汪小凱，蔣秋月，關山月，華 林

（1.武漢理工大學現代汽車零部件技術湖北省重點實驗室，武漢 430070；2.武漢理工大學汽車零部件技術湖北省協同創(chuàng)新中心，武漢 430070；3.武漢理工大學材料綠色精密成形技術與裝備湖北省工程中心，武漢 430070）

鈦合金材料廣泛用于制造飛機發(fā)動機機匣、葉片、火箭燃料貯箱、衛(wèi)星殼體等重要部件，具有綜合要求更高、服役周期長、工作條件惡劣等特點。超聲相控陣檢測技術通過控制晶片陣元的激勵延時、發(fā)射聲束的偏轉聚焦等聲場特性，使其具有檢測精度高，效果直觀等優(yōu)點[1]，在航空航天零部件無損檢測中的應用日益廣泛。受鈦合金材料表面粗糙度、晶粒尺寸及組織均勻性等因素影響，在超聲相控陣檢測過程中，散射噪聲嚴重，檢測的信噪比和靈敏度較低[2]；零件內部微小缺陷超聲相控陣檢測幅值低，缺陷信號極易被噪聲淹沒，從而造成漏檢和誤檢，給航空航天零部件使用安全帶來嚴重威脅。

在常規(guī)超聲檢測中，通常采用傳統濾波算法與時頻域降噪算法。傳統濾波算法基于圖像像素值的統計特征進行降噪處理，結構簡單，故面對復雜對象時表現不佳，主要包括中值濾波[3]、均值濾波[4]與非局部均值濾波算法[5]（Non-local means）等；時頻域降噪算法通常利用信號的時間頻域特征進行降噪，能夠更好地保留信號特征，如小波閾值降噪[6]、短時傅里葉變換去噪算法等。近年來，深度學習的快速發(fā)展為超聲相控陣圖像降噪提供了新思路。楊良健等[7]提出一種基于旋轉塊的BM3D圖像去噪算法，提高了相似塊匹配，有效保留圖像邊緣和紋理細節(jié)。熊晨辰等[8]引入位置注意力機制、通道注意力機制與全卷積網絡對現有模型進行改進，構建更優(yōu)的超聲圖像降噪模型，有效降低了醫(yī)學超聲斑點噪聲。Xu等[9]開發(fā)了一種智能降噪方法檢測SLM部件粗糙表面的微小缺陷，降噪后可以對所有直徑50～100 μm的孔進行檢測。朱甜甜等[10]提出了一種基于深度學習的焊縫超聲相控陣檢測技術檢測S掃圖像的降噪方法，通過搭建深度神經網絡降噪模型去除S掃圖像中的噪聲，能夠較好保留缺陷圖像的細節(jié)，并且提高了計算效率。傳統降噪算法結構簡單且降噪效率較高，但面對復雜降噪任務時表現欠佳；基于深度學習的降噪模型通常結構較復雜，可達到較好的降噪效果，但其所需訓練數據量較大且降噪效率較低。

本文提出一種基于深度學習的變分自編碼器降噪模型，首先基于Mask RCNN模型構建高噪-低噪數據集，然后基于卷積操作和正則操作構建降噪模型，以高噪圖像作為輸入，訓練其重構不含噪聲的圖像作為輸出，從而達到降噪效果。該降噪模型對TC4鈦合金內部微小缺陷超聲相控陣圖像具有良好的降噪效果，提高了缺陷圖像的信噪比，能夠較好地保留原始缺陷圖像的圖像細節(jié)，提高缺陷的檢出率。

