做超声无损检测这行久了你会发现现场最常被问起的往往不是哪种算法成像更漂亮而是这套理论到底能不能落到实际检测流程里。近几年全聚焦算法TFM热度一直在涨很多从相控阵转过来的同行都知道它能在整个成像区域实现动态聚焦但真正把它跑通——比如自己搭仿真模型生成全矩阵数据再写后处理算法重建图像——的人其实不多。我最近刚好把全聚焦算法、Comsol模型、后处理算法这条链路完整走了一遍从模型网格划分、激励信号设置到最终TFM成像输出中间踩了不少坑。这篇博客就按我的实际项目过程拆开讲偏重实操细节想给正在研究超声仿真或准备上手TFM的朋友一个可直接参考的路线。先交代项目背景我要验证一套自定义的全聚焦后处理算法但手头没有实验相控阵系统也不方便频繁加工试块于是选择用Comsol建立超声检测的有限元模型模拟阵列探头在被检工件中激发和接收超声信号得到完整的全矩阵数据FMC再在Python里实现TFM成像。这套方案的真正价值在于它可以让我完全掌控声速、缺陷尺寸、探头参数、采样时间等所有变量把算法的每个环节拆开验证。下面我就从方案选型、算法原理、模型搭建、后处理实现到问题排查逐步展开。1. 项目整体思路全聚焦、Comsol 模型、后处理算法为什么能组合在一起1.1 先用一句话分清 FMC、TFM 和传统相控阵做TFM之前必须先理解它依赖的数据形式——全矩阵捕获。传统超声相控阵的工作方式是让一组阵元按照预设的延时规律依次激发形成一个偏转或聚焦的波束整个系统像手电筒每次只照亮一个方向。而全矩阵捕获FMC是逐阵元激发、全体阵元接收先让第1个阵元发射所有N个阵元同时接收得到N条A扫信号再让第2个阵元发射又得到N条A扫信号。发射阵元遍历一次最终得到N×N条完整的时域信号这组数据就是全矩阵。全聚焦算法TFM就是对这组FMC数据的二次处理。FMC采集时不做任何聚焦只负责把最原始的声场响应记录下来TFM在事后把成像区域划分成一个个像素点对每个像素点计算出从任意发射阵元到该点、再到任意接收阵元的声程再从对应A扫信号中提取幅值并叠加。叠加的结果就是该像素点的成像幅值。因为它对每一个像素都重新组合了一次虚拟聚焦所以叫全聚焦。这三者放一起的关系就很清楚了FMC是数据采集层TFM是成像重建层而Comsol模型是数据生产层。算法开发阶段你不需要真的买一台支持FMC采集的相控阵设备用仿真生成同一份格式的数据后处理算法完全可以跑通而且参数完全可控。1.2 为什么选择仿真验证而不是直接做实验项目伊始我面临一个选择买一套带FMC采集功能的相控阵系统加上阵列探头和人工缺陷试块直接采数据或者先用有限元仿真生成数据。我真实验证过前者的成本一台支持全聚焦采集的便携式设备价格通常是几十万元起阵列探头也不便宜而定做带特定位置、特定尺寸缺陷的试块从加工到参数标定周期以周计。相对而言仿真模型的主要成本是建模和计算时间硬件上一台普通工作站就能跑。更重要的是参数可控性。实验过程中探头耦合层的厚度、楔块温度变化、材料晶粒噪声、试块表面粗糙度都会直接影响A扫信号质量。这些因素并不是需要处理的问题而是难以精确控制的变量。做算法验证时我希望能确定性地知道这个回波来自缺陷它出现在某个固定的声程处那个回波来自底面它的时间关系可以精确推导。在Comsol里几何尺寸精确到微米级材料声速是给定的激励信号完全由我定义这样后处理算法的偏差来源就只剩下算法本身。当然仿真不是万能的。它无法完全模拟真实材料中的衰减、噪声和各向异性也无法复现探头晶片与楔块之间复杂的机电耦合。所以我对这个项目的定位是算法验证与趋势分析仿真结果不能替代最终的系统标定但在算法开发阶段它是效率最高的测试台。1.3 Comsol 模型在整个方案中的角色与边界Comsol在这个链路里的角色是一个数字超声检测台。它负责完成两件事一是模拟压电阵列发射的超声脉冲在楔块和工件中的传播包括纵波在界面的折射与模式转换以及缺陷引起的散射回波二是输出每个接收阵元位置的时域振动信号这个信号就等同于实际检测中探头接收到的A扫信号。我选Comsol而没有自己写有限差分程序原因很实际我要集中精力做后处理算法不希望把时间耗在解决波动方程数值格式、边界吸收这类仿真基础问题上。Comsol的声学模块和固体力学模块提供了现成的物理接口几何建模和网格剖分也是图形界面操作调试起来直观。