基于相位相干TFM成像与改进YOLOX模型的HDPE管道对接熔接接头缺陷超声自动检测技术研究

为解决高密度聚乙烯(HDPE)管道对接熔接接头缺陷检测质量低、效率差的问题，研究人员提出直接性补偿圆相干因子加权全聚焦方法(D-CCF-TFM)算法，结合改进YOLOX模型实现缺陷自动识别。实验表明，D-CCF-TFM使平均信噪比(SNR)显著提升，改进YOLOX模型的平均精度(mAP)达99.15%，为HDPE管道焊接质量检测提供了高效可靠的技术方案。

　　

在城市化进程加速的今天，高密度聚乙烯(HDPE)管道因其优异的耐腐蚀性和经济性，已成为天然气输配管网的主力军。然而，管道对接熔接接头的焊接缺陷如同潜伏的"定时炸弹"，极易引发燃气泄漏等安全事故。传统检测手段如微波技术和红外热成像，要么难以捕捉微小缺陷，要么无法探测深层问题；X射线成像虽能透视内部结构，但高昂成本和辐射危害限制了其广泛应用。面对这一行业痛点，中国计量大学的科研团队在《Polymer Testing》发表了一项突破性研究，将超声相控阵技术与人工智能相结合，为HDPE管道安全保驾护航。

研究团队创新性地开发了直接性补偿圆相干因子加权全聚焦方法(D-CCF-TFM)算法。该技术通过圆相干因子(CCF)降低缺陷相位计算时的噪声干扰，并利用指向性函数补偿不同方向的声场强度差异。实验采用中心频率2.25MHz的64阵元相控阵探头，对含有人工缺陷的HDPE试块(400mm×40mm×80mm)和实际管道接头(外径315mm，壁厚28.6mm)进行检测，对比了传统TFM、CCF-TFM和新算法的性能。

在成像质量方面，D-CCF-TFM展现出显著优势。对于深度30mm的Φ1mm通孔缺陷，新算法将近场区(深度<8.5mm)结构噪声振幅从TFM的-17.38dB～-28.99dB降至-24.87dB～-36.71dB，降幅达7.49-7.72dB。通过声场指向性补偿，该算法成功解决了CCF-TFM对35mm以下深度缺陷检测失效的问题。在API(阵列性能指数)和SNR指标上，D-CCF-TFM分别比TFM平均提升3%和9.43dB，虽然运行时间增加0.28-0.76秒，但仍满足实时成像需求。

研究团队还构建了包含2504张局部图像的深度学习数据集，通过随机旋转、对比度增强等数据增强手段，训练了改进的YOLOX模型。该模型在骨干网络中融入卷积块注意力模块(CBAM)，采用完全交并比(CIoU)作为回归损失函数，通过迁移学习策略分冻结阶段(50轮次)和解冻阶段(200轮次)进行训练。改进后的模型对Φ2mm孔缺陷在22mm深度的识别准确率从原型的0.51提升至0.79，整体mAP@0.5达到99.15%，较原始YOLOX提升2.31%。消融实验显示，单独使用CBAM和CIoU分别带来1.71%和0.78%的mAP提升。

这项研究的意义不仅在于技术创新，更在于其工程实用价值。D-CCF-TFM算法将缺陷宽度和深度的平均检测误差分别控制在0.74mm和0.86mm以内，改进YOLOX模型对实际缺陷图像的检测帧率保持在12.76FPS，完全满足工业现场需求。该成果为HDPE管道对接熔接接头的质量评估提供了标准化解决方案，对保障城市燃气管网安全运行具有重要实践意义。未来，该技术框架可扩展应用于其他高衰减聚合物材料的无损检测，通过与微波、X射线等多模态检测技术融合，有望构建更完善的智能检测体系。