1 TC4鈦合金內部微小缺陷智能降噪算法及模型

1.1 數據的獲取及預處理

通過鈦合金試樣超聲相控陣檢測試驗獲得原始含噪聲微小缺陷圖像，試驗使用M2M相控陣檢測儀，采用常規(guī)線性掃查，探頭選用常規(guī)線性陣列相控陣探頭，總陣元數64、頻率10 MHz、晶片長度10 mm、水層厚度40 mm，對5組TC4鈦合金試塊進行試驗圖像的采集并完成數據收集。試塊1～5及其缺陷類型如圖1所示，其中分別加工了缺陷當量φ0.3 mm、φ0.4 mm及φ0.5 mm的平底孔，5組不同深度和當量的缺陷數量共20個，采集不同增益下的缺陷圖像共3062張。由于試塊尺寸不同，相控陣成像區(qū)域的尺寸范圍也不相同，所采集的圖像寬度在170～300 pixels之間，高度在210～760 pixels之間。構建降噪模型時為統一模型的輸入尺寸，首先將不同尺寸的相控陣缺陷檢測圖像初步調整到相近的400 pixels×400 pixels、200 pixels×400 pixels、200 pixels×600 pixels及200 pixels×800 pixels 4個尺寸，再通過裁剪將尺寸統一為200 pixels×200 pixels并以此作為模型輸入。經過處理的數據集圖片尺寸均為200 pixels×200 pixels，共8798張，并按照9∶1的比例隨機劃分為訓練集及驗證集。

圖1 TC4鈦合金試塊及其缺陷類型示意圖Fig.1 Schematic diagram of TC4 titanium alloy test block and its defect types

基于深度學習的降噪算法通常需要大量的高噪-低噪數據訓練神經網絡[11]，從而學習噪聲的特征信息。本文針對低噪數據獲取難這一問題，首先通過試驗獲得一批高噪缺陷檢測數據，利用所獲數據訓練Mask RCNN模型實現缺陷圖像的目標分割，然后將目標分割所得缺陷圖像與試驗獲取的低增益圖像結合生成低噪圖像，從而構成高噪-低噪數據集。其過程為：首先利用labelme標注軟件對缺陷的輪廓位置和類別進行標注，獲取json標簽文件；然后利用labelme源文件中的label_to_ json.py獲取目標的位置信息生成對應mask掩碼文件及yaml文件，并參考COCO格式構成訓練數據集。在硬件配置為12th Gen Intel（R） Core（TM） i9-12900KF@3.19 GHz處理器，顯卡為NVIDIA RTX A5000、24 GB的設備上，進行200輪的Mask RCNN模型訓練、模型收斂。如圖2所示，使用訓練好的Mask RCNN模型對含噪圖像進行圖像分割，獲取具有缺陷輪廓的缺陷圖像及其坐標信息，然后將缺陷圖像按照坐標信息復制粘貼到對應的低增益背景圖片中，以獲取對應的低噪圖像。含噪圖像與低噪圖像一一對應，完成降噪數據集的構建。

圖2 Mask RCNN構建高噪-低噪數據集流程圖Fig.2 Flow chart of high-low noise data sets constructed by Mask RCNN

1.2 自編碼器降噪模型

原始高維檢測圖像包含大量的冗余信息，基于自編碼器 （Autoencoder，AE）的降噪模型可以將高維圖像編碼為低維表達，然后將該表達通過解碼生成重構圖像，并將重構誤差用作訓練的損失表征，以用于學習輸入數據的高效表達。本文使用卷積自編碼器結合正則化操作，以缺陷檢測圖像作為輸入，重構圖像即去噪圖像為輸出，低噪圖像與重構圖像間的重構損失作為損失函數，訓練神經網絡達到降噪目的?；谧跃幋a器的降噪模型結構如圖3所示，通過兩次卷積操作將模型輸入并進行編碼，通過兩次反卷積操作實現數據的解碼，得到重構圖像，以二元交叉熵 （BCE）構建低噪圖像與重構圖像之間的損失函數LBCE。

