衍射时差图像处理与缺陷识别技术综述

宋 强，李海华，高国刚*，贡军民，林森明

(1.中国石油大学(北京)克拉玛依校区工学院，克拉玛依 834000；2.新疆天维无损检测有限公司，克拉玛依 834000；3.新疆石油管理局工程技术公司，克拉玛依 834000)

压力容器一般承受易燃、易爆、剧毒或腐蚀介质以及较高的压力，具有泄漏和爆炸隐患，一旦发生泄漏或爆炸往往会引起火灾、中毒、环境污染等灾难性事故，造成巨大经济财产损失，并影响社会秩序稳定。因此提高在役压力容器缺陷的检出率并提高缺陷定量精度，对压力容器的安全运行具有重要意义。焊接结构被广泛应用于压力容器的设计制造过程，并向高参数、大型化方向发展。受焊接工艺、焊接设备、残余应力状态、冶金因素变化以及接头组织性能不均等影响，焊缝中往往产生不同类型和数量的缺陷。此外，焊接结构在服役过程中处于高温、高压及介质腐蚀的环境，并承受疲劳及冲击载荷作用，容易产生新的缺陷。焊缝缺陷会降低压力容器可靠性，影响设备安全运行，因此焊缝缺陷检测一直是压力容器领域中的重要研究课题。

衍射时差(time of flight diffraction，TOFD)检测是利用缺陷端点的衍射波信号测定缺陷位置及尺寸的一种超声检测方法，具有检测速度快、对裂纹敏感、缺陷定量精确、易与信息技术结合等优点，在焊缝缺陷检测中的应用日益广泛。美国机械工程师协会锅炉压力容器规范案例(ASME code case 2235)明确提出，在满足一定条件下，TOFD检测可以代替射线检测。荷兰焊接学会对TOFD检测、射线检测以及传统超声反射回波检测进行对比试验，TOFD检测在缺陷检出率(probability of detection，POD)、误报率(false call rate，FCR)、可靠性(reliability)等指标上均优于其他两种无损检测技术。随着TOFD成像技术的迅速发展和普遍应用，TOFD检测正逐步替代射线检测，逐渐成为焊缝质量评价的主要手段[1-2]。

经过近四十年的发展，采用人工或半自动方式的TOFD检测技术已在焊缝质量评价中得到广泛应用，但随着成像检测的批量化和规模化、检测环境的多样性与复杂性以及判定结果的客观性与一致性等需求的提出，全自动TOFD成像检测技术受到普遍重视。随着研究的不断深入，自动化TOFD检测以及各类扫查成像已不存在技术障碍，只是在实时性和分辨率上有待提高，但在成像结果的自动判读方面存在巨大技术障碍，成为制约全自动化TOFD成像检测技术发展的瓶颈。在总结中外TOFD成像检测技术现有研究成果的基础上，对TOFD图像处理及缺陷识别技术的研究和发展提出建议。

1 TOFD成像检测技术

1.1 TOFD检测原理

TOFD一般采用一发一收双探头工作模式，利用缺陷端点的衍射波信号测定缺陷的位置与尺寸，检测原理如图1所示。接收的时域信号称为A扫信号，横坐标为波的传播时间，纵坐标为波幅。A扫信号中，第一个信号为直通波，是从发射探头沿工件表面以最短途径到达接收探头的超声波，若没有缺陷，则随后到达的信号为底面反射波，是从发射探头经工件底面反射到接收探头的超声波。直通波和底面反射波一般作为参考信号。如果忽略波形转换，缺陷上、下端部的衍射波信号会在直通波和底面反射波之间到达。直通波、缺陷上/下端衍射波和底面反射波的相位相反。缺陷深度由直通波与缺陷上端衍射波的时间差确定，缺陷高度由缺陷上、下端衍射波的时间差确定。焊缝形状、工件壁厚、产品形式(板、管等)、检测方法(直射波、斜射波、接触或液浸)、超声波形、声束角度、探头形式和频率、晶片尺寸和形状、扫查方向、工件表面状态都会影响检测结果。

