焊縫超聲相控陣檢測(cè)數(shù)據(jù)深度學(xué)習(xí)降噪方法?

朱甜甜 劉 建 宋 波 桂 生 廉國(guó)選

(1 中國(guó)科學(xué)院聲學(xué)研究所 聲場(chǎng)聲信息國(guó)家重點(diǎn)實(shí)驗(yàn)室 北京 100190)

(2 中國(guó)科學(xué)院大學(xué) 北京 100049)

(3 中國(guó)石油集團(tuán)工程技術(shù)研究院 北京 102206)

0 引言

超聲相控陣檢測(cè)技術(shù)(Ultrasonic phased-array inspection technology, PAUT)通過電子方式控制晶片陣列的激勵(lì)延時(shí)，控制發(fā)射聲束的偏轉(zhuǎn)、聚焦等聲場(chǎng)特征，從而在一維掃查條件下完成檢測(cè)區(qū)域的完整覆蓋，形成3D 檢測(cè)數(shù)據(jù)體，實(shí)現(xiàn)多方式、多角度的圖像顯示，為檢測(cè)人員進(jìn)行數(shù)據(jù)判斷提供了豐富的檢測(cè)信息，有效提升了缺陷判斷的準(zhǔn)確性[1?3]。但對(duì)焊縫等復(fù)雜幾何外形對(duì)象進(jìn)行檢測(cè)時(shí)，焊縫余高、焊趾邊沿等結(jié)構(gòu)會(huì)產(chǎn)生多種聲散射信號(hào)，與檢測(cè)對(duì)象本底噪聲、儀器噪聲疊加后，極大增加相控陣超聲檢測(cè)結(jié)果的判讀難度和工作量。在實(shí)際檢測(cè)工作中，根據(jù)ASME 等常用超聲檢測(cè)標(biāo)準(zhǔn)的要求，對(duì)于非危害型缺陷，當(dāng)超聲回波高于評(píng)定線時(shí)才需按照標(biāo)準(zhǔn)要求進(jìn)行評(píng)定，能夠避免冗余信息的干擾，但如果直接按照標(biāo)準(zhǔn)中規(guī)定的評(píng)定線波幅對(duì)圖像信號(hào)進(jìn)行抑制，將導(dǎo)致缺陷細(xì)節(jié)信息丟失，不利于對(duì)缺陷的進(jìn)一步分析。因此，尋找一種可以實(shí)現(xiàn)對(duì)焊縫超聲相控陣檢測(cè)成像有效降噪、提升成像質(zhì)量的方法具有重要意義。

傳統(tǒng)的圖像降噪方法大體上可分為兩類，空間域降噪算法和變換域降噪算法[4]。其中空間域降噪算法是在原圖像上直接進(jìn)行數(shù)據(jù)運(yùn)算，通過平滑的方式降低隨機(jī)性的噪聲。代表性的方法有算數(shù)均值濾波[5]、統(tǒng)計(jì)中值濾波[6]、高斯濾波[7]、雙邊濾波[8]和非局部平均(NL-Means)降噪方法[9]等。而變換域降噪算法是對(duì)圖像進(jìn)行某種變換，將圖像從空間域轉(zhuǎn)換到變換域，再對(duì)變換域中的變換系數(shù)進(jìn)行處理，最后進(jìn)行反變換將圖像從變換域轉(zhuǎn)換到空間域，實(shí)現(xiàn)圖像降噪。代表性方法有傅里葉變換和小波變換等。這些方法在對(duì)圖像降噪的同時(shí)會(huì)丟失一定圖像的細(xì)節(jié)或邊緣信息。2007年，Dabov 等[10]將空間域降噪算法和變換域降噪算法相結(jié)合，提出了三維塊匹配(Block matching 3D, BM3D)算法，可以在降噪的同時(shí)保留更多的圖像細(xì)節(jié)。2014年，張聚等[11]提出一種新型的基于小波和雙邊濾波相結(jié)合的降噪算法，實(shí)現(xiàn)對(duì)醫(yī)學(xué)超聲圖像中的斑點(diǎn)噪聲進(jìn)行降噪。這些將空間域和變換域結(jié)合的降噪雖然可以保留更多的圖像細(xì)節(jié)，但是存在復(fù)雜度高、缺乏自適應(yīng)能力、需要人工手動(dòng)調(diào)整懲罰參數(shù)、降噪效率較低等問題。

