刘春华1，周长霖1，陈晓辉1，陈钦1,2
(中国空气动力研究与发展中心
1.设备设计与测试技术研究所
2.空气动力学国家重点实验室)
相控阵超声检测具有高分辨率、高灵敏度、可视性等优点，可广泛应用于材料科学、机械制造、航空航天等领域。
与单个换能器相比，相控阵超声通过对同一探头内的不同阵元施加不同的延时法则，拥有更加灵活的波束控制，可以实现波束的偏转、聚焦和偏转聚焦，能产生多样的超声波场。同时相控阵超声可以在检测位置实时生成图像，实现检测的快速可视化，降低了对检测人员的能力要求。
相控阵超声通过波束控制，捕捉损伤引起的声波信号的变化，从而实现被测物体的无损检测，适用于不同结构和材料的检测，包括金属材料、复合材料热和防护材料等。
近年来，相控阵超声无损检测已经从实验室探索迈向了工业应用，并且取得了很好的效果。同时许多学者结合智能算法，展开了相控阵超声缺陷识别与分类的研究，文章在总结和分析近年来国内外研究成果的基础上，梳理出常用相控阵超声缺陷识别算法并做出简要概述，并从相控阵超声检测的基本原理、识别与分类的流程、应用和算法、挑战和问题、发展趋势等5个方面进行综述。
基本原理
相控阵超声检测通过控制探头各阵元发射超声波的时间，从而实现波束的偏转和聚焦，达到对被检测物体进行全方位扫描和成像的目的。
阵列结构
相控阵超声的阵列换能器可以分为一维阵列、二维阵列、环形阵列和扇形阵列等，其阵列结构示意如图1所示。
图1 相控阵超声阵列结构示意
一维阵列是最广泛使用的阵列，可以在主轴方向控制波束，成本低，算法相对简单，通常一维阵列中阵元的长度远大于宽度，其单个阵元近似表现为无限长条形源。
二维阵列可以在主轴和副轴两个方向控制波束，能对前方物体进行三维成像，在医疗领域有着广泛的应用，但其制作成本高，在工业无损检测领域并未得到广泛使用。
环形阵列并不能控制波束的转向，其优势在于可提供可变焦深，能灵活地控制焦点深度。
扇形阵列主要应用于棒材的检测。
还有一些阵列属于特殊阵列的范畴，主要应用于特殊工件的检测，例如凸面阵用于管道内壁的检测，凹面阵用于弯管检测，以及用于检测接触面复杂工件的柔性阵列。
为了提高阵列的成像精度和能力，稀疏阵列也被引入到相控阵超声检测中，用来提高合成孔径，从而提高成像能力，但该阵列设计方案目前仍处于研究阶段。
阵列几何形状的设计也不是任意的，其受到阵元材料、阵列连接方式、阵列通道数量以及阵列制造成本的限制。工业上应用最为广泛的还是一维阵列，因此文中的相控阵超声阵列排布方式默认为一维阵列。
扫描方式
阵列中各个阵元发出的超声波会发生干涉，为了适应不同场景下的无损检测，利用时间延时法则对各个阵元的激励信号进行调制。
相控阵超声波束偏转及聚焦示意如图2所示，同一脉冲信号不施加延迟，各个阵元激发的声波将不会有相位差，超声波阵面在声场中向前传播，经过相互干涉后，波的传播方向不发生改变，在远场等效于一个阵元发射的超声波，如图2(a)所示。如果按照一定的延时法则对各个阵元施加一个延迟，那么各阵元激发的超声波将会产生相位差，从而产生波束的偏转或聚焦，如图2(b)和(c)所示。
图2 相控阵超声波束偏转及聚焦示意
相控阵超声有3种基本的扫描方式，分别是线性扫描、扇形扫描和动态聚焦，如图3所示。
图3 相控阵超声基本扫描方式示意
线性扫描是指采用相同的延时法则，顺序激励各组阵元，可以沿着阵列的方向扫描被检测物体。
扇形扫描是指对阵列的同一组阵元在不同时刻施加不同的延时法则，不同时刻波束偏转的方向不同，可以在不移动探头的情况进行缺陷检测。
动态聚焦是指动态地控制延时法则，在不同深度实现聚焦，常常用于检测厚度较薄的工件。
声场建模
声场建模的关键是建立数学模型，目前常用的建模方法有解析法、半解析法和数值法。
解析法是通过建立解析表达式求解问题的方法，该方法适用于简单情况，典型的方法为多元高斯法。
