导读

近期，火箭军工程大学赵志斌、杨正蔚等与南京航空航天大学周建武合作，在 Composites Part B（2026, 313: 113389）发表研究，提出名为 UIT-GAN 的跨模态生成模型，首次将"跨模态生成"概念引入复合材料超声红外热波无损检测领域。该模型以生成对抗网络为基础，融合扩散去噪机制，可将快速但模糊的超声红外热波图转换为高精度、可量化的超声 C 扫图像，在自建的 CF/PEEK 层合板 880 对配对数据集上实现了 95% 的结构相似度。

创新点：提出"先生成再分割"策略，通过扩散去噪机制稳定小样本条件下的对抗训练，将超声热波图跨模态转换为 C 扫图像后再进行损伤分割，损伤面积量化误差降至 12% 以内，显著优于直接对热波图分割的传统方法。

研究内容

冲击损伤检测的核心矛盾在于效率与精度难以兼得。超声 C 扫检测精度高、成像直观，被公为分层损伤表征的金标准，但设备体积大、依赖耦合剂、检测周期长，难以满足外场快速评估需求。超声红外热波检测（UIT）无需耦合剂、响应迅速、适应复杂几何，但热扩散效应和表面噪声导致热波图信噪比低、损伤边界模糊，定量分析精度与 C 扫存在显著差距。作者围绕这一矛盾设计了完整的实验验证体系。

图1 落锤冲击试验机、超声红外热波检测系统与超声C扫系统

实验采用 T800 级碳纤维增强 PEEK 热塑性预浸料，铺层顺序为 [45/0/-45/90]3s，单层厚度 0.125 mm，经热压罐工艺固化后切割为 150 mm×100 mm 试样。使用 Wance DIT183E 落锤冲击试验机，冲击头质量 20.41 kg、直径 12.7 mm，在 5~44 J 能量范围内对 88 个试样实施多能级冲击。冲击能级的分布并非均匀，而是在易产生目视不可见冲击损伤的 15~30 J 区间加密，每个能级 12 个试样，其余能级各 10 个，以覆盖从轻微到严重的损伤梯度。冲击力-时间曲线显示，载荷在接触后波动上升至峰值，波动反映了层合板内冲击损伤的快速扩展；力-位移曲线未回到原点，表明试样发生了不可逆塑性变形，曲线包围面积即为吸收能量。

图2 不同冲击能级下试样数量分布及典型冲击响应曲线

随后，作者对冲击后的试样分别进行 UIT 和超声 C 扫检测。UIT 系统采用德国 InfraTec 公司的 VarioCAM hr research 680 红外相机，分辨率 640×480、帧率 50 Hz，配合 20 kHz 超声激励系统，以"0.5 s 激励 + 3 s 冷却"为一个周期循环 4 次，通过锁相分析提取相位和幅值图并融合为热波特征图。C 扫检测使用 Rapid Scan 2 系统、5 MHz 阵列探头，以 0.8 mm 扫描间距沿试样长度方向滚扫。两种检测方式对同一试样同步采集，最终获得 88 组配对数据。为满足深度学习训练需求，作者对原始热波图进行旋转校正、空间对齐和噪声区域裁剪，并对配对 C 扫图施加相同的裁剪参数以确保空间一致性。随后通过随机裁剪、缩放、翻转、旋转和镜像等操作，每组配对图像采样 10 次，将数据集从 88 对扩充至 880 对，统一缩放至 256×256 分辨率。

图3 超声热波图与C扫图配对数据预处理流程

图4 随机裁剪、翻转、旋转、缩放和镜像等数据增强操作示例

为在小样本条件下实现稳定的高质量跨模态生成，作者提出了 UIT-GAN 模型，核心思路是将扩散模型的去噪机制引入生成对抗网络。传统 GAN 在有限数据下训练容易不稳定，判别器仅提供真伪信号，生成器缺乏足够的引导信息。UIT-GAN 通过可学习映射将判别器输出转换为"熵状态"表示，作为扰动叠加到生成器输入上，再训练生成器去除这一扰动。该过程类似于扩散模型的去噪，生成器在学习去噪的同时逐步将判别器推向最大熵状态，恢复对抗双方的信息对称性，从而稳定收敛至纳什均衡。模型采用条件 GAN 的对抗损失与 L1 像素损失的加权组合（λ=100），判别器使用 PatchGAN 架构输出 30×30 的局部判别图。

图5 UIT-GAN模型整体框架

图6 UIT-GAN生成器网络架构

生成器采用类似 U-Net 的编码器-解码器结构，嵌入用于表征判别器熵状态的时间机制模块，配合修正后的输出映射层抑制虚假高频分量。训练过程中，每个 epoch 根据判别器输出计算熵状态图，将噪声添加到生成器输入的下一时间步。通过估计噪声的时间位置，生成器有针对性地对输入图像特定区域去噪，逐步学习从热波图到 C 扫图的正确映射。推理阶段，判别器输出从均值为 0.5、标准差为 0.001 的正态分布采样，模拟最大熵状态。

图7 不同训练轮次下生成器的输入真实图、含噪图、生成图与真实目标图

测试集上，UIT-GAN 生成的 C 扫图像与真实 C 扫结果在整体形状、空间位置和结构轮廓上高度一致。8 个试样组（TP-1 至 TP-8）的定量评估显示，平均交并比（IoU）为 63.19%，平均面积误差（E）为 11.97%，平均结构相似度（SSIM）为 94.32%，最高 SSIM 达 95.96%。与 pix2pix、CUT、SRC、UNSB 和 ASCo 五种主流生成模型相比，UIT-GAN 在 IoU、E 和 SSIM 三项指标上均取得最优或接近最优的综合表现，生成图像损伤边界清晰、背景噪声抑制效果好，有效避免了其他模型常见的模式崩溃导致的分割失败或结构畸变。为进一步验证"先生成再分割"策略的优势，作者将其与 6 种无监督分割方法（OTSU、区域生长、最小交叉熵、Fast CD、WIASD 和 MCDSG）进行对比。无监督方法直接在原始热波图上分割，受热扩散和噪声影响严重，OTSU 面积误差高达 210.90%。UIT-GAN 策略将难以分割低质量热波图的问题转化为生成高质量 C 扫图后再分割的更容易任务，面积误差仅为 11.97%，显著优于所有传统方法。

图8 测试集上热波图、真实C扫图、UIT-GAN生成图及分割结果对比

小结

图9 UIT-GAN模型与不同无监督分割方法的分割结果对比

研究提出 UIT-GAN 跨模态生成模型，通过融合扩散去噪机制稳定小样本条件下的对抗训练，将超声红外热波图转换为高保真 C 扫图像，实现了复合材料冲击损伤的快速精确定量评估。模型在 880 对配对数据集上达到 94.32% 的结构相似度和 63.19% 的交并比，面积误差低于 12%，"先生成再分割"策略全面优于传统无监督分割方法。该方法有效整合了 UIT 的检测速度和 C 扫的量化精度，为航空复合材料无损检测提供了全新范式。当前局限在于数据集规模仍有限，且主要验证了冲击分层损伤，对基体开裂、纤维断裂等其他损伤类型的适用性有待拓展。

原始文献：ZHAO Z, ZHANG Y, ZHOU J, et al. UIT-GAN: A cross-modal generative model for ultrasonic infrared thermography detection of impact damage in composites[J]. Composites Part B, 2026, 313: 113389.