近年來，深度學(xué)習(xí)的快速發(fā)展為超聲相控陣圖像降噪提供了新的思路。2009年，Jain 等[12]首次提出了使用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural networks, CNN)處理自然圖像的降噪問題，但是網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、效率較低；2012年，Burger 等[13]提出了用多層感知機(jī)的方法實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)降噪，但是只能對(duì)單個(gè)噪聲級(jí)別的圖像進(jìn)行降噪；2016年，Mao 等[14]提出了深度的卷積編解碼網(wǎng)絡(luò)應(yīng)用于圖像降噪，降噪神經(jīng)網(wǎng)絡(luò)開始向更深層次發(fā)展；2017年，Zhang 等[15]將殘差模塊應(yīng)用到CNN 網(wǎng)絡(luò)中提出DnCNN 網(wǎng)絡(luò)結(jié)構(gòu)，將高斯噪聲從圖像中分離出來，達(dá)到降噪效果，然而，該網(wǎng)絡(luò)僅對(duì)高斯噪聲和規(guī)則的乘性噪聲處理效果較好，對(duì)于超聲檢測(cè)圖像中的結(jié)構(gòu)噪聲降噪效果欠佳。

因此，本文對(duì)降噪網(wǎng)絡(luò)DnCNN進(jìn)行改進(jìn)，使用實(shí)際檢測(cè)的結(jié)構(gòu)噪聲替代高斯噪聲進(jìn)行訓(xùn)練，同時(shí)加入池化層和焊縫區(qū)域修正模塊，提高訓(xùn)練速度，保留焊縫區(qū)域細(xì)節(jié)。實(shí)驗(yàn)結(jié)果表明，在對(duì)焊縫PAUT檢測(cè)圖像中非缺陷信號(hào)進(jìn)行降噪處理的同時(shí)，可以有效保留缺陷圖像的細(xì)節(jié)特征，在降噪性能和降噪效率上均比傳統(tǒng)降噪方法有所提高，同時(shí)避免了人工對(duì)不同缺陷數(shù)量和不同缺陷嚴(yán)重程度的S掃圖像進(jìn)行參數(shù)反復(fù)優(yōu)化，該結(jié)果將為進(jìn)一步進(jìn)行3D 檢測(cè)數(shù)據(jù)的智能判斷提供條件。

1 焊縫PAUT檢測(cè)

PAUT 的基本思想來源于雷達(dá)電磁波相控陣技術(shù)[16]。其設(shè)備使用的換能器由若干個(gè)形狀相同、大小相等的壓電晶片組成陣列，每個(gè)晶片獨(dú)立地發(fā)射超聲波束，并通過按一定規(guī)則和時(shí)序的電子系統(tǒng)控制激發(fā)各個(gè)晶片單元，從而調(diào)節(jié)控制焦點(diǎn)的位置和聚焦的方向形成聚焦聲場(chǎng)[17?18]。圖1[19]為超聲相控陣偏轉(zhuǎn)、聚焦示意圖。

圖1 超聲相控陣偏轉(zhuǎn)、聚焦示意圖[19]Fig.1 Schematic diagram of ultrasonic phased-array deflection and focus[19]

焊縫PAUT 檢測(cè)是以成像顯示檢測(cè)結(jié)果，即將采集的三維數(shù)據(jù)體按照實(shí)際的物理位置關(guān)系重構(gòu)后顯示在不同平面上的圖像。顯示方式主要是A掃、B掃、C 掃、D掃和S掃。其中A掃圖像與常規(guī)超聲檢測(cè)顯示方式相同，是一種信號(hào)波形圖，而B 掃、C掃、D掃、S掃圖像是超聲信號(hào)回波幅值的成像圖，顯示方式如圖2所示。S 掃(扇掃)是通過控制發(fā)射晶片的激勵(lì)延遲，改變合成聲束的入射角和聚焦深度，從而對(duì)焊縫區(qū)域形成一定角度的扇形覆蓋。

圖2 超聲相控陣B 掃、C 掃、D 掃、S 掃顯示方式Fig.2 The B, C, D, S scan display mode of ultrasonic phased array detection

