编辑推荐：
针对传统超声波无损检测（NDT）在成像精度与速度上的双重挑战，本研究提出基于硬件系统和神经网络融合的解决方案。硬件平台实现360°扫描与信号矩阵采集，神经网络HAU2Net通过多尺度注意力机制实现毫秒级图像重建，在PSNR/SSIM指标、模型大小和预测速度上均优于K-wave、SegNet、MgNO及U2Net等现有方法，并通过噪声与真实场景测试验证其鲁棒性。
传江胡|建宏杨|世元何|学进周|淮英方
华侨大学机械工程与自动化学院，中国福建厦门361021
摘要
传统的超声无损检测（NDT）技术在工业应用中面临双重挑战：成像精度和成像速度。超声计算机断层扫描（USCT）在医学领域的应用为工业NDT提供了一种新方法。尽管这种技术提高了反演精度，但所需的密集计算限制了其在工业检测中的在线应用潜力。为了解决这些问题，本文提出了一种超声断层扫描硬件系统和一种集成注意力机制的神经网络反演方法，实现了从超声数据采集到快速重建截面图像的完整过程。测试平台控制超声阵列元件发射和接收信号，对测试对象进行360°扫描并获取信号矩阵。经过降维处理后，数据输入到HAU2Net中，该网络能在几毫秒内提供截面图像。该网络在U2Net的不同编码和解码层中加入了注意力头，并通过动态调整的损失函数约束进行训练。它有效处理了硬件平台收集的断层超声数据，提取特征并重建图像。与K-wave、SegNet、MgNO和U2Net等方法相比，实验结果表明，所提出的HAU2Net在PSNR/SSIM指标、模型大小和预测时间方面表现更优。此外，在噪声和实际条件下的鲁棒性测试进一步验证了HAU2Net的优越性能。这项研究为工业超声NDT提供了一种高效且高精度的解决方案，具有重要的理论和实践意义。
引言
超声无损检测（NDT）是一种广泛使用的非侵入性技术，在航空航天、汽车制造、造船和能源设备等各个行业中发挥着关键作用[1]、[2]、[3]。然而，随着工业制造精度和产品质量要求的不断提高，传统超声NDT在成像精度和速度方面面临着日益严峻的挑战[4]。随着材料复杂性和工件几何形状的多样性增加，传统超声方法在成像精度上暴露出局限性，尤其是在处理特殊工件时。另一方面，工业自动化和生产线的快速发展使得实时监控和在线检测在现代生产过程中变得不可或缺。对于生产线上大量高速运行的工件，传统超声NDT常常面临速度瓶颈，导致检测时间延长，从而降低生产效率。
超声计算机断层扫描（USCT）通过从多个角度采集信号并重建内部结构，提供了一种新的超声检测方法，从而提供更全面的信息。这项技术已广泛应用于医学成像，特别是在乳腺和脑部检查中。Guasch等人[5]证明全波形反演（FWI）可以实现经颅成像，通过体外和体内实验表明超声信号可以穿透颅骨以实现可靠的重建。他们进一步强调了这种技术在检测脑部病变方面的临床潜力，同时指出计算效率仍是一个关键限制。Li等人[6]开发了三维随机乳腺模型以支持USCT的虚拟成像试验。他们的研究提供了真实的解剖变异性和异质组织特性，能够在受控但具有临床相关性的条件下系统评估成像算法。这项工作强调了数字模型在验证重建方法中的重要性，尽管这些模型的生成和模拟仍然需要较高的计算资源。Zhou等人[7]提出了一种使用环形阵列换能器的乳腺USCT耦合、稳定和塑形（CSS）策略。他们的方法改善了声学耦合和测量稳定性，同时减少了重建图像中的伪影。研究表明，CSS方法提高了USCT的图像质量和鲁棒性，为临床乳腺成像应用提供了实际优势。然而，USCT重建算法通常依赖于偏微分方程（PDE）求解器来模拟超声传播，这些求解器计算密集且需要多次迭代才能完成一次重建，导致反演时间过长，不适合实时工业检测[8]、[9]、[10]。这一限制限制了USCT在其他领域的广泛应用。