图1 TOFD检测原理示意图Fig.1 Schematic diagram of TOFD detection principle

1.2 TOFD扫查成像

将扫查过程中采集的A扫信号连续拼接，就得到TOFD数据的二维显示，即TOFD图像。TOFD图像是A扫信号数字化后的灰度图像，其黑、白谱分别对应A扫信号的负、正相位。TOFD有两种扫查成像方式：D扫成像和B扫成像。D扫查时，一对探头在横穿焊缝或缺陷的方向上配置，探头运动方向与焊缝方向平行，D扫图像的原点为扫查起始点，横坐标表示焊缝的深度，纵坐标表示焊缝的长度。B扫查时，一对探头在横穿焊缝或缺陷的方向上配置，探头运动方向与焊缝方向垂直，B扫图像的原点为焊缝中点，横坐标表示与焊缝中线的距离，纵坐标表示焊缝的深度。D扫图像和B扫图像均用0～255的灰度值表示相应A扫信号的幅度。D扫查速度快，通常用于缺陷的粗定位。在D扫查条件下，缺陷深度的计算是基于缺陷位于探头连线中心正下方时所得，但实际往往并非如此，为精确获得缺陷的深度、高度及其相对于焊缝中心的位置，必须再进行B扫查。

分析TOFD图像中的缺陷一般遵循“先定性、后定量”的原则，即先根据缺陷区域的形状、灰度等信息确定缺陷类型，再确定缺陷的尺寸和位置。其中，缺陷高度由缺陷上、下端衍射波信号的时间差确定，缺陷长度由图像缺陷区域的长度确定，缺陷深度由直通波与缺陷上端衍射波信号的时间差确定。

2 TOFD图像处理技术

2.1 噪声去除

TOFD检测利用缺陷端部的衍射波信号，与传统脉冲反射法相比，衍射波为弱信号，因此TOFD检测工作于高增益条件下，这会引入很大的电子噪声。同时焊缝区结构的各向异性、材料晶粒不均、表面耦合状态不一致也会给检测带来系统噪声。噪声一旦超过某界限值，TOFD图像几乎无法判读，因此抑制噪声并提高信噪比是TOFD检测面临的首要问题。目前，中外学者大都从信号激励与信号及图像后处理两方面开展相关研究工作。信号激励方面，从森等改变常规的窄脉冲激励方式，将脉冲压缩技术应用于TOFD检测，分别采取线性调频[3]和幅度加权调频编码[4]的激励方式，在较低的激励电压和系统增益条件下，得到更高的检测信噪比。信号及图像后处理方面的研究成果较多，包括基于小波变换的方法、基于稀疏表示的方法、合成孔径聚焦技术、经验模态分解方法、基于图像配准的方法等。

2.1.1 小波变换

基于小波变换的方法是变换域去噪技术的典型代表，在TOFD检测中应用广泛[5-9]，去噪效果优于经典滤波器方法。Lalithakumari等[5]在高温下利用TOFD检测304型奥氏体不锈钢焊缝的熔渣缺陷，信号先小波分解，并对细节分量阈值处理，再将细节和近似分量重构，比较了symlet4或coiflet4小波函数、5或6级分解层数、硬阈值或软阈值方法的去噪性能，结果表明，coiflet4小波函数、5级分解、硬阈值处理能最好去除颗粒散射噪声，信噪比最高。Al-Ataby等[6]在中心频率5 MHz、采样率100 MHz条件下对试板进行TOFD检测，D扫图像先小波包变换，分析函数为6阶debauchies函数，分解级数为3，对小波细节系数硬阈值处理，利用逆变换重构D扫图像，可将信噪比从13 dB提高到21 dB。Barceló等[7]、Praveen等[8]将高阶小波阈值处理技术应用于奥氏体不锈钢焊缝TOFD信号的噪声去除，试块尺寸200 mm×200 mm×25 mm，焊缝晶粒尺寸100～150 μm，检测波长1.5 mm(4 MHz)，信号先利用daubechies和symlet小波族函数4级小波分解，对细节分量全局阈值处理，结果表明，与同族低阶小波相比，高阶小波的去噪效果更好，与daubechies小波相比，symlet小波具有更好地去噪性能，但处理时间更长。Manjula等[9]利用离散小波变换抑制碳钢焊缝TOFD信号噪声，碳钢试块尺寸147 mm×145 mm×25 mm，检测频率4 MHz，选择dmeyer、coiflet、daubechies、symlets、biorsplins和reversebior小波函数对A扫信号多级分解，结果表明，高阶小波滤波器和4级小波分解具有更好效果，采用sym25函数能实现最高信噪比。小波变换具有多分辨率分析的特点，在时、频域均具有表征信号局部特征的能力。基于小波变换的去噪算法假设噪声主要分布在高频小波分量(细节分量)上，通过对变换域的小波系数滤波(软、硬阈值技术)消除噪声，但去噪效果与小波滤波器设计、分解层数及阈值确定方法有关。

