湖南大学：机器学习在相控阵超声无损检测中的应用进展与融合挑战

相控阵超声检测（PAUT）是工业装备“健康体检”的核心技术，凭借阵列探头的灵活波束控制，可精准检测金属、复合材料等构件内部缺陷，输出A扫、B扫、C扫、S扫及三维体数据等多模态信号。但这些信号需经验丰富的工程师逐张判读，存在效率低、主观误判、漏检等短板，难以适配规模化生产需求。

机器学习的发展为PAUT智能化提供了支撑：早期自动化处理依赖人工设计算法与统计方法，适配性有限；传统机器学习需人工提取信号特征，在复杂场景下性能不足；深度学习可自主挖掘缺陷特征，CNN、YOLO、Mask R-CNN等模型在PAUT成像优化、缺陷检测中成效显著，但存在标注数据稀缺、模型可解释性差等问题。

现有综述多聚焦超声检测与机器学习的泛化融合，缺乏针对PAUT多模态信号的专用梳理。为此湖南大学的科研人员系统总结了机器学习在PAUT成像优化、缺陷检测与表征、数据生成三大核心方向的研究进展，分析了现存挑战并展望了未来趋势。

图1 机器学习在相控阵超声检测（PAUT）领域的进展概述，涵盖相控阵超声成像、缺陷检测与表征以及数据生成

PAUT的基础概述

想要看懂机器学习如何“赋能”PAUT，首先得搞明白：PAUT是怎么“看透”构件内部的？它输出的“检测信号”又是什么意思？图2展示了PAUT探头、成像方法和数据格式的模式。

图2 (a) 探头形式；(b) 成像方法

1

PAUT成像方式

PAUT成像分为实时成像与后处理成像两类，适配不同检测场景。实时成像边扫边出图，适合快速排查，主要包括线性扫描（效率高，适配平面零件）、扇形扫描（角度灵活，适配焊缝等复杂结构）、动态深度聚焦（实现全深度清晰成像）。

后处理成像先存储原始数据再精修，适配高精度检测需求：全聚焦法（TFM）为行业金标准，精度高但计算量大；时间反演成像可突破瑞利判据，清晰显示超小缺陷；相位相干成像（PCI）利用相位信息抑制噪声，适配低信噪比场景；平面波成像（PWI）帧率高，结合TFM可兼顾速度与精度。

2

PAUT数据表示形式

PAUT输出数据分为三类：一维A扫信号（波形图，反映缺陷深度与大小）；二维图像（B扫展示缺陷纵向形态、C扫展示平面位置、S扫适配复杂区域检测）；三维体数据（堆叠二维图像形成立体模型，直观呈现缺陷空间形态）。

图3 PAUT数据格式

PAUT的前沿机器学习方法

如果说PAUT是“工业体检仪”，那机器学习就是给它装上的“智能大脑”——不用人工干预，就能自动处理数据、识别缺陷、优化成像。目前，机器学习在PAUT中的应用，主要聚焦三大方向：成像优化、缺陷检测与表征、数据生成，三者环环相扣，共同提升检测的智能化水平。

1

相控阵超声成像：

让“模糊图像”变“超清大片”

传统PAUT成像存在计算量大、分辨率不足、噪声伪影干扰等问题，机器学习通过两种方式优化：

一是嵌入成像流程，Luiken等用U-Net自监督去噪模型去除同步发射引入的噪声；Pilikos等构建端到端网络，整合数据预处理、波束形成与后处理；FMC-Net可直接从FMC原始数据重建高分辨率图像，优于传统算法；Molinier等用GAN从单平面波数据生成类TFM图像，兼顾效率与精度。

二是成像后处理，Gao等用半监督CycleGAN实现TFM图像超分辨率增强，Zhang等用两阶段网络定位并细化缺陷轮廓。

图4 FMC-Net高分辨率超声成像架构与不同算法成像效果对比

(a) 用于处理FMC数据的FMC-Net架构；(b) 不同距离下三种成像方法在散射体中心的水平剖面；(c) 铝块中通孔缺陷的重建成像结果

2

缺陷检测与表征：

AI化身“资深检测员”

