湖南大學：機器學習在相控陣超聲無損檢測中的應用進展與融合挑戰

相控陣超聲檢測（PAUT）是工業裝備“健康體檢”的核心技術，憑借陣列探頭的靈活波束控制，可精準檢測金屬、復合材料等構件內部缺陷，輸出A掃、B掃、C掃、S掃及三維體數據等多模態信號。但這些信號需經驗豐富的工程師逐張判讀，存在效率低、主觀誤判、漏檢等短板，難以適配規模化生產需求。

機器學習的發展為PAUT智能化提供了支撐：早期自動化處理依賴人工設計算法與統計方法，適配性有限；傳統機器學習需人工提取信號特征，在復雜場景下性能不足；深度學習可自主挖掘缺陷特征，CNN、YOLO、Mask R-CNN等模型在PAUT成像優化、缺陷檢測中成效顯著，但存在標注數據稀缺、模型可解釋性差等問題。

現有綜述多聚焦超聲檢測與機器學習的泛化融合，缺乏針對PAUT多模態信號的專用梳理。為此湖南大學的科研人員系統總結了機器學習在PAUT成像優化、缺陷檢測與表征、數據生成三大核心方向的研究進展，分析了現存挑戰并展望了未來趨勢。

圖1 機器學習在相控陣超聲檢測（PAUT）領域的進展概述，涵蓋相控陣超聲成像、缺陷檢測與表征以及數據生成

PAUT的基礎概述

想要看懂機器學習如何“賦能”PAUT，首先得搞明白：PAUT是怎么“看透”構件內部的？它輸出的“檢測信號”又是什么意思？圖2展示了PAUT探頭、成像方法和數據格式的模式。

圖2 (a) 探頭形式；(b) 成像方法

1

PAUT成像方式

PAUT成像分為實時成像與后處理成像兩類，適配不同檢測場景。實時成像邊掃邊出圖，適合快速排查，主要包括線性掃描（效率高，適配平面零件）、扇形掃描（角度靈活，適配焊縫等復雜結構）、動態深度聚焦（實現全深度清晰成像）。

后處理成像先存儲原始數據再精修，適配高精度檢測需求：全聚焦法（TFM）為行業金標準，精度高但計算量大；時間反演成像可突破瑞利判據，清晰顯示超小缺陷；相位相干成像（PCI）利用相位信息抑制噪聲，適配低信噪比場景；平面波成像（PWI）幀率高，結合TFM可兼顧速度與精度。

2

PAUT數據表示形式

PAUT輸出數據分為三類：一維A掃信號（波形圖，反映缺陷深度與大小）；二維圖像（B掃展示缺陷縱向形態、C掃展示平面位置、S掃適配復雜區域檢測）；三維體數據（堆疊二維圖像形成立體模型，直觀呈現缺陷空間形態）。

圖3 PAUT數據格式

PAUT的前沿機器學習方法

如果說PAUT是“工業體檢儀”，那機器學習就是給它裝上的“智能大腦”——不用人工干預，就能自動處理數據、識別缺陷、優化成像。目前，機器學習在PAUT中的應用，主要聚焦三大方向：成像優化、缺陷檢測與表征、數據生成，三者環環相扣，共同提升檢測的智能化水平。

1

相控陣超聲成像：

讓“模糊圖像”變“超清大片”

傳統PAUT成像存在計算量大、分辨率不足、噪聲偽影干擾等問題，機器學習通過兩種方式優化：

一是嵌入成像流程，Luiken等用U-Net自監督去噪模型去除同步發射引入的噪聲；Pilikos等構建端到端網絡，整合數據預處理、波束形成與后處理；FMC-Net可直接從FMC原始數據重建高分辨率圖像，優于傳統算法；Molinier等用GAN從單平面波數據生成類TFM圖像，兼顧效率與精度。

二是成像后處理，Gao等用半監督CycleGAN實現TFM圖像超分辨率增強，Zhang等用兩階段網絡定位并細化缺陷輪廓。

圖4 FMC-Net高分辨率超聲成像架構與不同算法成像效果對比

(a) 用于處理FMC數據的FMC-Net架構；(b) 不同距離下三種成像方法在散射體中心的水平剖面；(c) 鋁塊中通孔缺陷的重建成像結果

2

缺陷檢測與表征：

AI化身“資深檢測員”