2.1.2 稀疏表示

大部分噪声具有随机性，TOFD图像在某些变换域或梯度域中存在明显的稀疏特性。随着压缩感知理论的发展，基于稀疏表示和约束正则化的去噪方法也被应用于TOFD信号去噪。Li等[10]提出了一种稀疏反褶积方法，在保证稀疏性的前提下，利用压缩感知和正交匹配追踪重构脉冲回波信号，从富含噪声的时间序列中提取波包的振幅和到达时间，在中心频率10 MHz、采样频率100 MHz条件下，对12 mm厚钢板孔缺陷(直径2 mm、深度6 mm)的深度检测结果为5.033～7.051 mm。Merazi等[11]针对衍射波信号强度低，难以与噪声区分以及TOFD图像数据量大，而感兴趣区域非常小等问题，提出一种基于稀疏矩阵的数据表达形式，以替代TOFD图像，通过Split-Spectrum处理得到TOFD稀疏矩阵，对稀疏矩阵元素进行随机Hough变换，可检测出裂纹缺陷的双曲线特征，检测不同深度的缺口缺陷，结果表明，该方法能提高信噪比、准确定位回波信号位置，但无法解决信号形状闭合的问题。Bobmann等[12]以TOFD信号的稀疏性假设为先验知识，提出MP(matching pursuit)和APM(approximate prony method)两种稀疏反褶积算法。前者通过反褶积和减法得到TOFD数据的稀疏表示，通过去卷积运算去除TOFD噪声；后者假设检测信号是脉冲反射的稀疏线性组合，提出一种参数根据实际测量值迭代调整的高斯回波模型，用于解决传感器脉冲响应未知的盲反卷积问题，通过数值模拟和实际检测验证了A扫信号的反褶积处理效果，并对推广应用于B扫图像的噪声去除、缺陷定位、缺陷分类及数据压缩提出了建议。

2.1.3 合成孔径聚焦

合成孔径聚焦技术(synthetic aperture focusing technology，SAFT)是从合成孔径雷达技术发展而来，可提高聚焦区域的时间分辨率并产生动态聚焦效果。由于TOFD检测采用一发一收工作模式，在进行SAFT重建时，应根据成像点的空间位置，对接收到的回波信号做适当的时间或相位延迟，以实现被成像物体的逐点聚焦。重建后，有缺陷区域的回波信号同相叠加，信号得到增强，而无缺陷区域的回波信号叠加是随机、无序的，信号将会变弱甚至趋于零，从而实现TOFD波束锐化和图像增强的目的。谢雪等[13]建立了D扫图像的SAFT数学模型，通过数值模拟和实际检测(中心频率5 MHz)量化缺陷长度，经SAFT处理后，缺陷长度定量误差小于0.8 mm，但对弧形缺陷和非平行于焊缝缺陷的检测效果有待验证。刚铁等[14]建立了B扫图像SAFT模型并用于TOFD图像重建，时间纵向分辨达到0.01 μs，在高强铝合金试块底面加工不同深度的人工窄槽来模拟底面开口裂纹，在中心频率5 MHz、采样频率100 MHz条件下，检测20 mm厚铝板底面开口裂纹的端部埋深，测量误差小于0.2 mm，但对小尺寸底面开口裂纹，受底面回波干扰以及底面检测盲区的影响，测量准确性有待提高。陈尧等[15]基于相位相干原理，通过提取TOFD信号的相位信息，对SAFT重建图像进行加权处理，克服了SAFT技术仅利用信号幅值进行重建、未充分利用信号相位信息的不足，图像缺陷区域的信噪比显著增强，在中心频率2.25 MHz条件下，分别检测78 mm厚铸造奥氏体不锈钢焊缝及其孔缺陷，以及48 mm厚、SA738Gr.B材质安全壳及其底面焊缝缺陷，结果表明，不锈钢焊缝Φ3 mm孔区域的信噪比大于30 dB，比传统B扫图像提高20 dB，安全壳焊缝的缺陷半波高水平宽度较传统B扫图像缩小70%以上。

