在双层介质中，结合度量学习和稀疏阵列的适应性优化策略用于全聚焦超声成像

《Applied Acoustics》：Adaptive optimization strategy for total focusing ultrasonic imaging using sparse array combined with metric learning in dual-layer medium

相控阵超声检测中，基于完整矩阵数据的全聚焦扫描成像在复合材料双层介质中存在处理延迟和定位不准问题。本文提出自适应稀疏阵列成像算法，通过改进遗传算法实现实数编码优化，确定最佳阵列配置以加速双层介质图像重建，并采用Siamese卷积神经网络评估图像质量，有效平衡成像质量与计算效率。实验验证了该方法在楔形耦合厚纤维层压试件上的有效性，显著提升处理速度同时保持信号噪声比和阵列性能指数。

　　

张鹏辉|马世伟|黄凯华|朱琦|张海燕

上海大学机电工程与自动化学院，中国上海200444

摘要

基于完整矩阵数据的相控阵超声检测通过综合信号处理实现了高质量的成像。然而，将全聚焦扫描成像技术应用于来自复合结构的数据密集型完整数据集时，常常会导致处理延迟和缺陷定位不准确。为了克服这些挑战，本文提出了一种自适应稀疏阵列成像算法，该算法结合了图像质量评估机制。通过应用改进的遗传算法进行实数编码，并在初始化的阵列搜索空间内进行高效优化，从而获得近似最优的阵列元素配置。这种优化的阵列元素配置为双层介质中的快速图像重建提供了必要的数据。随后开发了一个有限元模型来模拟具有不连续阻抗的介质的相控阵检测，并从中提取完整矩阵数据用于稀疏阵列成像。接着，使用孪生卷积神经网络进行图像特征提取和质量评估。在楔形耦合的厚纤维层压试样上进行了实验验证。仿真和实验结果均表明，所提出的成像策略有效平衡了图像质量与激活阵列元素数量之间的关系。它在保持满意的信噪比和阵列性能指数的同时，显著提高了不连续阻抗材料的重建效率。

引言

超声相控阵设备获取的全矩阵捕获（FMC）数据包含了检测范围内的完整数据集。离线后处理算法可以用来分析和处理感兴趣的关键数据[1]、[2]、[3]、[4]。全聚焦方法（TFM）是一种基于FMC数据的常见超声成像技术。得益于其出色的缺陷聚焦能力和高灵敏度，TFM已逐渐被集成到先进的工业超声检测设备中，并应用于航空航天、汽车制造和燃气管道等领域[5]、[6]、[7]。

在相控阵超声检测（PAUT）过程中，对于具有$N$个压电元件的线性换能器，每个子阵列元素依次被激发，所有阵列元素接收时域回波信号。然后，在一个采集周期后，完整的FMC数据集形成一个由$N\times N\times t$个元素组成的三维矩阵[8]。因此，PAUT换能器获取的数据量与子阵列元素数量的平方成正比。由于FMC数据包含冗余信息，PAUT需要计算和处理A扫描时间序列数据[9]。此外，接收到的超声信号在重建为最终扫描图像之前需要经过放大、采样、量化和压缩[2]。由于所有子阵列元素都需要同时接收超声回波信号，并且系统需要相同数量的并行通道，这种信号处理方法对系统的硬件要求很高。

此外，在均匀介质中使用基于FMC数据的TFM进行成像是传统方法。相比之下，在具有阻抗不连续性的复合结构中计算声波的飞行时间（TOF）变得更加复杂。声波的折射需要额外的考虑和计算，而折射点的外推会使得后处理成像过程变得更加复杂[10]、[11]、[12]。因此，设备必须具备更快的数据采集速率，并需要额外的存储容量。然而，提高超声相控阵硬件的性能成本效益较低[13]、[14]。在实际检测工作中，扫描和检测的实时性能相对较差，重建图像中偶尔会出现帧丢失，这使得满足试样的实时检测要求变得具有挑战性[15]、[16]。因此，在这种情况下，从算法的角度来看，减少数据传输次数和消除冗余数据是至关重要的。

基于声场互易性原理，一些研究采用了去除对称阵列中一半阵列元素的方法来减少冗余数据[17]、[18]。然而，尽管这种方法可以提高成像效率，但会导致成像质量的显著牺牲。Saini等人[19]提出了一种结合半跳全聚焦方法和合成孔径聚焦技术的成像策略，以缩短FMC数据的阵列长度。在含有人工缺陷的铝试样中验证了所提出成像方法的有效性，但未分析成像效率。胡等人[20]评估了优化算法对稀疏阵列的影响，显示出成像效率的提高同时保持了定位准确性。然而，该研究仅考虑了稀疏发射元素，而接收元素仍然使用完整矩阵配置。张等人[21]提出了一种用于多元素合成发射孔径成像模式的稀疏阵列成像方法，该方法整合了压缩感知框架。通过仿真和实验验证了这种方法可以在减少传输通道数量的同时提高成像清晰度。均方误差被用作确定稀疏阵列元素最优数量的标准。然而，使用结构相似性作为成像质量最终评估的指标未能考虑到结构噪声或伪变化对图像质量的影响。Piedade等人[14]通过将压缩感知策略集成到稀疏阵列中，实现了TFM成像的加速，将重建时间缩短到了原来的1/11。此外，他们的团队研究了快速超声TFM成像所需的最小活跃事件数量，并在均匀材料上进行了测试，证明了所提出方法的有效性。然而，对于异质介质中的快速成像，这一方法的深入探索尚不足。黄等人[22]提出了一种用于FMC数据的超稀疏SAFT成像的被动传感技术，并展示了当使用该方法激活四个元素时在铝块中的检测结果，这显著减少了传输通道的数量。魏等人[23]采用了离散战争策略优化算法对FMC数据进行了稀疏优化。结果表明，对于不同规模的线性阵列，该方法显著提高了标准均匀测试块中的缺陷检测效率。然而，对于更有利于提高成像效率的双层介质情况，尚未进行考虑。

