混凝土凭借其稳定性^[1]、耐久性^[2]和可塑性^[3], 在工程中得到广泛应用. 其中, 层状混凝土结构因其功能分区明确^[4]、施工便捷^[5]等优势被广泛应用于桥梁、隧道、轨道等关键基础设施中^[6]. 然而, 此类结构在服役过程中常因外部载荷和复杂环境的影响, 产生脱层缺陷, 严重影响结构安全性与耐久性^[7]. 无砟轨道是由轨道板、砂浆层、支承层组成的典型层状混凝土结构, 作为铁路的关键基础结构, 由于长期受到列车冲击^[8]和恶劣环境^[9]等因素影响, 容易产生脱层缺陷^[10]. 脱层缺陷的产生破坏了无砟轨道结构的承载力和完整性, 进而影响钢轨的平顺性, 严重威胁行车安全. 因此, 实现无砟轨道脱层缺陷的精确检测是高铁运维的迫切需求, 对保障列车安全运行至关重要^[11].

常用的无损检测方法有冲击回波法^[12]、X射线法^[13]、微波检测^[14]、超声波检测^[15]等. 其中超声波检测凭借检测精度高^[16]、穿透能力强、指向性明确^[17]等优势, 被广泛应用于混凝土结构检测^[18]. 常规的超声检测分析方法, 如时频分析^[19]、小波变换分析^[20]和飞行时间分析^[21], 能够对混凝土结构中孔洞、裂缝等缺陷进行检测. 然而传统的超声检测方法是基于恒定声速进行检测, 而无砟轨道是由轨道板、砂浆层、支承层组成的层状混凝土结构, 由于层间的用料配比、密度等物理性质的差异, 声波在各层间传播速度不同, 无法获取声波在该结构中准确的传播时间, 进而影响脱层缺陷的精确检测.

针对层状结构的缺陷检测, 国内外学者进行了探索研究. 张辉等^[22]采用基于射线追踪的方法以精确计算声波在层状结构中的传播路径与传播时间, 然而其迭代过程复杂, 成像效率低. Cruza和Camacho ^[23]将虚拟源方法引入层状复杂结构的超声波成像中来提升成像效率, 然而该方法受到检测时噪声和界面不规则等因素的影响, 成像质量差. Skjelvareid等^[24]受地震勘探中平面波理论启发, 将相位偏移算法应用于层状结构的合成孔径超声成像中, 提高了层状结构的成像分辨率与对比度. Jin和Chen ^[25]在此基础上, 拓展了相位偏移算法的应用场景, 同时提高了层状结构成像的精度与质量. 然而, 以上方法涉及大量的频域变换和复杂数值运算, 且对硬件设备性能要求高, 限制了其在工程领域的广泛应用.

近年来, 自适应加权成像技术因其在提升图像质量方面的显著优势受到广泛关注. 相干系数(coherence factor, CF)通过衡量相干能量与总能量之比, 有效提升横向分辨率与对比度, 但存在图像亮度低、背景噪声抑制不足等问题^[26]. 为此Li等^[27]提出广义相干系数(GCF), 增强对声速不均的鲁棒性, 有效抑制旁瓣. Camacho等^[28]基于信号相位与符号特性提出PCF与SCF, 进一步提升分辨率与信噪比. Wang等^[29]提出的信号均值标准差系数(SMSF)利用通道信号的均值与标准差比值构建加权因子, 在合成孔径成像中展现出计算简便、成像质量高等优点.

针对层状混凝土结构脱层缺陷超声检测定位精度低, 成像质量差等问题, 本文提出了一种基于统计特征均方根(statistical-feature root-mean-square, SRMS)自适应超声成像方法. 该方法采用均方根^[30]速度模型替代传统方法中的固定声速, 通过各层的声速与厚度计算出等效声速, 并将其统一应用于所有目标点的时延修正, 间接修正斯奈尔定律^[31]带来的路径偏差, 克服传统延迟叠加(delay and sum, DAS)方法的聚焦偏差, 提高脱层缺陷定位精度. 同时利用缺陷区域信号强度高、稳定性好的特点, 将幅度均值与标准差相比, 构建信号均值标准差因子. 该因子通过量化局部信号的强度与稳定性, 在缺陷区域赋予较高的权重, 非缺陷区域赋予较低的权重, 进而增强脱层缺陷的回波信号, 抑制噪声与伪像, 提高成像质量. 与传统的超声成像方法相比, SRMS方法提高了检测精度和成像质量, 降低了计算复杂度, 为层状混凝土结构脱层缺陷的高精度检测提供了新的方法.

