社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

综述:机器学习赋能相控阵超声无损检测

MEMS • 20 小时前 • 10 次点击  

相控阵超声检测(PAUT)是常规超声检测的一种先进形式,通过数字控制阵列换能器实现声束偏转与聚焦,从而表征物体的内部结构。与常规超声检测相比,相控阵超声检测具有检测覆盖范围更广、缺陷表征能力更强,以及对复杂几何形状适应性更好等优势。按照数据成像原理,相控阵超声检测数据可分为多种模态,包括A扫描(A-scan)、B扫描(B-scan)、C扫描(C-scan)、S扫描(S-scan)与三维体数据。尽管相控阵超声检测数据蕴含丰富的结构特征,但受数据模态之间存在耦合特性以及原始信号模式与物理几何结构之间缺乏直接对应关系等因素的影响,仍难以直接解读。人工判读在可扩展性和结果一致性方面存在固有局限,这推动了面向相控阵超声检测数据分析的专用算法发展。

据麦姆斯咨询报道,湖南大学与东方电气集团科学技术研究院有限公司的研究团队在AI期刊上发表了题为“Advances of Machine Learning in Phased Array Ultrasonic Non-Destructive Testing: A Review”的综述文章。该文章系统梳理了机器学习(ML)应用于相控阵超声检测领域的最新进展,覆盖相控阵超声成像、缺陷检测与表征、数据生成三大应用方向,并重点关注多模态数据处理与多维建模。文章剖析了机器学习与相控阵超声检测融合面临的挑战与可行路径,总结了既有方法的局限,并展望了更准确、可解释性更强且效率更高的机器学习驱动型相控阵超声检测解决方案。

图1 机器学习在相控阵超声检测领域的研究进展概览,涵盖PAUT成像、缺陷检测与表征、数据生成

相控阵超声检测(PAUT)基础概述

相控阵超声探头的阵列形式、成像方法及数据格式如图2所示。根据相位延迟控制方式的不同,相控阵超声成像可分为常规实时成像与后处理成像。实时成像借助脉冲回波法,通过设置时间延迟实现物理波束形成,从而控制声束偏转,并使声束聚焦于指定角度或深度,以构建图像。动态深度聚焦可有效减小波束扩散、扩大焦深范围,使沿检测方向获得的图像质量保持一致。后处理成像采用灵活性和精度更高的合成波束形成方法,利用多路径传播与多次反射信号进行图像重建,可在图像任意位置实现虚拟聚焦,从而提高图像质量。全聚焦法(TFM)是一种基于全矩阵采集(FMC)数据的后处理成像技术,由Holmes等人首次提出。根据不同的成像与数据采集策略,相控阵超声检测可生成多种数据格式,包括一维A扫描信号、二维B扫描/C扫描/S扫描图像以及三维体数据。

图2 相控阵超声检测技术概览:(a)探头阵列形式、(b)成像方法、(c)数据格式

机器学习在相控阵超声检测(PAUT)中的前沿研究进展

相控阵超声成像

相控阵超声成像长期受制于波束形成计算量大以及瑞利判据对成像分辨率的限制。机器学习模型主要有两种应用方式:(1)嵌入成像流程,(2)用于超声数据的后处理。总体而言,基于机器学习的方法可通过改进成像流程提升图像质量,同时把计算负担转移至模型训练阶段,使推理阶段仍能保持与传统方法相当的成像速度。与嵌入相控阵超声成像流程的机器学习模块相比,基于机器学习的后处理方法虽然与成像流程的集成度较低,但具有更高的灵活性。

缺陷检测与表征

研究人员综述了机器学习在相控阵超声缺陷检测与表征方面的研究进展,重点讨论不同相控阵超声检测数据模态的处理方法,并将相关模型分为单模态、多模态和多源数据模型。其中单模态研究覆盖一维、二维与三维数据。一维相控阵超声检测数据对应时域A扫描信号,机器学习模型主要通过分类或回归任务实现缺陷检测与定位。在复杂工业检测中,仅依赖单一相控阵超声检测数据模态的机器学习模型容易产生误报与漏检;采用多模态数据可提高系统容错能力和检测可靠性。融合模型的准确率达到98.07%,显著优于单模态方法。相控阵超声成像容易受到成像伪影和近场盲区的影响,在粗晶铸件等材料检测中也存在困难。采用多种无损检测(NDT)技术进行联合检测有助于弥补这些不足:射线检测能够呈现对比度较高的内部结构,涡流检测可检测表面及近表面裂纹,红外热成像检测则可识别热异常。然而,多源数据融合仍面临跨模态数据异质性、模态间配准以及融合架构设计等挑战。相关方法的检测准确率达到91.46%,优于单模态方法。

相控阵超声数据生成

然而,在工业无损检测(NDT)中,缺陷样本十分稀缺,因此难以获取多样且标注完善的缺陷数据集。为增强模型的领域适应能力、降低对真实缺陷数据的依赖,研究人员开始探索数据生成技术,以扩大数据集规模并提升数据质量。文中介绍了两种主要方法:数据合成与数据增强。数据合成利用物理模型和仿真从头生成数据;数据增强则通过变换现有数据集,在扩充数据集规模的同时提高数据多样性。常见方法包括传统数据增强方法、虚拟缺陷生成,以及基于生成对抗网络(GAN)的数据生成。

机器学习与相控阵超声检测(PAUT)融合面临的挑战

机器学习与相控阵超声检测技术融合面临的关键挑战在于缺陷数据稀缺、模型泛化能力不足以及机器学习模型可解释性有限。机器学习模型依赖数据驱动学习,其性能主要取决于输入数据的质量与规模。而在工业无损检测中,缺陷数据不仅稀少,而且具有较高价值。然而,超声信号具有时变特性,探头耦合状态也会发生变化,这些因素可能导致已采集数据集与测试数据集之间出现分布失配。总体而言,数据层面的方法可通过仿真、数据增强和引入人工缺陷样本提升模型泛化能力;域自适应等训练策略则有助于进一步促进不变特征学习。这些方法旨在引导模型提取缺陷本身的关键语义特征,而非过度拟合特定数据采集条件带来的变化。在此类安全敏感型应用中,深度学习(DL)模型缺乏可解释性,显著限制了其进一步推广。提高ML-PAUT(机器学习-PAUT)模型可解释性的策略主要有两类:将可解释模块嵌入模型以引导学习,以及采用可视化或特征归因方法揭示模型的决策依据。

图3 将机器学习嵌入相控阵超声检测流程面临的挑战

总结

相控阵超声检测技术已成为无损检测领域的重要研究方向,对保障金属材料和复合材料的结构完整性至关重要。机器学习技术不仅被应用于相控阵超声检测数据的缺陷定量分析,还被应用于相控阵超声成像与数据生成环节。然而,现有研究大多集中于数据驱动的有监督深度学习模型。在相控阵超声检测数据采集方面,研究人员使用人工缺陷试块与仿真数据训练机器学习模型。尽管这种方式能够缓解数据不足问题,但也可能使模型过度适应理想化的缺陷模式。此外,许多研究所用数据集尚未公开,影响了研究结果的可复现性。因此,研究应更关注模型架构与具体任务的适配性。目前,将物理先验融入机器学习框架的研究仍较少,深度学习模型的可解释性也有待提高。后续研究应着力于探索将物理建模与基于学习的方法相结合,开发适用于现场应用的轻量化多模态网络,并构建基准数据集,以提高研究的可复现性和可扩展性。

论文链接:

https://doi.org/10.3390/ai6060124

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/203685