编辑推荐：
为解决碳纤维增强聚合物（CFRP）超声检测中标记训练数据匮乏问题，研究人员开展自监督学习的体积缺陷分割研究。利用 1D 卷积神经网络（CNN）预测正常信号分布，实现缺陷自动检测。结果达 100% 检测准确率，定位与 sizing 精度高，为工业检测提供新方案。
在航空航天、汽车等领域，碳纤维增强聚合物（CFRP）凭借轻量化与高强度特性广泛应用，但其复杂制造过程易引入分层、裂纹等缺陷。传统超声检测依赖人工分析，效率低且易漏检，而深度学习（DL）方法需大量标记数据，现实中缺陷样本获取困难，制约自动化检测发展。在此背景下，英国研究人员开展了自监督学习在 CFRP 超声体积缺陷分割中的研究，相关成果发表于《Engineering Applications of Artificial Intelligence》，为解决工业检测中的数据瓶颈与自动化难题提供了新思路。
研究主要采用以下关键技术方法：一是利用机器人相控阵超声系统采集 CFRP 样本数据，包括无缺陷样本（用于 pretext 学习）和含平底孔（FBH）、聚四氟乙烯（PTFE）嵌件的缺陷样本；二是构建 1D 卷积神经网络（CNN），基于 pretext 学习预测正常样本的信号幅值分布，将缺陷检测转化为异常检测问题；三是通过前后向扫描（forward and backward sweep）结合逻辑与操作（logical AND）以及面积阈值过滤，提升缺陷分割精度并减少误报。
4.2 结果
4.2.1 检测
研究显示，所有缺陷在不同阈值下均被成功检测，通过面积阈值处理可有效去除微小误报，当阈值设为 0.9999999 时，检测准确率达 100%。该方法对不同尺寸和类型的缺陷（如 FBH 和 PTFE 嵌件）均表现出良好的鲁棒性，验证了其在复杂几何结构中的适用性。
4.2.2 缺陷 sizing
与工业标准 6 dB 幅值降法相比，自监督方法的平均绝对误差（MAE）为 1.41 mm，优于全监督 3D U-Net 模型（MAE 降低 27%）。尽管传统方法 MAE 更低，但自监督方法因系统性高估缺陷尺寸，在安全关键领域更具优势，且通过校准可进一步降低误差（如以样本 1 校准后，样本 2、3 的 MAE 降低 57%）。
4.2.3 定位
面内（in-plane）与贯穿厚度（through-thickness）定位的 MAE 分别为 0.37 mm 和 0.26 mm。面内定位精度优于全监督模型（MAE 降低 43.1%），贯穿厚度定位虽略逊于传统方法，但仍满足工业需求，展现了该方法在三维空间中的定位能力。
4.2.4 可视化
体积分割结果可生成组件的数字孪生，直观呈现缺陷的三维分布。即使在不同厚度区域存在信号衰减，该方法仍能通过局部时序样本分析，实现同一尺寸缺陷在不同深度的一致分割，验证了其对材料各向异性和几何复杂性的适应性。
5 结论与讨论
本研究首次将自监督学习应用于超声体积缺陷分割，突破了传统方法对标记数据的依赖。通过将问题重构为异常检测，模型无需预设缺陷类型，对未知缺陷具有更强泛化能力。实验表明，该方法在检测准确率、定位精度和 sizing 可靠性方面均表现优异，且模型轻量化（仅 1.94 MB），便于在工业场景部署。尽管在复杂几何结构中可能因边界信号干扰产生误报，但通过结合 CAD 模型校准等后续优化，有望进一步提升鲁棒性。该研究为 CFRP 等复合材料的自动化无损检测（NDE）提供了创新解决方案，显著推动了深度学习在工业质量控制中的实际应用，尤其为小批量生产场景下的快速检测提供了可行路径。未来研究可进一步探索多方向扫描和实时在线检测的优化，以拓展方法的适用性与效率。
