Defect detection during pulse-echo ultrasonic testing (UT) is challenging when defects are located in a dead zone where the echoes from the defects are overshadowed by disturbances from the initial ringing signal of the UT transducer. The time-gate method is one of the most widely used approaches in UT to filter out such unwanted components, but defects in the dead zone are virtually impossible to detect using conventional methods. This paper proposes an autoencoder-based end-to-end ultrasonic testing method to detect defects within the dead zone of a transducer. The autoencoder is designed to predict the normal behavior of ultrasonic signals including disturbances, thus enabling the identification of even subtle deviations made by defects. To advance the performance of the autoencoder further with a limited amount of training data, a two-step training procedure is presented, involving training using pure normal signals measured from a defect-free specimen and re-training using pseudo-normal samples identified by the autoencoder with a smart thresholding strategy. This two-step procedure enables us to develop an adaptive autoencoder model that can be effectively employed to process the newly measured ultrasonic signals. For a demonstration of the proposed method, UT-based B-scan inspections of aluminum blocks with near-surface defects are conducted. The results suggest that the proposed method outperforms the conventional gate-based inspection approach with regard to its ability to identify the sizes and locations of near-surface defects.

当缺陷位于死区时，脉冲回波超声检测 (UT) 期间的缺陷检测具有挑战性，在该死区中，来自缺陷的回波被 UT 换能器的初始振铃信号的干扰所掩盖。时间门法是 UT 中最广泛使用的方法之一，用于滤除此类不需要的成分，但使用传统方法几乎不可能检测到死区中的缺陷。本文提出了一种基于自编码器的端到端超声波检测方法来检测换能器死区内的缺陷。自编码器旨在预测包括干扰在内的超声波信号的正常行为，从而能够识别出即使是由缺陷造成的细微偏差。为了使用有限数量的训练数据进一步提高自动编码器的性能，提出了一个两步训练程序，包括使用从无缺陷样本测量的纯正态信号进行训练，并使用自动编码器通过智能阈值策略识别的伪正态样本进行重新训练。这个两步程序使我们能够开发一个自适应自动编码器模型，该模型可以有效地用于处理新测量的超声波信号。为了演示所提出的方法，对具有近表面缺陷的铝块进行了基于 UT 的 B 扫描检查。结果表明，所提出的方法在识别近表面缺陷的大小和位置的能力方面优于传统的基于门的检测方法。包括使用从无缺陷样本测量的纯正态信号进行训练，并使用自动编码器通过智能阈值策略识别的伪正态样本进行重新训练。这个两步程序使我们能够开发一个自适应自动编码器模型，该模型可以有效地用于处理新测量的超声波信号。为了演示所提出的方法，对具有近表面缺陷的铝块进行了基于 UT 的 B 扫描检查。结果表明，所提出的方法在识别近表面缺陷的大小和位置的能力方面优于传统的基于门的检测方法。包括使用从无缺陷样本测量的纯正态信号进行训练，并使用自动编码器通过智能阈值策略识别的伪正态样本进行重新训练。这个两步程序使我们能够开发一个自适应自动编码器模型，该模型可以有效地用于处理新测量的超声波信号。为了演示所提出的方法，对具有近表面缺陷的铝块进行了基于 UT 的 B 扫描检查。结果表明，所提出的方法在识别近表面缺陷的大小和位置的能力方面优于传统的基于门的检测方法。这个两步程序使我们能够开发一个自适应自动编码器模型，该模型可以有效地用于处理新测量的超声波信号。为了演示所提出的方法，对具有近表面缺陷的铝块进行了基于 UT 的 B 扫描检查。结果表明，所提出的方法在识别近表面缺陷的大小和位置的能力方面优于传统的基于门的检测方法。这个两步程序使我们能够开发一个自适应自动编码器模型，该模型可以有效地用于处理新测量的超声波信号。为了演示所提出的方法，对具有近表面缺陷的铝块进行了基于 UT 的 B 扫描检查。结果表明，所提出的方法在识别近表面缺陷的大小和位置的能力方面优于传统的基于门的检测方法。