2.1.4 经验模态分解

经验模态分解是线性和稳态频谱分析的一个重大突破，该方法依据数据自身的时间尺度特征进行信号分解，无须预先设定任何基函数，与基于谐波基函数的傅里叶变换和基于小波基函数的小波变换有本质区别，适用于任何类型的信号分解，在非线性、非平稳信号处理领域应用广泛。Chen等[16]利用经验模态分解方法对低信噪比的TOFD信号进行分解，得到本征模态函数并用于信号重构，对重构信号进行希尔伯特变换，可精准识别每个回波的到达时间，通过数值模拟和实际检测(中心频率5～10 MHz)验证方法的有效性，检测壁厚12、10、8 mm管道及其45个缺陷(宽度0.5 mm、长度0.8～5 mm、深度2.5～4 mm)，结果表明：98%的管道缺陷能被识别，平均检测精度0.2 mm，检测盲区缩小至表面以下2.5 mm。

2.1.5 图像配准

TOFD扫查成像过程中，相邻测点所接收的缺陷衍射波信号具有强相关性而噪声信号具有随机性。Gao等[17]对焊缝进行重复TOFD检测且每次检测会轻微改变探头的初始位置，从而得到多幅具有不同噪声特征分布的D扫图像，建立基于优化方法的图像配准算法，对配准后的图像进行平移叠加处理，从而有效提高TOFD图像的信噪比并提高焊缝缺陷的识别能力，在中心频率5 MHz、采样频率100 MHz条件下，检测含5个自然缺陷的软钢焊接试块，结果表明，当处理图像总数1～5时，图像信噪比迅速增加，当处理图像总数大于5时，信噪比随处理图像数量的增加而缓慢增加。图像配准算法运算量大，配准精度将直接影响去噪效果。

2.2 直通波处理

直通波是沿工件表面传播并最先到达接收端的超声波。当工件表面不平整时，检测到的直通波到达时间不一致，使得图像上本应平直的直通波变得扭曲，导致缺陷衍射波产生错乱，使缺陷区域发生畸变，影响后续检测。直通波处理包括直通波拉直与直通波抑制。直通波拉直是对不同时刻到达的直通波进行一致性处理，一般是选取某一时刻的直通波作为参考基准，计算其余直通波波峰与该基准波波峰的时间差，然后进行时间补偿。盛朝阳等[18]将所有A扫信号的均值作为参考信号，引入信号互相关算法，确定各信号与参考信号互相关函数值最大的位置，将最大位置换算成相应的延时点并平移各信号，实现TOFD图像的校正，在中心频率2.25 MHz、采样频率25 MHz条件下，检测低合金钢锅炉纵缝焊接缺陷，结果表明D扫图像明显校正，两处夹渣缺陷清晰易辨识。