单个声场的高斯声场解析表达式较容易求解，对一系列单个声场进行加权便可以得到相控阵探头发射的声场，其优势是计算速度快。但是其成立的假设条件是建立在近轴近似理论的基础上，当波束发生偏转时，其结果误差较大。
半解析法是在使用数值法计算声场的过程中部分采用表达式进行解析的方法，可以提高数值法的计算速度，也可以解决一些解析法不能解决的问题，是一种较为主流的声场计算方法。
数值法是一种近似方法，其依靠良好的计算能力可以处理各种复杂的问题，包括有限元法、边界元法和有限差分法等，其不足之处是效能的发挥依赖于计算机的性能。
成像技术
相控阵超声在成像方面有着明显优势，其具有分辨率高、成像速度快、灵敏度高等优点，因此在医学、工业、生物等领域应用广泛。
传统的定点聚焦成像和动态聚焦成像两种方法在成像质量方面都存在不足，与之相比，以全聚焦法、压缩传感成像和声学非线性成像为代表的成像技术近年来受到了广泛关注。
2005年英国布里斯托尔大学的HOLMES等提出了全聚焦法，与传统成像方法相比，其具有较高的分辨率，在超声成像领域引起了巨大轰动。
全聚焦法的基础是全矩阵捕捉（见图4），每次一个阵元发射，所有阵元接收，依次激发所有阵元，采集存储的数据被称为全矩阵。全矩阵捕捉可以获得所有的回波数据，便于后续信号处理。随着计算机技术的发展和大数据处理能力的提高，全聚焦法具有广阔的应用前景。
图4 全矩阵捕捉示意
随着相控阵超声成像技术的进一步发展，全聚焦法数据采集时间和存储空间成本不断增加，故迫切需要一种在保留信息准确性的同时有效降低数据量的算法。
压缩传感算法是一种从小样本中恢复压缩信号的算法，该方法在2004年被首次提出。随后压缩传感成像算法成为了相控阵超声成像的一个主要研究方向。
非线性声学成像主要分为两大类，即经典声学非线性和接触声学非线性，其中接触声学非线性在无损检测领域有着很好的应用，其专注于研究介质中缺陷与声波相互作用后出现的声学反应。
接触声学非线性成像又可以分为谐波成像和调频成像。谐波成像是指当声波在不连续区域传播时，该区域随着声波周期“闭合”或“打开”，加剧了时域波形失真，频域上表现为谐波的出现。谐波成像可以减小主瓣宽度，降低旁瓣电平，提高成像分辨率。
调频成像是使用低频和高频相互调制，生成用于执行非线性成像的准触发器非线性信号。无缺陷样本中的回波信号满足两者的线性叠加，相反，带有缺陷的样本中的回波会产生旁瓣信号。
缺陷识别与分类的流程 在实际检测过程中可能会遇到不同类型的缺陷，如裂纹、气孔、夹杂等。因此，基于相控阵超声接收信号对缺陷进行识别和分类是保证检测准确性和有效性的重要技术。 射线检测的缺陷识别技术已经较为成熟，而相控阵超声的缺陷识别与分类还需要作进一步研究，是当前研究的热点之一。 传统的缺陷识别流程主要包括类型的划分、参数的选择、识别与分类、定位和评估、缺陷报告等5个步骤。在缺陷分类与识别过程中引入深度学习，可以自动提取缺陷参数，并对缺陷进行识别与分类、定位和评估，实现从端到端的缺陷识别与分类。 类型的划分首先，需要对不同类型的缺陷进行分类。常见的缺陷类型包括焊缝中的裂纹、气孔、夹杂、未焊透和未熔合等；铸件中的气孔、夹渣、夹砂、冷隔、缩孔和疏松等；锻件中的缩孔、缩管、疏松、非金属夹渣物、夹砂、折叠、龟裂、锻造裂纹和白点等；工件使用中产生的疲劳裂纹、应力腐蚀裂纹、氢损伤、晶间腐蚀和局部腐蚀等。 参数的选择 针对不同类型的缺陷，需要选择适当的检测参数。各种缺陷的自身特性不同，反射信号也不同，具体参数包括传播时间、回波幅值、频域特征、回波能量、成像梯度变化趋势和对比度等。 参数的选择通常需要根据具体的缺陷类型、被测物体的材料、尺寸、形状等因素进行综合考虑。 识别与分类 通过采集超声波回波信号，提取特征参数，可以实现对缺陷的识别与分类。一般可以采用机器学习的方法对缺陷进行识别与分类，例如支持向量机、人工神经网络等方法。 