摘要：針對(duì)全聚焦（Total Focusing Method，TFM）成像技術(shù)因其耗時(shí)長，在工業(yè)應(yīng)用中受限的問題，提出一種基于CNN?BiLSTM（Convolutional Neural Network?Bi?directional Long Short?Term Memory）網(wǎng)絡(luò)的快速TFM 成像方法，首先利用卷積神經(jīng)網(wǎng)絡(luò)從全矩陣數(shù)據(jù)中提取關(guān)鍵特征，接著結(jié)合雙向長短期記憶網(wǎng)絡(luò)來預(yù)測金屬板上損傷的區(qū)域位置，再使用TFM 技術(shù)在損傷區(qū)域進(jìn)行精確成像. 為了進(jìn)一步提升損傷檢測的準(zhǔn)確性，引入基于ResNet 網(wǎng)絡(luò)的損傷尺寸檢測方法以實(shí)現(xiàn)對(duì)損傷大小的精確檢測. 為了驗(yàn)證方法的有效性，利用有限元分析軟件ABAQUS 建立三維鋁板仿真模型，并通過模型變換構(gòu)建神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)集. 實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)全聚焦成像方法相比，CNN?BiLSTM 網(wǎng)絡(luò)展現(xiàn)出較高的區(qū)域定位精度，定位準(zhǔn)確率達(dá)到95. 26%，并具有顯著的效率優(yōu)勢，平均定位速度提升了46. 4%；同時(shí)，損傷尺寸大小的檢測結(jié)果驗(yàn)證了基于ResNet 網(wǎng)絡(luò)的方法在損傷尺寸評(píng)估方面的有效性和準(zhǔn)確性，在測試集上達(dá)到了99. 26% 的準(zhǔn)確率.

中圖分類號(hào)：TB559 關(guān)鍵詞：Lamb 波，TFM，損傷檢測，CNN?BiLSTM，ResNet

金屬板狀材料具有高強(qiáng)度、輕質(zhì)和耐腐蝕性等優(yōu)點(diǎn)，因此在橋梁、建筑、船舶、飛機(jī)、風(fēng)力渦輪機(jī)、管道等大型或全尺寸結(jié)構(gòu)中有廣泛的應(yīng)用［1］.然而，金屬板狀材料在長期使用過程中受到?jīng)_擊、磨損、腐蝕等因素的影響，會(huì)導(dǎo)致孔洞、裂紋等損傷的產(chǎn)生，這些損傷降低了材料的性能和安全性，甚至引發(fā)災(zāi)難性的后果，因此，及時(shí)地發(fā)現(xiàn)和評(píng)估結(jié)構(gòu)中的損傷尤為重要. 近年來，結(jié)構(gòu)健康監(jiān)測（Structural Health Monitoring，SHM）和無損檢測（Non?Destructive Testing，NDT）技術(shù)被廣泛地研究并應(yīng)用于金屬板狀材料的檢測［2-4］.

Lamb 波檢測技術(shù)和傳統(tǒng)的超聲波檢測技術(shù)相比有顯著優(yōu)勢. 首先，Lamb 波技術(shù)能在材料的單側(cè)進(jìn)行檢測，而傳統(tǒng)超聲波檢測通常需要從材料的兩側(cè)進(jìn)行，所以Lamb 波技術(shù)更適用于難以接觸或單面可接觸的區(qū)域. 其次，Lamb 波能在薄板材料中傳播較遠(yuǎn)的距離，即可以從單一位置檢測更大的區(qū)域，而傳統(tǒng)超聲波檢測通常局限于較小的檢測區(qū)域. 再者，Lamb 波檢測對(duì)于表面和近表面的損傷非常敏感，特別是損傷沿材料表面擴(kuò)展時(shí). Lamb 波還能提供更詳細(xì)的信息，例如關(guān)于材料層間的分層和腐蝕情況，這是傳統(tǒng)超聲波檢測難以實(shí)現(xiàn)的. 另外，在實(shí)時(shí)監(jiān)控方面，Lamb 波檢測技術(shù)同樣展現(xiàn)出優(yōu)勢，它可以被用于連續(xù)監(jiān)測結(jié)構(gòu)的健康狀態(tài)，有助于及時(shí)發(fā)現(xiàn)問題并采取預(yù)防措施，而傳統(tǒng)超聲波檢測則更多地用于定期或需要時(shí)的檢測，這種連續(xù)監(jiān)控能力使Lamb 波技術(shù)在預(yù)防性維護(hù)和長期健康監(jiān)測方面尤為重要［5］.