圖3 自編碼器 （AE）降噪模型結構圖Fig.3 Noise reduction model structure diagram of autoencoder

式中，M為樣本數量；h為低噪圖像矩陣；h'為重構圖像矩陣。理想情況下低噪圖像矩陣h與重構圖像矩陣h'應該存在h≈h'。

選擇自適應學習率調整算法（Adadelta）作為模型優(yōu)化算法，一次訓練所取樣本數 （Batchsize）為32，在硬件配置為12th Gen Intel（R）Core（TM） i9-12900KF@3.19 GHz處理器，顯卡為NVIDIA RTX A5000，24 GB設備上共迭代100輪，模型收斂。降噪效果如圖4所示，自編碼器降噪模型對檢測圖像噪聲具有一定的降噪效果，但由于網絡結構簡單，損失函數設計不夠嚴謹，模型對噪聲特征的學習能力較弱，其降噪圖像中存在界面波及缺陷信號模糊弱化等現象，甚至混淆了微小缺陷信號與噪聲信號，并將缺陷波形誤消除，未達到理想的降噪效果。

1.3 變分自編碼器降噪模型

自編碼器的潛變量是1個數值或變量，變分自編碼器 （Variational autoencoder，VAE）則是將潛變量擴充到1個分布，將數據視為無數個正態(tài)分布的疊加，以均值誤差和標準差誤差衡量模型重構效果。變分自編碼器模型的訓練目標是最小化綜合損失函數，訓練將輸入的觀察變量轉換為潛在變量，實現對輸入數據的降噪。變分自編碼器的損失函數一般由重構誤差及KL散度組成，重構誤差用來衡量原始數據與重構數據之間的差異，一般使用均方誤差（MSE）或二元交叉熵表征，本文選擇二元交叉熵表征其重構損失；KL散度用以衡量潛在變量分布與標準正態(tài)分布之間的差異。相關計算公式為

式中，j表示潛變量的維度；μj和σj分別為編碼器網絡輸出第j維潛變量的均值和方差；LVAE為變分自編碼器網絡的綜合損失函數；β為KL散度的權重系數，用于控制重構誤差與KL散度之間的平衡 （一般設置為1或者0.1）。

基于上述變分自編碼器理論，構建結構如圖5所示的變分自編碼器網絡，設置編碼器潛在變量維度（latent_dim）為20，一次訓練所取樣本數 （batchsize）為32，選擇Adam為模型優(yōu)化算法，在硬件配置為

12th Gen Intel（R） Core（TM） i9-12900KF@3.19 GHz處理器，顯卡為NVIDIA RTX A5000，24 GB設備上共迭代100輪，然后模型收斂。所得模型的降噪效果如圖6所示，變分自編碼器降噪模型可以在不弱化界面波及缺陷信號的同時，對噪聲有較好的降低效果，并且能夠有效去除超聲偽像。

圖6 變分自編碼器 （VAE）降噪模型效果圖Fig.6 Noise reduction effect diagram of variational autoencoder

2 智能降噪與傳統降噪方法對比

2.1 圖像降噪評價指標

圖像降噪算法的評價指標主要有峰值信噪比 （Peak signal to noise ratio，PSNR）、結構相似性 （Structural similarity index measure，SSIM）及平均單張圖片降噪處理時間[12]。PSNR用于衡量去噪圖像與原始圖像的失真情況；SSIM則從亮度、結構與對比度3方面評估去噪圖像與原始圖像的相似性。PSNR與SSIM取值越大，代表兩張圖像的差異越小，對應算法的降噪效果越好。采用單張圖像平均處理時間來衡量模型的降噪效率，相應計算公式為

式中，MSE為均方誤差，反映降噪圖像與原始圖像之間的差異程度；m和n分別為圖片的寬度與高度；X為降噪后的圖像矩陣；X'為原始圖像矩陣；MaxValue為圖像像素可取到的最大值；μX和μX'、σX和σX'分別為X和X'的灰度均值及標準差；σXX'為X和X'的協方差；C1與C2均為常數。