缺陷检测与表征是PAUT核心任务，机器学习模型按输入数据类型分为三类：

单模态模型专攻单一信号：

一维A扫用1D-CNN、LSTM等模型实现缺陷分类与尺寸预测；

二维B扫用改进YOLO、自编码器等实现缺陷定位分割；C扫用YOLOv5、无监督框架适配平面缺陷检测；S扫用改进Mask R-CNN等适配焊缝缺陷分割；TFM/PWI数据采用迁移学习提升精度；

三维体数据用3D ResNet、3D U-Net实现空间缺陷表征。

图5 基于物理信息增强的B-scan超声缺陷分割模型结构与实验结果

(a) 用于处理B扫描图像并整合物理信息的img2img缺陷重建；(b) 网络的架构; (c) 性能指标；(d) 预测结果与真实横截面图像之间的比较

多模态模型结合多种信号交叉验证，S-scan+A-scan双分支融合分类精度达98.07%，C-scan定位与A-scan分类级联框架可精准定位并识别缺陷类型，融合效果优于单一模态。

图6 基于A-scan与S-scan多模态融合的超声缺陷分类架构与性能分析

(a) 用于同时处理S扫描和A扫描数据的模态特征级融合的网络架构；(b) 模型精度收敛的学习曲线；(c) 不同方法的性能比较

多源模型融合PAUT与红外热成像、X射线CT等技术，优势互补，如PAUT与红外热成像结合实现表面与内部缺陷全方位检测，与X射线CT结合缓解粗晶材料检测难题。

3

相控阵超声数据生成：

解决“缺数据”的痛点

针对工业缺陷样本稀缺、标注成本高的问题，主要有两种数据生成方式：

一是数据合成，利用CIVA、Field II等专业软件，基于物理模型与有限元仿真生成各类PAUT数据，成本低、真实度高；

二是数据增强，传统方法通过几何变换、噪声注入扩充样本，生成式方法用CycleGAN、U-Net等模型生成高分辨率多模态超声图像，提升模型泛化能力。

机器学习与PAUT融合挑战

虽然机器学习给PAUT带来了“智能升级”，但要真正落地到工业现场，还需要闯过三道“关卡”，解决三个核心难题：

图7 机器学习与相控阵超声检测融合的挑战

1

数据关：样本少、标注贵、真假有差距

工业缺陷样本稀缺，高质量标注耗时费力，且数据集多不公开；仿真虚拟数据与现场真实数据存在差异，导致模型现场适配性差。解决方向包括优化仿真数据、提升真实数据质量、通过不确定性量化减少数据差异影响。

2

泛化关：换个场景，AI就“不会判”

超声信号受材料、探头耦合、温度等因素影响大，模型在不同场景下性能下降，泛化能力不足。解决方向包括丰富样本场景多样性、采用“仿真+真实”混合训练、利用域适应技术提升模型适配性。

2

可解释关：AI判错了，说不出原因

深度学习模型可解释性差，无法追溯检测依据，难以通过安全关键领域认证。解决方向包括嵌入可解释模块、注意力可视化、融入超声传播物理机理，提升模型可信度。

讨论与展望

1

怎么选，才能让检测更高效？

特征提取已从人工设计向自动学习演进，A扫适合提取时频特征，B/C/S扫适合CNN空间特征提取，3D体数据适合体素卷积；

模态选择需匹配缺陷类型：裂纹类用B扫、TFM，焊缝缺陷用S扫与多模态融合，复合材料分层用C扫，微小缺陷用A扫与多模态融合，复杂结构件用3D体数据与多模态融合。

2

未来展望：智能超声检测的下一个方向

未来机器学习与PAUT融合将朝着四大方向发展：

一是成像驱动的缺陷表征，提升亚波长与微小缺陷识别精度；

二是物理信息与机器学习深度融合，增强模型可解释性；

三是构建轻量级多模态融合框架，适配边缘设备实时检测；

四是推进三维超声重建技术，突破复杂曲面构件检测难题。

来源：陕西科数智能检测技术有限公司

论文引用：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.

文献网址：https://www.mdpi.com/2673-2688/6/6/124

“版权声明：我们的目的旨在行业分享交流，传递行业正能量，讲好与特种设备有关故事，引导行业与公众守法合规。如有侵权请联系我们删除！”