Page 48 - 无损检测2025年第二期
P. 48
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
智能定量方法的结果相对于 -6 dB 定量法结果偏 底孔缺陷的识别效果相反，进一步说明 U-Net 方
小但相差不大，可替代 -6 dB 法，能够提高检测 法对于训练数据库的要求很高，由于训练数据中
结果辨识的数字化、智能化水平。U-Net 方法对自 并未采用自然缺陷图像数据，U-Net 分割定量误差
然缺陷的定量结果整体小于 -6 dB 法的，这与平 增大。
图 7 部分机匣内部自然缺陷智能分割定量效果（左为分割前，右为分割后）
表4 机匣内部缺陷定量结果对比 mm 量能力不足。通过图像扩增可提升所提模型性能，随
缺陷序号 -6 dB法 U-Net法 着自然缺陷数据库的完善，其定量能力有望进一步
1 1.1 0.8 提高。
2 1.2 0.9
参考文献：
3 2.4 2.2
4 1.5 1.3 [1] 单宝华，喻言，欧进萍. 超声相控阵检测技术及其应
5 1.6 1.4 用[J]. 无损检测，2004，26（5）：235-238．
6 1.7 1.2 [2] RONNEBERGER O，FISCHER P，BROX T. U-net：
convolutional networks for biomedical image
5 结论 segmentation[M]//Lecture Notes in Computer
Science. Cham：Springer International Publishing，
提出的基于U-Net网络的相控阵超声图像智能
2015．
分割模型，展现出较强的抗干扰能力、较高的分割精
[3] 王统， 徐胜舟，卢浩然，等. 基于CAM U-Net的肺结节
度、良好的鲁棒性与泛化能力，能准确分割缺陷与背
分割方法[J]. 中南民族大学学报 （自然科学版），2024，
景图像。U-Net智能定量方法的精度与-6 dB法精 43（1）：104-111．
度相当，且在速度、数据保存和人力节省方面具有优 [4] GENG L，ZHANG S Q，TONG J，et al. Lung
势，可满足工程应用。但U-Net智能定量能力受训练 segmentation method with dilated convolution based on
集完备性影响，缺乏自然缺陷样本会导致自然缺陷定 VGG-16 network[J]. Computer Assisted Surgery，2019，
18
2025 年 第 47 卷 第 2 期
无损检测
