Page 121 - 《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 117

60 60 60
50 50 50 50
40 40 40 40
ࣨϙ 30 ࣨϙ 30 ࣨϙ 30 ࣨϙ 30
20 20 20 20
10 10 10 10
0 0 0 0
0 50 100 150 200 0 50 100 150 200 0 50 100 150 200 0 50 100 150 200
ງए/mm ງए/mm ງए/mm ງए/mm
(a) Ԕݽڏϸ (b) NL-Meansካข (c) BM3Dካข (d) వ஡ካข
图 7 不同算法降噪效果对比
Fig. 7 Comparison of noise reduction effect of different algorithms

表 3 不同算法降噪性能 4 结论

Table 3 Noise reduction performance of
本文基于深度学习方法对焊缝PAUT检测的 S
different algorithms
扫图像进行降噪处理，并与 NL-Means 和 BM3D 传
评价指标 原图 NL-Means 算法 BM3D 算法 本文算法 统超声图像降噪算法进行比较。经过实验验证，本
缺陷信号幅值 57.5505 57.5146 56.8849 57.6621
文提出的算法能有效去除原始 S 扫图像中的无关
非缺陷
23.1703 23.9555 17.5703 3.7039 噪声，并保留缺陷细节信息。经过对比处理后的信
信号幅值
幅值比 2.4838 2.4009 3.2376 15.5680 号幅值图和处理时间，本文算法处理后的 S 扫图像
处理时间/ms 405.4 824.9 227.0 缺陷信号与非缺陷信号幅值比达到 15.5680，优于
由上述实验结果可知，NL-Means 算法对 S 扫 NL-Means 算法和 BM3D 算法；单张图像的处理时
图像的降噪性能较差，不能有效地削弱噪声，且同 间为 227.0 ms，也优于 NL-Means 算法和 BM3D 算
时削弱了缺陷信号；BM3D算法可以实现平滑降噪， 法。证明本文算法降噪效果更优，计算效率更高。同
但会模糊缺陷信号的边缘细节部分；而本文算法， 时，由于深度神经网络的特性，本文算法对不同缺陷
可以有效滤除焊缝区域内的结构噪声，对缺陷信 数量和不同缺陷严重程度的S 扫图像具有自适应降
号的幅值没有削弱作用，保留了缺陷信号的边缘细 噪性能，避免了降噪处理过程中对参数的反复优化，
节，降噪效率也优于NL-Means算法和 BM3D算法。 且具有更佳的降噪效果。
说明本文提出的基于深度学习的降噪算法相比于 由于本文主要对标现行超声检测标准要求，在
NL-Means 算法和 BM3D 算法能更有效地对 S 扫图 样本设计时对相控阵超声检测结果中波幅低于评
像进行降噪，降噪后的 S 扫图像中的结构特性基本 定线的微弱几何外形信号和反射面信号进行了滤
保持一致。 除。对于高灵敏度检测的特殊应用场景，用户可基