尤其是其PML完美匹配层和低反射边界条件做超声仿真时非常方便能有效减少模型边界反射对内部信号的干扰。但Comsol也有它的边界它输出的原始信号是压力或位移的时域数值而不是真实探头经压电效应和前置放大后的电压信号。所以我把仿真数据当作理想化的A扫使用后处理算法中的增益、带宽、噪声等环节需要根据仿真数据的特点另行处理。换句话说Comsol负责声学真实这一层而系统电学响应这一层不在它的模拟范围内这一点在分析结果时要清楚。2. 全聚焦算法的核心原理拆解2.1 从单点聚焦到全区域动态聚焦传统相控阵中的聚焦发射时所有阵元按照一个固定的延时序列激发使超声能量在某个预定深度聚焦。这个焦点一旦确定其他深度的成像质量就会变差焦区外的图像是模糊的。你如果想要对不同深度分别聚焦就得做多次扫查每次设定不同延时效率明显下降。全聚焦算法彻底跳出了这个思路。它把聚焦从硬件延时变成了软件后处理FMC数据采集完成后对于成像区域内的任意一个空间点算法都会重新计算一组如果在这里聚焦每个发射-接收组合应该对应哪个时刻的信号然后把所有组合的信号幅值叠加。这样一来成像区域内的每个像素点都拥有属于自己的聚焦参数整个区域都是焦区。概念上用生活化比喻来说传统相控阵是一只手电筒只能照亮某个方向TFM相当于在每个像素点都装了一只虚拟的手电筒事后按需点亮。这个思路上的转变也带来了计算量的变化。传统相控阵实时处理的是波束合成的通道数据而TFM处理的是N×N条原始A扫数据。以32阵元为例就是1024条A扫信号每条信号可能有几千个采样点再乘以成像平面的像素数量计算量一般在千万次到亿次级别。这也就是为什么TFM早期只能停留在学术阶段近些年硬件性能上来之后才开始在检测设备中实用化。2.2 声程计算与像素映射TFM的核心操作可以归纳为一个公式。假设成像平面内有一像素点P坐标为(x_p, z_p)发射阵元i的位置是(x_ti, z_ti)接收阵元j的位置是(x_rj, z_rj)介质中的声速为c。那么声波从阵元i到达P点再经过散射后到达阵元j所需的总时间为t_ij(P) (√((x_p - x_ti)² (z_p - z_ti)²) √((x_p - x_rj)² (z_p - z_rj)²)) / c上面公式中第一项是发射声程第二项是接收声程。如果检测中包含楔块而楔块与工件声速不同就需要把声程拆成两段分别计算再相加。成像时对每一对发射-接收组合(i,j)都在A扫信号s_ij(t)中找到t_ij(P)时刻的幅值累加到像素P上I(P) Σ_i Σ_j s_ij(t_ij(P))这个累加过程就是全聚焦的核心。每个像素的I(P)值描述了该点是否存在反射体或散射体值越大说明该处声反射越强。实际编程时需要注意一个细节A扫信号是按照固定时间间隔采样的离散序列而t_ij(P)计算出来的时间几乎不可能正好落在某个采样点上。最简单的处理方法是取最近邻采样点但成像质量会稍差更推荐用线性插值在两个相邻采样点之间按时间加权提取幅值。这一步经常被初学者忽略但直接影响最终成像的平滑度和定位精度。2.3 包络提取与成像显示的常见做法直接使用原始A扫的振荡信号做叠加会出现一个问题由于不同发射-接收组合到缺陷的路径长度不同缺陷回波在到达时刻上存在细微差异。即使按理论声程对齐了信号本身的相位也可能因散射、路径微小差异而错开导致叠加时正负幅值相互抵消缺陷幅值反而变弱。解决方法是先做包络提取通常用希尔伯特变换构造解析信号取模得到信号的瞬时包络。包络保留了信号的幅值变化趋势去掉了载波相位信息叠加时不会出现相位抵消问题。这一步对TFM成像质量至关重要。希尔伯特变换在Python的SciPy库中有现成函数scipy.signal.hilbert一行代码就能完成对每条A扫信号的包络提取。成像显示上习惯上使用对数动态范围。先把所有像素的幅值归一化到最大幅值然后按照20log10(A / Amax)换算成分贝值。工业检测设备上常见的动态范围是-30dB到-6dB低于-30dB的信号视为噪声底在图像中置为背景色。另外由于全聚焦图像本质上是一张灰度图还需要选择合适的颜色映射表来增强弱信号的对比度这也是后处理中既简单又影响观感的环节。3. Comsol 模型搭建的实操重点3.1 几何建模先用 2D 简化别一上来就做 3D我建议所有算法验证场景都从二维模型开始。