2.2 不同算法降噪效果對比

為了驗證本文算法的有效性，從3類降噪指標各選取1種降噪算法進行對比。將本文自編碼器降噪模型及變分自編碼器降噪模型與傳統均值濾波、小波閾值去噪算法及BM3D算法進行降噪結果對比，將試驗采集的超聲相控陣缺陷圖像作為輸入，并分別使用PSNR、SSIM以及單張圖像平均處理時間對算法的降噪效果進行評價。如圖7及表1所示，傳統小波閾值及BM3D等降噪算法對鈦合金微小缺陷超聲圖像的降噪性能較差，不能有效地削弱噪聲，與含噪原圖相比，PSNR及SSIM均無有效改善；而本文算法可有效去除超聲圖像中各類噪聲，保留缺陷信號特征，與含噪原圖相比其PSNR優(yōu)化了11.35%，SSIM提升了154.17%，降噪效果明顯優(yōu)于傳統降噪算法。所提算法單張圖像平均處理時間為1.85 ms，其降噪效率明顯優(yōu)于小波閾值去噪及BM3D算法。

3 TC4機匣環(huán)件內部微小缺陷智能降噪驗證試驗

如圖8所示，為了進一步驗證所提出的基于變分自編碼器模型的降噪性能，本文以某TC4鈦合金航空機匣環(huán)件為例，開展超聲相控陣檢測試驗，并利用所建立的模型對檢測圖像進行降噪處理。如圖8（a）所示，在環(huán)件頸部分別加工直徑為0.2 mm、0.4 mm及0.8 mm的平底孔微小缺陷，深度分別為5 mm、10 mm及15 mm，缺陷間隔5 mm，缺陷加工位置及具體尺寸如表2所示。

表2 缺陷加工尺寸Table 2 Size of machining defect

圖8 TC4鈦合金環(huán)件驗證試驗Fig.8 Verification test of TC4 titanium alloy ring

試驗采用M2M超聲相控陣檢測儀和5自由度水浸超聲相控陣檢測系統，如圖8（b）所示。檢測傳感器為64陣元線陣探頭、頻率10 MHz、陣元間距p=0.35 mm、晶片長度10 mm，使用線性聚焦法則，聚焦深度設置為缺陷所在深度。將待檢工件放入水箱并擰緊卡盤固定位置，調節(jié)多自由度臺架將探頭移動至合適位置，在檢測軟件中設置對應檢測參數，使用控制面板啟動探頭沿Z軸掃查，獲取對應B掃描圖像。使用前文所訓練的變分自編碼器降噪模型對所采集的含噪微小缺陷圖像進行降噪處理，由于真實的超聲相控陣圖像缺乏基準圖像，PSNR和SSIM評價指標不再適用。如圖9所示，缺陷與表2中的缺陷相對應，本文算法能夠有效保留缺陷周圍細節(jié)信息，去除絕大部分噪聲，針對不同孔徑和深度的TC4鈦合金內部微小缺陷均有較好的降噪效果，同時具有良好的泛化能力。

圖9 TC4鈦合金環(huán)件變分自編碼器模型降噪效果圖Fig.9 Noise reduction effect of variational autoencoder model of TC4 titanium alloy ring

4 結論

本文基于深度學習方法提出一種針對TC4鈦合金零件內部微小缺陷相控圖像的降噪算法，并與均值濾波、小波閾值去噪與BM3D降噪算法進行對比。均值濾波算法雖然降噪效率較高，但其與小波閾值及BM3D降噪算法對鈦合金微小缺陷超聲圖像的降噪效果較差，均不能有效削弱噪聲，而基于變分自編碼器模型不僅降噪效率較高，還能有效去除原始圖像中的噪聲，并保留缺陷圖像的細節(jié)信息，其PSNR與SSIM均取得最高值。與原始含噪圖像相比，對應圖像PSNR優(yōu)化了11.35%，SSIM提升154.17%。

同時，本文設置了TC4鈦合金機匣環(huán)件超聲相控陣圖像降噪驗證試驗，試驗證明本文降噪算法對不同缺陷當量、不同缺陷深度的相控陣線性掃查圖像均有良好的降噪效果，有利于避免鈦合金環(huán)件內部微小缺陷的漏檢，同時也證明本文基于變分自編碼器的降噪模型具有良好的泛化性能。本文所提算法網絡層數較少，后續(xù)需分析超聲相控陣檢測圖像噪聲特征及類型，并在變分自編碼器的基礎上結合深度學習網絡進一步提升降噪算法性能。