时间：2026-01-09 分类：物理
摘要：传统激光超声合成孔径聚焦技术(LU-SAFT)通常需在待测样品表面以小步长扫描提升横向分辨率，但小扫描步长会导致总检测时间过长，影响检测效率。针对这一问题，提出基于压缩感知的LU-SAFT方法以提升扫描效率。该方法首先利用压缩感知，根据稀疏扫描点处A扫信号的最大强度恢复全场扫描点A扫信号最大强度，进而确定样品表面最优扫描区域;随后在最优扫描区域内扫描，最终对缺陷进行SAFT图像重建。实验中，采用脉冲激光在含缺陷样品表面激发超声，通过激光多普勒测振仪探测超声，并利用所提方法检测样品内部缺陷以验证可行性。结果表明：针对相同扫描区域，传统LU-SAFT需扫查500个点，耗时3.15 min;所提方法扫描点数减少80%，扫描时间缩短80%，且缺陷SAFT成像信噪比提高约42%。研究成果可为激光超声无损检测提供更快速的检测方案。
关键词：激光光学;压缩感知;合成孔径聚焦技术;激光超声;缺陷检测
论文《基于压缩感知的快速激光超声合成孔径聚焦技术》发表在《中国激光》，版权归《中国激光》所有。本文来自网络平台，仅供参考。
1 引言
在工业领域，金属材料工件经加工或长期使用后，表面及内部易产生各类缺陷，影响机械强度并缩短使用寿命，因此需精准检出缺陷。传统光学检测手段(如人工观测法、激光扫描法等[1-3])难以获取材料内部缺陷信息，而超声检测因穿透能力强、灵敏度高，在缺陷检测领域应用广泛[4]。
传统超声检测多采用压电换能器激发和探测超声，需借助水、甘油等声耦合剂实现超声传输[5]，但耦合剂可能对被测样品产生腐蚀等附加影响。激光超声检测[6-10]作为新型检测方法，通过激光远程激发超声波，避免了耦合剂的不利影响，且具有高空间分辨率，适用于直径不超过0.5 mm的微小缺陷检测与成像[11-12]。
近年来，缺陷检测技术愈发关注成像算法，合成孔径聚焦技术(SAFT)[13-30]是适用于超声检测的成像算法，其核心原理是用一系列小孔径传感器替代大孔径传感器，以提升横向检测分辨率，该技术最早应用于雷达领域[24]，目前主要分为时域SAFT[23-24,20]和频域SAFT[13-22,25,30]。时域SAFT基于延时叠加和全范围动态聚焦，通过简单累计求和即可获得高分辨率成像结果[31]。
激光超声合成孔径聚焦技术(LU-SAFT)[32]结合了SAFT与激光超声的优势，可远距离获取成像数据、激发多种模式超声波。但传统LU-SAFT为获得高空间分辨率和高信噪比的缺陷图像，需在样品表面进行高空间分辨率扫描，导致扫描时间过长，严重限制了其实用性[33]。
压缩感知(CS)[35-36]是信号处理领域的新技术，核心是用最少的测量值重构信号，其假设信号可在某一域中以稀疏形式表示，通过基空间信号重构即可恢复原始信号。针对传统LU-SAFT扫描耗时问题，可将压缩感知引入其中以提升扫描效率。Park等[37]将二分搜索与压缩感知用于表面缺陷波场重建，解决了表面缺陷定位加速问题;孙强等[38]进一步将其应用于体内缺陷定位加速，但目前尚未有研究将压缩感知用于提升LU-SAFT的扫描效率，本文旨在填补这一空白。
2 基于压缩感知的LU-SAFT原理与流程
2.1 核心原理
压缩感知的核心思想是利用信号稀疏性，通过少量随机测量值重构原始信号。将其应用于LU-SAFT时，核心公式如下：
2.2 处理流程
基于压缩感知的LU-SAFT处理流程如图1所示，具体步骤如下：
1. 随机扫描 $X_s$ 个稀疏点，获取这些点处A扫信号的最大强度;
2. 判断最大强度是否大于2倍噪声值，若不大于则停止后续操作，若大于则进入下一步;
3. 基于压缩感知恢复全场扫描点A扫信号最大强度，确定最优扫描位置;
4. 以最优扫描位置为中心，向左右拓展 $L$ 长度，形成最优扫描区域;
5. 在最优扫描区域内扫描，利用扫查数据进行SAFT缺陷图像重建。
[图1 基于压缩感知的LU-SAFT处理流程图](https://example.com/fig1)
(注：图1为处理流程示意图，实际应用中需结合实验参数调整步骤细节)
3 实验装置及参数
3.1 实验样品
实验样品为尺寸120 mm×30 mm×8 mm的铝合金块，内部含一直径0.5 mm、长度15 mm的横穿孔，孔顶距离样品表面约3.75 mm，扫描方向如图2(a)中虚线箭头所示。
3.2 实验装置
实验装置如图2(b)所示：
激发单元：波长1064 nm、重复频率3000 Hz、能量1 mJ的脉冲激光，经柱面聚焦透镜聚焦成线光源入射至样品表面激发超声(线光源可将激发控制在热弹性范围内);
探测单元：激光多普勒测振仪(控制器型号Polytec OFV-5000，光学头型号Polytec OFV-505，波长≈633 nm，检测带宽DC~20 MHz)，用于探测样品表面超声信号;
数据处理单元：信号经放大后传入示波器，每组信号平均128次并记录于计算机;
扫描单元：样品固定于电控平移台，保持激发、探测光不动，通过移动样品实现激发与探测光的同步移动，完成信号随机稀疏采样。
