最近，期刊《Ultrasonics》发表了题为“Ultrasonic characterization of small defects based on Res-ViT and unsupervised domain adaptation”的论文。博士生郭昌荣为论文第一作者，白龙副研究员为论文通讯作者。

先进的超声波成像算法，如全聚焦法（TFM）取得了令人满意的无损检测性能。然而，由于衍射极限，在嘈杂环境中检测和表征亚波长缺陷仍是一大挑战。面对这一问题，本文基于超声散射矩阵，探讨了深度神经网络与域自适应在超声波表征小而倾斜椭圆形缺陷方面的应用。通过评估深度残差网络（ResNet）与Vision Transformer（ViT）的性能，提出了一种新颖的Res-ViT架构，该架构整合了两种模型的深层代表性特征。同时，研究了一种无监督域适应策略，旨在减小源域与目标域之间的距离，该距离以最大平均差异（MMD）为衡量标准。这一策略有助于提高Res-ViT模型在复杂环境中的泛化能力。为评估不同深度神经网络的鲁棒性，在多种噪声水平下进行仿真研究。研究结果显示，Res-ViT模型能够降低椭圆形缺陷表征不确定性，包括尺寸、角度和长宽比。为验证所提方法的有效性，针对三个椭圆形缺陷进行实验，其相对于阵列方向的方向角为60°。相较于基于主成分分析与近邻法的基准方法，所提方法将缺陷尺寸的均方根误差（RMSE）降低了61%。本研究对于运用现代深度学习技术在超声波无损检测中实现自动缺陷表征具有重大意义。

采用Res-ViT网络与无监督域适应进行缺陷参数表征

本研究得到了国家自然科学基金(52375540，52005205，52225506)的资助。

论文信息：Guo, C., Li, M., Xu, J., Bai, L. Ultrasonic characterization of small defects based on Res-ViT and unsupervised domain adaptation. Ultrasonics (2024) 137, 107194.

论文链接：https://doi.org/10.1016/j.ultras.2023.107194