直通波抑制是指在提取缺陷之前将TOFD图像中的直通波去除。如果直通波与缺陷衍射波互不干涉，可直接采用时间窗方式去除直通波；如果直通波与缺陷衍射波存在叠加，一般采取图像背景消除法来去除直通波。迟大钊等[19]通过统计图像能量分布，确定背景直通波并予以去除，从而分离出与其混叠的缺陷信号，实现近表面缺陷的检测，在中心频率5 MHz条件下，检测20 mm厚铝合金板的焊缝缺陷，结果表明，试件表面需光洁，否则图像会残留杂波成分。林乃昌[20]基于最小均方误差(least mean square,LMS)准则，提出一种变步长的图像直通波抑制方法，并用于20号钢近表面缺陷检测，研究了不同参数下误差信号与步长因子的关系，结果表明，当函数形状系数α=0.02、取值系数β=0.8时，直通波抑制效果最佳。孙旭等[21]利用自回归谱外推方法扩宽傅里叶变换后的混叠信号频带、压缩时域脉冲宽度，分离了混叠的直通波与缺陷衍射波，将TOFD检测盲区深度抑制到2.5 mm，埋深3 mm底面开口槽的定位误差仅为0.3 mm，但自回归模型参数对检测结果影响较大，随着缺陷埋深减小，检测信号混叠程度增加，自回归谱外推方法的定位误差会增大。汪俊等[22]提出了一种基于递推最小二乘算法的自适应滤波方法，提取出混叠在直通波下的近表面缺陷信号，有效解决TOFD近表面检测盲区问题，但数值模拟验证方式与实际检测仍有差异。Petcher等[23]提出了一种改进的Hough变换，用于消除B扫图像中从表面边缘反射后形成的斜状背景杂波，检测含缺陷的低碳钢试件，结果表明，该方法能去除B扫图像的表面波以及去除表面波引入的高频噪声，散射横波所占灰度范围从20%提高到85%。

2.3 曲线拟合

由于TOFD探头具有一定的声束扩散角，扫查成像过程中，缺陷附近区域均能收到缺陷衍射波信号，加上衍射波的传输时间随探头移动位置的变化而不同，从而形成TOFD图像特有的甩弧现象，即抛物线或双曲线缺陷特征，造成缺陷端点位置确定困难，增加缺陷尺寸测量误差。为高精度量化焊缝缺陷的几何尺寸，需建立TOFD图像中缺陷的参数化表征模型。王瑾等[24]提出了双曲线拟合指针模型，但未给出实验拟合误差。周红明等[25]提出了二阶多项式模型，在中心频率5 MHz条件下，检测具有不同深度平底孔缺陷的钢板，结果表明缺陷深度的最大拟合误差为4.87%。林乃昌等[26]提出了基于最小二乘法的抛物线分段拟合模型，在中心频率5 MHz条件下检测20号钢缺陷，结果表明拟合模型将缺陷相关系数从0.728 7提高到0.942 7，提高了缺陷检测的准确率。Merazi-Meksen等[27]利用随机霍夫变换识别TOFD图像缺陷抛物线的轮廓参数，但缺陷类型仅限于裂纹且未给出拟合误差。曲线(函数)拟合模型是否具有普适性，仍是一个值得讨论的问题。

2.4 图像分割

TOFD图像分割是指根据一定的相似性准则将TOFD图像划分成不同区域的过程。由于TOFD图像中的缺陷灰度值与背景有重叠、灰度梯度与背景有交叉，常规的灰度阈值分割或边缘检测方法应用效果一般。Merazi-Meksen等[27]通过计算各信号的均值和方差定位缺陷区域，利用基于灰度形态学的分水岭方法将缺陷分割为连通区域，然后利用二值化和形态学腐蚀运算提取缺陷轮廓。Zhu等[28]根据图像的能量分布将TOFD图像分为多个图像块，计算每个图像块的Otsu最优阈值，并根据局部最优阈值检测图像中的裂纹边缘，在中心频率5 MHz条件下检测LY12铝合金试块的裂纹缺陷，其中裂纹长度40 mm、宽度3 mm，深度分别为10、20、30 mm，结果表明，缺陷深度的最大相对检测误差为5.3%，采用《无损检测—超声检测—第6部分：缺陷检测和定量的超声衍射时差法》(ENV 583—6:2000)推荐的线性化技术，可将最大相对检测误差降为3%。盛朝阳等[29]根据直通波的波峰和底面反射波的波谷定位焊缝图像区域，利用分水岭分割算法对焊缝图像进行分割，并借助标记符抑制过分割现象，但对于含有多个缺陷的图像需要更多先验知识以选择内、外部标记符。