延迟叠加是超声成像中一种应用广泛的波束形成方法^[32]. 如图1(a)所示, 其核心原理在于补偿因声程差异而导致的各阵元接收回波的传播时延. 该算法对每个阵元接收到的信号引入相应的延时补偿, 使来自同一目标散射点的信号在时间上对齐. 随后, 将补偿后的信号进行相干叠加. 由于目标信号在各阵元间具有相关性, 叠加后其幅度得到增强, 而噪声信号通常表现为非相关性, 在叠加过程中发生干涉相消而被抑制. 以模型左上角为原点, 长度方向为x轴, 厚度方向为z轴, 建立如图1所示的坐标系. 该过程的数学表达式为^[33]

式中, $ {I}_{\text{DAS}} $为点$ \left(x, z\right) $的像素值; $ {s}_{ij} $为阵元$ i $发射, 阵元$ j $接收到的回波数据; $ N $为阵元数量; $ {\tau }_{ij} $为声波在阵元$ i $与阵元$ j $之间的传播时间; $ \left({x}_{i}, 0\right) $和$ \left({x}_{j}, 0\right) $分别为阵元$ i $与阵元$ j $的坐标; $ c $为声速.

在DAS算法中, 用于计算传播时间的声速$ c $始终为一个固定值, 并不适用于多层结构. 在多层结构中, 由于层间声速存在差异, 声波在散射体与传感器之间的传播时间无法精确计算. 针对这一问题, 采用均方根(root-mean-square, RMS)速度模型来计算多层结构中超声传播的时间, 通过将各层介质的声速和厚度加权平均, 获得一个等效的声速值, 从而更准确地表征声波在多层介质中的整体传播特性, 有效提高了时延计算的精度.

在单层结构中, (2)式可以整理为

式中, $ {\tau }_{0}(z)= {z}/{c} $表示为阵元$ i $到散射体P在单一介质中单向垂直的传播时间.

考虑到多层结构中层间的声速存在差异, 如图1(b)所示, 单向垂直的传播时间可以表示为

式中, $ {h}_{k} $和$ {c}_{k} $分别代表第$ k $层的厚度和速度, 而$ \Delta z=z-\displaystyle\sum \nolimits_{k=1}^{L-1}{h}_{k} $表示散射体P到$ L-1 $层与$ L $层界面的垂直距离, $ {c}_{L} $为第$ L $层的声速. 根据均方根速度的定义, 多层结构的均方根速度为^[34]

式中, $ {t}_{k}={h}_{k}/{c}_{k} $为第$ k $层声波单向垂直的传播时间. (4)式及$ {h}_{k}={c}_{k}{t}_{k} $代入(5)式后, 将均方根速度公式整理为

式中, 在前$ L-1 $层厚度不变的情况下, 声波在多层结构中垂直传播所需要的时间$ {\tau }_{0}(z) $是第$ L $层垂直传播距离$ \Delta z $的单调递增且连续的函数, 在有效合成孔径所限定的空间范围内调节超声探头时, 通过泰勒级数展开方法得到声波传播的时间^[35]:

式中$ {a}_{2}= {1}/{c_{\text{rms}}^{2}} $是泰勒展开式中的二次项系数, 同时根据Fomel和Stovas ^[36]关于广义非双曲线走时的研究, 当水平偏移量$ {\left| x-{x}_{i}\right| }/{z}\leqslant 1.5 $时, 走时平方泰勒展开式中的二次项占据绝对主导地位, 由四次项及以上高阶项引起的走时残差微乎其微, 因此高阶项$ \left({a}_{4}, {a}_{6}, \cdot \cdot \cdot \right) $可以忽略. 最后将(4)式代入忽略高阶项后的(7)式中, 得到RMS方法在点P(x, z)处, 阵元$ i $发射, 阵元$ j $接收的声波传播时间为

最后, 采用RMS方法计算得出声波从传感器激发后传播至结构内部任意位置的传播时间, 再与DAS方法中的(1)式相结合, 进而提高缺陷的检测精度.

