Page 44 - 无损检测2025年第二期

靖珍珠，等：

基于 U-Net 图像分割算法的相控阵超声缺陷图像定量检测方法

定量评价依然依赖于技术人员的主观判断，存在主
观性强、效率低、可靠性差等问题。基于深度学习
的语义分割发展迅速，对于相控阵超声缺陷图像具
有像素级分割能力；在实现缺陷的智能分割后，可
基于缺陷二值图像进一步定量缺陷尺寸。2015年，
RONNEBERGER等 [2-4] 在全卷积神经网络（FCN）
的基础上提出了U-Net语义分割网络，采用编码器-
解码器形式的算法结构解决了医学图像的语义分
割。U-Net网络被广泛用于卫星图像分割、船舶图
像分割、生物医学图像分割等领域 。余加勇等 提
[6]
[5]
出集成YOLOv5和U-Net3+算法的一体化桥梁裂
缝智能检测方法，实现裂纹的快速识别定位，并基于
U-Net3+裂缝分割结果实现了裂缝形态及宽度高精
[7]
度测量。唐昀超等 融合U-Net网络算法和改进图
像细化算法，提出大坝裂缝识别和宽度计算的方法， 图 1 对比试块结构
裂缝宽度的测量误差平均值为8.7%。在医学领域， 表1 对比试块平底孔几何参数 mm
禤浚波等 针对人工测量科布（Cobb）角时存在的问
[8]
试块编号 Φ D d
题，设计了改进的脊柱侧弯科布角自动测量方法，采
1 8 5 17
用ResNet-50作为主干网络的U-Net网络模型的平均
2 8 20 20
交并比（MIoU）值达到了94.7%，根据该模型只需约
3 8 35 19
6.3 s即可自动计算脊柱侧弯患者的X光片中科布角
4 8 50 20
大小，远快于医生手动测量的速度。
5 3 2.5 17.5
针对相控阵超声扇形扫查图像缺陷评定中效
6 3 5 15
率低、可靠性不足的问题，提出基于 U-Net 图像分
7 3 10 15
割算法的相控阵超声缺陷图像智能定量方法。搭
8 3 20 19
建和优化了 U-Net 网络，通过图像扩充方法获得
9 3 25 17
了用于训练和验证的图像数据，对网络进行训练
10 3 35 17
后实现了基于 U-Net 图像分割算法的相控阵超声
11 1.2 2.5 17.5
缺陷智能定量。
12 1.2 5 17
1 检测试件及试验设备 13 1.2 10 9
14 1.2 20 19
1.1 平底孔试块
15 0.8 2.5 11.5
采集已知缺陷尺寸的相控阵超声缺陷图像，获
16 0.8 5 10
取能够满足缺陷智能分割训练要求的U-Net模型数
为200 GPa，密度为7 700 kg · ms ，泊松比为0. 3。
−3
据集。共制备16块平底孔对比试块，试块材料为马
氏体不锈钢，平底孔直径分别为0. 8，1. 2，3，8 mm， 典型机匣铸件内部缺陷的相控阵超声扇扫图像如
纵波声速为5 820 m · s 。对比试块结构如图1所示， 图2所示，检测图像按右侧幅度-颜色标尺染色，缺
−1
图中， L， W， H分别为试块的长，宽，高， D为平底孔 陷图像位于25 mm深处。为了分析智能定量网络对
埋深， d为平底孔深， φ 为平底孔直径。对比试块平 自然缺陷的定量检测能力，采集50张机匣铸件内部
底孔几何参数如表1所示。 缺陷的相控阵超声扇扫图像。
1.2 自然缺陷试件 1.3 图像采集及数据集预处理
从某型机匣铸件中提取内部缺陷的超声扇形扫 采用三种相控阵探头采集试块中平底孔相控阵
描图像，铸件中纵波声速为5 820 m · s ，弹性模量 扇扫图像，共采集44张图像。为保证U-Net缺陷智
−1
14
2025 年 第 47 卷 第 2 期
无损检测