2 焊縫PAUT檢測(cè)數(shù)據(jù)降噪

CNN 由于其突出的特性被廣泛應(yīng)用在圖像處理領(lǐng)域，理想情況下，神經(jīng)網(wǎng)絡(luò)中隱藏層越多，特征提取能力也越強(qiáng)。但是實(shí)際當(dāng)網(wǎng)絡(luò)達(dá)到一定深度時(shí)，網(wǎng)絡(luò)性能會(huì)退化，準(zhǔn)確率下降，這是因?yàn)楫?dāng)網(wǎng)絡(luò)深度增加時(shí)，梯度在傳播過程中會(huì)逐漸消失，導(dǎo)致無法對(duì)前面幾層的權(quán)重進(jìn)行調(diào)整。為了解決深度過深引起網(wǎng)絡(luò)性能的下降問題，He 等[20]提出了殘差學(xué)習(xí)框架，如圖3所示。

圖3 殘差學(xué)習(xí)基本框架Fig.3 Basic framework for residual learning

其中，H(x)為潛在映射，F(xiàn)(x)是多個(gè)卷積層級(jí)聯(lián)，為深度網(wǎng)絡(luò)中的某個(gè)隱藏層，x為輸入。在圖像降噪中，H(x)代表含噪圖像，F(xiàn)(x)為噪聲圖。利用這種結(jié)構(gòu)，可以將復(fù)雜的問題轉(zhuǎn)換為學(xué)習(xí)一個(gè)殘差函數(shù)F(x)=H(x)?x，只需要滿足F(x)=0，就能找到近似最優(yōu)的恒等映射。因此，這種網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)起來更容易找到最優(yōu)結(jié)果，訓(xùn)練的時(shí)間也會(huì)相應(yīng)的減少，性能也會(huì)提高。

利用殘差結(jié)構(gòu)搭建的神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)圖像降噪。傳統(tǒng)的DnCNN 降噪網(wǎng)絡(luò)是將原始不含噪聲的圖像人為地添加不同類型的噪聲，如高斯噪聲、椒鹽噪聲、乘性噪聲等，將原圖退化為含噪聲的圖像，最后優(yōu)化得到接近原始圖像的估計(jì)圖。由于超聲相控陣檢測(cè)成像的特殊性，其S 掃圖像中的噪聲多數(shù)為工件結(jié)構(gòu)中散射信號(hào)形成的，難以通過人為模擬添加，因此，本文在網(wǎng)絡(luò)輸入的處理上，采取添加真實(shí)噪聲的方式替代人工模擬噪聲，并引入殘差結(jié)構(gòu)，優(yōu)化噪聲圖得到不含噪聲的S掃圖像。

本文搭建了34 層網(wǎng)絡(luò)模型對(duì)焊縫PAUT 檢測(cè)S掃圖像進(jìn)行降噪處理，網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

圖4 深度降噪網(wǎng)絡(luò)Fig.4 Deep noise reduction network

該網(wǎng)絡(luò)噪聲提出部分共含有34層，其中第一層為Conv+Relu層，對(duì)原始輸入含噪S 掃圖像進(jìn)行初步的特征提取，卷積核大小為3×3；第二層為池化層，池化核大小為2×2，步長(zhǎng)為1，通過降低特征面的分辨率來獲得空間不變性，同時(shí)降低了數(shù)據(jù)維度，減少了運(yùn)算量；第3～33 層為Conv+BRN+Relu 層，對(duì)圖像進(jìn)行更深層次的特征提取，其中引入了批再規(guī)范化(Batch renormalization, BRN)方法替代原始網(wǎng)絡(luò)中的批規(guī)范化(Batch normalization,BN)方法，既保證了在更新參數(shù)時(shí)收斂，同時(shí)避免了處理小批次時(shí)性能下降問題，提高收斂效率；第34 層為Conv 層，作為特征提取網(wǎng)絡(luò)的輸出層，輸出原始圖像的噪聲圖。最后對(duì)網(wǎng)絡(luò)進(jìn)行殘差，并對(duì)焊縫邊緣區(qū)域特征進(jìn)行修正，保留邊緣低幅值有效信號(hào)，輸出只含有相關(guān)顯示的S掃圖像。

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)環(huán)境和實(shí)驗(yàn)數(shù)據(jù)