3.3 扫描参数
检测区域：样品表面缺陷中心左侧 $x=-12 ext{mm}$ 至右侧 $x=13 ext{mm}$，总长25 mm;
传统LU-SAFT：扫描步长0.05 mm，需扫描500个点;
稀疏扫描：通过随机函数randperm(500)生成500个随机整数，选取前40个作为稀疏扫描点位置;
固定参数：激发与探测光距离 $Delta x=0.17 ext{mm}$。
[图2 实验样品及装置示意图](https://example.com/fig2)
(a)铝合金样品结构示意图;(b)实验装置图
4 结果与讨论
基于压缩感知的LU-SAFT中，稀疏扫描点数 $X_s$、字典 $D$ 及最优扫描区域拓展长度 $L$ 均会影响SAFT成像效果，需逐一优化。
4.1 稀疏扫描点数 $X_s$ 的取值
缺陷SAFT重建图像信噪比(SNR)计算公式为：
$$f_{SNR}=20 lg frac{I_{max }}{I_{mean }} quad(5)$$
其中，$I_{max}$ 为缺陷重建图像最大强度，$I_{mean}$ 为平均强度。
稀疏扫描点数 $X_s$ 对信噪比和扫描时间的影响如图3所示：随着 $X_s$ 增大，信噪比先增加后趋于饱和(稀疏点增多使恢复的全场信号更准确，达到饱和后继续增加 $X_s$ 无明显增益)，扫描时间则单调增加(扫描点数量增多)。
此外，$X_s$ 需满足稀疏采样定理：
$$X_{s} geq c cdot K cdot lg (N / K) quad(6)$$
其中，$N=500$(全场扫描点个数)，$K=1$(被测信号为1稀疏)，$c=4$(常数，1~4之间取值)，计算得 $X_s geq 11$。
综合信噪比、扫描时间及采样定理，选择 $X_s=40$(信噪比达到饱和时的最小值)作为最优值。
[图3 缺陷SAFT重建图像的信噪比和扫描时间随 $X_s$ 的变化](https://example.com/fig3)
4.2 字典 $D$ 的构建
样品表面全场A扫信号最大强度受方向性影响呈双峰分布，只需确定双峰对应的最优扫描位置，无需关注绝对强度，因此字典 $D$ 可由缺陷位于样品内不同位置时，全场扫描点A扫信号最大强度的相对强度分布构成。通过建立仿真模型模拟声波传播，计算不同缺陷位置对应的相对强度分布，即可构建字典 $D$。
4.3 拓展长度 $L$ 的取值
最优扫描区域以最优扫描位置为中心向左右拓展 $L$ 形成，$L$ 对信噪比和扫描时间的影响如图6所示：随着 $L$ 增加，信噪比先增后减(小范围拓展时包含更多强信号区域，范围过大则引入无效信号)，扫描时间单调增加(扫描区域扩大)。
综合考虑，选择 $L=1.5 ext{mm}$(信噪比最大时的值)作为最优值，此时最优扫描区域总长3 mm。
[图6 缺陷SAFT重建图像的信噪比和扫描时间随 $L$ 的变化](https://example.com/fig6)
4.4 成像结果及对比
4.4.1 信号恢复效果
图7对比了稀疏扫描点信号、压缩感知恢复信号与传统全场扫描信号：压缩感知可准确复原最优扫描位置处A扫信号的最大强度，与传统全场扫描结果一致性良好。
[图7 样品表面扫描点处A扫信号的最大强度](https://example.com/fig7)
(a)稀疏扫描点处A扫信号的最大强度;(b)压缩感知恢复出的全场扫描点A扫信号最大强度;(c)传统全场扫描点A扫信号最大强度
4.4.2 B扫图与SAFT成像对比
实验获得的B扫图和SAFT缺陷图像如图8所示：
B扫图对比：最优扫描区域B扫图(图8(a))滤除了弱信号，仅保留对成像贡献大的强信号，相较于全场B扫图(图8(b))更聚焦目标区域;
SAFT成像对比：基于压缩感知的LU-SAFT缺陷重建图像(图8(e))与传统LU-SAFT图像(图8(f))的缺陷深度($y=-3.76 ext{mm}$)和横向位置($x=0.18 ext{mm}$)一致，与实际位置偏差极小(深度误差0.3%，横向误差1.4%);
信噪比对比：基于压缩感知的成像信噪比为71.31 dB，传统方法为50.35 dB，提升约42%。
4.4.3 扫描效率对比
传统LU-SAFT：扫描500个点，耗时3.15 min;
基于压缩感知的LU-SAFT：稀疏扫描40个点+最优区域扫描60个点，共100个点，耗时0.63 min;
效率提升：扫描点数减少80%，扫描时间缩短80%。
[图8 实验中获得的B扫图和SAFT缺陷图像]
(a)最优扫描区域B扫图;(b)全场B扫图;(c)基于压缩感知的LU-SAFT缺陷重建图像;(d)传统LU-SAFT缺陷重建图像;(e)基于压缩感知的成像信号幅值图;(f)传统方法成像信号幅值图
5 结论
本文提出基于压缩感知的LU-SAFT方法，通过优化稀疏扫描点数 $X_s$、字典 $D$ 及拓展长度 $L$，实现了快速高效的激光超声缺陷检测。实验结果表明：与传统LU-SAFT相比，该方法在相同扫描区域内，扫描点数减少80%，扫描时间缩短80%，缺陷成像信噪比提升约42%，且缺陷定位精度与传统方法相当。该研究为解决传统LU-SAFT扫描耗时长的问题提供了新思路，可推动激光超声无损检测技术在工业领域的实用化应用。
