Page 120 - 《应用声学》2022年第1期
P. 120
116 2022 年 1 月
(a) ԔݽեᎥᬞSੳڏϸ (b) ԔݽˀեᎥᬞSੳڏϸ (c) ԯҫՑSੳڏϸ (d) ԶեᎥᬞSੳڏϸ
图 5 样本数据处理结果
Fig. 5 Sample data processing results
本试样样本设计结合相控阵超声技术焊缝检 从实验结果可知，本文提出的算法对不同缺陷严重
测的现场应用情况，综合考虑了检测对象厚度、缺 程度和缺陷数量的 S 扫图像都具有较好的降噪效
陷类型以及由其引起的检测工艺参数改变等因素 果，可以有效去除S扫图像中非缺陷信号，保留有效
的影响，通过样本选择拓展模型输入类型，努力提升 的缺陷信号，同时保留缺陷信号的边缘信息，有助于
模型的泛化能力。 缺陷的定性分析。
3.2 实验结果与分析 3.2.2 不同算法降噪性能对比
3.2.1 不同S扫图像降噪实验 为了从客观角度验证本文算法的有效性，将本
将训练集上的S扫样本送入深度神经网络进行 文算法与传统超声图像降噪处理的 NL-Means算法
迭代训练，采用图像均方误差作为损失函数，得到深 和 BM3D 算法进行降噪结果对比，将 S 图像的像素
度神经网络训练模型。将测试集样本输入深度神经 值映射为信号幅值，并使用信号幅值图中缺陷信号
网络模型，分别得到含有明显缺陷、含有轻微缺陷、 与非缺陷信号的幅值比以及平均处理时间分别对
不含缺陷以及含有多个缺陷的S扫图像测试后的结 算法的降噪性能和降噪效率进行评价。幅值比越高，
果，如图6所示。 说明降噪效果越好。实验结果如图7所示。
其中图 6(a) 含有明显的缺陷，图6(b) 含有轻微 计算各种算法降噪处理平均时间，并根据不同
的缺陷，图6(c)不含缺陷，图 6(d) 含有两个缺陷，经 算法处理前后的信号幅值图，计算缺陷信号和非缺
过深度神经网络的处理，分别得到图 6(e)∼ 图 6(h)。 陷信号的幅值比，计算结果见表3。
(a) եద௭Ꭵᬞ (b) եదᣐॲᎥᬞ (c) ˀեᎥᬞ (d) եదܳ˔Ꭵᬞ
(e) (a)ᄊᬌ٪ፇ౧ (f) (b)ᄊᬌ٪ፇ౧ (g) (c)ᄊᬌ٪ፇ౧ (h) (d)ᄊᬌ٪ፇ౧
图 6 深度神经网络测试结果
Fig. 6 Deep neural network test results
