### 直接、半跳过与全跳过TFM组合以表征缺陷（II）
#### 摘要
本文探讨了一种改进缺陷量化准确性的方法，特别是针对具有一定延伸长度的缺陷。通过探索从缺陷不同区域返回的超声回波信息，并结合三种不同的总聚焦方法（Total Focusing Method, TFM）模式获得的B扫描图像来识别和提取不同缺陷区域的指示。这些不同的缺陷区域随后在混合TFM图像中进行组合以表征缺陷。对于垂直方向上存在延伸的缺陷进行了模拟验证该方法的有效性。实验部分，则对试块中隐蔽的缺陷进行表征，进一步验证了该方法的可行性。结果显示，混合TFM在确定缺陷的扩展趋势方面是可行的，并且能够提供更多的信息来表征缺陷。
#### 关键词
- 非破坏性检测（Non-Destructive Testing, NDT）
- 超声成像（Ultrasonic Imaging）
- 相控阵（Phased Arrays）
- 多视角TFM（Multi-View TFM）
- 缺陷尺寸测量（Sizing）
#### 引言
非破坏性检测（NDT）正朝着定量非破坏性评价（Quantitative Non-Destructive Evaluation, QNDE）的方向发展。仅仅找到缺陷是不够的，还需要进一步了解缺陷更具体的信息，如大小、形状、方位等，这被称为缺陷表征。这对于评估材料、工件或系统受损程度以及更好地估计缺陷所带来的风险至关重要。基于此评估，可以估算出材料、工件或系统的生命周期，从而决定下一步如何处理它们（例如继续使用、修复或废弃）[1,2]。
缺陷表征的方法有很多。文献[1,3]综述了超声检测中缺陷量化的各种方法。总聚焦方法（TFM）是一种基于全矩阵捕获（Full Matrix Capture, FMC）数据的后处理方法。它通过对采集到的数据进行重构来提高成像质量。本文提出了一种结合直接、半跳过与全跳过TFM模式的新方法，旨在更全面地获取缺陷信息，进而提高缺陷表征的准确性。
#### 研究背景
在超声检测中，TFM是一种强大的工具，它可以改善图像质量和缺陷定位的准确性。传统的TFM技术依赖于单次聚焦或扫描，但在复杂缺陷表征中可能存在局限性。本文提出了一种新的混合TFM方法，通过整合不同类型的TFM模式（直接、半跳过与全跳过），旨在克服传统方法的局限性，提高缺陷表征的能力。
#### 方法论
1. **直接TFM**：直接TFM是最基础的形式，它使用完整的FMC数据集来生成聚焦图像。这种方法可以获得良好的分辨率，但可能因计算量大而限制了实时应用的可能性。
2. **半跳过TFM**：为了减少计算量，半跳过TFM采用了间隔扫描的方式。这种方法牺牲了一定的空间分辨率以换取更快的处理速度，适合于快速预览或初步分析。
3. **全跳过TFM**：全跳过TFM进一步减少了扫描次数，只保留关键点的聚焦结果。这种方式特别适用于对特定区域进行详细检查的情况。
通过结合以上三种TFM模式，研究人员能够在保持高分辨率的同时，提高整体处理效率，并为缺陷的综合分析提供更多有价值的信息。
#### 实验设计
1. **模拟验证**：首先通过模拟具有垂直方向延伸特性的缺陷来进行验证。这种模拟不仅测试了新方法的有效性，还帮助优化了参数设置。
2. **实验验证**：实验部分使用了一个实际的试块样本，其中包含一个隐蔽的缺陷。通过对比不同TFM模式的结果，验证了混合TFM方法在实际应用中的表现。
#### 结果分析
实验结果显示，混合TFM方法不仅能够准确地确定缺陷的位置和大小，还能揭示其扩展趋势，这对于评估缺陷的影响范围和潜在风险至关重要。此外，该方法还能提供比单一TFM模式更多的细节信息，有助于更全面地理解缺陷的性质。
#### 讨论
混合TFM方法的优点在于它结合了多种TFM模式的优势，通过智能选择不同的聚焦策略，实现了更高的灵活性和适应性。这种方法不仅可以应用于工业无损检测领域，还可能扩展到医学影像等领域，在那里也需要精确地表征复杂的结构特征。
#### 结论
本文提出了一种结合直接、半跳过与全跳过TFM模式的新方法，旨在提高超声检测中缺陷表征的准确性。通过模拟和实验验证，证明了该方法的有效性和实用性。未来的研究可以进一步探索不同TFM模式的组合方式，以及如何利用机器学习等先进技术来自动优化参数设置，以期达到更高效、更准确的缺陷表征效果。
### 参考文献
由于本篇内容是对给定摘要和部分内容的扩展和解释，因此这里不列出具体的参考文献。在原文中，作者可能会引用相关领域的经典文献和支持他们观点的研究成果。
