Page 119 - 《应用声学》2022年第1期

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 115

Conv+ReLU Pooling Conv+BRN+ReLU Conv+BRN+ReLU Conv+BRN+ReLU Conv ӝ۫ξ൤

图 4 深度降噪网络
Fig. 4 Deep noise reduction network

利用残差结构搭建的神经网络可以实现图像 20 mm、24 mm 和 30 mm，坡口类型为 X 型的 6 条
降噪。传统的 DnCNN 降噪网络是将原始不含噪声 焊缝进行数据采样。选择同一焊缝下含有缺陷的 S
的图像人为地添加不同类型的噪声，如高斯噪声、椒 扫图像与不含缺陷的 S 扫图像进行叠加，叠加的结
盐噪声、乘性噪声等，将原图退化为含噪声的图像， 果取两者信号幅值的最大值。最终共计获得 S 扫图
最后优化得到接近原始图像的估计图。由于超声相 像数据 4612张作为深度神经网络的训练样本：样本
控阵检测成像的特殊性，其 S 扫图像中的噪声多数 数分别为焊缝厚度12 mm的S扫图像1176张，焊缝
为工件结构中散射信号形成的，难以通过人为模拟 厚度 14 mm 的 S 扫图像 899 张，焊缝厚度 18 mm 的
添加，因此，本文在网络输入的处理上，采取添加真 S 扫图像 1344 张，焊缝厚度 20 mm 的 S 扫图像 418
实噪声的方式替代人工模拟噪声，并引入残差结构， 张，焊缝厚度 24 mm 的 S 扫图像 380 张，焊缝厚度
优化噪声图得到不含噪声的S扫图像。 30 mm的S扫图像395张，见表1。
本文搭建了 34 层网络模型对焊缝 PAUT 检测
表 1 训练样本数目
S扫图像进行降噪处理，网络结构如图4所示。
Table 1 Number of training samples
该网络噪声提出部分共含有34层，其中第一层
为Conv+Relu层，对原始输入含噪 S 扫图像进行初 样本 12 mm 14 mm 18 mm 20 mm 24 mm 30 mm
总数 焊缝 焊缝 焊缝 焊缝 焊缝 焊缝
步的特征提取，卷积核大小为 3×3；第二层为池化
层，池化核大小为2×2，步长为1，通过降低特征面的 4612 1176 899 1344 418 380 395
分辨率来获得空间不变性，同时降低了数据维度，减
训练集样本数据中共含有缺陷34个，其中未熔
少了运算量；第 3 ∼ 33 层为 Conv+BRN+Relu 层，
合缺陷 10 个，焊趾裂纹缺陷 9 个，根部裂纹缺陷 4
对图像进行更深层次的特征提取，其中引入了批再
个，体积型缺陷11个。缺陷信息见表2。
规范化 (Batch renormalization, BRN) 方法替代原
始网络中的批规范化(Batch normalization, BN)方 表 2 训练样本中缺陷信息
法，既保证了在更新参数时收敛，同时避免了处理 Table 2 Defective information in training
小批次时性能下降问题，提高收敛效率；第 34 层为 samples
Conv 层，作为特征提取网络的输出层，输出原始图
缺陷总个数 未融合缺陷 焊趾裂纹 根部裂纹 体积型缺陷
像的噪声图。最后对网络进行残差，并对焊缝边缘
区域特征进行修正，保留边缘低幅值有效信号，输出 34 10 9 4 11
只含有相关显示的S扫图像。
由相控阵超声检测 III 级人员对训练集中检测
3 实验与分析 结果进行缺陷判断，通过人工优化参数，对缺陷区域
以外的图像区域进行滤波、原始信号的小波包分解
3.1 实验环境和实验数据 等处理，得到仅含缺陷信号的 S 扫图像。样本处理
本实验使用相控阵超声信号发射接收装置进 结果见图5，其中不含缺陷信号的S扫图像作为对应
行数据采集，并使用 GeForce GTX 1080 GPU 和 的噪声图像。另外，从采集样本中随机选择100张未
i7-7700CPU的计算机训练检测模型。 包含在训练集样本中的 S 扫图像作为测试样本，对
实验挑选厚度分别为 12 mm、14 mm、18 mm、 深度神经网络模型进行测试。