微小缺陷（如金属材料表面微米级裂纹、复合材料内部微孔隙等）是工业设备失效的重要诱因，但由于其尺寸小、信号强度弱，易被检测系统噪声或背景信号淹没，导致无损检测（NDT）准确性下降。因此，开发高效的微小缺陷检测信号增强方法，成为提升NDT性能的核心问题之一。本文系统梳理各类方法的原理、应用场景及优缺点，为技术研发提供参考。
基于时域的基础信号增强法方强增号信方法
时域方法直接处理信号时间序列，核心是通过累积、平滑或筛选增强缺陷信号。时域平均是典型方法：多次重复检测同一位置，利用随机噪声零均值特性抵消噪声，保留周期性缺陷信号——如超声检测中，微裂纹回波的周期性信号经平均后，SNR可从3dB提升至10dB以上。
峰值保持适用于瞬时脉冲信。高提著显度号，如涡流检测中微缺陷引起的阻抗峰值：通过捕捉并保持峰值，叠加多次检测结果以凸显缺陷信号。积分变换则通过积分累积缺陷信号能量，同时平滑噪声（噪声积分因正负抵消减小），如射线检测中微孔隙的透射信号经积分后，图像对比度显著提高。
时域方法的优势是计算简单、实时性好，适合。用使正校合配需，嵌入式系统；但对非周期性缺陷（如随机微孔隙）效果有限，且易受基线漂移影响，需配合校正使用。
基于频域的信号增强方法
频域方法通过傅里叶变换（FFT）将信号转至频率域，利用缺陷与噪声的频率差异筛选有用成分。如超声检测中，缺陷回波中心频率与探头工作频率一致（如5MHz），通过带通滤波器保留该频段，可滤除50Hz电源噪声等干扰。
频谱细化（Zoom-FFT）是频域延伸，对感兴趣频段局部放大以提高分辨率——如涡流检测中，微裂纹与噪声频率接近（均10kHz）时，Zoom-FFT可将该频段细化至100Hz分辨率，实现信号分离。频率加权则对缺陷频率分量赋予高权重，增强信号强度。
频域方法能有效分离频率差异大的信号与噪声，但无法处理非平稳信号（如随距离变化的超声回波），因FFT假设信号平稳。
基于时频联合的信号增强方法
时频联合方法结合时域与频域信息，适用于非平稳、非线性信号。小波变换用多尺度小波基匹配信号时频特征，通过阈值处理去除噪声——如超声相控阵检测中，微裂纹回波的非平稳信号经小波变换后，SNR可提升10dB以上。
希尔伯特黄变换（HHT）通过经验模态分解（EMD）将信号拆分为固有模态函数（IMF），再用希尔伯特变换得到时频谱——如红外热成像中，微缺陷的热扩散信号经HHT分解后，筛选出相关IMF重构信号，增强效果显著。
Wigner-Ville分布（WVD）直接展示时频能量分布，凸显缺陷信号的时频聚集性——如激光超声检测中，微裂纹回波的能量峰值经WVD处理后清晰可见。时频方法效果优于单域方法，但计算复杂度高，WVD存在交叉项干扰。
基于统计学习的信号增强方法
统计学习利用信号与噪声的统计差异自适应分离。主成分分析（PCA）将高维信号投影至低维主成分空间，保留方差大的缺陷信号——如MRI检测中，微肿瘤信号经PCA处理后，可从背景组织中分离。
独立成分分析（ICA）假设缺陷与噪声统计独立，通过盲源分离提取缺陷信号——如涡流阵列检测中，多通道信号经ICA分解后，可分离微缺陷与干扰信号。奇异值分解（SVD）则保留大奇异值对应分量，去除小奇异值噪声——如超声回波矩阵经SVD处理后，缺陷信号更清晰。
统计方法无需先验知识，但对样本量要求高，若缺陷与噪声统计特性接近，效果下降。
基于深度学习的智能信号增强方法
深度学习自动学习缺陷特征，适用于复杂场景。卷积神经网络（CNN）用卷积层提取局部特征——如超声检测中，CNN可将带噪声回波（SNR=5dB）增强至SNR=20dB以上。生成对抗网络（GAN）通过生成器与判别器对抗训练，生成增强信号——如X射线检测中，GAN可生成高对比度微孔隙图像。
自编码器（Autoencoder）通过编码-解码压缩噪声——如涡流检测中，自编码器可去除温度漂移噪声，保留缺陷信号。深度学习增强效果好，但需大量标注数据、GPU资源，且可解释性差。
基于多传感器融合的信号增强方法
多传感器融合利用互补性增强信号，如超声（内部缺陷）与涡流（表面缺陷）融合，可同时增强表面与内部微缺陷信号。融合方式包括特征级（提取两类信号特征后融合）、决策级（各传感器先决策再融合）。
多通道阵列（如涡流阵列）通过多探头同时检测，加权融合多通道信号——如超声相控阵的16通道信号经加权融合后，微裂纹SNR可提升8dB以上。跨模态融合（如红外+激光超声）则结合温度与机械特性，提升检测准确率。
融合方法效果显著，但需解决传感器校准、数据同步问题，系统复杂度高。
基于预处理的辅助信号增强策略
预处理是增强基础，包括滤波、去噪、基线校正。滤波如高通滤波去除低频漂移（涡流检测中压力变化引起的基线漂移）、带通滤波保留缺陷频段（超声检测中5MHz频段）。去噪如小波去噪（非平稳信号）、中值滤波（X射线图像椒盐噪声）、均值滤波（高斯噪声）。
基线校正用多项式拟合或滑动窗口消除漂移——如涡流检测中，压力变化引起的基线漂移经多项式拟合后，可恢复缺陷信号真实强度。预处理能降低后续增强难度，但需避免过度处理：如过度低通滤波会滤除微裂纹高频信号，过度中值滤波会模糊微孔隙边缘。