劉洋洋，韓 瀟1,*，張鵬嵩，沈平單，曹海林

（1.北京航空航天大學 宇航學院，北京 100191；2.北京衛(wèi)星環(huán)境工程研究所，北京 100094；3.重慶大學 微電子與通信工程學院，重慶 400044）

0 引言

金屬構件廣泛用于航空航天、風力電力、石油化工等領域，其在生產和使用過程中因高溫高壓、高負荷等外部環(huán)境的影響，表面或內部易產生微小的損傷[1]。如果未及時發(fā)現(xiàn)與修復微小損傷，則可能導致重大安全事故。因此對金屬構件的定時檢測與評估十分重要。

出于安全與經濟考慮，常用無損檢測技術進行損傷探測?，F(xiàn)有的無損檢測技術主要包括射線檢測[2]、渦流檢測[3]、超聲波檢測[4]等。近年來提出的激光超聲檢測技術是基于激光的熱彈效應和燒蝕機制，利用激光脈沖在待測構件中產生超聲波，可在不犧牲損傷定位準確性的前提下實現(xiàn)結構非接觸式測量[5]。相比于傳統(tǒng)超聲波檢測，激光超聲技術通常不需耦合劑，從而降低了對試件表面光滑度要求，易于實現(xiàn)曲面等復雜結構的檢測；但損傷結構成像精度嚴重依賴于掃描點的空間采樣率，在缺乏損傷先驗知識支撐的情況下，需要對整個待測構件進行密集掃描才能實現(xiàn)滿意的成像精度，故不適用于大型待測構件。為此，付倩提出在大測量間距下對損傷進行粗定位，再對局部區(qū)域密集采樣，通過多傳感器協(xié)同以提升損傷邊緣成像精度[6]；王杰利用多組小波基函數對層壓復合材料超聲回波信號去噪，提高了缺陷成像精度[7]。

數據驅動的深度學習模型通過梯度更新算法實現(xiàn)端到端的模型參數優(yōu)化，可以完成復雜非線性映射關系的自適應學習，因此其在結構損傷檢測領域已有廣泛應用。Lin 等利用深度卷積神經網絡對原始傳感器數據提取判別性特征，并將該特征用于結構損傷定位，實現(xiàn)了優(yōu)于小波系數特征方法的定位精度[8]。為精確預測金屬內部損傷寬度，Zhang等提出融合遺傳算法的神經網絡模型，對金屬內部損傷情況下的激光超聲信號進行特征提取，自適應學習特征與損傷寬度的映射關系，定量分析了金屬損傷寬度對網絡預測性能的影響[9]。目前卷積神經網絡用于損傷邊緣成像精度優(yōu)化的相關研究較少，其魯棒的特征提取能力與映射關系學習能力為結構損傷邊緣成像優(yōu)化提供了新思路。

本文以航空航天用4A01 鋁板為研究對象，采用深度學習方法與激光超聲檢測技術進行構件損傷超聲成像性能優(yōu)化的研究，以期實現(xiàn)損傷檢測的自動化和智能化。首先，利用大功率脈沖激光非接觸地激發(fā)出超聲Lamb 波；其次利用鋁板中Lamb波的A0 模態(tài)的幅值完成掃描區(qū)域的可視化成像；最后，建立損傷類型-激光超聲成像特征數據庫，利用基于卷積神經網絡的優(yōu)化算法進行構件損傷邊緣優(yōu)化實驗，以提高構件損傷邊緣清晰度。

1 激光超聲成像理論

1.1 激光超聲Lamb 波的波場重建方法

在試件中某一點施加激勵的同時從另一個位置獲取響應信號的過程滿足聲學互易原理[10]。因此，定點激勵和在掃描區(qū)域布置大量傳感器接收超聲波可等效為定點接收和大面積掃描待測區(qū)域激勵超聲波的過程（如圖1 所示）。根據聲學互易原理，在金屬構件附近定點放置用于檢測超聲響應信號的聲發(fā)射（Acoustic emission, AE）傳感器（A點），對脈沖激光器進行發(fā)射點校準，確定其掃描方式和掃描區(qū)域并設置掃描起始位置（B點），在待測構件表面進行持續(xù)的超聲Lamb 波激發(fā)。