缺陷檢測與表征是PAUT核心任務，機器學習模型按輸入數據類型分為三類：

單模態模型專攻單一信號：

一維A掃用1D-CNN、LSTM等模型實現缺陷分類與尺寸預測；

二維B掃用改進YOLO、自編碼器等實現缺陷定位分割；C掃用YOLOv5、無監督框架適配平面缺陷檢測；S掃用改進Mask R-CNN等適配焊縫缺陷分割；TFM/PWI數據采用遷移學習提升精度；

三維體數據用3D ResNet、3D U-Net實現空間缺陷表征。

圖5 基于物理信息增強的B-scan超聲缺陷分割模型結構與實驗結果

(a) 用于處理B掃描圖像并整合物理信息的img2img缺陷重建；(b) 網絡的架構; (c) 性能指標；(d) 預測結果與真實橫截面圖像之間的比較

多模態模型結合多種信號交叉驗證，S-scan+A-scan雙分支融合分類精度達98.07%，C-scan定位與A-scan分類級聯框架可精準定位并識別缺陷類型，融合效果優于單一模態。

圖6 基于A-scan與S-scan多模態融合的超聲缺陷分類架構與性能分析

(a) 用于同時處理S掃描和A掃描數據的模態特征級融合的網絡架構；(b) 模型精度收斂的學習曲線；(c) 不同方法的性能比較

多源模型融合PAUT與紅外熱成像、X射線CT等技術，優勢互補，如PAUT與紅外熱成像結合實現表面與內部缺陷全方位檢測，與X射線CT結合緩解粗晶材料檢測難題。

3

相控陣超聲數據生成：

解決“缺數據”的痛點

針對工業缺陷樣本稀缺、標注成本高的問題，主要有兩種數據生成方式：

一是數據合成，利用CIVA、Field II等專業軟件，基于物理模型與有限元仿真生成各類PAUT數據，成本低、真實度高；

二是數據增強，傳統方法通過幾何變換、噪聲注入擴充樣本，生成式方法用CycleGAN、U-Net等模型生成高分辨率多模態超聲圖像，提升模型泛化能力。

機器學習與PAUT融合挑戰

雖然機器學習給PAUT帶來了“智能升級”，但要真正落地到工業現場，還需要闖過三道“關卡”，解決三個核心難題：

圖7 機器學習與相控陣超聲檢測融合的挑戰

1

數據關：樣本少、標注貴、真假有差距

工業缺陷樣本稀缺，高質量標注耗時費力，且數據集多不公開；仿真虛擬數據與現場真實數據存在差異，導致模型現場適配性差。解決方向包括優化仿真數據、提升真實數據質量、通過不確定性量化減少數據差異影響。

2

泛化關：換個場景，AI就“不會判”

超聲信號受材料、探頭耦合、溫度等因素影響大，模型在不同場景下性能下降，泛化能力不足。解決方向包括豐富樣本場景多樣性、采用“仿真+真實”混合訓練、利用域適應技術提升模型適配性。

2

可解釋關：AI判錯了，說不出原因

深度學習模型可解釋性差，無法追溯檢測依據，難以通過安全關鍵領域認證。解決方向包括嵌入可解釋模塊、注意力可視化、融入超聲傳播物理機理，提升模型可信度。

討論與展望

1

怎么選，才能讓檢測更高效？

特征提取已從人工設計向自動學習演進，A掃適合提取時頻特征，B/C/S掃適合CNN空間特征提取，3D體數據適合體素卷積；

模態選擇需匹配缺陷類型：裂紋類用B掃、TFM，焊縫缺陷用S掃與多模態融合，復合材料分層用C掃，微小缺陷用A掃與多模態融合，復雜結構件用3D體數據與多模態融合。

2

未來展望：智能超聲檢測的下一個方向

未來機器學習與PAUT融合將朝著四大方向發展：

一是成像驅動的缺陷表征，提升亞波長與微小缺陷識別精度；

二是物理信息與機器學習深度融合，增強模型可解釋性；

三是構建輕量級多模態融合框架，適配邊緣設備實時檢測；

四是推進三維超聲重建技術，突破復雜曲面構件檢測難題。

來源：陜西科數智能檢測技術有限公司

論文引用：Na Y, He Y, Deng B, et al. Advances of machine learning in phased array ultrasonic non-destructive testing: a review[J]. AI, 2025, 6(6): 124.

文獻網址：https://www.mdpi.com/2673-2688/6/6/124

“版權聲明：我們的目的旨在行業分享交流，傳遞行業正能量，講好與特種設備有關故事，引導行業與公眾守法合規。如有侵權請聯系我們刪除！”