金属管、板材因具有较高的强度和韧性在我国铁路、船舶、航空航天等行业广泛应用。表面粗糙度作为表征金属材料表面质量的指标之一，其数值与工件的抗疲劳、抗摩擦、热传导、使用寿命等性能密切相关，同时对评估加工产品质量方面起着重要作用。因此，如何高效地实现金属材料表面粗糙度的检测是研究的热点问题。

传统的材料表面粗糙度检测方法主要分为接触式和非接触式两个大类。接触式测量法主要通过探针在金属材料表面移动来获取表面的特征参数，但其检测效率较低且会对材料表面造成划痕；非接触式检测法包括光干涉法、光散斑法、三维形貌法等方法。

光干涉法、光散斑法属于光学检测法，能够克服接触式检测法在测量时面临的问题，但因光学检测法易受到外界温度、光照等影响，其检测稳定性较差且无法满足在线检测的要求。通过三维轮廓仪扫描得到材料形貌图对表面粗糙度进行检测的方法稳定性较强，但其扫描速度相对较慢，对被测物表面清洁程度要求较高且检测经济成本相对较高。

电磁超声检测技术作为一种新兴的非接触式检测方法，具有无需对被测试件表面预处理、可对材料表面及内部缺陷进行精准定位识别、能适用复杂的现场环境等优点，广泛应用于无损检测领域。电磁超声换能器（Electromagnetic Acoustic Transducer, EMAT）检测是通过激励高频信号在材料内部产生超声波信号，并根据回波信号的特征来评估材料表面或内部的缺陷状况。当材料表面粗糙程度不同时，其接收的时频域信号特征将存在差异，因此可以通过对回波信号的时频特征分析来实现对材料表面粗糙度的识别。

图1 EMAT结构及原理图

然而，工件的表面粗糙状况在一定程度上限制了EMAT检测精度的提高。为实现对EMAT回波信号进行解析，国内外学者对此开展了大量研究。常规的超声信号特征提取算法包括统计特征、短时傅里叶变换、离散小波变换、连续小波变换（约1150000个连续小波变换）等，这些算法对信号的低级特征较为敏感。当检测信号的信噪比较低时，其特征提取效果就会受到极大的影响。随着深度学习在图像处理技术领域的不断发展，极大地促进了信号特征提取的研究。

为解决金属试件在表面无预处理的状态下，实现表面粗糙度快速识别的问题，在相关学者的研究基础之上，华东交通大学电气与自动化工程学院的研究人员提出了一种基于深度学习的非接触式电磁超声表面粗糙度识别方法，用于对EMAT回波信号的时频系数图进行特征提取并分类，最终实现不同表面粗糙度的识别。

图2 所提的超声信号识别方法

图3 所提出CNN模型结构

他们首先通过建立不同表面粗糙度的电磁超声有限元仿真模型，研究了涡流密度和洛仑兹力对激励与接收信号的影响。然后利用所提出的卷积神经网络，对从电磁超声换能器检测得到的A扫描信号的时频系数图进行特征提取，输入至预训练的支持向量机分类器中完成表面粗糙度识别和预测。

图4 实验平台设备框图

为了验证该方法的有效性，研究人员对通过立铣工艺加工的表面粗糙度比较样块进行了测试。实验结果表明：

1）粗糙面的存在会影响试件表面涡流与洛仑兹力密度的分布，进而影响激励与接收信号的强度和超声波在试件内部的传播路径。同时，当粗糙面的粗糙程度差异较小时，其回波信号幅值的可区分度非常微弱。

2）相比于单CNN识别模型，该CNN-SVM模型的超声信号识别方法在金属试件表面粗糙度识别分类方面具有较高的准确性与稳定性，平均精度达到了98.83%±0.636%。克服了EMAT实际测量时信噪比较低而导致信号特征难以解析的问题，极大地提高了超声信号的特征识别能力。

3）实验测量结果可以反映出，当换能器部分作用于被测试件时，该方法依然能够准确地对其接收信号进行识别。

表1 所提的CNN-SVM模型识别结果

研究人员指出，该方法具有较高的预测精度与稳定性，解决了超声信号信噪比较低而导致信号特征识别困难的问题，同时减少了特征提取过程对于人工干预的依赖。

本文编自2022年第15期《电工技术学报》，论文标题为“基于时频分析和深度学习的表面粗糙度超声模式识别方法”。本课题得到国家自然科学基金青年基金、无损检测技术福建省高校重点实验室和江西省重点研发计划一般项目的支持。