基于对相关研究的分析，可以观察到大多数研究都集中在标准测试块或其他均匀单层介质作为对象[24]、[25]。然而，处理具有双层或多层介质的复合结构中的FMC数据需要更多时间。因此，应更加关注具有不连续阻抗介质中的成像效率。此外，发射元素的最优数量是基于主观经验确定的，这缺乏确定有效活跃元素数量的理论基础，难以真正指导实际检测[26]、[27]。此外，大多数模型仅关注输入图像对的像素变化。然而，这些缺陷构造导致的超声成像容易受到晶粒大小的影响，这通常会导致不可避免的近表面噪声和背景结构噪声的出现。现有的超声图像相似性检测模型对背景噪声等伪变化信息的鲁棒性不足，从而导致评估结果的偏差。

在快速超声成像的双层结构背景下，为了提高PAUT的成像效率同时确保检测准确性，我们提出使用改进的遗传算法处理FMC数据，该算法采用实数编码和自适应稀疏优化策略。首先，自适应优化算法确保在搜索空间中减少搜索范围，同时将旁瓣水平（PSLL）的最小值作为优化目标。经过迭代进化计算后，它确定了一个近似最优的稀疏阵列配置。其次，将优化后的稀疏阵列数据应用于复合结构的超声成像检测，使用区域分割成像算法，并通过精确的飞行时间（TOF）计算确保在双层介质中的检测准确性。此外，在评估稀疏阵列数据和FMC数据的图像质量时，量化输入图像对之间的语义相关性是必要的，而不仅仅是依赖于像素级别的差异。同时，为了确保从输入样本中提取的特征处于同一域内，采用权重共享机制是一种合适的方法。考虑到孪生卷积神经网络（SCNN）具有高效的特征提取能力和少量样本学习能力，它是一个适合量化稀疏阵列超声图像质量差异的度量学习网络。因此，我们采用SCNN框架来评估重建图像的质量，从而减轻背景噪声的影响，并确保获得复合结构稀疏阵列配置的可靠性。最后，对重建图像中的缺陷进行了定量分析。

本文的其余部分组织如下：第2节深入探讨了具有不连续阻抗介质中的超声成像原理以及稀疏阵列的优化策略。第3节介绍了仿真模型和重建图像的结果。第4节总结了实验测试获得的成像结果，并提供了一些详细分析。最后，第5节得出结论。

节选内容

双层介质中的声波传播模型和改进的超声成像

根据费马原理，在介质中，声波的主要传播路径总是遵循声场中最短距离的轨迹。在介质中的声场传播模型中，声波的发射和接收过程通常不使用传统的声场扩散模型来描述。相反，它被视为沿直线以一定角度发射声波的脉冲源

FE仿真模型

为了验证所提出的稀疏阵列成像方法并研究双层介质中的超声传播，进行了数值仿真。在COMSOL Multiphysics 6.2中构建了用于相控阵超声检测的有限元（FE）模型，以生成FMC数据集。以广泛采用的具有32个和64个元素的完整阵列换能器为例，建立了一个用于含有孔缺陷的双层不连续阻抗介质的PAUT模型。稀疏优化和

实验设置

实验平台如图16(a)所示，包括超声信号采集设备（CTS-PA22T1）、工作站、相控阵换能器（5 L64-0.6 × 10）、有机玻璃楔形块和测试试样。超声信号采集设备具有64个完全并行的硬件通道，用于收集原始FMC数据。换能器和楔形块的详细参数在表5中提供。

热压CFRP试样由于其树脂基体和层状结构而表现出超声衰减

结论

本研究提出了一种用于检测具有不连续阻抗的层状介质的快速稀疏阵列成像策略，在保证缺陷重建质量的同时提高了处理效率。在本文中，我们采用了改进的遗传算法来优化相控阵配置。然后使用区域分割全聚焦方法重建相应的稀疏矩阵数据，并通过双注意力孪生卷积神经网络进行评估。实验验证表明

CRediT作者贡献声明

张鹏辉：撰写 – 审稿与编辑，撰写 – 原稿，软件，方法论。马世伟：撰写 – 审稿与编辑，监督，项目管理，资金获取。黄凯华：可视化，资源，调查。朱琦：验证，监督，形式分析，概念化。张海燕：监督，资源，项目管理。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。