参考文献
[1] 李新科. 桥梁拉索表面缺陷图像检测关键技术的研究[D]. 重庆: 重庆大学, 2014.
[2] 宋登元, 王秀山. 超大规模集成电路芯片的激光缺陷检测技术[J]. 激光杂志, 1998, 19(6): 11-13.
[3] 王世通, 杨甬英, 赵丽敏, 等. 光学元件表面缺陷散射光成像数值模拟研究[J]. 中国激光, 2015, 42(7): 0708005.
[4] Jian X, Fan Y, Edwards R S, et al. Surface-breaking crack gauging with the use of laser-generated Rayleigh waves[J]. Journal of Applied Physics, 2006, 100(6): 064907.
[5] Bannouf S, Robert S, Casula O, et al. Data set reduction for ultrasonic TFM imaging using the effective aperture approach and virtual sources[J]. Journal of Physics: Conference Series, 2013, 457(1): 012007.
[6] An Y K, Song H, Sohn H. Wireless ultrasonic wavefield imaging via laser for hidden damage detection inside a steel box girder bridge[J]. Smart Materials and Structures, 2014, 23(9): 095019.
[7] Lomonosov A M, Hess P. Nonlinear surface acoustic waves: realization of solitary pulses and fracture[J]. Ultrasonics, 2008, 48(6/7): 482-487.
[8] Wang H C, Fleming S, Lee Y C, et al. Laser ultrasonic surface wave dispersion technique for non-destructive evaluation of human dental enamel[J]. Optics Express, 2009, 17(18): 15592-15607.
[9] Zhao Y, Chen J W, Sun J H, et al. Applications of laser ultrasonic technique on nondestructive testing and evaluation of materials[J]. MATEC Web of Conferences, 2018, 173: 02033.
[10] 杨晨, 段滋华, 马海桃, 等. 金属管道表面缺陷微波无损检测[J]. 无损检测, 2013, 35(3): 34-37, 44.
[11] 李海洋, 智斌亮, 潘强华, 等. 表面窄缺陷深度的光声检测方法[J]. 光学学报, 2022, 42(2): 0212001.
[12] 谭辉, 陈友兴, 金永, 等. 丁羟衬层固化状态的激光超声实时监测方法研究[J]. 光学学报, 2022, 42(8): 0814004.
[13] Bednar J B. A brief history of seismic migration[J]. Geophysics, 2005, 70(3): 3MJ-20MJ.
[14] Lévesque D, Asaumi Y, Lord M, et al. Inspection of thick welded joints using laser-ultrasonic SAFT[J]. Ultrasonics, 2016, 69: 236-242.
[15] Lévesque D, Bescond C, Lord M, et al. Inspection of additive manufactured parts using laser ultrasonics[C]. AIP Conference Proceedings, 2016, 1706(1): 130003.
[16] Lévesque D, Blouin A, Néron C, et al. Performance of laser-ultrasonic F-SAFT imaging[J]. Ultrasonics, 2002, 40(10): 1057-1063.