圖1 聲學互易示意圖Fig.1 Acoustic reciprocity diagram

將二維掃描區(qū)域下AE 傳感器采集到的Lamb波時域響應信號保存在三維數組中，其各元素的值為超聲信號的幅值，定義為三維波場數據[11]?？偛蓸訒r間可由采樣頻率（80 MHz）和總采樣點數（16 384 個）計算，通過對三維數組時間維度的截取可獲得任意時刻Lamb 波的傳播狀態(tài)，即Lamb 波的二維波場重建圖，如圖2 所示，其中：x、y軸為數據的空間維度；z軸為數據的時間維度。

圖2 Lamb 波的波場重演方法Fig.2 Method for Lamb wave field reenactment

1.2 彈性波能流

彈性波是應力波的一種，在無損檢測領域中應用廣泛。彈性波的能量可等效為超聲波通過試件檢測區(qū)域時，試件介質中粒子點處波的應變能；單位時間內粒子點處通過的總能量定義為彈性波能流。脈沖激光掃描某個區(qū)域時，對AE 傳感器接收到的掃描區(qū)域所有采樣點上超聲波的幅值信號進行濾波、放大并采用相應的數據處理算法，可得到該區(qū)域的彈性波能流圖[12]，有關損傷的信息（如位置、形狀及大小等）可根據該圖進行評估。假設金屬鋁板的上下表面是自由的，即牽引力為0。σ表示應力值，則沿著縱向的應力σzz=0，表面切應力σyz=0 和σzx=0。此時平面應力條件和應力-應變方程可簡化為

式中：εxx、εyy和εzz分別為橫向兩正交方向和縱向方向上的應變；E為楊氏模量；v為泊松比；G為剪切模量。通?；诩す鉄釓椥M行激發(fā)僅在構件橫向產生應變，縱向應變近似為0。因此構件的應變能密度為

式中λ為各向同性彈性面的一階拉梅常數。利用安裝在構件表面附近的AE 傳感器采集超聲波響應電信號，該電信號幅值應與橫向應變分量之和成正比，即與式(2)的右邊第一項成正比。因此利用AE傳感器采集的數據，通過式(3)中γ來近似表征應變能密度（歸一化應變能密度）。

式中：i為AE 傳感器數據在T內的采樣點編號；T為數據采集模塊的采樣周期；ΔT為采樣間隔；β為比例常數。對待測構件上所有掃描點的接收數據，利用式(3)便可構建出γ分布情況，以表示超聲激發(fā)下構件的彈性能流圖。

2 基于激光超聲檢測技術的構件損傷成像

2.1 激光超聲檢測系統(tǒng)的整體結構

激光超聲檢測系統(tǒng)（如圖3 所示）的硬件部分包括脈沖激光器、AE 傳感器、信號接收鏈路以及存儲模塊，軟件部分包括激光器掃描控制程序、信號處理程序和顯示保存程序。

圖3 激光超聲檢測系統(tǒng)整體架構Fig.3 Overall architecture of the laser ultrasonic detection system

該系統(tǒng)的工作原理是：激光器發(fā)出的脈沖紅外激光束經二維掃描振鏡偏轉和聚焦后發(fā)射到試件表面；根據激光熱彈機制，待測材料中將激發(fā)出超聲波；AE 傳感器檢測結構中的超聲信號并轉化成相應的電信號，電信號經低噪聲放大器和濾波器后傳送至數據采集模塊進行模/數轉換，并將數據保存以供后續(xù)處理與分析。

2.2 基于激光超聲檢測技術的構件損傷成像實驗

實驗前需要在標準鋁板試件中制備不同形狀的損傷類型。本文選取航空航天常用的4A01 鋁板作為實驗材料，分別制備了無損和有損試件（如圖4 所示）。試件的長和寬均為300 mm，厚度為2 mm。選擇稍大尺寸的板材可消除邊界產生的回波信號。為減小試件表面粗糙度對實驗結果的影響，采用機械加工操作對試件表面磨削，構件粗糙度約為0.7 μm。另外設計了如圖4(b)～(f)所示的5 種俄羅斯方塊形式的損傷類型（分別以1、2、3、4、5 標注），損傷深度為2 mm，用線切割機加工成形。圖4 中各損傷尺寸的單位為mm。

