基于深度學(xué)習(xí)的TC4鈦合金零件微小缺陷超聲相控陣檢測圖像降噪方法研究*

汪小凱，蔣秋月，關(guān)山月，華 林

（1.武漢理工大學(xué)現(xiàn)代汽車零部件技術(shù)湖北省重點實驗室，武漢 430070；2.武漢理工大學(xué)汽車零部件技術(shù)湖北省協(xié)同創(chuàng)新中心，武漢 430070；3.武漢理工大學(xué)材料綠色精密成形技術(shù)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(shù)通過控制晶片陣元的激勵延時、發(fā)射聲束的偏轉(zhuǎn)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(yīng)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(yán)重，檢測的信噪比和靈敏度較低[2]；零件內(nèi)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(yán)重威脅。

在常規(guī)超聲檢測中，通常采用傳統(tǒng)濾波算法與時頻域降噪算法。傳統(tǒng)濾波算法基于圖像像素值的統(tǒng)計特征進(jìn)行降噪處理，結(jié)構(gòu)簡單，故面對復(fù)雜對象時表現(xiàn)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(jìn)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(xué)習(xí)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(zhuǎn)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(xì)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(wǎng)絡(luò)對現(xiàn)有模型進(jìn)行改進(jìn)，構(gòu)建更優(yōu)的超聲圖像降噪模型，有效降低了醫(yī)學(xué)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(jìn)行檢測。朱甜甜等[10]提出了一種基于深度學(xué)習(xí)的焊縫超聲相控陣檢測技術(shù)檢測S掃圖像的降噪方法，通過搭建深度神經(jīng)網(wǎng)絡(luò)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(xì)節(jié)，并且提高了計算效率。傳統(tǒng)降噪算法結(jié)構(gòu)簡單且降噪效率較高，但面對復(fù)雜降噪任務(wù)時表現(xiàn)欠佳；基于深度學(xué)習(xí)的降噪模型通常結(jié)構(gòu)較復(fù)雜，可達(dá)到較好的降噪效果，但其所需訓(xùn)練數(shù)據(jù)量較大且降噪效率較低。

本文提出一種基于深度學(xué)習(xí)的變分自編碼器降噪模型，首先基于Mask RCNN模型構(gòu)建高噪-低噪數(shù)據(jù)集，然后基于卷積操作和正則操作構(gòu)建降噪模型，以高噪圖像作為輸入，訓(xùn)練其重構(gòu)不含噪聲的圖像作為輸出，從而達(dá)到降噪效果。該降噪模型對TC4鈦合金內(nèi)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(xì)節(jié)，提高缺陷的檢出率。

1 TC4鈦合金內(nèi)部微小缺陷智能降噪算法及模型

1.1 數(shù)據(jù)的獲取及預(yù)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(shù)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(jìn)行試驗圖像的采集并完成數(shù)據(jù)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(dāng)量φ0.3 mm、φ0.4 mm及φ0.5 mm的平底孔，5組不同深度和當(dāng)量的缺陷數(shù)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(gòu)建降噪模型時為統(tǒng)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(diào)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(tǒng)一為200 pixels×200 pixels并以此作為模型輸入。經(jīng)過處理的數(shù)據(jù)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(xùn)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(xué)習(xí)的降噪算法通常需要大量的高噪-低噪數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)[11]，從而學(xué)習(xí)噪聲的特征信息。本文針對低噪數(shù)據(jù)獲取難這一問題，首先通過試驗獲得一批高噪缺陷檢測數(shù)據(jù)，利用所獲數(shù)據(jù)訓(xùn)練Mask RCNN模型實現(xiàn)缺陷圖像的目標(biāo)分割，然后將目標(biāo)分割所得缺陷圖像與試驗獲取的低增益圖像結(jié)合生成低噪圖像，從而構(gòu)成高噪-低噪數(shù)據(jù)集。其過程為：首先利用labelme標(biāo)注軟件對缺陷的輪廓位置和類別進(jìn)行標(biāo)注，獲取json標(biāo)簽文件；然后利用labelme源文件中的label_to_ json.py獲取目標(biāo)的位置信息生成對應(yīng)mask掩碼文件及yaml文件，并參考COCO格式構(gòu)成訓(xùn)練數(shù)據(jù)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(shè)備上，進(jìn)行200輪的Mask RCNN模型訓(xùn)練、模型收斂。如圖2所示，使用訓(xùn)練好的Mask RCNN模型對含噪圖像進(jìn)行圖像分割，獲取具有缺陷輪廓的缺陷圖像及其坐標(biāo)信息，然后將缺陷圖像按照坐標(biāo)信息復(fù)制粘貼到對應(yīng)的低增益背景圖片中，以獲取對應(yīng)的低噪圖像。含噪圖像與低噪圖像一一對應(yīng)，完成降噪數(shù)據(jù)集的構(gòu)建。