3 TOFD缺陷识别技术

3.1 特征提取

特征提取是模式识别的前提，一般通过数学方法将数据从高维空间映射到低维特征空间，特征空间应尽量包含与模式本征强相关且无冗余的特征向量。不同类型的焊缝缺陷具有不同的图像特征[30-32]。Al-Ataby等[6]将图像纹理特征与小波能量特征作为缺陷特征。林乃昌等[33]采用核主元分析(kernel principal component analysis，KPCA)计算图像缺陷区域的特征矩阵，通过微粒群算法优化核参数，利用奇异值分解计算矩阵的特征值与特征向量，并根据特征值的累计贡献率，实现缺陷特征集的降维与优化，建立134幅D扫图像样本(图像尺寸50×50像素)，特征维数134×2 500，将特征维数降为134×16，缺陷分类结果表明，基于微粒群算法优化的KPCA方法，所提取的特征具有更好的类内凝聚性和类间差异性，分类效果更优。Lucas等[34]将TOFD信号的离散傅里叶频谱系数作为焊缝缺陷的特征向量。Theresa等[35]将TOFD图像缺陷疑似区域的统计参数，如平均值、标准差、能量、偏度、峰度等作为特征向量。Moura等[36]对比了TOFD信号的傅里叶变换系数和连续小波变换系数，研究发现小波系数更适合作为缺陷特征。Ahmed等[37]提取缺陷的纹理特征，包括基于Gabor滤波器的纹理特征和基于多尺度小波变换—共生矩阵的纹理特征，并利用主成分分析进行特征优化。