本實(shí)驗(yàn)使用相控陣超聲信號(hào)發(fā)射接收裝置進(jìn)行數(shù)據(jù)采集，并使用GeForce GTX 1080 GPU 和i7-7700CPU的計(jì)算機(jī)訓(xùn)練檢測(cè)模型。

實(shí)驗(yàn)挑選厚度分別為12 mm、14 mm、18 mm、20 mm、24 mm 和30 mm，坡口類型為X 型的6 條焊縫進(jìn)行數(shù)據(jù)采樣。選擇同一焊縫下含有缺陷的S掃圖像與不含缺陷的S 掃圖像進(jìn)行疊加，疊加的結(jié)果取兩者信號(hào)幅值的最大值。最終共計(jì)獲得S 掃圖像數(shù)據(jù)4612張作為深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本：樣本數(shù)分別為焊縫厚度12 mm的S掃圖像1176張，焊縫厚度14 mm 的S 掃圖像899 張，焊縫厚度18 mm 的S 掃圖像1344 張，焊縫厚度20 mm 的S 掃圖像418張，焊縫厚度24 mm 的S 掃圖像380 張，焊縫厚度30 mm的S掃圖像395張，見表1。

表1 訓(xùn)練樣本數(shù)目Table 1 Number of training samples

訓(xùn)練集樣本數(shù)據(jù)中共含有缺陷34個(gè)，其中未熔合缺陷10 個(gè)，焊趾裂紋缺陷9 個(gè)，根部裂紋缺陷4個(gè)，體積型缺陷11個(gè)。缺陷信息見表2。

表2 訓(xùn)練樣本中缺陷信息Table 2 Defective information in training samples

由相控陣超聲檢測(cè)III 級(jí)人員對(duì)訓(xùn)練集中檢測(cè)結(jié)果進(jìn)行缺陷判斷，通過人工優(yōu)化參數(shù)，對(duì)缺陷區(qū)域以外的圖像區(qū)域進(jìn)行濾波、原始信號(hào)的小波包分解等處理，得到僅含缺陷信號(hào)的S 掃圖像。樣本處理結(jié)果見圖5，其中不含缺陷信號(hào)的S掃圖像作為對(duì)應(yīng)的噪聲圖像。另外，從采集樣本中隨機(jī)選擇100張未包含在訓(xùn)練集樣本中的S 掃圖像作為測(cè)試樣本，對(duì)深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測(cè)試。

圖5 樣本數(shù)據(jù)處理結(jié)果Fig.5 Sample data processing results

本試樣樣本設(shè)計(jì)結(jié)合相控陣超聲技術(shù)焊縫檢測(cè)的現(xiàn)場(chǎng)應(yīng)用情況，綜合考慮了檢測(cè)對(duì)象厚度、缺陷類型以及由其引起的檢測(cè)工藝參數(shù)改變等因素的影響，通過樣本選擇拓展模型輸入類型，努力提升模型的泛化能力。

3.2 實(shí)驗(yàn)結(jié)果與分析

3.2.1 不同S掃圖像降噪實(shí)驗(yàn)

將訓(xùn)練集上的S掃樣本送入深度神經(jīng)網(wǎng)絡(luò)進(jìn)行迭代訓(xùn)練，采用圖像均方誤差作為損失函數(shù)，得到深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型。將測(cè)試集樣本輸入深度神經(jīng)網(wǎng)絡(luò)模型，分別得到含有明顯缺陷、含有輕微缺陷、不含缺陷以及含有多個(gè)缺陷的S掃圖像測(cè)試后的結(jié)果，如圖6所示。

其中圖6(a)含有明顯的缺陷，圖6(b)含有輕微的缺陷，圖6(c)不含缺陷，圖6(d)含有兩個(gè)缺陷，經(jīng)過深度神經(jīng)網(wǎng)絡(luò)的處理，分別得到圖6(e)～圖6(h)。從實(shí)驗(yàn)結(jié)果可知，本文提出的算法對(duì)不同缺陷嚴(yán)重程度和缺陷數(shù)量的S 掃圖像都具有較好的降噪效果，可以有效去除S掃圖像中非缺陷信號(hào)，保留有效的缺陷信號(hào)，同時(shí)保留缺陷信號(hào)的邊緣信息，有助于缺陷的定性分析。

