重构
             在降噪的同时保留更多的图像细节。2014 年，张聚                         后显示在不同平面上的图像。显示方式主要是 A
             等  [11]  提出一种新型的基于小波和双边滤波相结合                      扫、B扫、C 扫、D扫和S扫。其中A扫图像与常规超
             的降噪算法，实现对医学超声图像中的斑点噪声进                            声检测显示方式相同，是一种信号波形图，而 B 扫、
             行降噪。这些将空间域和变换域结合的降噪虽然可                            C扫、D扫、S扫图像是超声信号回波幅值的成像图，
             以保留更多的图像细节，但是存在复杂度高、缺乏                            显示方式如图 2 所示。S 扫 (扇扫) 是通过控制发射
             自适应能力、需要人工手动调整惩罚参数、降噪效                            晶片的激励延迟，改变合成声束的入射角和聚焦深
             率较低等问题。                                           度，从而对焊缝区域形成一定角度的扇形覆盖。
   112   113   114   115   116   117   118   119   120   121   122