GH4169合金微观组织结构的超声评价与扩散生成方法

作者简介:

吴琪（2000—）,女,硕士研究生,主要研究方向为图像处理与模式识别

无损检测技术在现代工业中扮演着至关重要的角色,广泛应用于航空航天、能源、汽车等领域[1-2]。近年来,超声检测技术在材料科学与工程领域取得了显著进展[3-4]。作为一种无损获取材料内部结构信息的手段,超声检测已被广泛应用于评估材料的微观组织结构和缺陷。传统超声检测方法通常依赖经验公式和物理模型来解释和重建材料内部的几何特征,如晶粒大小、圆度及长短轴比等参数,但这些数值化信息忽略了材料内部的空间分布和微观结构细节。

随着机器学习技术的发展,尤其是生成模型如生成对抗网络（GAN）、变分自编码器（VAE）及扩散模型（DM）[5]的出现,使微观组织结构的智能生成成为可能。这些深度学习模型能够基于累积的材料数据自动生成高度逼真的微观组织结构图像。近年来的研究表明,GAN和条件GAN（CGAN）在微结构图像重构中表现优异[6-7]。此外,扩散生成模型在处理各种类型的微观结构图像时也展现出了优越的性能[8]。

为探讨基于超声评价数据和扩散生成模型的微观组织结构图像生成方法,提出了一种智能生成方法,结合已知的合金超声检测数据和材料的几何特征,通过扩散生成模型实现复杂合金材料的微观组织图像重构。笔者利用超声检测所获取的晶粒尺寸、圆度、长短轴比等参数,通过扩散生成模型生成逼真的二维虚拟金相图。相比传统的超声数据分析方法,扩散生成模型通过大规模数据集训练,可以更准确地学习复杂材料的微观组织特征,进而生成高精度的微观组织结构图像。

扩散生成模型的优势在于逐步学习微观图像的概率分布,并通过降噪过程重构清晰的结构图像,因而其在处理高复杂度的微观组织结构时表现突出。结合超声检测数据,扩散生成模型能够有效预测材料的内部组织结构,并生成相应的组织结构图像,为材料性能预测和结构优化提供精准的参考。

无损检测证书挂靠小编首次将超声评价数据与扩散生成模型结合,用于GH4169合金材料的微观组织图像重构。试验结果表明,扩散生成模型在微观组织结构图像生成中表现出性能优越,其与超声数据融合具有可行性和准确性。该方法为超声检测技术在复杂材料微观组织分析中的应用开辟了新路径。

1. 基于统计学习的微观组织结构生成方法

在利用超声评价数据和累积数据进行微观组织结构重构时,首要任务是选择适合的图像生成模型。为此,评估不同生成模型的性能,以确定最能捕捉图像库统计特征的最佳模型至关重要。最终选定的模型将与超声评价数据融合,以约束和引导生成过程,从而提升生成结果的准确性和可靠性。

在深度生成模型中,GAN（生成对抗网络）、VAE（变分自编码器）和DM（扩散模型）是3类主要的模型。GAN通过生成器生成样本,并由判别器进行对抗学习提升样本质量。VAE通过编码器将数据压缩为隐空间表示,再由解码器还原数据,并通过最大化证据下界（ELBO）优化模型。DM则逐步向数据添加噪声再通过逆过程去除噪声,以恢复数据结构,其中去噪扩散概率模型（DDPM）优化了采样效率和生成效果[9]。

1.1 SA_GAN模型

为了重构GH4169合金的微观组织结构图像,文章使用结合自注意力机制的SA_GAN模型来学习图像数据库的统计特征。该模型通过生成器和判别器中的自注意力模块,有效捕捉远距离区域的关系,生成更细腻且真实感更强的微观结构图像。自注意力模块使得生成器在处理局部细节和全局结构时更为高效,从而能提升生成效果。

