Page 47 - 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

较强；具有噪点的图像也可被正确分割，表明智能模 智能定量精度与-6 dB法的精度基本相同，且具有
型具有出色的抗干扰能力和优异的鲁棒性，具备缺 速度快、方法简洁、数据易保存等特点。由于二者定
陷特征提取和像素级分割的能力。 量原理不同，其对具体平底孔图像的定量能力并无
3.2 定量检测方法 相关性；U-Net定量结果一般偏大，而-6 dB法定量
相控阵超声扇扫图像分割后形成二值图像，背 结果一般偏小。U-Net智能定量能力更多地依赖于
景为黑色，缺陷区域显示为白色，采用实际长度法与 数据库的训练，随着含自然缺陷数据库的进一步丰
像素比值法对缺陷图像进行定量，实际单位长度对 富，其定量能力将不断提升。
应的像素值P可表示为 表3 基于图像分割的智能定量结果
D U-Net智能分割
P = （5） -6 dB定量方法
W D 序号 试块型号 定量方法
检测 相对 检测 相对
式中：W 为图像横向实际长度（检测范围）；D为图 尺寸/mm 误差/% 尺寸/mm 误差/%
D
像横向像素点值。 1 ϕ0.8-2.5 0.8 0.0 0.9 12.5
为计算缺陷横向长度的像素值，设缺陷边缘最 2 ϕ0.8-5 0.8 0.0 0.8 0.0
左端白色像素值为x ，最右端白色像素值为x ，缺陷
1 2 3 ϕ1.2-2.5 1.2 0.0 1.3 8.3
横向像素值计算示意如图6所示。已知实际单位长
4 ϕ1.2-5 1.3 8.3 1.2 0.0
度对应的像素值P，对缺陷进行比值计算得到缺陷
5 ϕ1.2-10 1.4 16.6 1.2 0.0
的横向尺寸
x -x 6 ϕ1.2-20 1.2 0.0 1.3 8.3
φ = 2 1 （6） 7 ϕ3-2.5 3.2 6.6 3.0 0.0
P
8 ϕ3-5 3.2 6.6 3.0 0.0
9 ϕ3-10 3.0 0.0 2.8 -6.7
10 ϕ3-20 3.1 3.3 2.8 -6.7
11 ϕ3-25 2.9 -3.3 2.5 -16.7
12 ϕ3-35 3.3 10.0 2.9 -3.3

13 ϕ8-5 9.2 15.0 7.5 -6.3
14 ϕ8-20 8.7 8.7 7.6 -5.0
15 ϕ8-35 8.1 1.2 7.4 -7.5
16 ϕ8-50 9.2 15.0 7.2 -10.0
4.2 基于机匣自然缺陷的定量试验与分析

为进一步分析U-Net智能定量方法对自然缺陷
的定量检测能力，在机匣安装边区域采集50张缺陷
图 6 缺陷横向像素值计算示意 的相控阵超声检测图像，并分别通过U-Net定量法
与-6 dB法进行尺寸测量。部分机匣内部缺陷智能
4 缺陷智能定量试验结果与分析 分割定量效果如图7所示，可见，U-Net网络模型对

4.1 基于平底孔试块的定量试验与分析 机匣缺陷具有较高的分割精度，而图7（f）中颜色幅
为评估智能缺陷定量网络的定量精度，将测试 值较低的较小缺陷的分割效果较差。分析得出其原
图像输入至智能定量系统。基于图像分割的智能 因为：智能识别网络的训练过程中，没有将小缺陷图
定量结果如表3所示，可见，基于U-Net分割的智能 像放入训练样本集，使得U-Net网络无法识别小缺
定量结果的相对误差最大为16. 6%，最小相对误差 陷，将小缺陷图视为背景。
为0. 0%，平均相对误差为5. 9%；基于-6 dB法定 U-Net图像分割与-6 dB法两种定量方法对于
量结果的相对误差最大为16. 7%，最小相对误差为 机匣内部缺陷定量结果对比如表4所示，采用6张机
0. 0%，平均相对误差为5. 7%。因此，U-Net网络的 匣自然缺陷的相控阵超声扇扫图像进行对比分析，
17
2025 年 第 47 卷 第 2 期
无损检测