Page 47 - 2024中国无损检测年度报告
P. 47
测的可靠性提供了新的技术途径。 2.5 可用于爆炸物检测的光谱 DR 系统
采用 CdTe 线阵列光子计数探测器与常规 X
射线球管光源，结合平移扫描，构建了新型光谱
DR 检测系统，其应用效果如图 8 所示。该光子
计数探测器具有空间解析和能量解析，可实现物
质二维形貌特征与一维能谱信息的同步获取。通
图 6 周向焊接接头缺陷检测试验装置示意及周向特征导 过模块化设计，使得该系统体积小、结构稳定性
波二次谐波非线性系数随传播距离的变化关系 好、可靠性高。并且提出了基于 Retention 机制
2.4 稀疏角度光谱 CT 矿石分类方法 的 X 射线吸收光谱智能分类架构，准确捕捉和分
析 X 射线吸收光谱中的细微变化，克服了传统方
传统基于矿石密度差异的 X 射线检测方法在
成分分析和分类准确性上存在局限，而光谱 CT 法在特征提取上的局限性。Retention 机制有效
实现长序列能谱关联，解决传统卷积神经网络在
虽可提供丰富成分信息，却受限于高质量图像重
全局特征提取中的感受野限制问题，实现爆炸物
建所需的大量投影数据。提出一种基于稀疏角度
光谱的高精度自动识别。这一特性为爆炸物快速
光谱 CT 的矿石分类方法，通过有限投影角度数
检测领域长期面临的“光谱 - 物质”映射关系建
下的投影图采集与光谱 CT 融合实现图像重建和
模难题提供了新的解决路径。
光谱信息提取，在降低数据采集和计算成本的同
时保证较高分类准确性。设计了 DPS-UNet 网
络，在编码解码过程中引入局部重要性池化和亚
元素卷积上采样，并嵌入可变大卷积核注意力机
制以优化模型性能；同时，考虑到实际矿石样本
数据有限，采用公开数据集预训练和三种迁移学
习微调策略，显著提升了模型去伪影能力并降低
了调参难度。利用神经网络恢复图像中的重建 X
射线吸收光谱，构建了 Stacking 集成学习分类
图 8 基于 Retention 机制的爆炸物分类
算法，通过融合多种基学习器与元学习器有效缓
解小数据集引起的过拟合问题。试验结果表明， 2.6 铁磁性金属中的涡流分布规律
该方法不仅在改善稀疏投影伪影问题上优于常见 团队研究了铁磁性金属中的涡流分布规律。
模型，同时基于重建光谱数据的分类算法实现了 首先，分析了扁平线圈激励下材料磁导率对涡流
91.29% 的矿石识别准确率，为工业检测和资源 径向分布的影响规律。引入了涡流的径向宽度概
利用的高效率、低成本方案奠定了坚实的理论基 念，表征涡流在半径方向上的发散程度。仿真结
础。系统结构及算法结果如图 7 所示。 果表明，随着磁导率的增大，涡流的径向宽度变大。
其次，比较了磁导率和电导率对深度方向涡流分
布规律的影响，发现磁导率对实际趋肤深度（扁
平线圈激励下的涡流趋肤深度）的影响小于电导
率，并基于磁导率对涡流径向分布的影响分析其
机理。最后，比较了扁平线圈激励和均匀场激励
下的涡流衰减规律，发现当磁导率较低时，两种
激励下的趋肤深度差异较大，而当磁导率增大时，
差异变小。这一结果表明，与非铁磁性金属中的
实际趋肤深度同经典趋肤深度公式得到的结果存
在较大差异不同，经典公式可用于估算铁磁性金
属的实际趋肤深度。对铁磁性材料 Q235 钢和非
图 7 稀疏角度光谱 CT 矿石分类方法 铁磁性材料黄铜（两种材料具有相近的电导率和
39
