Page 45 - 2023中国无损检测年度报告

2023 ࠛ௨ចय़ˮڥQGWખ౎˘ᛸˡԾࡰᤠቅ ࠛ௨ចय़ˮڥQGWખ౎˘ᛸˡԾࡰᤠቅ 2023
⚥㕂偽䰀唬崵䎃䏞䫣デ ⚥㕂偽䰀唬崵䎃䏞䫣デ

（3）多相干因子自适应加权的超声全聚焦 了 2.3% 左右，这个精度与 YOLO v5m 模型精
成像增强 度相当。其次，轻量化改进后模型网络层数和参

分析了相位相干因子、符号相干因子、环形 数量比 YOLO v5m 和 YOLO v5s 的均要小，且
统计相干因子以及矢量相干因子对超声 TFM 成 参数量比 YOLO v5s 减少了 87%，进一步分析
像质量的影响。针对 4 种相干因子的表征特性以 发现，改进网络下裂纹缺陷的检测精度与 YOLO
及体积型、面积型缺陷的 PCI-TFM 图像特征， v5s 比较提升最高达 3.7%，其他 4 类缺陷的检
建立了多相干因子加权融合成像的遗传算法模型， 测精度比 YOLO v5s 高 2% 左右。
设计了目标函数、约束条件、适应度函数以及权
重配置规则，并给出了 WCF-TFM 成像方法。分
析了不同类型缺陷的 PCI-TFM 和 WCF-TFM 的
成像性能，研究了多轮遗传迭代下的权重配置规
律和 WCF-TFM 的成像增强效果，面积型缺陷的
原始 TFM、PCI-TFM 和 WCF-TFM 成像结果如
图 7 所示。

(a) 数据样本展示

(a) 面积型缺陷

(b) 体积型缺陷
(b) 模型改进前后对于裂纹的识别结果
图 7 不同类型缺陷不同算法下的成像性能对比
图 8 典型缺陷的 TFM 数据样本及裂纹缺陷的模型改进
（4）基于超声全聚焦图像的焊缝缺陷智能
前后识别结果
检测
基于压缩感知理论的大厚壁接管角焊缝超声
针对目前工业常用的实时目标检测模型在相
控阵超声 TFM 图像缺陷检测中存在的问题，开展 TFM 检测数据压缩重构方法，通过仿真和一系列
对比分析，在实际角焊缝检测数据上开展基于稀
网络结构改进、数据集构建、数据增强方法优化
研究。首先，针对原始模型泛化能力不足和类间 疏基、观测矩阵和重构算法的试验验证和优化工
作，获得了适合此类检测数据压缩重构的最佳组
特征容易混淆的问题，采用上下文感知跨级融合
网络（C2F-Net）对 YOLO v5 算法中的骨干网 合算法（即 Sym7-IMF-BP），能够实现 70%
压缩率下 6.9% 的恢复误差；焊缝缺陷双层介质
络结构进行了改进，使模型在保持轻量化的同时
具有更强的特征融合能力。其次，开展实际检测 下检测时超声 TFM 加速成像方法及图像特征研
究提出的 SSM 求解速度是解析法的 592 倍，是
及仿真模拟工作，构建了包含裂纹、气孔、未熔合、
夹渣、未焊透等 5 类缺陷的相控阵超声 TFM 图 工程迭代法的 17 倍，并且当分段区间的搜索步
长为 0.1 mm 时，能够在提高超声 TFM 成像速
像样本集，如图 8（a）所示。通过检测试验对比
了原始模型与改进模型识别性能，图 8（b）给出 度的同时保证成像质量；粗晶材料焊缝缺陷超声
TFM 成像增强方法，设计了多相干因子加权融合
了模型改进前后对于裂纹缺陷的识别效果。对比
模型的速度和识别精度发现，改进 YOLO v5s 算 成像的遗传算法模型，并提出了 WCF-TFM 成像
方法，该方法可以自动针对缺陷类型选择最佳的
法在焊接缺陷 TFM 图像样本集上的 mAP 值提高

35