在进行缺陷识别与分类时，采集的数据需要高质量的数据-标签组合，从而为缺陷识别与分类提供先验信息。 此外，缺陷的识别与分类还应当与使用的检测标准相结合，在实际工业检测过程中，应当严格按照检测标准对缺陷进行识别和分类。 定位与评估 缺陷检测后，需要对缺陷进行定位和评估。通过超声成像技术，可以确定缺陷的位置和大小；同时，利用接收的回波信号，可以进一步对缺陷进行评估，判断其危险程度。此外，评估全过程应严格符合使用的验收标准，确保评估结论准确可靠。 缺陷报告 根据缺陷检测结果，最终生成缺陷报告。缺陷报告中应包括缺陷的等级、类型、相对位置、大小以及对缺陷的处理建议。检测人员应根据缺陷处理建议，采取应对措施。最终，缺陷报告和处理意见可以为设备维护提供参考。 应用与算法 近年来基于相控阵超声的无损检测缺陷分类与识别在材料科学、机械制造、航空航天等领域有着广泛的应用。 在材料科学方面，其可以应用于金属、陶瓷、复合材料等材料的缺陷检测和评估；在机械制造方面，可以应用于轴承、齿轮、焊接接头等零部件的质量控制和缺陷检测；在航空航天方面，可以应用于飞机、卫星等航空器的结构缺陷检测和评估。 下文将介绍5种常用的缺陷分类与识别算法，包括支持向量机（SVM）、人工神经网络（ANN）、遗传算法（GA）、神经进化算法（NEA）和基于深度学习（DL）的算法。 支持向量机 SVM是一种用于缺陷识别与分类的常用算法，其具有高精度、高可靠性等优点。在SVM算法中，通过训练得到的模型，可以对新的检测信号进行识别与分类。 SVM算法常用的两种核函数是线性核函数和径向基核函数。其中，线性核函数适用于线性可分的情况，而径向基核函数适用于非线性可分的情况。WANG等基于相控阵超声全聚焦法成像对管道缺陷进行自动分类，取得了较好的效果。 人工神经网络 ANN是一种模拟人脑神经元工作原理的算法，具有较高的分类准确率和泛化能力。在ANN算法中，得到ANN模型可以实现对新信号的识别与分类。 常用的ANN包括前馈神经网络和循环神经网络。其中，前馈神经网络适用于稳态数据，而循环神经网络适用于序列数据。YANG等基于相控阵超声换能器和人工神经网络的低压涡轮盘裂纹定位与深度估计，取得了较好的效果。 遗传算法 GA是一种模拟生物进化过程的算法，具有较高的鲁棒性和全局优化能力。 在GA算法中，需要选择合适的适应度函数、交叉概率和变异概率等参数，以提高算法的搜索能力和收敛速度。SONG等提出了基于深度学习和遗传算法的相控阵超声稀疏全聚焦成像方法，提高了全聚焦成像的质量,取得了较好的效果。 神经进化算法 NEA是一种将神经网络和遗传算法相结合的算法，通过遗传算法优化神经网络的结构和参数，可以提高缺陷识别与分类的准确率。 在NEA算法中，搜索能力和收敛速度与超参数的设置有关。汪子君等提出了进化神经网络及多目标进化算法在红外无损检测中的应用方法，取得了较好的效果。 基于深度学习的算法 卷积神经网络（CNN）是一种常用的DL网络。目前，基于CNN的缺陷分类与识别算法得到了广泛研究。 例如，MUNIR等提出了一种基于卷积神经网络的噪声条件下的超声焊件缺陷分类方法，其采用数据增强技术增强数据集，试验结果表明CNN具有很好的缺陷分类能力。GONG等提出了一种航空复合材料夹杂物缺陷检测的深度迁移学习模型，在样本稀少时能够提取夹渣物特征，获得更高的识别精度。 虽然CNN表现出了良好的性能，但是其需要大量的训练数据，具有高维特征不可解释性。 相控阵超声技术在缺陷识别与分类方面，可以根据数据量、算法复杂度和获取数据难易程度等具体的应用场景和需求，选择适当的算法。 不同的工件表现的特征也不一样，选择合适的特征提取方法可以提高算法的分类准确率，SVM和ANN直接基于回波信号，更注重利用表层特征直接进行分类，利用的特征参数包括传播时间、回波幅值、频域特征和回波能量等。 GA、NEA和CNN是基于计算机视觉进行图像识别与分类的，更注重提取深层特征，例如利用图像的梯度变化趋势和对比度等。 