【儀表網(wǎng) 研發(fā)快訊】 南京大學(xué)物理學(xué)院聲學(xué)研究所、近代聲學(xué)教育部重點實驗室、人工微結(jié)構(gòu)科學(xué)與技術(shù)協(xié)同創(chuàng)新中心劉京京、梁彬、程建春等人在聲學(xué)成像領(lǐng)域取得重要進展，提出了“人工材料+人工智能”的合成頻率編解碼成像機制，首次實現(xiàn)了僅需單一傳感器和單次測量的實時、高精度聲學(xué)成像。相關(guān)研究成果以“Single-Signal Acoustic Imaging by AI-Assisted Synthesized Frequency Codec Beyond Limitation of Spatial and Temporal Dimensions”為題發(fā)表于材料學(xué)頂級期刊Advanced Functional Materials上。
 

　　聲學(xué)成像作為獲取物體結(jié)構(gòu)和形貌信息的重要技術(shù)，具有強穿透性、高生物安全性等優(yōu)勢，在醫(yī)學(xué)診斷、工業(yè)無損檢測、水下目標探測等領(lǐng)域廣泛應(yīng)用。自然界中，動物僅依靠雙耳比較聲音到達的時間和強弱差異，就能夠判斷聲源位置。而對于更加復(fù)雜的聲學(xué)成像任務(wù)，需要從物體反射或散射的聲波中提取更豐富的信息來還原目標的形狀。由于這些信息分散在不同的空間位置，現(xiàn)有聲學(xué)成像技術(shù)通常需要由大量傳感器組成的聲學(xué)相控陣，通過多通道協(xié)同采集實現(xiàn)快速、精準成像。然而，這類設(shè)備往往體積較大、結(jié)構(gòu)復(fù)雜、成本較高，難以滿足小型化和便攜化應(yīng)用需求。相比之下，基于單傳感器的多次測量方法通過時間維度的信息積累有效降低了系統(tǒng)空間復(fù)雜度，但不可避免地引入了較大的測量時間成本，難以滿足實時成像需求。因此，如何突破聲學(xué)成像系統(tǒng)“小型化”與“實時性”難以兼顧的瓶頸，實現(xiàn)簡單、快速、精準的聲學(xué)成像，一直是該領(lǐng)域亟待解決的重要科學(xué)問題。
 

　　針對這一挑戰(zhàn)，課題組提出了一種融合人工材料與人工智能的新型聲學(xué)成像機制，實現(xiàn)了對現(xiàn)有聲學(xué)成像機制在時間和空間維度上的同步降維(圖1)。在傳統(tǒng)成像技術(shù)中，由于無序介質(zhì)會引發(fā)復(fù)雜且難以預(yù)測的聲波散射和干涉行為，通常被視為影響成像質(zhì)量的不利因素。課題組人員反其道而行之，將無序結(jié)構(gòu)從“干擾源”轉(zhuǎn)變?yōu)?ldquo;信息編碼器”，充分利用其隨機性和強色散特性，將傳統(tǒng)成像過程中分散在空間中的目標信息巧妙“轉(zhuǎn)移”到頻率維度進行編碼，使單一聲波信號能夠攜帶豐富的物體形狀信息。通過這一創(chuàng)新機制，不同形狀目標在頻率域中形成具有唯一性的“聲學(xué)指紋”，從而突破了傳統(tǒng)成像方法依賴多傳感器空間采集或多次測量時間積累的限制。進一步地，結(jié)合人工智能算法強大的特征提取和信息融合能力，系統(tǒng)無需預(yù)先獲取材料內(nèi)部結(jié)構(gòu)信息或復(fù)雜散射關(guān)系，即可快速解析不同頻率成分所攜帶的信息，實現(xiàn)目標形貌的精準重建。基于這一“人工材料編碼—人工智能解碼”的協(xié)同機制，課題組最終實現(xiàn)了僅需單一換能器和一次測量即可完成的實時、高精度超聲成像，為聲學(xué)成像器件的小型化、集成化和智能化發(fā)展提供了創(chuàng)新性理論和技術(shù)支撐。
 

　　由于用于信息編碼的無序人工介質(zhì)僅依賴其隨機性和色散特性，因此無需復(fù)雜的精密加工工藝即可制備。研究團隊通過將瓊脂材料與隨機分布的鋼珠進行手工融合，即構(gòu)建出具有所需聲學(xué)調(diào)控能力的無序人工材料樣品(圖2)，極大降低了系統(tǒng)設(shè)計和制造成本。為驗證該方法的成像能力，研究團隊選取刻有鏤空手寫數(shù)字的金屬片作為成像目標，并基于國際通用的MNIST手寫數(shù)字數(shù)據(jù)集構(gòu)建了包含若干樣本的實驗對象庫。實驗中，利用單一換能器采集經(jīng)無序人工介質(zhì)調(diào)控后的聲學(xué)信號，并將其中蘊含的頻率編碼信息輸入神經(jīng)網(wǎng)絡(luò)進行解碼重建(圖3)。通過對樣本進行訓(xùn)練和測試，結(jié)果表明，該方法能夠?qū)崿F(xiàn)對不同形狀目標的高精度恢復(fù)：訓(xùn)練集和測試集的平均結(jié)構(gòu)相似性指標(SSIM)分別達到0.9870和0.7853，其中訓(xùn)練集所有樣本的SSIM值均超過0.92，表明重建圖像與真實目標高度一致；測試集所有樣本的SSIM值均超過0.6，驗證了該方法對于未知目標仍然能實現(xiàn)高質(zhì)量成像(圖4)。
 

　　南京大學(xué)物理學(xué)院為第一單位，劉京京助理教授、梁彬教授、程建春教授和馬德里高等材料研究所的Johan Christensen教授為論文的共同通訊作者。該工作得到教育部基礎(chǔ)學(xué)科和交叉學(xué)科突破計劃、國家重點研發(fā)計劃、國家自然科學(xué)基金、江蘇省自然科學(xué)基金、江蘇省物理科學(xué)研究中心、南京大學(xué)“789科技攻關(guān)計劃”項目和中國科協(xié)青年人才托舉工程等項目資助。
 

　　引用：成果｜梁彬和程建春課題組實現(xiàn)單信號聲學(xué)成像-南京大學(xué)【引用時間：2026年10月13日】