RMS方法虽然可以提高多层结构中的成像精度, 但在混凝土这类高衰减、多散射介质中, 成像精度及成像质量易受旁瓣伪影和随机噪声的干扰, RMS方法的线性叠加机制对背景噪声及非相干信号的抑制能力仍然不足. 而信号均值标准差因子方法利用回波信号的幅度均值量化局部信号强度, 利用其标准差反映局部信号稳定性, 并构建幅度均值与标准差的比值作为权重因子. 该比值有效地量化了局部信号的信噪比特性, 在缺陷区域, 高均值与低标准差的组合使得比值显著增大, 从而赋予该区域较高的权重. 而在非缺陷区域, 低均值与高标准差的组合使得比值减小, 赋予较低的权重. 如图2所示, 将这种基于统计比值构建的权重分配机制与RMS方法结合, 构建统计特征均方根方法, 该方法在抑制噪声干扰的同时, 增强了目标缺陷区域信号, 最终提高了超声波成像的精度与质量.

SMSF的数学表达式为

式中, $ E[\cdot ] $为均值运算, $ \sigma [\cdot ] $为标准差运算, $ S(\tau ) $为延迟补偿后$ N $个阵元接收到的回波信号. 将(8)式代入(9)式可以得到加入RMS速度模型后的权重因子:

最终得到SRMS方法在P(x, z)处的像素值$ {I}_{\text{SRMS}}(x, z)$为

本文采用对比度(contrast ratio, CR)、对比度噪声比(contrast-to-noise ratio, CNR)以及峰值信噪比(peak signal-to-noise ratio, pSNR)对超声成像质量进行评价.

对比度(CR)用于衡量目标区域与背景区域之间的灰度差异, 反映了图像中不同组织的区分能力. 其数学表达式为

式中, $ {u}_{\text{d}} $和$ {u}_{\text{b}} $分别为缺陷的平均强度和背景的平均强度.

对比度噪声比(CNR)则进一步考虑了噪声的影响, 通过比较目标与背景的信号差异相对于背景噪声的大小, 更准确地评估图像中目标的可检测性和清晰度. 其数学表达式为

式中, $ {\sigma }_{\text{b}} $为背景的标准差.

峰值信噪比(pSNR)是通过比较缺陷的最大幅值与背景噪声平均幅值来评估图像质量, 常用于量化图像的整体清晰度和细节保留程度. 其数学表达式为

式中, $ {I}_{\max } $为缺陷处的最大强度.

以上评价指标综合反映了超声图像的清晰度、目标与背景的区分度以及噪声控制水平, 为全面评估超声成像算法的性能提供了多维度的量化依据.

本文利用COMSOL有限元软件建立无砟轨道结构二维有限元仿真模型, 如图3所示. 模型大小为500 mm×460 mm, 有限元模型由轨道板、砂浆层和支承层组成, 各层材料的参数详见表1. 模型上边界沿长度方向均匀布置了12个传感器, 相邻两个传感器的中心间距为30 mm. 砂浆层内部布置了一个长度为300 mm, 厚度为30 mm内含空气的脱层缺陷. 在声学与固体力学物理场中, 空气作为流体介质, 其剪切模量为零, 因此横波无法在空气介质中传播, 其横波速度在物理上为0 m/s. 关于激励与接收的信号, 本文在COMSOL的固体力学物理场中, 通过依次在各阵元施加一个中心频率为50 kHz的汉宁窗调制的正弦信号, 并将其方向设定为水平, 即沿x方向, 从而激发剪切波, 最后采集并导出所有阵元的x方向位移用于成像. 有限元模型仿真参数如表2所列. 同时为了降低模型边界反射波的影响, 模型的外围边界均设置为吸收边界.