圖4 構件損傷成像實驗用無損及有損試件Fig.4 Undamaged and damaged specimens for the component damage imaging experiment

構件損傷成像實驗設計如圖5 所示。AE 傳感器放置在距離掃描中心區(qū)域約100 mm 的位置接收超聲波信號，傳感器的諧振頻率范圍是100～400 kHz。檢測區(qū)域范圍掃描方式為折掃，相鄰掃描點間距為1 mm，掃描區(qū)域面積為40 mm×40 mm，共41×41 個空間采樣點。在傳感器的接收頻段下，鋁板構件中超聲信號主要為A0 模態(tài)和S0 模態(tài)信號，使用短時傅里葉變換方法實現(xiàn)A0 模態(tài)信號的分離：對用1.1 節(jié)所述方法獲得的三維波場數據進行絕對值處理，得到單極性的超聲信號，使得信號的波峰更密集，信號截取更為高效?；贏0 模態(tài)和S0 模態(tài)的頻率差異，以及A0 模態(tài)信號的到達時間較長和幅值較大的特點[13]，分析原始數據的時頻譜，取傳播時延約束時間窗中最大譜峰作為Lamb波A0 模態(tài)幅值。不同時刻下掃描區(qū)域的Lamb 波A0 模態(tài)幅值分布利用式(3)得到構件彈性能流分布圖，再用插值算法平滑數據進行繪圖，實現(xiàn)損傷形狀可視化。

圖5 構件損傷成像實驗設計示意Fig.5 Schematic diagram of component damage imaging experimental design

為模擬實際多層結構，在損傷鋁板試件下方加墊一層等尺寸未損傷試件。為提高激光超聲檢測的靈敏度，從而探索提出的損傷邊緣優(yōu)化算法的性能上界，本文使用脈沖激光器無接觸激勵以及AE 傳感器定點接收的方式，在固定接收端使用耦合劑連接待測構件與AE 傳感器（后續(xù)工作中將使用激光測振儀實現(xiàn)完全的非接觸檢測）。具體的實驗過程為：

1）確定掃描間距。為滿足奈奎斯特采樣定理，掃描間距通常應小于或等于Lamb 波在被檢測構件中傳播的半波長。過大的掃描間距會導致波傳播圖像質量下降，甚至波陣面不連續(xù)。本實驗以構件微小損傷（約2 mm）為研究對象，經過多次實驗選定掃描網格間距為1 mm，該間距下掃描數據適量且能產生相對高質量的波場圖像。

2）在AutoCAD 軟件中設置需掃描的激光點陣，加載CAD 文件，將脈沖激光投射到鋁板柵格點對應位置以激發(fā)Lamb 波。

3）將鋁板表面用無水乙醇進行清潔處理，然后利用聲發(fā)射專用的耦合劑將AE 傳感器固定耦合在鋁板的對應位置。

4）將AE 傳感器連接至低噪聲放大器，設置放大器增益為10 dB。使用截止頻率為500 kHz 的低通濾波器以減少帶外干擾的影響。最后通過壓點轉換器將超聲波轉換為電信號輸入到數據采集器中，經過模/數轉換后將數據送入計算機顯示和保存。

5）重復步驟2）～4），直到1681 個掃描點全部完成超聲激發(fā)。同時為了減少環(huán)境以及實驗器材的影響，每個掃描點重復實驗10 次，以提高實驗的準確性和可靠性。

