Page 41 - 无损检测2024年第十二期

吴 琪，等：

GH4169 合金微观组织结构的超声评价与扩散生成方法

散模型（DM） 的出现，使微观组织结构的智能生成 数据添加噪声再通过逆过程去除噪声，以恢复数据
[5]
成为可能。这些深度学习模型能够基于累积的材料 结构，其中去噪扩散概率模型（DDPM）优化了采样
[9]
数据自动生成高度逼真的微观组织结构图像。近年 效率和生成效果 。
来的研究表明，GAN和条件GAN（CGAN）在微结 1.1 SA_GAN模型
构图像重构中表现优异 [6-7] 。此外，扩散生成模型在 为了重构GH4169 合金的微观组织结构图像，
处理各种类型的微观结构图像时也展现出了优越的 文章使用结合自注意力机制的SA_GAN模型来学
[8]
性能 。 习图像数据库的统计特征。该模型通过生成器和判
为探讨基于超声评价数据和扩散生成模型的微 别器中的自注意力模块，有效捕捉远距离区域的关
观组织结构图像生成方法，提出了一种智能生成方 系，生成更细腻且真实感更强的微观结构图像。自
法，结合已知的合金超声检测数据和材料的几何特 注意力模块使得生成器在处理局部细节和全局结构
征，通过扩散生成模型实现复杂合金材料的微观组 时更为高效，从而能提升生成效果。
织图像重构。笔者利用超声检测所获取的晶粒尺寸、 1.2 VQ_VAE模型
圆度、长短轴比等参数，通过扩散生成模型生成逼真 文 章还采用VQ-VAE模型 [10] 进行GH4169 合
的二维虚拟金相图。相比传统的超声数据分析方法， 金微观组织图像的重构。该模型通过将图像的连续
扩散生成模型通过大规模数据集训练，可以更准确 特征量化为离散嵌入向量，实现数据压缩与重构。
地学习复杂材料的微观组织特征，进而生成高精度 VQ-VAE由编码器、量化器和解码器组成，编码器
的微观组织结构图像。 将图像编码为隐变量，量化器将其映射到离散嵌入
扩散生成模型的优势在于逐步学习微观图像的 空间，解码器则用这些嵌入向量重构图像。在训练
概率分布，并通过降噪过程重构清晰的结构图像，因 过程中，通过最小化重构损失和承诺损失函数来优
而其在处理高复杂度的微观组织结构时表现突出。 化模型。此外，模型采用自回归先验对隐变量进行
结合超声检测数据，扩散生成模型能够有效预测材 采样，进一步提升微观组织结构的生成质量。
料的内部组织结构，并生成相应的组织结构图像，为 1.3 MDiff模型
材料性能预测和结构优化提供精准的参考。 为对GH4169合金微观组织结构图像进行扩散
笔者首次将超声评价数据与扩散生成模型结 生成方法的重构，文章还借鉴IDDPM ，训练了针
[11]
合，用于GH4169 合金材料的微观组织图像重构。 对微观组织结构生成的MDiff模型。MDiff模型通
试验结果表明，扩散生成模型在微观组织结构图像 过学习微观组织图像的统计特征，能够生成高质量
生成中表现出性能优越，其与超声数据融合具有可 的微观组织结构图像。
行性和准确性。该方法为超声检测技术在复杂材料 MDiff模型的基本思想是通过加噪和去噪的过
微观组织分析中的应用开辟了新路径。 程逐步生成数据。首先，数据通过一个参数化的马
尔可夫链不断添加噪声，使其分布逐渐趋于高斯分
1 基于统计学习的微观组织结构生成方法
布。而后在生成阶段，模型通过反向扩散过程逐步
在利用超声评价数据和累积数据进行微观组织 去噪，以恢复数据的结构。该模型将去噪视为高斯
结构重构时，首要任务是选择适合的图像生成模型。 分布的回归问题，通过神经网络U-Net预测均值和
为此，评估不同生成模型的性能，以确定最能捕捉图 方差来完成生成。MDiff模型架构如图1所示。
像库统计特征的最佳模型至关重要。最终选定的模
2 模型对比试验与结果
型将与超声评价数据融合，以约束和引导生成过程，
从而提升生成结果的准确性和可靠性。 试验通过学习GH4169合金真实二维微观组织结
在深度生成模型中，GAN（生成对抗网络）、 构图像库，利用VQ-VAE、SA-GAN和MDiff三种模
VAE（变分自编码器）和DM（扩散模型）是 3 类主 型生成了1 000张尺寸为256像素×256 像素（长×
要的模型。GAN通过生成器生成样本，并由判别器 宽）的微观组织结构图像。不同生成模型的图像生
进行对抗学习提升样本质量。VAE通过编码器将数 成效果如图2所示。
据压缩为隐空间表示，再由解码器还原数据，并通过 可以看出，VQ-VAE模型未能有效学习微观
最大化证据下界（ELBO）优化模型。DM则逐步向 组织中晶粒的完整性特征，生成图像中的晶粒结构
7
2024 年 第 46 卷 第 12 期
无损检测