激光超声技术结合深度学习方法快速准确表征金属表面微裂纹

撰稿|由课题组供稿

近日，南京大学固体微结构物理国家重点实验室与南京大学现代工程与应用科学学院的陈延峰教授，卢明辉教授，颜学俊副教授团队及南京大学近代声学教育部重点实验室徐晓东副教授合作，提出一种激光激发窄带声表面波来定量识别金属表面微裂纹的方法。相关工作以“Using deep learning to identify the depth of metal surface defects with narrowband SAW signals”为题发表于期刊《Optics and Laser Technology》上。该工作借助于深度学习策略，可快速，精确的判断结构件表面的微裂纹深度。南京大学现代工程与应用科学学院20级博士生丁雷为论文的第一作者，颜学俊副教授和徐晓东副教授为论文的共同通讯作者。

表面和近表面缺陷是金属材料中常见的缺陷类型。金属材料在辐射、腐蚀、高温、高压和高负荷等外部条件的影响下，容易在材料内部或表面产生微小缺陷，从而导致材料结构损坏，而这些缺陷通常是肉眼看不见的。若不能及时发现缺陷，并采取有效措施，那么缺陷将随着结构件的使用继续扩展，并可能会带来严重的安全隐患。因此对器件的结构健康检测与监测是必不可少的一个环节，这也被称之为无损检测技术（NDT）。与磁粉检测、X射线检测、涡流检测和渗透检测这四种无损检测方法相比，超声检测（UT）具有穿透性强，检测速度快的优点。激光超声无损检测技术（LUT）是超声检测的一种衍生技术。它是利用脉冲激光的瞬时热效应产生的脉冲波。与传统的超声检测方法相比，激光超声检测技术无需耦合剂，具有完全非接触式检测能力，激光不会影响超声波场，分辨率高，具备能在高温高压有毒等恶劣环境中作业等特点。目前的LUT已应用于缺陷检测、晶粒尺寸测量、残余应力分析、弹性模量测量和医学成像等领域。迄今为止，点光源和线光源激光产生的宽带超声已用于大多数现有的研究。然而，为了提高信噪比（SNR），高功率激光束必须聚焦在很小的区域，如果聚焦激光强度超过材料的损伤阈值，通常会导致样品局部损伤，也会对人眼的安全带来隐患。

激光激励源的空间调制是解决上述问题的有效方法。目前用于产生窄带超声波信号的方法包括透镜阵列、光学衍射光栅、空间光调制器（SLM）以及狭缝掩模。然而透镜阵列的调节灵活性差，SLM难以承受高功率脉冲激光，狭缝掩模的能量传输效率低于50%。本研究提出了一种瞬态热栅（TTG）技术。与聚焦激光束方法相比，该技术能够有效地产生高信噪比的窄带超声表面波。此外，如何高效准确的理解声信号与材料结构的关系是一项具有挑战性的任务。机器学习方法被越来越多的应用到无损检测中。例如人工神经网络（ANN），遗传算法结合反向传播神经网络（GA-BPNN）。这些方法需要人工提取相关信号的特征，对于超声信号而言，其特征提取易受到人为因素的干扰。因此我们选择了深度学习的方法来（残差神经网络，ResNet）对数据进行处理分析。此外，我们也对比了其他算法的结果，验证了本工作提出方法的有效性和可靠性。

图1为本工作的流程图。首先，我们建立了有限元仿真的理论模型，模拟了21类不同的缺陷深度。其次，将理论模拟的数据和实验得到的数据进行比较以验证理论模型的可靠性。最后，利用小波变换对模拟和实验数据进行预处理，并送入神经网络进行训练，用于分类和预测任务。

图1. 整体工作思路

实验使用的材料是一块304不锈钢板，长90 mm，宽30 mm，高3 mm。使用机加工方法在金属表面制造表面缺陷，其固定宽度和长度分别为0.3 mm和8 mm。并使用激光扫描共焦显微镜来确定每个缺陷的实际深度。分别为120 μm、221 μm、319 μm、422 μm和518 μm。实验系统由三部分组成：激光激励模块、激光探测模块以及信号处理与分析模块。实验中，我们使用相位光栅并结合4f系统来调节干涉条纹的间距从而得到我们想要的频率波形。图3是实验过程中CCD拍摄的干涉条纹，通过与标准刻度板进行对比即可计算出相邻条纹的间距。

图2. 实验系统示意图

图3. CCD 拍摄的干涉条纹

图4显示了有限元仿真结果与实验结果的对比。在波形形状、时域振幅和频域频率方面具有良好的一致性。理论和实验得到的声表面波中心频率均为5 MHz，对应声表面波波长为0.6 mm。这意味着所建立的有限元模型是有效和可靠的。

图4. 实验和仿真结果对比：（a）、（b）分别为无缺陷的时域信号与频谱，（c）、（d）分别为缺陷深度为120 μm时的时域信号与频谱。

图5为我们使用的神经网络结构示意图。该网络由1个3×3卷积层、1个全局池化层、4个残差块、1个全连接层组成。

图5. 神经网络结构示意图

图6为神经网络分类任务的结果。图6(a)表明，训练集的准确率稳定在98.93%，测试集的准确率稳定在96.21%。图6(b)表明，训练集损失率和验证集损失率逐渐稳定在0.4513和0.2186，不存在过拟合问题，证明了该模型的可行性和可靠性。

图6. 分类任务结果

图7为神经网络预测结果，包括从先前建立的训练数据库中随机选择的500个数据点（黑点）和两次独立实验中的10个数据点（分别为红点和蓝点）。此外，统计结果（图7(b)）表明，500个预测数据点中有80.6%的数据残差为±10 μm，66.0%的数据残差为±5 μm（图7（c））。

图7. 预测结果

本工作提出了一种小波变换并结合卷积神经网络来识别金属表面微裂纹深度的瞬态热栅检测方法。该方法为完全非接触式无损检测技术。作为比较，我们将提出的方法与其他三种算法（VGG16、BP、SVM）进行对比，结果表明本工作提出的方法在训练集和测试集的准确率均优于三者。此外，我们通过独立实验验证了模型的准确性与鲁棒性。在未来的工作中，我们将调制更高频率（几十MHz至几百GHz）的超声信号，以表征半导体材料表面和内部更多微观结构。本研究得到了国家重点研发计划、国家自然科学基金等相关项目的支持。物理学院20级硕士生万浩鹏，现代工程与应用科学学院16级直博生鲁强兵对该工作亦有重要贡献。

论文链接：

https://doi.org/10.1016/j.optlastec.2022.108758