利用 COMSOL 建立仿真模型后, 使用参数化扫描, 使超声阵元依次发射激励信号, 信号在接触到缺陷后产生反射波, 随后所有阵元将反射波接收. 图4为从第7个阵元发射信号的瞬态声场分布. 其中, 图4(a)为入射波在未到达缺陷时的瞬态声场, 图4(b)显示了入射波穿过界面到达缺陷位置的瞬态声场, 图4(c)显示了缺陷反射波以及透射波的瞬态声场, 图4(d)显示了缺陷反射波到达阵列并被接收的瞬态声场.

在仿真模型的缺陷信号中, 表面波因其高能量密度和低速传播特性, 抑制了信号幅值相对较低的缺陷散射波, 并且表面波沿介质表面的长距离传播路径与缺陷散射波的传播路径部分重叠, 造成了信号混叠, 进而严重影响成像结果, 如图5(a), (b)所示, 为了去除表面波的干扰, 以第7个阵元激励, 第1至第12阵元依次接收的信号为例, 将缺陷模型与健康模型下的接收信号进行对应相减, 获得如图5(c)所示的去除表面波后多通道散射波形. 表面波的存在会严重影响成像结果, 使得脱层缺陷处的强度相对较低, 而抑制表面波后, 脱层缺陷的成像质量明显得到提升, 如图6(a), (b)所示.

对仿真中的无砟轨道结构模型进行DAS, RMS, SRMS成像. 为验证不同成像方法在还原缺陷真实物理轮廓及定位方面的表现, 本文基于仿真系统的先验信息, 统一在z = 230 mm这一理论物理反射界面处绘制横向强度曲线, 并在x = 0 mm处的纵向强度曲线, 利用–6 dB测量法定量评估精度, 根据CR, CNR和pSNR定量评估成像质量. 图7(a)—(c)为超声图像, 图7(d)—(f)为横向强度曲线, 图7(g)—(i)为纵向强度曲线.

DAS, RMS, SRMS方法的仿真成像结果精度对比如表3所列. 其中脱层缺陷的横向尺寸测量的误差分别为73.0 mm, 37.0 mm, 1.0 mm, 纵向定位的误差分别为2.0 mm, 7.5 mm, 1.0 mm, 纵向主瓣展宽分别为41.0 mm, 39.5 mm, 28.0 mm. 仿真结果表明SRMS方法在横向尺寸与纵向定位的测量精度上均为最高, 且有效地压缩了纵向主瓣展宽.

从算法设计原理来分析, SRMS方法通过对声场能量分布进行自适应调整, 在增强缺陷回波信号的同时有效抑制噪声与旁瓣干扰. 该方法引入的信号均值标准差因子能够量化局部信号的相干稳定性, 在目标区域赋予高权重, 而对非相干旁瓣干扰进行抑制, 从而收敛了回波在横向上的能量发散, 提升了成像精度. 在纵向性能表现上, SRMS方法在保留均方根速度模型对多层介质走时偏差修正能力的基础上, 利用统计特征识别并抑制了回波中因脉冲宽度引起的轴向能量发散. 这种对脉冲包络宽度的自适应处理, 使声学能量高度向反射中心收敛, 有效压缩了纵向主瓣展宽, 提升了系统的轴向分辨率以及纵向定位精度.

DAS, RMS, SRMS方法仿真成像结果性能对比见图8, 其中成像结果图中的CR分别为27.99, 26.07, 32.26 dB, CNR分别为11.80, 11.69, 16.69 dB, pSNR分别为24.26, 23.52, 41.71 dB. 成像结果结果表明SRMS方法较DAS方法与RMS方法在CR, CNR, pSNR三个方面上均有较大提升, 其中SRMS方法在pSNR方面的提升最为显著. 这表明该方法能够通过量化局部信号的强度与稳定性, 有效增强脱层缺陷的回波信号, 进而提高了无砟轨道结构脱层缺陷的成像质量.

仿真结果表明, SRMS方法通过量化局部信号的强度与稳定性, 实现对各通道回波信号的自适应增强与噪声抑制. 该方法在有效修正层状结构走时偏差的基础上, 通过对主瓣展宽的压缩, 显著提升了系统的轴向分辨率与纵向定位精度. 因此, 在无砟轨道结构脱层缺陷的成像质量提升和多维度成像精度提升方面表现全面, 均优于传统DAS和RMS方法.