[17] Lévesque D, Ochiai M, Blouin A, et al. Laser-ultrasonic inspection of surface-breaking tight cracks in metals using SAFT processing[C] ∥2002 IEEE Ultrasonics Symposium, Munich, Germany, 2002: 753-756.
[18] Lukomski T, Stepinski T, Kowal J. Synthetic aperture focusing technique with virtual transducer for immersion inspection of solid objects[J]. Insight-Non-Destructive Testing and Condition Monitoring, 2012, 54(11): 623-627.
[19] Ochiai M, Levesque D, Talbot R, et al. Visualization of surface-breaking tight cracks by laser-ultrasonic F-SAFT[C]. AIP Conference Proceedings, 2002, 657(1): 1497-1503.
[20] Qin K H, Yang C, Sun F. Generalized frequency-domain synthetic aperture focusing technique for ultrasonic imaging of irregularly layered objects[J]. IEEE Transactions on Ultrasonics, Ferroelectrics, and Frequency Control, 2014, 61(1): 133-146.
[21] Stepinski T, Lingvall F. Optimized algorithm for synthetic aperture imaging[C] ∥IEEE Ultrasonics Symposium, Montreal, QC, Canada, 2004: 701-704.
[22] Yang C, Qin K H, Li Y Z. Real-time ultrasonic imaging for multilayered objects with synthetic aperture focusing technique[C] ∥2014 IEEE International Instrumentation and Measurement Technology Conference (I2MTC) Proceedings, Montevideo, Uruguay, 2014: 561-566.
[23] 杜英华. 合成孔径聚焦超声成像技术研究[D]. 天津: 天津大学, 2010.
[24] 李俊燕, 沈中华, 倪晓武, 等. 基于合成孔径聚焦技术的激光超声无损检测方法研究[J]. 中国激光, 2018, 45(9): 0904003.
[25] 罗嵘. 基于频域合成孔径聚焦的主轴超声成像方法研究[D]. 南昌: 南昌航空大学, 2018.
[26] 孙宝申, 沈建中. 合成孔径聚焦超声成像(一)[J]. 应用声学, 1993, 12(3): 43-48.
[27] 孙宝申, 沈建中. 合成孔径聚焦超声成像(二)[J]. 应用声学, 1993, 12(5): 39-44.
[28] 孙宝申, 沈建中. 合成孔径聚焦超声成像(三)[J]. 应用声学, 1994, 13(2): 39-44.
[29] 孙宝申, 张凡, 沈建中. 合成孔径聚焦声成像时域算法研究[J]. 声学学报, 1997, 22(1): 42-49.
[30] 杨春. 分层物体的合成孔径聚焦超声成像技术研究[D]. 北京: 清华大学, 2014.
[31] 陈楚, 应恺宁, 刘念, 等. 相移迁移法在激光超声合成孔径聚焦技术中的应用[J]. 中国激光, 2021, 48(3): 0304001.
[32] Ying K N, Ni C Y, Dai L N, et al. Multi-mode laser-ultrasound imaging using time-domain synthetic aperture focusing technique (T-SAFT)[J]. Photoacoustics, 2022, 27: 100370.
[33] Park B, Sohn H. Accelerated damage visualization using binary search with fixed pitch-catch distance laser ultrasonic scanning[J]. Smart Materials and Structures, 2017, 26(7): 075005.
[34] Yu L J, Xie X C. Brief introduction of compressed sensing theory[J]. Video Engineering, 2008, 32(12): 16-18.
[35] Elad M. Optimized projections for compressed sensing[J]. IEEE Transactions on Signal Processing, 2007, 55(12): 5695-5702.
[36] Zymnis A, Boyd S, Candes E. Compressed sensing with quantized measurements[J]. IEEE Signal Processing Letters, 2010, 17(2): 149-152.
[37] Park B, Sohn H, Liu P P. Accelerated noncontact laser ultrasonic scanning for damage detection using combined binary search and compressed sensing[J]. Mechanical Systems and Signal Processing, 2017, 92: 315-333.
[38] 孙强, 戴鹭楠, 应恺宁, 等. 二分搜索和压缩感知在激光超声内部缺陷快速检测技术的应用[J]. 红外与激光工程, 2022, 51(2): 20210810.
[39] Park B, Sohn H. Reconstruction of laser ultrasonic wavefield images from reduced sparse measurements using compressed sensing aided super-resolution[C]. AIP Conference Proceedings, 2017, 1806(1): 030003.
[40] Ohlsson H, Yang A Y, Dong R, et al. Nonlinear basis pursuit[C] ∥2013 Asilomar Conference on Signals, Systems and Computers, Pacific Grove, CA, USA, 2013: 115-119.
