碳纤维增强聚合物层合板由于其高比强度和优异的设计灵活性，被广泛应用于压力容器、航空结构及其他工程应用中 [1]。然而，在恶劣的服务条件下，CFRP 结构易受冲击和疲劳载荷影响，这可能引起内部损伤并导致机械性能退化，最终损害结构完整性 [2], [3]。因此，可靠的无损检测 (NDT) 技术对于有效检测此类损伤至关重要。
在各种 NDT 方法中，超声导波由于其长传播距离和对 CFRP 结构材料性能变化的高敏感性而引起了广泛关注 [4], [5]。特别是，激光超声技术的进步使得能够高效获取高分辨率全波场数据，从而显著提高了损伤检测的准确性 [6]。目前，全波场损伤成像方法可大致分为幅值异常检测和波数滤波方法。
幅值异常检测方法通过分析空间波场幅值的局部变化来识别损伤。典型例子包括基于曲率的成像 [7] 和基于 TKEO 的波场成像 [8]。相比之下，波数滤波方法利用缺陷在波数域中引入的额外谱分量来表征损伤。通过抑制与健康区域相关的主导分量并增强剩余的损伤相关谱分量，可以有效地识别损伤 [9], [10]。
然而，CFRP 结构的显著各向异性导致波数域中具有强方向性的导波特性 [11]，使得难以构建滤波掩膜以抑制与健康区域相关的主导谱分量。大多数现有滤波器基于经验设计或理论分析，在损伤检测中表现良好，但它们对先验知识的依赖使得完全自动化实施具有挑战性 [12], [13]。此外，在单一频率下评估损伤使得过程容易受到实验噪声的影响并降低了鲁棒性 [14]。虽然提出了多频率策略来解决这些问题 [15]，但导波的色散特性导致不同频率下的谱强度分布存在显著变化，使得难以构建逐频率的滤波掩膜。
因此，有必要开发一种构建滤波掩膜的自适应方法。事实上，在每个频率下，二维波数域中的谱强度分布主要由健康区域主导，而与健康区域相关的谱强度相对较弱，这是由于导波衰减、散射和模态转换所致 [16], [17], [18]。基于这种谱强度对比，可以应用常见的分类方法，如简单阈值法、Otsu 法和概率密度估计 [19], [20], [21]。然而，这些方法在很大程度上依赖于手动选择的参数，包括阈值和平滑带宽，其性能容易受到噪声影响。最近，深度学习方法，特别是卷积神经网络 (CNNs)，由于其强大的特征学习能力，在分类任务中显示出显著优势 [22], [23]。然而，对于波数域中谱强度特征的分类，获取可靠的真实标签是一项重大挑战。此外，针对特定 CFRP 铺层训练的 CNN 可能无法在不同铺层顺序的层合板之间泛化，因为波数域谱强度分布的巨大变化降低了方法的灵活性。
相比之下，聚类算法提供了一种无监督的替代方案 [24]，在没有标签数据的情况下自动分组相似的谱强度模式。在实践中，波数域中健康区域的谱强度逐渐变化，且相对较弱的分量可能会影响对损伤区域的准确表征。传统的聚类方法，如 K 均值或模糊 C 均值 [25], [26]，往往由高强度像素主导，难以捕捉细微变化并生成准确反映真实谱强度分布的滤波掩膜。因此，需要一种减少高强度像素影响同时强调局部变化的方法来构建可靠的滤波掩膜。
基于上述分析，本研究提出了一种超像素辅助的凝聚层次聚类 (SA-AHC) 方法，用于 CFRP 结构的自适应损伤成像。在每个频率下，二维波数数据首先通过联合考虑强度值和波数距离被分割成超像素，从而将局部相似的强度特征聚合到紧凑区域中。然后，每个超像素的平均谱强度被用作代表性特征，以抑制局部高强度像素的影响并减少凝聚层次聚类的输入维度。在层次合并过程中，相似的超像素被逐步合并，其特征被反复平均，这进一步减少了局部强超像素的影响。最后，识别高强度聚类以构建自适应滤波掩膜，该掩膜抑制与健康区域相关的谱分量，同时增强与损伤相关的谱分量。此外，使用基于能量的策略融合多频率滤波结果，以实现鲁棒的损伤成像。所提出的方法通过仿真和实验得到了验证，展示了在不同 CFRP 配置下的强适应性。
本文组织如下。第 2 节描述了用于 CFRP 结构自适应损伤成像的超像素辅助凝聚层次聚类方法。第 3 节使用有限元仿真验证该方法，并讨论其在各种 CFRP 配置中的适用性。第 4 节展示了激光超声和浸没超声实验的分析。第 5 节总结了主要结论。