本文根据《铁路混凝土结构耐久性设计规范》(TB 10005—2010)的相关规定, 在实验室中建立了无砟轨道模型, 如图9(a), (b)所示. 并且在模型的第2层与第3层的界面处设置了长度为300 mm, 厚度为30 mm的脱层缺陷. 由于较低频率可减少超声波衰减, 扩大检测范围, 而横波较短的波长则能提高缺陷分辨能力, 因此实验选用50 kHz低频横波作为激励信号, 该频率选择在保证足够穿透深度的同时, 兼顾了检测灵敏度. 采用ACSYS公司生产的MIRA-A1040混凝土断层超声成像仪进行数据采集. 该设备由48个干点接触式剪切波传感器组成, 排列为12排×4列, 其中每排的4个传感器构成一个独立通道, 共计12个通道. 在理想的全矩阵捕获模式下, 12个通道两两组合将产生144个信号对. 然而, 根据线性声学系统中的声学互易原理, 阵元$ i $发射、$ j $接收的信号与阵元$ j $发射、$ i $接收的信号在理论上具有高度对称性, 因此全矩阵的下三角部分属于冗余数据. 同时, 对于50 kHz这样的低频超声换能器, 自发自收模式即矩阵的12个对角线元素会因探头的长时间余震产生极大的表面盲区, 通常无法提取有效的深层反射信号. 基于上述物理机制, 该仪器在采集时自动剔除了冗余的互易信号对与无法利用的自发自收信号, 仅保留了信号对矩阵的严格上三角部分. 这66个独立信号对构成了半矩阵捕获数据, 其不仅完整保留了144通道阵列孔径下的全场空间信息与缺陷定位精度, 还大幅降低了数据维度, 有效提升了后续成像处理的计算效率.

实验中接收到的信号通常包含表面波和较多的噪声, 为了获得更好的成像效果, 需要对其进行抑制. 与仿真的处理方法不同, 在实验中, 缺陷散射波并非通过简单的信号相减所获得. 可以通过加窗与滤波的方式分别实现对表面波与噪声的抑制. 其中, 加窗的具体过程如下.

首先, 利用(15)式计算出轨道板表面波的波速$ V $:

式中, $ \nu $表示材料的泊松比, $ \rho $表示材料的密度, $ E $表示材料的杨氏模量.

然后, 利用(16)式求解从激励传感器$ \left({x}_{i}, {z}_{i}\right) $传播至接收传感器$ \left({x}_{j}, {z}_{j}\right) $的表面波的传播时间$ {t}_{1} $:

表面直达波群结束的时间$ {t}_{2} $:

式中, $ \Delta t $是阵元发射的有限周期脉冲宽度, 是一个常数. 而$ {t}_{1} $是由收发阵元的相对位置决定, 因此$ {t}_{2} $也是由阵元的相对位置决定, 会随着阵元间距的增大而同步向后推移.

最后, 利用(18)式对实验信号进行加窗处理:

式中, $ \hat{S}_{ij}^{} $表示经过表面波抑制处理后的信号, $ {S}_{ij} $表示原始信号; $ {t}_{1} $为表面波的传播时间; 抑制系数$ \varepsilon $ = 0.01, 以保留少量表面波信息用于后续一致性校验, 而非完全置零, 避免引入人为突变; $ {t}_{2} $为表面直达波群结束的时间,

如图10所示, 以第1个阵元发射, 其余阵列接收的信号集为例, 本研究采用加窗法对表面波进行了抑制. 图10(a) 显示了抑制前的原始接收信号, 可以看出, 由于表面波能量衰减小且沿表面直接传播, 其波前在各接收通道中均表现出极高的幅值, 严重掩盖了到达时间稍晚, 能量微弱的缺陷散射波. 通过计算表面波的理论到达时间并施加抑制窗口, 处理后的结果如图10(b)所示. 对比可见, 高能量的表面波成分被有效消除, 而缺陷散射波特征得以完整保留并凸显.