6）利用彈性能流法對記錄的數據進行處理，每個掃描點都利用式(3)計算出γ，以便實現(xiàn)超聲波的可視化。

2.3 不同形狀的損傷成像結果分析

為研究超聲Lamb 波幅值在健康區(qū)域和損傷區(qū)域的變化機理，分別對2 條經過損傷區(qū)域的掃描路徑（對應坐標x=80 和x=81）以及2 條未經過損傷區(qū)域的掃描路徑（坐標x=70 和x=71）上各掃描點產生的原始超聲Lamb 波時域信號幅值進行研究，結果如圖6 所示。當超聲波在損傷凹槽邊緣激發(fā)時，凹槽阻擋效應較強，大部分超聲信號能量被損耗與反射，在損傷區(qū)域中透射效應較為明顯，因此附著在待測構件表面的超聲傳感器所采集的信號強度較低。圖6 中損傷路徑的各掃描點幅值分布在相應的損傷位置處有明顯極小值，由此可以初步確定損傷發(fā)生范圍。通過截取各時刻超聲Lamb波A0 模態(tài)的幅值，可以得到無損和有損鋁板掃描區(qū)域內由超聲激發(fā)的彈性能流分布，即得到其可視化成像結果，其中：圖7(a)為無損成像，圖7(b)～(f)分別為5 種損傷類型的成像；圖中顏色表示該位置處的能量。從圖中可以看出：1）當構件存在損傷時，激光超聲成像的結果中存在與損傷形狀相應的能流明顯較小的區(qū)域；2）由于超聲傳播損耗，距AE 傳感器越近，彈性波能流越強，成像顏色越深；3）由于掃描點數的約束及噪聲信號影響，各損傷類型損傷邊緣出現(xiàn)不同程度的畸變，其中，圖7(c)的損傷成像精度相對較高且邊界模糊最少，而圖7(d)、(e)和(f)損傷結構成像存在較為嚴重的失真。因此，基于超聲Lamb 波A0 模態(tài)幅值的方法可初步實現(xiàn)構件損傷邊緣成像，但還需對邊緣特征進行優(yōu)化。

圖6 損傷和健康路徑上的Lamb 波幅值對比Fig.6 Comparison of the Lamb wave amplitude on damaged and undamaged paths

圖7 構件的無損和有損成像結果對比Fig.7 Comparison of component undamaged and damaged imaging results

3 基于卷積神經網絡的損傷邊緣優(yōu)化算法

3.1 損傷邊緣優(yōu)化算法的整體架構

僅利用Lamb 波A0 模態(tài)幅值的方法無法高精度重建損傷的幾何形狀。本文提出受損邊緣高精度重建卷積神經網絡算法：預先構建損傷類型和激光超聲成像的特征數據庫，利用卷積神經網絡方法，通過端到端的離線自學習，建立模糊損傷邊界與高分辨率損傷邊界的魯棒映射關系，構建智能化損傷邊緣優(yōu)化模型。卷積神經網絡使用3 個卷積層提取具有判別性的超聲數據特征；基于提取的高維度特征，利用3 個反卷積層實現(xiàn)損傷邊緣優(yōu)化圖像像素級重建；引入ReLU 激活函數為特征提取與重建過程加入非線性，使網絡具備映射關系自學習能力；網絡輸出層使用Sigmoid 函數激活將重建結果投影到0-1 區(qū)間，加速網絡收斂過程。算法的總體架構如圖8 所示。

圖8 受損邊緣高精度重建卷積神經網絡算法架構Fig.8 Convolutional neural network algorithm architecture for high-resolution reconstruction of damaged edges

算法流程為：激光激勵后使用AE 傳感器測量金屬鋁板中由熱彈性效應產生的超聲波信號并采集存儲；各掃描點多次測量數據求均值并用最大值對數據歸一化處理；將預先處理的超聲數據劃分為訓練集、驗證集與測試集，利用訓練集和驗證集的數據對卷積神經網絡進行離線訓練，訓練過程中觀察網絡在驗證集數據的泛化能力并進行相應網絡超參數調整，直到網絡在驗證集上性能良好。訓練結束后凍結網絡參數，輸入損傷邊界模糊的測試集數據進行前向預測，最終得到邊界優(yōu)化的損傷圖像。

3.2 損傷邊緣優(yōu)化算法的實驗環(huán)境

本文使用的編程軟件為Python 和MATLAB，深度學習框架為Keras。硬件環(huán)境如表1 所示。

1）數據集

網絡輸入的圖像數據為基于Lamb 波A0 模態(tài)幅值方法獲取的構件彈性波能流數據，根據待測構件損傷類型構建相應的標簽數據庫。此外，對實測的損傷類型-激光超聲成像特征數據庫進行數據增強，在數據集中加入高斯白噪聲來獲得多模態(tài)的訓練數據，將原始測量的超聲數據圖像擴充到3000 張，以提高網絡的收斂性能。

