碳纤维增强聚合物（CFRP）因其高强重比、耐腐蚀性和电绝缘性而在土木工程、航空航天和海洋结构中得到广泛应用[1]。然而，其层压结构使得它们容易在层间界面发生分层，而这种分层通常在表面不可见[2]。一旦开始，分层会迅速扩散，破坏内部应力分布，并严重降低承载能力[3]。因此，早期检测和评估对于减少停机时间、降低维护成本以及延长基于CFRP的系统的使用寿命至关重要。
利用导波场进行分层量化研究受到了关注，这得益于超声导波的高灵敏度和扫描技术的进步。在分层区域，波场会发生模式转换和额外的散射，与未受损区域形成明显对比[4]。这使得通过动画中的散射波观察[5]或累积能量图中的高能量簇[7][8]来进行识别成为可能。然而，这些方法依赖于专家解释，仅提供定性评估或粗略定位，并且由于损伤产生的散射波可能被入射波掩盖而不可靠。
因此，提出了各种过滤技术来分离与分层相关的散射波。Sohn等人[9]和An等人[10]提出了用于分层识别的驻波过滤和拉普拉斯过滤。Ruzzene[11]引入了一种基于三维傅里叶变换（FT）的过滤方法来去除入射波。Kudela等人[12]提出了使用波数域掩模的自适应过滤方法来可视化分层几何形状。Zhang等人[13]设计了一种椭圆形频率-波数滤波器来抑制主导的A0模式。这些方法通过最终的损伤图增强了可视化效果，但面临实际限制：1）滤波器设计依赖于材料的先验属性；2）FT过程中会丢失空间信息，需要逆变换进行重建。
这些限制促使人们采用监督式深度学习，其中神经网络将导波场特征映射到损伤图上。Ijjeh等人[14]首次将监督学习应用于波场数据，通过在RMS图像上训练模型来学习到非线性映射到二进制矩阵标签。虽然在模拟数据集上实现了准确的分层成像，但实验测试显示了明显的伪影。为了解决这个问题，他们后来采用了VGG16和GCN[15]等高级架构进行RMS图像分割，以及ConvLSTM进行Lamb波动画分割[16]。这些方法使得仅在模拟数据上训练的模型可以直接应用于实验测量，同时产生无伪影的成像结果。Yan等人[17]提出了一种基于UNet++的方法，该方法结合了频域特征，并表现出对噪声的强鲁棒性。他们进一步结合了过滤技术来增强与分层相关的能量响应，并使用数据增强来加强模型学习多样化损伤特征的能力[18]，从而提高了成像精度和泛化能力。
监督学习方法在损伤成像精度上有所改进。然而，其在实际检测中的广泛应用受到以下限制：1）依赖于大型、多样化的数据集，需要大量的时间和人力成本；2）依赖于人工标注，容易出错；3）输入特征与损伤图之间的映射是针对特定检测区域定制的，需要为新检测区域重新训练。
为了克服这些限制，半监督学习作为一种有效的替代方案应运而生[19]。半监督方法不是依赖于损伤引起的数据，而是在完整结构的信号上训练模型，通过评估重建误差与预定义的阈值来检测异常[20][21][22][23]。然而，这些模型：1）仍然依赖于人工策划的无缺陷数据集，容易受到人为错误的影响；2）需要预先收集的历史数据，限制了其在需要快速评估场景中的适用性；3）主要关注通过pitch-catch方式获取的路径信号，而不是波场数据，仅提供定性检测或点状定位。
一些研究进一步采用了无监督学习策略[24][25]。与半监督学习相比，无监督方法不需要仅在原始结构的基线信号上进行训练，而是允许将受损结构的信号纳入训练过程。这一优势源于神经网络的归纳偏差，即模型倾向于优先学习与多数样本相关的主导模式，同时本质上抑制了少数模式[26]。因此，无监督方法可以避免手动选择基线，显著降低数据准备成本。然而，现有的无监督研究仍然主要集中在pitch-catch路径信号上，而不是导波场数据，这从根本上限制了它们的诊断能力，仅限于定性检测或点状定位，并不支持损伤成像。到目前为止，尚未有基于波场分析的结构损伤成像的无监督学习方法被报道。
因此，本研究提出了一种无监督的分层成像框架，该框架将卷积自编码器（CAE）与导波场相结合，无需标签或历史数据。所提出的方法能够直接从当前测量的波场中进行分层量化，该波场可能已经包含损伤。与传统方法不同，它基于直接波完全覆盖检测区域时捕获的单个快照进行操作。该框架利用了神经网络对主导健康模式的过度拟合倾向，使得分层区域重建效果较差，从而通过较高的重建误差被突出显示。为了增强健康波场的学习，每个快照被划分为均匀的块并通过对称翻转来增强数据多样性。两阶段训练策略进一步增强了模型的重建能力。使用扫描激光多普勒振动仪（SLDV）获取的导波场数据验证了数据增强、两阶段训练以及该框架对不同缺陷位置和形状的鲁棒性。本研究的主要贡献总结如下：
1) 提出了一种将CAE与导波场相结合的无监督框架，能够直接从测量的波场中进行分层量化，无需标签或历史数据。
2) 与传统依赖长期序列提取频谱特征的处理方法不同，所提出的框架基于直接波完全覆盖检测区域时捕获的单帧快照进行操作。
3) 采用了两阶段训练策略：在第一阶段，首先识别并排除受分层影响的块，从而在第二阶段训练中加强健康波场模式的学习，提高成像精度。
4) 对训练集应用对称翻转数据进行数据增强，以在对称位置生成近似健康波场，为CAE提供更多多样的参考模式，从而提高分层成像性能。