如图11(a), (b)所示, 为了更直观展示表面波对成像的影响, 分别对表面波抑制前后的信号进行成像. 由于表面波的干扰, 脱层缺陷区域的信号强度相对较弱, 严重影响成像质量, 而抑制表面波后, 脱层缺陷的成像质量明显得到提升.

为了提高信噪比, 本文采用零相移切比雪夫II型带通滤波器对超声信号进行预处理. 通带设置为45—55 kHz, 以保留50 kHz的激励主瓣. 低频阻带截止于5 kHz, 以抑制低频机械振动. 高频阻带起始于85 kHz, 以滤除高频电子噪声及结构散射噪声. 通带最大衰减设为0.1 dB以保证波形幅值保真, 阻带最小衰减设为30 dB以平衡噪声抑制与边缘失真. 如图12(a), (b)所示, 以第1个阵元发射、第3个阵元接收的信号为例, 未经过滤波的原始信号包含大量高频毛刺, 有效回波被掩盖. 经过滤波处理后, 信号波形更加平滑, 主频特征得以清晰凸显.

对实验中的无砟轨道结构模型进行DAS, RMS, SRMS成像. 为验证不同成像方法在还原缺陷真实物理轮廓及定位方面的表现, 本文基于实验系统的先验信息, 统一在z = 230 mm这一理论物理反射界面处绘制横向强度曲线, 并在x = 0 mm处的纵向强度曲线, 利用–6 dB测量法定量评估精度, 根据CR, CNR和pSNR定量评估成像质量. 图13(a)—(c)为超声图像, 图13(d)—(f)为横向强度曲线, 图13(g)—(i)为纵向强度曲线.

如表4所示, 在脱层缺陷横向尺寸测量方面, 传统DAS算法由于未考虑多层介质的声速差异, 导致声束在界面处发生折射与相位失真, 横向聚焦发散. RMS方法通过等效均方根声速模型, 部分补偿了走时畸变, 使横向测量误差缩小至99.5 mm. 而SRMS方法在此基础上, 利用信号均值标准差因子对空间相干性进行了量化, 在目标区域赋予高权重, 而对非相干旁瓣干扰进行抑制, 从而收敛了回波在横向上的能量扩散, 将横向测量误差降低至6 mm.

在脱层缺陷纵向定位方面, DAS算法由于恒定声速引发的时延误差, 致使回波能量的聚焦中心向深层偏移, 但因其主瓣能量沿轴向发散, 形成了仅2.0 mm误差的表象. 这是一种由严重下偏的能量中心与主瓣能量沿轴向发散相互抵消所产生的虚假物理精度. RMS算法虽成功将回波的能量中心上拉至正确的时延深度, 但未能压缩纵向主瓣展宽, 导致回波整体上移, 误差达到7.5 mm. 而SRMS算法在继承了RMS正确的声速修正的基础上, 通过较好的主瓣收缩能力, 抑制了回波中因脉冲宽度引起的轴向能量发散, 最终将脱层缺陷的纵向定位误差降低至1.0 mm.

在脱层缺陷纵向主瓣展宽方面, DAS与RMS方法受限于线性叠加机制, 无法克服低频长脉冲引起的轴向能量发散, 导致其成像的纵向主瓣展宽分别达到55.0 mm和54.0 mm. 而SRMS算法有效识别了波包中低信噪比的偏离反射中心的非相干分量, 并对其进行抑制, 使主瓣能量向声学反射中心收敛, 将展宽压缩至37.5 mm, 提升了系统的轴向分辨率.

在成像质量方面, 成像结果如图14所示. 从CR, CNR, pSNR评价指标上可以看出: DAS与RMS性能趋于相同, 因为两者在信号幅度增强和噪声抑制方面的处理方式相似, 虽然RMS能有效修正走时, 但对回波幅度的增强与噪声分离效果较差; 而SRMS引入了信号均值与标准差之比的自适应加权策略, 能够对各通道回波信号的稳定性进行量化评估, 显著抑制随机噪声和伪影, 同时最大化真实缺陷回波的幅度响应, 因此CR, CNR, pSNR分别提高至17.75 dB, 15.95 dB, 56.23 dB, 较DAS分别提升了29%, 18%和164%, 较RMS分别提升了25%, 15%和173%, 实现了脱层缺陷的高质量成像.