2）損失函數與評價指標

損失函數采用均方誤差（mean square error, MSE）對需優(yōu)化的構件超聲圖像進行像素級的約束，以恢復出高保真度的損傷邊界。損失函數為

式中：P? 和P分別表示預測的構件彈性能流分布圖及相應標簽；N表示每次訓練使用的樣本數。

本文采用在圖像重建領域中最為常用的指標之一——結構相似性指數（structural similarity index measure, SSIM）來評價構件損傷邊緣的優(yōu)化性能。SSIM 體現(xiàn)了圖像像素間的內在相關性，是一種與人類的真實感知統(tǒng)一的圖像質量評價指標，該值越大則表示構件損傷邊緣重建效果越好。

3.3 損傷邊緣優(yōu)化算法的實驗結果

采用優(yōu)化算法對試件的損傷邊緣進行優(yōu)化，結果如圖9 所示。對比優(yōu)化前的構件損傷圖像（見圖7）可以看到，在優(yōu)化后的構件損傷圖像中可清晰地區(qū)分出5 種損傷的位置和形狀，這說明采用該算法對損傷區(qū)域邊緣細節(jié)實現(xiàn)了優(yōu)化，提高了整體成像的分辨率，極大改善了Lamb 波A0 模態(tài)幅值成像方法由于噪聲導致成像區(qū)域模糊的問題。

圖9 優(yōu)化后的構件損傷圖像Fig.9 Optimized images of component damage

對于圖9(a)和(e)的長方形和正方形損傷類型，優(yōu)化算法可實現(xiàn)缺陷邊緣幾何形狀高質量重建，恢復出清晰的損傷結構；然而當構件缺陷結構較為復雜時，如圖9(b)、(c)和(e)中缺陷結構包含轉角，損傷邊緣的重建性能出現(xiàn)了不同程度的下降，存在轉角邊界不夠清晰問題。圖9(c)的上下邊界比較清晰，但是直角轉角相較于其他類型的圖像模糊較為明顯。究其原因可能是該實驗中各損傷類型設定的損傷區(qū)域較小，損傷寬度最小為2 mm，同時為降低計算復雜度需適當選擇成像的空間分辨率（實驗中設置為1 mm），導致轉角處采樣點數不足。

損傷1～5 的優(yōu)化前超聲圖像與標簽圖像的SSIM 計算結果分別為0.909、0.912、0.875、0.873 與0.898。利用卷積神經網絡增強A0 模態(tài)構件損傷成像精度隨訓練輪次的變化曲線如圖10 所示。實驗結果顯示：隨著訓練次數的增加，各損傷類型的超聲圖像和標簽圖像的SSIM 相應提升；當訓練進行到200 輪時網絡收斂，網絡增強的各損傷類型超聲圖像均可達到較優(yōu)的SSIM，其中損傷5 的SSIM 最高，約為0.970，損傷1 和2 的SSIM 約為0.961，損傷3 的約為0.952，損傷4 的最低，約為0.944。比較可知：相比優(yōu)化前的損傷圖像，優(yōu)化后各類損傷邊緣均實現(xiàn)了SSIM 指標大幅提升，各類損傷SSIM 平均提升0.0642。幾何結構簡單的構件損傷可實現(xiàn)高分辨率恢復；當構件損傷幾何結構較復雜時，損傷邊緣成像精度小幅下降，各損傷類型中SSIM 最大下降0.026。以上結果表明基于自建的構件損傷類型-激光超聲成像特征數據庫，搭建的卷積神經網絡模型增強了僅用超聲Lamb 波重建構件損傷的結果，實現(xiàn)了損傷區(qū)域的幾何形狀特征高保真恢復。

圖10 構件損傷邊緣優(yōu)化圖像SSIM 隨訓練次數變化曲線Fig.10 The SSIM of the optimized image of component edge against the training times

4 結束語

針對目前構件損傷邊緣成像模糊、成像精度低等問題，本文提出了基于深度學習的構件損傷激光超聲成像方法。該方法利用高能脈沖激光器以非接觸激勵的方式獲取結構中的超聲波數據，采用基于卷積神經網絡的優(yōu)化算法對損傷邊緣區(qū)域進行處理，針對各損傷類型實現(xiàn)SSIM 平均提升0.0642，優(yōu)化結果能夠清晰顯示損傷的幾何形狀信息。與傳統(tǒng)損傷成像技術相比，本文方法具有高保真度、寬頻帶、對材料表面光滑度要求較低、適用面廣等優(yōu)點，具有廣泛的應用前景，可應用于航空航天等領域的材料檢測。