多视角空气耦合超声成像技术提升埋地管道机器人检测效率研究

为解决埋地污水管道结构检测中传统视觉方法效率低、数据量大等问题，研究人员开发了基于多视角全聚焦方法（TFM）的空气耦合超声成像系统。通过比较24单元环形阵列（Ring24）和64单元随机阵列（Rand64），验证了多视角成像技术可将24单元阵列的尺寸表征误差降至2.0 cm，接近64单元阵列性能（2.8 cm）。该研究显著降低了阵列设计复杂度，为自主机器人管道检测提供了高效解决方案。

　　

城市地下管网是维系现代社会的“血管”，但长期服役导致的腐蚀、老化问题使其年维护成本高达2710亿美元。传统闭路电视（CCTV）检测方法存在功耗高、数据冗余等缺陷，而现有超声传感机器人如KARO仅支持飞行时间（ToF）测距，难以实现高精度结构成像。这一背景下，研究人员开发了一种革新性的空气耦合超声多视角成像技术，通过优化阵列设计和算法，显著提升了埋地管道检测的效率和精度。

研究团队采用两项核心技术：一是开发了24单元环形阵列（Ring24）和64单元向日葵状随机阵列（Rand64），通过全矩阵捕获（FMC）方式采集数据；二是提出多视角全聚焦方法（TFM），结合直接、半跳变（half-skip）和全跳变（full-skip）三种声波路径，并采用Tippet's、Fisher's和Sum三种数据融合算法提升成像质量。实验使用内径30 cm的PVC管道和不规则木块堆叠样本，通过自研的64通道便携式控制器完成数据采集。

多视角超声管道成像
通过建立管道内声波传播模型，研究发现全跳变路径对Ring24阵列成像效果最佳，能将木块样本高度测量误差控制在3.2 cm；而Rand64阵列在半跳变路径下表现最优，验证了阵列几何分布对成像路径选择的依赖性。

TFM图像融合方法
对比三种融合算法发现，Tippet's方法通过选择信噪比（SNR）最优的像素，使Ring24阵列的平均尺寸误差降至2.0 cm，优于Fisher's加权融合法的2.5 cm。Sum方法虽无需先验噪声知识，但存在90°伪影干扰。

Radon管道变换表征
创新的Radon管道变换（RPT）将三维图像转换为角度-像素谱，准确识别了木块样本的几何中心（误差<3.18°）。针对曲面轮廓的角误差问题，辅以图像求和表征（ISC）方法，将宽度测量误差从RPT的3 cm降至ISC的0.8 cm。

成像重复性验证
50次重复实验显示，Tippet's融合图像中木块轮廓像素出现率达100%，尺寸标准差仅1.52像素，证实了方法的稳定性。

该研究通过多视角成像技术突破了传统超声阵列对高单元数（64单元）和大孔径（直径135 mm）的依赖，使24单元阵列在保持2.0 cm精度水平的同时，将数据采集时间从80.64秒缩短至11.04秒。这种技术突破为自主机器人搭载多模态传感器（如CCTV与超声阵列协同）提供了可能，对实现城市管网智能化巡检具有重要工程价值。论文发表于《Ultrasonics》，为超声无损检测领域提供了新的技术范式。