基于深度学习的相控阵超声成像增强框架：实现S-scan到TFM级高分辨率图像的快速转换

本研究针对相控阵超声检测中S-scan成像分辨率低与TFM成像计算成本高的矛盾问题，开发了一种融合空间坐标信息的深度学习框架。通过神经网络将低分辨率S-scan图像转换为TFM级高质量图像，在模拟裂纹缺陷数据上实现了0.015的MAE和0.930的SSIM，图像重建速度较传统TFM提升3倍。该研究为工业无损检测提供了一种兼具高分辨率与高效率的解决方案。

　　

在工业无损检测领域，相控阵超声成像技术如同医生的"听诊器"，能够探测材料内部的"健康状态"。其中扇形扫描(S-scan)因其快速成像特性被喻为"快照相机"，而全聚焦方法(TFM)则因其高分辨率被称为"显微镜"。然而现实中工程师们面临两难抉择：选择S-scan意味着牺牲图像清晰度，可能漏检细微缺陷；采用TFM则需承受高昂的计算成本，犹如用超级计算机处理日常照片。这种矛盾在航空航天、汽车制造等对检测效率和精度都有严苛要求的领域尤为突出。

韩国浦项科技大学的研究团队在《Results in Engineering》发表的这项研究，创新性地将深度学习技术与传统超声检测方法相结合。研究人员首先通过COMSOL Multiphysics?进行有限元模拟，构建包含1000种不同形状、位置和取向的裂纹缺陷数据集。采用32阵元相控阵探头模型，中心频率500kHz，通过全矩阵捕获(FMC)获取数据。研究设计了三层架构：数据采集层获取S-scan和TFM图像对；预处理层通过坐标变换统一两种成像模式的ROI；核心是改进的U-Net网络，创新性地将图像块的空间坐标信息作为额外输入通道，使网络能够学习探头与缺陷的空间几何关系。训练采用结合加权平均绝对误差(WMAE)和结构相似性(SSIM)的混合损失函数，通过Adam优化器进行参数优化。

"方法学创新"部分显示，研究主要采用四项关键技术：有限元数值模拟生成训练数据、改进的U-Net架构整合坐标信息、混合损失函数优化、以及迁移学习策略。其中数值模拟精确复现了超声波在含缺陷铝块中的传播过程；改进网络结构通过3通道输入(图像+坐标)实现空间感知；实验验证则使用含4种取向人工缺陷的铝块，通过IMASONIC探头获取实测数据。

"成像质量提升"部分的研究结果表明，提出的深度学习框架在模拟数据测试集上达到34.41dB的峰值信噪比(PSNR)，MS-SSIM达0.961。相较于传统方法，网络预测的-6dB主瓣面积误差仅7%，缺陷峰值定位精度达0.59mm（约λ/20）。特别值得注意的是，对于深度110mm的缺陷，该方法的成像质量仍保持稳定，验证了其处理深度依赖成像问题的能力。

"计算效率突破"章节显示，在RTX 2080 Ti显卡上，对81×81图像块的处理时间仅3.466ms（S-scan重建1.790ms+DL转换1.676ms），较传统TFM的9.498ms提速近3倍。这种效率提升使得在便携设备上实现实时高分辨率成像成为可能，对现场检测具有重要价值。

"实验验证与迁移学习"部分详细阐述了在真实铝试块上的测试结果。通过冻结编码器、微调解码器的策略，仅用24组实验数据就将MS-SSIM从0.844提升至0.915。t-SNE可视化分析表明，虽然模拟与实验数据在特征空间分布存在差异，但迁移学习有效弥合了这个gap。对135°倾斜缺陷的成像结果虽未完全匹配TFM，但较原始S-scan已有显著改善。

该研究的创新价值主要体现在三个方面：工程应用上，为资源受限的检测场景提供了硬件升级的替代方案；方法学上，开创性地将坐标信息融入深度学习框架；理论上，证实了神经网络可以学习超声波的物理传播特性。研究也存在一定局限，如目前主要验证了裂纹类缺陷，对气孔、夹杂等其它缺陷类型的适用性有待考察。未来工作可拓展更多缺陷类型，并探索在曲面构件检测中的应用。这项研究为智能超声检测设备的发展提供了重要技术支撑，有望推动无损检测从"经验判断"向"智能量化"的范式转变。