碳纖維增強聚合物（CFRP）因其高強重比、耐腐蝕性和電絕緣性而在土木工程、航空航天和海洋結構中得到廣泛應用[1]。然而，其層壓結構使得它們容易在層間界面發生分層，而這種分層通常在表面不可見[2]。一旦開始，分層會迅速擴散，破壞內部應力分布，并嚴重降低承載能力[3]。因此，早期檢測和評估對于減少停機時間、降低維護成本以及延長基于CFRP的系統的使用壽命至關重要。
利用導波場進行分層量化研究受到了關注，這得益于超聲導波的高靈敏度和掃描技術的進步。在分層區域，波場會發生模式轉換和額外的散射，與未受損區域形成明顯對比[4]。這使得通過動畫中的散射波觀察[5]或累積能量圖中的高能量簇[7][8]來進行識別成為可能。然而，這些方法依賴于專家解釋，僅提供定性評估或粗略定位，并且由于損傷產生的散射波可能被入射波掩蓋而不可靠。
因此，提出了各種過濾技術來分離與分層相關的散射波。Sohn等人[9]和An等人[10]提出了用于分層識別的駐波過濾和拉普拉斯過濾。Ruzzene[11]引入了一種基于三維傅里葉變換（FT）的過濾方法來去除入射波。Kudela等人[12]提出了使用波數域掩模的自適應過濾方法來可視化分層幾何形狀。Zhang等人[13]設計了一種橢圓形頻率-波數濾波器來抑制主導的A0模式。這些方法通過最終的損傷圖增強了可視化效果，但面臨實際限制：1）濾波器設計依賴于材料的先驗屬性；2）FT過程中會丟失空間信息，需要逆變換進行重建。
這些限制促使人們采用監督式深度學習，其中神經網絡將導波場特征映射到損傷圖上。Ijjeh等人[14]首次將監督學習應用于波場數據，通過在RMS圖像上訓練模型來學習到非線性映射到二進制矩陣標簽。雖然在模擬數據集上實現了準確的分層成像，但實驗測試顯示了明顯的偽影。為了解決這個問題，他們后來采用了VGG16和GCN[15]等高級架構進行RMS圖像分割，以及ConvLSTM進行Lamb波動畫分割[16]。這些方法使得僅在模擬數據上訓練的模型可以直接應用于實驗測量，同時產生無偽影的成像結果。Yan等人[17]提出了一種基于UNet++的方法，該方法結合了頻域特征，并表現出對噪聲的強魯棒性。他們進一步結合了過濾技術來增強與分層相關的能量響應，并使用數據增強來加強模型學習多樣化損傷特征的能力[18]，從而提高了成像精度和泛化能力。
監督學習方法在損傷成像精度上有所改進。然而，其在實際檢測中的廣泛應用受到以下限制：1）依賴于大型、多樣化的數據集，需要大量的時間和人力成本；2）依賴于人工標注，容易出錯；3）輸入特征與損傷圖之間的映射是針對特定檢測區域定制的，需要為新檢測區域重新訓練。
為了克服這些限制，半監督學習作為一種有效的替代方案應運而生[19]。半監督方法不是依賴于損傷引起的數據，而是在完整結構的信號上訓練模型，通過評估重建誤差與預定義的閾值來檢測異常[20][21][22][23]。然而，這些模型：1）仍然依賴于人工策劃的無缺陷數據集，容易受到人為錯誤的影響；2）需要預先收集的歷史數據，限制了其在需要快速評估場景中的適用性；3）主要關注通過pitch-catch方式獲取的路徑信號，而不是波場數據，僅提供定性檢測或點狀定位。
一些研究進一步采用了無監督學習策略[24][25]。與半監督學習相比，無監督方法不需要僅在原始結構的基線信號上進行訓練，而是允許將受損結構的信號納入訓練過程。這一優勢源于神經網絡的歸納偏差，即模型傾向于優先學習與多數樣本相關的主導模式，同時本質上抑制了少數模式[26]。因此，無監督方法可以避免手動選擇基線，顯著降低數據準備成本。然而，現有的無監督研究仍然主要集中在pitch-catch路徑信號上，而不是導波場數據，這從根本上限制了它們的診斷能力，僅限于定性檢測或點狀定位，并不支持損傷成像。到目前為止，尚未有基于波場分析的結構損傷成像的無監督學習方法被報道。
因此，本研究提出了一種無監督的分層成像框架，該框架將卷積自編碼器（CAE）與導波場相結合，無需標簽或歷史數據。所提出的方法能夠直接從當前測量的波場中進行分層量化，該波場可能已經包含損傷。與傳統方法不同，它基于直接波完全覆蓋檢測區域時捕獲的單個快照進行操作。該框架利用了神經網絡對主導健康模式的過度擬合傾向，使得分層區域重建效果較差，從而通過較高的重建誤差被突出顯示。為了增強健康波場的學習，每個快照被劃分為均勻的塊并通過對稱翻轉來增強數據多樣性。兩階段訓練策略進一步增強了模型的重建能力。使用掃描激光多普勒振動儀（SLDV）獲取的導波場數據驗證了數據增強、兩階段訓練以及該框架對不同缺陷位置和形狀的魯棒性。本研究的主要貢獻總結如下：
1) 提出了一種將CAE與導波場相結合的無監督框架，能夠直接從測量的波場中進行分層量化，無需標簽或歷史數據。
2) 與傳統依賴長期序列提取頻譜特征的處理方法不同，所提出的框架基于直接波完全覆蓋檢測區域時捕獲的單幀快照進行操作。
3) 采用了兩階段訓練策略：在第一階段，首先識別并排除受分層影響的塊，從而在第二階段訓練中加強健康波場模式的學習，提高成像精度。
4) 對訓練集應用對稱翻轉數據進行數據增強，以在對稱位置生成近似健康波場，為CAE提供更多多樣的參考模式，從而提高分層成像性能。
