最近，期刊《Mechanical Systems and Signal Processing》发表了题为“Ultrasonic characterization of defects in polycrystalline materials based on TFM image reconstruction using denoising diffusion probabilistic models”的研究论文。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。

多晶材料因晶粒边界散射产生的相干噪声会严重干扰传统超声成像技术，导致缺陷尺寸、角度和位置等参数难以准确提取。尽管全聚焦方法（TFM）在理想条件下表现优异，但其在高噪声环境中的性能显著下降，尤其是对于倾斜裂纹或小尺寸缺陷的表征误差较大。为解决上述挑战，本文提出TFM-DDPM框架，其核心创新在于将条件去噪扩散概率模型（DDPM）引入超声图像重建过程。首先，通过混合建模方法生成包含不同噪声水平的仿真数据库：结合半解析模型模拟缺陷散射响应与有限元法生成晶粒噪声数据，利用叠加技术合成具有可控噪声水平的训练样本。其次，设计条件DDPM架构，将含噪TFM图像作为输入条件，通过扩散过程逐步添加噪声，再通过逆过程迭代去噪，最终重建清晰的缺陷图像。模型采用U-Net主干网络，结合时间嵌入机制优化噪声预测，并通过多次采样生成多组重建结果，量化像素级不确定性。基于不确定性分析，进一步提出接受准则，以标准差分布为判据筛选可靠结果，有效排除高噪声或大倾角裂纹导致的错误表征。实验验证表明，该方法在模拟数据中将30°裂纹的Dice系数从0.5585提升至0.9137，尺寸、角度和位置的均方根误差分别降低93.59%、86.90%和86.25%。在镍基合金K403试件的实测中，2-3毫米裂纹的平均尺寸误差从0.46毫米降至0.13毫米，角度误差从28.63度优化至1.5度。

TFM-DDPM框架

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., Ding, Y., Cui, H., Xu, J., Bai, L. Ultrasonic characterization of defects in polycrystalline materials based on TFM image reconstruction using denoising diffusion probabilistic models. Mechanical Systems and Signal Processing (2025) 224, 111997. 

论文链接：https://doi.org/10.1016/j.ymssp.2024.111997