圖2 Mask RCNN構(gòu)建高噪-低噪數(shù)據(jù)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(dá)，然后將該表達(dá)通過解碼生成重構(gòu)圖像，并將重構(gòu)誤差用作訓(xùn)練的損失表征，以用于學(xué)習(xí)輸入數(shù)據(jù)的高效表達(dá)。本文使用卷積自編碼器結(jié)合正則化操作，以缺陷檢測圖像作為輸入，重構(gòu)圖像即去噪圖像為輸出，低噪圖像與重構(gòu)圖像間的重構(gòu)損失作為損失函數(shù)，訓(xùn)練神經(jīng)網(wǎng)絡(luò)達(dá)到降噪目的。基于自編碼器的降噪模型結(jié)構(gòu)如圖3所示，通過兩次卷積操作將模型輸入并進(jìn)行編碼，通過兩次反卷積操作實現(xiàn)數(shù)據(jù)的解碼，得到重構(gòu)圖像，以二元交叉熵 （BCE）構(gòu)建低噪圖像與重構(gòu)圖像之間的損失函數(shù)LBCE。

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

式中，M為樣本數(shù)量；h為低噪圖像矩陣；h'為重構(gòu)圖像矩陣。理想情況下低噪圖像矩陣h與重構(gòu)圖像矩陣h'應(yīng)該存在h≈h'。

選擇自適應(yīng)學(xué)習(xí)率調(diào)整算法（Adadelta）作為模型優(yōu)化算法，一次訓(xùn)練所取樣本數(shù) （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(shè)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(wǎng)絡(luò)結(jié)構(gòu)簡單，損失函數(shù)設(shè)計不夠嚴(yán)謹(jǐn)，模型對噪聲特征的學(xué)習(xí)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(xiàn)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(dá)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(shù)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(shù)據(jù)視為無數(shù)個正態(tài)分布的疊加，以均值誤差和標(biāo)準(zhǔn)差誤差衡量模型重構(gòu)效果。變分自編碼器模型的訓(xùn)練目標(biāo)是最小化綜合損失函數(shù)，訓(xùn)練將輸入的觀察變量轉(zhuǎn)換為潛在變量，實現(xiàn)對輸入數(shù)據(jù)的降噪。變分自編碼器的損失函數(shù)一般由重構(gòu)誤差及KL散度組成，重構(gòu)誤差用來衡量原始數(shù)據(jù)與重構(gòu)數(shù)據(jù)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(gòu)損失；KL散度用以衡量潛在變量分布與標(biāo)準(zhǔn)正態(tài)分布之間的差異。相關(guān)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(wǎng)絡(luò)輸出第j維潛變量的均值和方差；LVAE為變分自編碼器網(wǎng)絡(luò)的綜合損失函數(shù)；β為KL散度的權(quán)重系數(shù)，用于控制重構(gòu)誤差與KL散度之間的平衡 （一般設(shè)置為1或者0.1）。

基于上述變分自編碼器理論，構(gòu)建結(jié)構(gòu)如圖5所示的變分自編碼器網(wǎng)絡(luò)，設(shè)置編碼器潛在變量維度（latent_dim）為20，一次訓(xùn)練所取樣本數(shù) （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(shè)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(tǒng)降噪方法對比

2.1 圖像降噪評價指標(biāo)

圖像降噪算法的評價指標(biāo)主要有峰值信噪比 （Peak signal to noise ratio，PSNR）、結(jié)構(gòu)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(jié)構(gòu)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(yīng)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(yīng)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(biāo)準(zhǔn)差；σXX'為X和X'的協(xié)方差；C1與C2均為常數(shù)。

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(biāo)各選取1種降噪算法進(jìn)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(tǒng)均值濾波、小波閾值去噪算法及BM3D算法進(jìn)行降噪結(jié)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(jìn)行評價。如圖7及表1所示，傳統(tǒng)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(tǒng)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(nèi)部微小缺陷智能降噪驗證試驗

如圖8所示，為了進(jìn)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(jìn)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(tǒng)，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(shè)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(diào)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(shè)置對應(yīng)檢測參數(shù)，使用控制面板啟動探頭沿Z軸掃查，獲取對應(yīng)B掃描圖像。使用前文所訓(xùn)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(jìn)行降噪處理，由于真實的超聲相控陣圖像缺乏基準(zhǔn)圖像，PSNR和SSIM評價指標(biāo)不再適用。如圖9所示，缺陷與表2中的缺陷相對應(yīng)，本文算法能夠有效保留缺陷周圍細(xì)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(nèi)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(jié)論

本文基于深度學(xué)習(xí)方法提出一種針對TC4鈦合金零件內(nèi)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(jìn)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(xì)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(yīng)圖像PSNR優(yōu)化了11.35%，SSIM提升154.17%。

同時，本文設(shè)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(dāng)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(nèi)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(wǎng)絡(luò)層數(shù)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(chǔ)上結(jié)合深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)一步提升降噪算法性能。