最近，期刊《NDT & E International》发表了题为“Scattering matrix similarity metric optimization for improved defect characterisation based on dynamic graph attention networks”的论文。硕士生任俊杰为论文第一作者，白龙老师为论文通讯作者。

在超声无损检测中，超声相控阵具有高度的检测灵活性和广阔的检测区域，并且可以通过全矩阵捕获（FMC）获得所有发射-接收组合的全套时域数据。散射矩阵反映缺陷的散射行为和频率特性，在表征小缺陷方面显示出很大的潜力。然而，与理想化缺陷相比，实验测量的散射矩阵通常表现出一定程度的失真，这对缺陷的准确表征构成了挑战。传统的深度学习方法没有考虑数据间的复杂关系和相互依赖性，这在一定程度上限制了模型的表达能力。利用先进的图神经网络技术，本文提出了一种基于相似性图的缺陷表征框架，用于改善波长量级的倾斜裂纹的表征。该方法的核心思想是同时使用多种度量（包括相对欧氏距离、皮尔逊相关系数、余弦相似度和结构相似性指标）来从不同的方面量化散射矩阵之间的相似性关系。该方法在保留原始散射矩阵的所有特征的同时，将缺陷之间相似性关系建模为图结构数据。一种基于采样策略和残差连接的动态图注意力网络被开发，用于捕捉节点之间的依赖性并高效灵活地学习节点的特征表示。该模型为缺陷预测具有更准确的表征结果的相似性度量，从而给出基于最近邻方法的表征结果。9个样品内部的小裂纹被用于实验检测，结果表明，与传统的基于单一度量的最近邻方法相比，所提出的方法在长度和角度的均方根误差方面分别降低了60.5%和67.1%，证明了所提出的方法在实践中的有效性。

基于相似性图的缺陷表征

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

论文信息：Ren J, Hu Y, Cui H, et al. Scattering matrix similarity metric optimization for improved defect characterisation based on dynamic graph attention networks [J]. NDT & E International, 2024, 148: 103220.

论文链接：https://doi.org/10.1016/j.ndteint.2024.103220