全聚焦法（Total Focusing Method，TFM）由于其較高的成像分辨率和抗噪性而獲得了廣泛的運(yùn)用，但在涉及大量的全矩陣數(shù)據(jù)時(shí)，TFM 的成像計(jì)算非常耗時(shí)，限制了其在一些工業(yè)領(lǐng)域中的應(yīng)用，特別是有實(shí)時(shí)性要求的工業(yè)領(lǐng)域. 因此，提高TFM 的成像速度成為了研究熱點(diǎn). 由于TFM的高并行性，在GPU 上執(zhí)行TFM 是非常有效的，但這種策略需要更多地進(jìn)行計(jì)算資源的處理與分配［6-8］. 為了提高成像效率，使用時(shí)域和頻域分析的全聚焦法是一種有效的策略. 時(shí)域TFM 算法直接處理原始全矩陣數(shù)據(jù)，依賴時(shí)間差異來確定損傷的位置，處理速度較快，但對(duì)于復(fù)雜或深層的損傷檢測，其精度和分辨率不足［9-10］. 與時(shí)域TFM 相比，頻域TFM 方法［11-13］能去掉POI（Point of Interest）的迭代計(jì)算，帶來了巨大的性能提升，但其不適用于不規(guī)則的多層物體. 其他方法有使用遺傳算法［14］或者模擬退火算法［15］對(duì)稀疏陣列進(jìn)行優(yōu)化，以達(dá)到更優(yōu)的成像效果和更高的處理速度，但僅對(duì)小型稀疏數(shù)組的優(yōu)化有效，且優(yōu)化后的陣列聲場特性一致性較差，每次計(jì)算得到的旁瓣峰值（Peak Side?Lope，Psl）和主瓣寬度（Main?Lobe Wide，MLW）不同. 因此，需要開發(fā)一個(gè)具有更強(qiáng)泛化能力的算法，以實(shí)現(xiàn)更快速且精準(zhǔn)的檢測.

近年來，深度學(xué)習(xí)技術(shù)在圖像識(shí)別和目標(biāo)檢測方面取得了顯著成就，為無損檢測技術(shù)帶來了新的發(fā)展機(jī)遇. 學(xué)者們開始探索將深度學(xué)習(xí)技術(shù)應(yīng)用于Lamb 波的檢測過程［16-18］，這些研究集中在使用深度神經(jīng)網(wǎng)絡(luò)模型來處理和解析Lamb 波的復(fù)雜數(shù)據(jù)，以實(shí)現(xiàn)對(duì)材料內(nèi)部結(jié)構(gòu)的更加準(zhǔn)確和高效的檢測. 除了深度多層注意力機(jī)制（Multi?Layer Perceptron，MLP）網(wǎng)絡(luò)之外，流行的替代方案有卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）［19］、循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent NeuralNetwork，RNN）［20-21］，特別是長短期記憶網(wǎng)絡(luò)（Long Short?Term Memory，LSTM）［22］和門控循環(huán)單元（Gatedrecurrent Unit，GRU）的改進(jìn)應(yīng)用.結(jié)合這些深度學(xué)習(xí)技術(shù)，本文建立了CNN ?Bi?LSTM 網(wǎng)絡(luò)，利用CNN 來提取Lamb 波數(shù)據(jù)中的特征，并通過雙向長短期記憶網(wǎng)絡(luò)（BidirectionalLong Short?Term Memory，BiLSTM）來處理這些序列數(shù)據(jù). 這種方法能利用Lamb 波數(shù)據(jù)來準(zhǔn)確定位損傷的具體位置，并對(duì)相關(guān)區(qū)域進(jìn)行TFM成像，從而顯著提高檢測的速度和準(zhǔn)確性.

為了進(jìn)一步提升損傷檢測的精確度，本研究還采用基于ResNet 網(wǎng)絡(luò)的損傷大小檢測技術(shù)，利用ResNet 的深度殘差學(xué)習(xí)框架對(duì)損傷區(qū)域的尺寸進(jìn)行精準(zhǔn)估計(jì)，展現(xiàn)出優(yōu)異的性能. 結(jié)合CNNBiLSTM網(wǎng)絡(luò)的定位能力和ResNet 網(wǎng)絡(luò)的尺寸評(píng)估能力，不僅能快速準(zhǔn)確地識(shí)別損傷位置，還能提供關(guān)于損傷尺寸的重要信息，大大提升了無損檢測的整體效率和準(zhǔn)確度，為實(shí)時(shí)監(jiān)測和評(píng)估復(fù)雜結(jié)構(gòu)的健康狀況提供了新的可能性，對(duì)于提高結(jié)構(gòu)安全性檢測效能具有重要意義.