3.2 模式分类

任何缺陷检测技术都要解决“定性”和“定量”两个问题。TOFD检测利用波抵达的时间差确定缺陷的位置和尺寸，在定量检测上具有先天优势。TOFD定性检测一般利用模式识别或模式分类理论来判断缺陷的类型。Barceló等[7]利用正弦信号人工合成B扫图像并建立50个图像样本集，每个样本集包含3幅不同类型的缺陷图像和3幅无缺陷图像，利用卷积神经网络(convolutional neural networks，CNN)可直接输入图像从而减少网络参数的优势，并结合线性分类器对焊接图像分类，错误率仅为2.72%，但未给出CNN架构参数和缺陷类型，而且人工合成的TOFD信号与真实检测信号仍存在较大差异。极限学习机(extreme learning machine，ELM)是一种单层前馈网络(single layer feedforward network,SLFN)，由于网络只有一个隐藏层，没有反馈连接，训练速度优于基于梯度的反向传播方法，Lucas等[34]在1 000 mm×500 mm×15.5 mm的SAE 1020碳钢板焊接处，人为制造未熔合、未渗透、夹渣、气孔四类缺陷，每个A扫信号由2 500个时间样本组成，信号先离散傅里叶变换，频谱系数作为特征输入ELM分类网络，分类准确率达到85%，与基于反向传播的Levemberg-Marquardt和Resilient-Backpropagation方法相比，在分类准确率相近情况下，ELM网络的训练时间是LM的1/1 000，比弹性反向传播(resilient back propagation,RB)快了25倍，为构建小型嵌入式系统提供可能，但极限学习机属于批量学习算法，当获取一个新样本时，需将新旧样本同时进行再训练以合并新样本信息，不适于实时和非平稳情况。与神经网络相比，支持向量机(support vector machine，SVM)具有泛化能力强、无局部极小问题、计算开销低、适于少样本训练、对噪声有鲁棒性、无维数灾难问题、防止过度拟合等优点，在模式识别领域得到广泛应用。Al-Ataby等[6]利用6阶Debauchies函数，对D扫图像3级小波包分解，计算各分量的对比度、能量、熵等统计特征，选择纹理信息丰富的分量用于图像重构，利用模糊C均值迭代算法从重构图像中分割缺陷区域，提取缺陷区域小波包分解后的子带能量特征和区域特征，输入SVM分类器，识别内部裂纹、气孔和深层线状夹渣明，建立50个缺陷样本，分别选择34%、50%、60%的样本训练，SVM分类器的分类准确率分别为80%、93%、100%，但未考虑未熔合、未焊透等缺陷类型。林乃昌等[33]建立134幅D扫图像样本集，包括42个裂纹、34个未熔合、37个气孔和21个夹渣图像，109幅作为训练样本，25幅作为测试样本，分别采用主元分析(principal component analysis,PCA)、核主元分析(kernel principal component analysis,KPCA)、粒子群优化的核主元分析(particle swarm optimization kernel component analysis,PSO-KPCA)对图像特征降维优化，SVM分类结果表明，PSO-KPCA的缺陷识别率最高，达到76%。Moura等[36]利用层次线性分类器(hierarchical linear classifiers，HLC)识别焊接缺陷，在中心频率5 MHz条件下，检测20 mm厚AISI 1020钢板的未熔合、未焊透、气孔缺陷，建立240组A扫信号(三类缺陷和非缺陷，每类60组)，分别提取傅里叶变换系数和小波变换系数作为特征向量，40组作为训练样本，20组作为分类样本，分类结果表明，小波系数特征的分类准确率(93%)高于傅里叶系数特征(73%)，但未研究裂纹、咬边、熔渣等缺陷类型，与非线性分类器相比，HLC的分类准确率较低。Ahmed等[37]用32×32像素模板遍历整个TOFD图像，利用Daubechies 2小波基函数，每个模板2层小波包分解，计算四个模板子图像的共生矩阵特征，根据特征值大小确定继续分解的子图像(子图像尺寸>8×8像素)，计算最终子图像的小波特征和Gabor滤波器特征(8尺度×8方向)，利用主成分分析减少70%的小波特征和50%的Gabor特征，利用模糊C均值迭代分类器区分“缺陷”和“无缺陷”，检测2幅现场B扫图像，1幅尺寸245×300像素，含有开放型裂纹、熔渣、闭合型未熔合3个缺陷，1幅尺寸500×300像素，含有开放型未熔合、开放型裂纹、闭合型未熔合3个缺陷，结果表明该方法能识别全部缺陷，但计算量大且不能区分具体缺陷类型。Theresa等[35]在中心频率4 MHz条件下，检测AISI 316不锈钢板材焊接区的裂纹、未熔穿、未焊透、气孔、夹渣缺陷，建立36幅D扫图像样本集，图像尺寸837×537像素，为减少计算时间，手动提取30×230像素的缺陷感兴趣区域(region of interest，ROI)区域，计算ROI区域的灰度特征并输入神经网络，比较前馈反向传播(feedforward and backpropagation,FFBP)网络和级联前馈反向传播(cascade feedforward and backpropagation,CFBP)网络的分类性能，结果表明，具有对数S型活化函数的CFBP网络分类性能更优，裂纹、未熔穿、未焊透、气孔、夹渣的分类准确率分别为72%、66%、68%、96%、46%。Chen等[38]采用基于区域的卷积神经网络识别D扫图像中的缺陷，对焊缝缺陷类型的识别准确率达到80%～97%，但受噪声影响，容易将图像中的条纹误判为孔隙和裂纹。Shitole等[39]比较了人工神经网络、模糊逻辑和混合神经模糊3种分类器，人工神经网络可从样本数据中学习，但其输出不适合自然解释；模糊逻辑由可解释的语言规则组成，但却无法学习；混合神经模糊分类器结合了人工神经网络和模糊逻辑的优点，具有较高的一致性和可靠性，更适于TOFD缺陷识别，但并未给出实验验证。

4 展望

(1)TOFD检测多利用小波去噪，但小波基函数缺少多尺度、多角度特性，对图像细节的刻画能力有限，不能充分表达图像，因此对图像随机噪声的处理有局限性，无法在各尺度下准确逼近局部信号特征，在信号重构过程中容易丢失原有时域特征。超小波的出现弥补了小波变换的缺陷，基于曲波变换(curvelet transform)[40-43]、轮廓波变换(contourlet transform)[44-48]、剪切波变换(shearlet transform)[49-53]的变换域去噪技术有望在TOFD图像预处理中取得更好效果。

