导波超声检测（GWUT）是一种广泛应用于多个工业领域的无损检测（NDE）技术，用于结构健康监测（SHM）和检测[1]、[2]、[3]。
在实际应用中，GWUT常常受到测量数据信噪比（SNR）较低的限制。这一限制与多种因素有关，包括环境干扰、仪器限制和结构复杂性。例如，在长距离管道或轨道检测中，传播距离的增加会导致衰减加剧，从而进一步降低检测能力[4]。非接触式换能器（如电磁声换能器EMAT）由于能量转换效率较低，产生的响应较弱[5]、[6]。这些因素共同使得强大的去噪技术对于可靠解释GWUT信号至关重要[7]、[8]、[9]。
已经探索了多种去噪技术来应对这些限制，包括带通滤波、小波阈值处理[10]、[11]、经验模态分解（EMD）[12]和自适应滤波[13]。尽管这些方法在特定情况下表现出实际价值，但它们往往难以适应实际GWUT场景中信号特征的广泛变化。这一挑战激发了对数据驱动方法日益增长的兴趣，这些方法具有更大的适应性，但依赖于合适训练数据的可用性。
在这种背景下，深度学习作为一种强大的信号处理范式应运而生，在图像、语音和地震数据等领域证明了其去噪能力[14]、[15]、[16]。诸如U-Net及其变体之类的架构，通过采用带有跳跃连接的编码器-解码器结构来捕获多尺度特征，在这些领域取得了优异性能[17]、[18]。通过引入小波域表示[19]、[20]、[21]和注意力机制[22]、[23]、[24]，进一步提升了性能。这些进展为GWUT信号处理带来了有希望的机会[25]。
然而，深度学习在该领域的应用面临独特挑战。与图像或语音不同，GWUT研究受到高质量训练数据稀缺的阻碍。目前，尚没有专门为监督式GWUT去噪设计的公共数据集或基准测试，现有的导波数据集也没有针对干净-噪声配对数据进行整理[26]。在实践中，干净的-噪声配对数据很少可用，配置和材料的多样性进一步复杂化了具有代表性和可重用性数据集的构建。因此，数据稀缺性仍然是基于深度学习的GWUT去噪方法系统开发和验证的主要瓶颈[27]、[28]。
为了缓解训练数据有限的影响，已经探索了几种用于传统超声检测（UT）的数据增强策略。例如，使用基于域随机化的低保真射线追踪模型生成合成总聚焦方法（TFM）图像[29]。另一种方法利用了改进的CycleGAN（一种循环一致的生成对抗网络），通过强制领域间的前后一致性来学习非配对图像到图像的转换，将用CIVA（一种半解析超声仿真软件）模拟的干净UT图像转换为更真实的实验图像。这种方法使用有限的模拟和实验图像进行训练，并与向干净模拟中注入真实或统计建模噪声的方法进行了比较[30]。
相比之下，GWUT的数据增强和合成信号生成仍然相对较少被探索。最近的一项研究提出了一种基于StyleGAN2的信号合成方法，这是一种基于风格的生成对抗网络，通过逐层风格调制来提高生成质量和可控性。该模型在来自公共数据集的160个代表性实验信号上进行了训练，以生成具有相似包络和光谱特性的A扫描信号[31]。另一项研究引入了一种两阶段增强框架用于管道检测，其中虚拟缺陷方法[32]通过插入模拟缺陷响应将100个信号的数据集扩展到6000个信号，然后进一步使用超声Wasserstein GAN（US-WGAN）[33]进行扩展。虽然这些研究表明了合成数据在GWUT中的潜力，但其性能从根本上受到代表性实验数据可用性的限制，这影响了模型的泛化能力和可靠性，特别是对于基于GAN的模型。
除了数据稀缺性之外，现有的基于模拟和GAN的方法在计算效率和可扩展性方面也面临挑战。基于物理的模拟通常需要专家配置和长时间运行，而基于GAN的方法涉及昂贵的训练和调优，可能会遇到模式崩溃等不稳定问题。因此，这两种方法都难以高效地扩展和适应新的GWUT场景。这些限制突显了需要一种实用且可扩展的数据生成策略，以最小化实验数据需求，同时实现快速适应并降低计算开销。
为了解决这些挑战，我们提出了一种基于知识的、针对特定应用的GWUT去噪框架，该框架将合成数据生成流程与定制的神经网络相结合。该框架旨在减少对大型实验数据集的依赖，同时能够在真实的工业条件下进行监督学习。
合成数据生成流程从单次参考采集中构建出干净的和带噪声的配对信号。基于测量的参考信号，使用双高斯回波建模[34]对干净回波进行参数化，而噪声则使用经典组件合成，包括加性白高斯噪声（AWGN）、闪烁噪声和脉冲噪声。这些噪声模型是根据先前关于工业GWUT系统的研究中的光谱选定的，在这些研究中它们被确定为主要贡献因素[35]。在回波参数、噪声特性和信噪比方面引入了多层次随机化，以确保数据多样性，同时保持与参考信号在时间和光谱域上的对齐。这种流程提供了一种计算效率高且物理上可解释的替代方案，优于传统的基于模拟或GAN的合成方法。
基于生成的配对数据，开发了小波初始化注意力U-Net（WIA-U-Net），该网络包含小波初始化核（WIKs）、双解码器架构和注意力模块。在框架中，流程和网络扮演互补但不同的角色。流程负责生成特定应用的训练数据，而网络作为一个通用的去噪模型，无需进行特定应用的架构修改。这种分离使得框架能够在给定的GWUT应用中保持强大的性能，同时通过特定应用的重新训练实现高效适应。
本研究的主要贡献如下：
1.一种用于GWUT去噪的知识引导合成数据生成框架。
我们提出了一种轻量级且物理上可解释的流程，可以从单次参考采集生成干净的和带噪声的GWUT信号，解决了标记数据稀缺的问题。
2.一种针对GWUT信号的小波和基于注意力的去噪网络。
我们开发了一种小波初始化注意力U-Net，该网络结合了多层次小波表示和双解码器架构，用于处理配对合成数据。
3.在合成数据和真实世界GWUT数据上的评估。
所提出的框架在合成数据集和实际检测条件下的代表性工业GWUT系统上进行了评估。