在时间复杂度上, SRMS与DAS均为$ O(M\times {N}^{2}) $, 其中M为成像区域的像素总数, N为阵元数量. 具体而言, 传统DAS的核心操作是对每个像素点进行${N}^{2} $次幅值提取与线性累加. 而本文提出的SRMS算法在遍历每个像素点时, 除了执行累加操作外, 还需要计算这${N}^{2} $个通道幅值序列的统计均值与标准差, 以构建自适应加权因子. 虽然求取均值和标准差引入了额外的浮点乘除法与开方运算, 使得单一像素点的常数运算量有所增加, 但其算法结构并没有增加额外的循环嵌套层数. 因此, SRMS的整体渐进时间复杂度依然严格维持在$ O(M\times {N}^{2}) $级别, 并未引发指数级耗时增长.

为了直观量化计算代价, 本研究在同一硬件平台与MATLA 环境下对两者的执行效率进行了实测. 针对本文无砟轨道实验模型的完整超声阵列测试数据, 两种算法生成单张二维图像的平均耗时如下: DAS算法耗时约为1.22 s, SRMS算法耗时约为2.35 s, 实测数据与理论分析高度吻合. SRMS算法相比传统DAS增加了约1.13 s的常数级运算耗时, 但这使得总耗时依然维持在极短的2.35 s内. SRMS以约1 s的微小时间成本换取了超声图像中背景噪声的极大抑制以及缺陷定位精度的显著提升.

实验结果表明, SRMS方法在有效补偿层状结构走时畸变的基础上, 实现了脱层缺陷的高精度与高质量成像. 在横向维度, 该方法通过对空间相干性进行量化, 抑制了因界面折射与非相干旁瓣引起的横向能量扩散, 实现了缺陷几何边界的收敛. 在纵向维度, 该方法克服了由低频换能器固有脉冲宽度所引起的轴向能量发散, 通过对主瓣展宽的非线性自适应压缩, 显著提升了系统的轴向分辨率与纵向定位精度. 因此, SRMS方法在无砟轨道结构脱层缺陷的多维度成像精度与整体质量提升方面表现全面, 均显著优于传统DAS和RMS方法, 有效突破了传统线性叠加算法在复杂层状介质中面临的低分辨率与强伪影瓶颈, 实现了脱层缺陷的高精度与高质量成像.

针对现有混凝土层状结构脱层缺陷超声成像算法定位不准确和成像质量差的问题, 本文提出了SRMS方法. 该方法融合了自适应统计加权机制, 从传播时延与通道权重两个维度同时优化了超声图像的聚焦质量与缺陷回波表达能力, 实现了混凝土层状结构脱层缺陷的精确检测和高质量成像.

SRMS算法不仅提高了纵向与横向的聚焦能力, 更通过量化局部信号的相干稳定性, 有效抑制了目标区域横向能量发散与轴向能量发散. 仿真与实验结果表明, SRMS方法在缺陷横向尺寸上的检测误差为6.0 mm, 较DAS和RMS方法分别缩减了129.5 mm和93.5 mm, 在纵向定位上的检测误差为0.5 mm, 较DAS和RMS方法分别缩减了2.0 mm和7.5 mm. 在纵向主瓣展宽上, 将展宽压缩至37.5 mm, 较DAS和RMS方法分别缩减了17.5 mm和16.5 mm.

SRMS方法通过对回波信号的强度和稳定性进行量化评估, 使得缺陷回波在叠加过程中得到增强, 同时削弱背景噪声. SRMS方法的CR, CNR与pSNR分别达到17.75 dB, 15.95 dB和56.23 dB, 与DAS相比分别提升了29%, 18%和164%, 与RMS相比分别提升了25%, 15%和173%.

尽管SRMS在无砟轨道模型中表现出显著的精度优势和成像质量, 但其仍依赖准确的层参数先验. 未来工作将围绕自适应层参数反演与机器学习辅助权重两个层次展开, 以期望把SRMS发展为适用于任意层状混凝土结构的全自动、无先验、高稳健脱层成像算法.