(2)基于压缩感知理论的去噪方法，首先选择稀疏域，使得信号在稀疏基下表现为稀疏，再经过测量矩阵转化为稀疏信号，为信号精确重构奠定基础。因此，如何选择稀疏域和测量矩阵是TOFD信号去噪的关键。但TOFD检测信号在变换域中并不精确满足稀疏性，求解过程欠定且非凸，存在计算困难、稳定性差、重建精度低等挑战[54-55]。若采用经验模态分解去噪，其过分依赖检测数据，当信号间断或异常时容易发生模态混叠和端点效应，影响信号去噪效果[56-57]。

(3)传统图像分割方法，如阈值法、边界法、区域法，主要利用像素的颜色、亮度、纹理、形状等低级信息，对低对比度TOFD图像的分割效果一般。为提高分割准确性，应考虑合理利用图像的高级信息，包括图像中超像素(具有相似特征的相邻像素集合)的粗糙度、对比度、方向度、紧凑度等信息，以及图像区域所包含的对象或实体的类别信息[58]。聚类与分类等机器学习思想也可用于TOFD图像分割。聚类是无监督的机器学习方法，根据图像中像素及像素间信息，将具有相近特征的相邻像素聚集在同一个图像区域[59-60]。分类是有监督的机器学习算法，需要大量的标注数据样本用于训练，这对TOFD检测来说不易实现[61]。可将聚类与分类方法相结合，先利用聚类算法生成各候选区域，然后利用分类算法对各区域分类，最后根据区域分类结果构建全图标注，完成图像分割。

(4)TOFD缺陷的特征描述对后续缺陷识别有很大影响。特征向量过少，容易导致“欠描述”问题，无法在特征空间区分不同的缺陷。TOFD检测数据属于小样本数据，特征向量过多，会引起“维数灾难”“过拟合”等问题，直接导致分类器性能下降。因此，应重视特征优化对缺陷识别的作用，采取最优搜索策略、度量标准排序等方法优化缺陷特征集，剔除弱相关及冗余特征。

(5)缺陷识别是TOFD检测自动释义技术的关键，目前多采用基于人工特征提取和传统机器学习算法的缺陷分类方法。近几年，以深度学习为代表的深层机器学习模型正成为图像处理与模式识别领域的研究热点。深度学习能够自动从数据中学习特征，避免了传统算法中人工提取图像特征的复杂性和局限性，解决了特征维数过低或过高导致的表达能力不足和“维数灾难”等问题。典型的深度学习模型包括深度信念网络[62-63]、卷积神经网络[64-65]、自动编码器[66]等，各具特点与优势。相对来说，基于半监督或无监督的深度学习模型更适合TOFD小样本检测数据，如胶囊网络[67]、生成式对抗网络[68]等。另外，深度学习模型深度依赖学习样本，这对TOFD检测数据提出了更高要求。

5 结论

(1)TOFD检测以其高可靠性、高精准度、可重复性好、易于实时成像等优点，正成为压力容器焊缝质量评价的主要手段。尽管TOFD检测在缺陷定性和定量评价上优于传统超声检测，但仍存在以下不足：①检测盲区的存在制约TOFD技术应用于薄件表面/近表面区域的缺陷检测，改变激励方式、优化检测模式或者对检测信号进行分析处理，只能减小却无法消除表面盲区；②滤除TOFD图像杂波并抑制噪声是准确识别缺陷的前提，但目前对于杂波、噪声、缺陷信号的相互混叠，仍缺乏有效的分析处理手段；③TOFD成像检测技术中，缺陷识别及缺陷定位中的参数提取，主要根据操作者个人经验，检测结果受人为因素影响严重，成像结果的自动释义需求迫切。

(2)处理TOFD图像并识别出缺陷，进而定量评价缺陷尺寸，是TOFD成像检测技术的目标任务。围绕TOFD成像检测中的图像处理与缺陷识别技术，详细介绍了噪声去除、直通波处理、曲线拟合、图像分割、特征提取、模式分类等技术关键，分析总结了中外相关研究成果，并认为以深度学习为代表的深层机器学习模型，由于能自动从数据中学习特征，有望实现TOFD检测自动释义的突破。