近年来，深度学习技术在图像处理和信号分析方面取得了显著进展。Liu等人[11]证明神经网络可以从稀疏传输数据中重建高质量的USCT图像，减少了采集需求同时保持了精度。Robins等人[12]将深度学习驱动的FWI应用于乳腺成像，与传统方法相比，加速了反演并提高了重建质量。Long等人[13]也研究了在稀疏采样下的深度学习USCT，强调了数据驱动方法所带来的效率提升。除了超声成像之外，Zhang等人[14]引入了一种基于伴随函数的深度学习框架用于地震FWI，表明物理信息丰富的神经网络可以提高稳定性和收敛性。类似地，Fang等人[15]开发了一种基于梯度的深度学习优化方法，使用自定义的卷积目标函数，在复杂的全波形反演场景中提高了收敛性和精度，为解决上述挑战提供了新的可能性。对于直接重建，一些研究将时域[16]或频域[17]的压力场数据映射到图像域。虽然这些网络在模拟数据上表现良好，但尚未在实验测量中进行验证。基于医学和地球物理成像领域的相关研究成果，本研究提出了一种集成注意力机制的神经网络方法——HAU2Net。该方法旨在利用深度学习算法解决通过数值方法对螺母工件进行超声计算机断层扫描（USCT）时遇到的长时间消耗和在线应用困难问题，并通过神经网络拟合波动方程来加速解决方案过程。通过在不同阶段引入注意力机制[18]，该方法有效地捕获了超声波场数据中的关键特征，实现了金属工件内部结构的快速准确重建。与传统反演方法和其他神经网络模型相比，所提出的方法在成像质量和计算效率方面都有显著改进。本研究的主要贡献如下：
- •
本研究设计了一种基于线性阵列的超声断层扫描数据采集平台，能够收集常用工业紧固件的截面超声数据。
- •
构建了工业标准工件USCT数据集：基于实际数据采集平台参数，创建了一个包含各种缺陷的标准工件的截面超声信号的全面数据集。该数据集包括9985对模拟的截面声速及其对应的波场数据，以及405对实际紧固件的截面声速和波场数据。
- •
提出了一种结合注意力机制的HAU2Net架构和混合尺度损失函数。在不同编码和解码阶段选择性地加入通道注意力模块以增强特征表示，同时采用动态调整的多尺度损失策略来稳定训练并提高重建质量。与传统数值反演方法相比，所提出的方法实现了显著更高的计算效率和更优的反演精度，实现了近乎实时的超声计算机断层扫描（USCT）成像。
实验平台
实验平台
基于线性阵列的超声断层扫描数据采集平台是根据医学诊断设备的原理开发的[19]。实验硬件设置如图1所示，包括三个主要组成部分：
(1) 超声线性阵列控制模块：该模块由超声探头1、阵列元件控制模块2和探头适配器3组成。超声探头是由广东汕头超声电子有限公司生产的64元件线性阵列模块。
K空间伪谱方法
超声计算机断层扫描（USCT）可以视为求解声波方程的过程，该方程控制声场的时空演化，用于描述复杂的声学现象、波属性和传播机制。传统的求解波动方程的数值方法包括有限差分法、有限元法和边界元法[26]。虽然这些方法应用广泛，但时间域实验结果与讨论
本小节旨在评估HAU2Net在三种不同数据条件下的重建性能。神经网络的收敛依赖于大量数据集的有效训练。在使用图3所示的程序对HAU2Net进行训练和微调后，使用模拟数据和实验测量数据进行了反演，相应的结果分别展示在图9、图10和图11中。
结论
在这项工作中，我们提出了一种高效且高精度的断层超声反演网络HAU2Net，用于不同工件的截面图像重建。该方法在实验室条件下对模型工件数据和实验数据进行了训练和微调。其性能优于其他为相同任务设计的神经网络，如SegNet、MgNO和U2Net。此外，该神经网络实现了更优的反演质量。
作者贡献声明
传江胡：撰写——原始草案。建宏杨：撰写——审稿与编辑，资金获取。世元何：数据整理。学进周：方法论。淮英方：形式分析。
利益冲突声明
作者声明他们没有已知的可能影响本文工作的财务利益或个人关系。
致谢
作者感谢福建省创新之星人才项目、泉州市高层次人才引进项目（2023CT003）以及福建省产教合作重大项目（2024H6010）提供的财政支持。