此外，CNN和ANN还需要充分考虑到时间复杂度和缺陷识别与分类准确性之间的平衡。 各种算法都有其适应的场景，主要表现为：SVM适合缺陷识别简单、数据量少的场景；ANN适合缺陷识别简单但数据易获取的场景；GA、NEA和CNN都需要较大的数据量，其中GA的全局优化能力强，能适应复杂场景；NEA拥有较好的泛化能力，能适应更多的场景；CNN表现出了良好的缺陷分类与识别性能，但其性能表现也受到了应用场景数据量的限制。 挑战和问题 针对相控阵超声检测的缺陷分类与识别，研究人员提出了许多算法，但是在实际应用中，仍然存在一些挑战和限制。 数据数量和质量问题 数据方面主要面临的挑战是数量不够，质量不好，具体而言就是缺乏标准数据集和数据质量不均匀。 建立标准数据集是缺陷识别与分类中的一个基础问题。由于缺乏统一的数据采集标准和数据处理方法，相控阵超声数据的质量不高，代表性不足，从而影响了工业应用过程中缺陷识别与分类的准确性。因此，需要建立标准的数据集，对数据进行统一处理和标注。 构建数据库的过程中，收集的数据质量水平不一是缺陷识别与分类中的一个重要问题。由于相控阵超声收集到的信号会受到多种因素的干扰，例如材料的厚度、形状、表面粗糙度等，回波信号会存在差异。这些差异会导致所收集数据的质量水平不一，进而导致应用过程中分类的准确性下降。因此，需要在收集数据库信号时对信号进行预处理，例如去噪、滤波、归一化等，以提高收集数据的质量。 算法的优化和选择 在具有优质相控阵超声信号数据库的基础上，需要进一步对算法进行优化和选择。其中主要面临的挑战就是实际应用过程中噪声信号对回波的干扰。 声波在物质中传播时会受到多种干扰因素的影响，例如散射、衰减、反射等，使得信号中存在大量的干扰，从而影响特征提取和分类。因此，需要对信号进行噪声抑制和特征增强的处理，以提高缺陷分类与识别的准确性。 目前，虽然CNN在相控阵超声缺陷识别与分类中取得了较好的效果，但是也存在着一些问题，例如计算量大、训练时间长和泛化能力有限等。因此，需要根据具体实际问题的需求选择合适的算法。 发展趋势 随着技术的不断发展，相控阵超声检测的缺陷识别与分类也在不断向前发展。 深度学习技术的应用 深度学习技术近年来发展迅速，相控阵超声无损检测与之相结合可以自动地学习和提取缺陷特征，避免人为提取特征过程中引入误差和干扰，提高识别与分类的准确性。因此，基于深度学习的相控阵超声检测的缺陷识别与分类方法将成为未来的主要发展趋势。 未来，无损检测缺陷分类与识别技术与人工智能技术相结合，有望实现自动化和智能化的缺陷识别与分类，降低对检测人员的要求，避免主观经验引入的干扰，使得缺陷识别与分类更加可靠。 精准性和可靠性的提高 随着无损检测技术的不断发展，识别与分类算法不断迭代优化，缺陷识别与分类的准确性和可靠性将得到进一步提高。 未来，相控阵超声无损检测缺陷分类与识别将会更加精准和可靠，最终实现自动化的工业应用，检测报告亦不再依赖于操作人员的经验。 多模态技术的融合 相控阵超声检测的缺陷识别与分类除了实现图像识别外，还可以结合信号特征和图像特征，多维多域地利用收集到的数据，实现对缺陷的精准识别和分类。 还可以和其他无损检测技术相结合，形成多模态的缺陷检测识别与分类技术。比如，可以将相控阵超声无损检测技术和X射线无损检测相结合，形成多模态的缺陷检测技术，使得缺陷检测更加全面和准确。 结语 相控阵超声检测缺陷识别与分类的发展趋势是在与深度学习技术广泛结合的基础上，通过多维多域的多模态技术融合，实现检测过程的自动化和智能化，最终提高检测结果的精准性和可靠性。未来，这些趋势将会推动缺陷识别与分类技术的发展，为相控阵超声无损检测在工业领域的应用提供更坚实的技术支撑。 来源：《无损检测》2023年12期 第一作者简介：刘春华，硕士，工程师，主要从事特种设备检验与检测工作。