1.2 VQ_VAE模型

文章还采用VQ-VAE模型[10]进行GH4169合金微观组织图像的重构。该模型通过将图像的连续特征量化为离散嵌入向量,实现数据压缩与重构。VQ-VAE由编码器、量化器和解码器组成,编码器将图像编码为隐变量,量化器将其映射到离散嵌入空间,解码器则用这些嵌入向量重构图像。在训练过程中,通过最小化重构损失和承诺损失函数来优化模型。此外,模型采用自回归先验对隐变量进行采样,进一步提升微观组织结构的生成质量。

1.3 MDiff模型

为对GH4169合金微观组织结构图像进行扩散生成方法的重构,文章还借鉴IDDPM[11],训练了针对微观组织结构生成的MDiff模型。MDiff模型通过学习微观组织图像的统计特征,能够生成高质量的微观组织结构图像。

MDiff模型的基本思想是通过加噪和去噪的过程逐步生成数据。首先,数据通过一个参数化的马尔可夫链不断添加噪声,使其分布逐渐趋于高斯分布。而后在生成阶段,模型通过反向扩散过程逐步去噪,以恢复数据的结构。该模型将去噪视为高斯分布的回归问题,通过神经网络U-Net预测均值和方差来完成生成。MDiff模型架构如图1所示。

2. 模型对比试验与结果

试验通过学习GH4169合金真实二维微观组织结构图像库,利用VQ-VAE、SA-GAN和MDiff三种模型生成了1 000张尺寸为256像素×256像素（长×宽）的微观组织结构图像。不同生成模型的图像生成效果如图2所示。

可以看出,VQ-VAE模型未能有效学习微观组织中晶粒的完整性特征,生成图像中的晶粒结构较为破碎,无法还原晶粒的清晰边界。相比于VQ-VAE,SA-GAN模型在晶粒结构的细化表现上仍显不足,未能完全再现原始图像的清晰度。MDiff模型在晶粒形貌的学习上更加精确,生成的微观组织结构图像在晶粒形态和晶界特征方面与原始微观组织图像更为一致,即该模型较好地保留了晶粒的完整性和晶界的清晰度。

为进一步验证这3种模型在生成微观组织图像上的性能,笔者采用一系列评价指标对模型训练效果的分布一致性进行定量评估。这些指标包括：结构相似性指数（SSIM）[12]、峰值信噪比（PSNR）[13]、学习感知块相似度（LPIPS）[14]、弗雷歇尔距离（FID）以及核距离（KID）。

不同生成模型生成图像质量的评价结果如表1所示。分析显示,SA_GAN模型在SSIM和FID等指标上的表现较差,无法有效还原真实微观组织的结构。晶粒形貌分析表明,该模型生成的晶粒形状较为失真。相比SA_GAN模型,VQ_VAE模型在清晰度上有所提升,但在FID和KID上仍未能达到较高水平,晶粒边界模糊导致晶粒形貌分析结果不理想。MDiff模型在所有定量指标上表现优异,尤其是在FID和KID指标上,最接近真实数据。

综上所述,MDiff模型在视觉效果和定量评价指标上均表现优异,能够有效地模拟GH4169合金微观组织结构的真实特征。

3. 基于超声评价的扩散生成方法

研究表明扩散生成模型能够通过学习微观组织的概率分布,逐步去噪,从而重构高度逼真的微观组织结构图像。为实现GH4169合金材料内部微观组织结构的非破坏性、高可靠性重构,文章提出了一种新的生成方法,即将超声评价数据与扩散生成模型相结合的方法。该方法基于超声评价数据的准确几何特征,结合深度学习模型的强大生成能力,提供了一条智能化的微观组织图像生成路径。所提基于超声评价的扩散生成模型框架如图3所示。

3.1 微观组织结构的超声评价模型

超声检测技术能够深入探测材料内部,获取重要的几何信息,如晶粒的尺寸、圆度及长短轴比。这些参数精确反映了材料的内部微观结构,是生成高保真度微观组织结构图像的关键依据。通过构建的多参数超声评价模型[15],该模型结合超声特征参数Y和真实几何特征参数Xn,来获取指定超声特征参数输入的超声评价数据

为获取最佳的映射参数以及拟合参数,文章以真实几何特征参数Xn与拟合获取的超声评价数据