Page 45 - 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

能分割模型的分割精度和泛化能力，需对采集的
缺陷图像进行扩增处理。首先，将缺陷图像均重
置为 823 像素 ×742 像素的尺寸，再对其进行旋
转、镜像翻转、模糊、加噪声、调整亮度等扩增处
理（见图 3），缺陷图像数据集经扩增后达到 440
张。对图像数据集中的缺陷进行分割标注，最后
按照 9∶1 的比例划分为训练集与测试集。由于
U-Net 网络对于较少样本数据集同样具有卓越的
[9]
分割精度 ，该数据量可满足缺陷分割网络训练
图 2 机匣铸件内部缺陷的典型相控阵扇扫图像 的要求。

图 3 缺陷图像扩增方法示意
2 U-Net网络原理与定量方法研究 征信息细节的同时还可获取浅层缺陷特征图的相关
信息，提高了缺陷特征的表征能力 [13] 。此外，由于缺
2.1 U-Net网络结构
陷的相控阵超声图像较简单，结构相对固定，U-Net
U-Net网络结构整体呈U型对称，左侧的编码 网络的维度拼接方式能确保模型对相控阵超声缺陷
器部分由卷积层和采样层组成，对输入图像进行缺
图像语义分割特征发挥良好作用。
陷特征提取；右侧的解码器由上采样和跳跃连接组
2.2 网络评估指标
成，可对缺陷特征图进行融合操作；解码器包含大量
缺陷智能分割是将缺陷图像从背景中分割出来，
特征通道，具备将上下层相控阵超声图像缺陷特征
缺陷为白色，背景为黑色。为评估U-Net缺陷分割模
信息传递至更高分辨率层级的能力 [10-12] 。U-Net网
型的性能 [14-18] ，采用像素准确率（P ）表示正确分割缺
络结构示意如图4所示，其中深橙色箭头表示卷积 A
陷图像的像素点数量与总像素点数量的比值、交并比
操作，卷积核大小为3×3，采用ReLU函数作为激活
（I ）表示模型分割正确的像素点区域与标注区域之
函数，以改变缺陷特征图的通道数量，进而更好地捕 oU
间的重叠程度、平均交并比（M ）表示模型分割各
获缺陷特征信息。ReLU激活函数的表达式为 IoU
类别像素点区域与标注区域之间重叠程度的平均值。
（1） 即各指标计算公式为
T +T
图4中，浅蓝色箭头表示最大池化采样；橙色箭 P A = +T P + T N +F F （2）
头表示上采样操作；深蓝色箭头表示卷积操作，卷积 P N P N
核大小为1×1；灰色箭头表示维度拼接操作，该操作 I = T P （3）
将浅层与深层缺陷特征进行结合，获取深层缺陷特 oU P +T P +F F N
15
2025 年 第 47 卷 第 2 期
无损检测