圖6 深度神經(jīng)網(wǎng)絡(luò)測(cè)試結(jié)果Fig.6 Deep neural network test results

3.2.2 不同算法降噪性能對(duì)比

為了從客觀角度驗(yàn)證本文算法的有效性，將本文算法與傳統(tǒng)超聲圖像降噪處理的NL-Means算法和BM3D 算法進(jìn)行降噪結(jié)果對(duì)比，將S 圖像的像素值映射為信號(hào)幅值，并使用信號(hào)幅值圖中缺陷信號(hào)與非缺陷信號(hào)的幅值比以及平均處理時(shí)間分別對(duì)算法的降噪性能和降噪效率進(jìn)行評(píng)價(jià)。幅值比越高，說明降噪效果越好。實(shí)驗(yàn)結(jié)果如圖7所示。

圖7 不同算法降噪效果對(duì)比Fig.7 Comparison of noise reduction effect of different algorithms

計(jì)算各種算法降噪處理平均時(shí)間，并根據(jù)不同算法處理前后的信號(hào)幅值圖，計(jì)算缺陷信號(hào)和非缺陷信號(hào)的幅值比，計(jì)算結(jié)果見表3。

表3 不同算法降噪性能Table 3 Noise reduction performance of different algorithms

由上述實(shí)驗(yàn)結(jié)果可知，NL-Means 算法對(duì)S 掃圖像的降噪性能較差，不能有效地削弱噪聲，且同時(shí)削弱了缺陷信號(hào)；BM3D算法可以實(shí)現(xiàn)平滑降噪，但會(huì)模糊缺陷信號(hào)的邊緣細(xì)節(jié)部分；而本文算法，可以有效濾除焊縫區(qū)域內(nèi)的結(jié)構(gòu)噪聲，對(duì)缺陷信號(hào)的幅值沒有削弱作用，保留了缺陷信號(hào)的邊緣細(xì)節(jié)，降噪效率也優(yōu)于NL-Means算法和BM3D算法。說明本文提出的基于深度學(xué)習(xí)的降噪算法相比于NL-Means 算法和BM3D 算法能更有效地對(duì)S 掃圖像進(jìn)行降噪，降噪后的S 掃圖像中的結(jié)構(gòu)特性基本保持一致。

4 結(jié)論

本文基于深度學(xué)習(xí)方法對(duì)焊縫PAUT檢測(cè)的S掃圖像進(jìn)行降噪處理，并與NL-Means 和BM3D 傳統(tǒng)超聲圖像降噪算法進(jìn)行比較。經(jīng)過實(shí)驗(yàn)驗(yàn)證，本文提出的算法能有效去除原始S 掃圖像中的無關(guān)噪聲，并保留缺陷細(xì)節(jié)信息。經(jīng)過對(duì)比處理后的信號(hào)幅值圖和處理時(shí)間，本文算法處理后的S 掃圖像缺陷信號(hào)與非缺陷信號(hào)幅值比達(dá)到15.5680，優(yōu)于NL-Means 算法和BM3D 算法；單張圖像的處理時(shí)間為227.0 ms，也優(yōu)于NL-Means 算法和BM3D 算法。證明本文算法降噪效果更優(yōu)，計(jì)算效率更高。同時(shí)，由于深度神經(jīng)網(wǎng)絡(luò)的特性，本文算法對(duì)不同缺陷數(shù)量和不同缺陷嚴(yán)重程度的S 掃圖像具有自適應(yīng)降噪性能，避免了降噪處理過程中對(duì)參數(shù)的反復(fù)優(yōu)化，且具有更佳的降噪效果。

由于本文主要對(duì)標(biāo)現(xiàn)行超聲檢測(cè)標(biāo)準(zhǔn)要求，在樣本設(shè)計(jì)時(shí)對(duì)相控陣超聲檢測(cè)結(jié)果中波幅低于評(píng)定線的微弱幾何外形信號(hào)和反射面信號(hào)進(jìn)行了濾除。對(duì)于高靈敏度檢測(cè)的特殊應(yīng)用場(chǎng)景，用戶可基于該算法進(jìn)行有針對(duì)性的樣本設(shè)計(jì)，實(shí)現(xiàn)不同靈敏度要求下的圖像降噪。