全聚焦成像本身可以在二维平面内处理阵列探头的阵元在空间上也是一维排列所以二维模型完全能覆盖算法验证的需求计算量却比三维模型低一到两个数量级。我最初的模型二维网格节点数量大约在几十万量级用8核工作站跑一次完整多阵元发射采集大约需要几个小时。如果换成三维模型同样的频率和精度网格节点数至少涨到千万级服务器都未必吃得消。几何结构分为四个部分楔块、工件、缺陷和吸收层。楔块使用有机玻璃材料模拟实际相控阵探头前的声楔作用是让纵波从楔块进入钢制工件时发生折射产生适合检测的纵波或横波。工件用钢或铝尺寸按实际检测对象设定比如我做的是厚度40mm的钢板焊缝检测场景所以工件模型取60mm×45mm的矩形。缺陷放在工件内部常见的有圆形通孔、矩形槽和倾斜裂纹。圆形通孔最简单建模时在工作区域直接画一个圆材料设置为空气域可以很好地模拟一个已知位置的回波源。吸收层方面模型四个外边界如果不做处理声波到达边界后会产生反射形成虚假回波并干扰感兴趣区域的信号。Comsol中推荐使用完美匹配层PML即在几何外侧再画一层材料属性与传统区域相同、但物理场设置为PML的域。PML的厚度一般取该介质中一个波长的量级太薄吸收效果差太厚浪费网格。我实际用的PML厚度约3mm能把边界反射幅值抑制到-60dB以下。3.2 网格划分与 CFL 条件尺寸和时间步长怎么定超声仿真的网格划分和常规静力学分析完全不同。静力学分析网格只要保证应力梯度分辨即可超声波动仿真则必须保证一个声波波长内至少分布足够多的节点否则声波会出现数值频散波形逐渐畸变、相位信息丢失。经验规则是每个波长至少划分6到10个网格单元。声速越快、频率越高波长就越长网格需求相对宽松。需要注意同一模型中可能同时存在纵波和横波而横波声速通常只有纵波的一半因此波长也更短。网格划分必须按照最短波长来确定也就是以横波为准。举个例子5MHz超声波在钢中传播纵波声速约5900m/s波长约1.18mm横波声速约3230m/s波长约0.65mm。按每波长8个单元计算最大网格尺寸应为0.08mm左右。我实际取0.1mm算下来模型节点数在几十万量级可以接受。时间步长方面要遵循CFL条件。简单说在每个时间步内声波传播的物理距离不能超过一个网格单元的长度否则数值计算不稳定。CFL数一般取0.2到0.5比较稳妥公式是dt CFL × Δx / c_max其中c_max是模型中的最大声速。按上面的例子Δx取0.1mmc_max取5900m/sCFL取0.2则dt约3.4ns。实际仿真中总时长要覆盖声波从发射阵元到达缺陷再返回接收阵元的全部时间。以我的模型为例最远声程约70mm往返时间约24μs加上激励信号本身的时长总仿真时间设到30μs就够了对应的步数大约9000步。参数项建议值说明最大网格尺寸≤ 最短波长/8横波波长更短作为控制基准时间步长dt 0.2 × Δx / c_maxCFL数取0.2~0.5总仿真时长≥ 最远声程×2 / c确保最深处的回波能完整接收PML厚度≥ 一个波长太薄导致边界吸收不彻底3.3 激励信号选择几个周期的高斯脉冲最常用超声检测中最常用的激励信号是带高斯包络的正弦脉冲因为它的频带较窄中心频率明确仿真结果与实际探头响应也更接近。我用的激励函数是u(t) A × exp(-0.5 × ((t - t0) / σ)²) × sin(2π f_c (t - t0))其中fc是中心频率σ控制脉冲宽度。σ越大脉冲周期越多频带越窄σ越小脉冲越短频带越宽。实际选用2到3个周期的脉冲既能保证足够的带宽以分辨薄的缺陷又不至于让激励信号频带过宽、数值模拟难度增加。对于5MHz探头我取σ约0.4μs等效持续时间约1.5μs频率带宽大约±40%。在Comsol中这个信号作为施加在发射阵元位置的压力载荷作用在楔块表面一个狭长的边界域上。这个边界的长度对应实际阵元的宽度比如0.5mm宽、8mm长。它不需要模拟压电陶瓷的完整机电耦合过程对算法验证已经足够。3.4 多阵元采集先单发射单接收再全矩阵第一次建好模型后千万别直接跑32阵元全矩阵。那意味着32次独立求解每次求解包含32条接收信号的监视电机几个小时都算不完。我的经验是先用单发射阵元、单接收阵元跑通一次完整求解观察A扫信号里是否出现清晰的界面回波和缺陷回波。确认回波时间与理论声程一致之后再批量扩展。批量全矩阵信号通过Comsol的参数化扫描功能实现。把发射阵元索引定义为扫描参数接收阵元的探针点全部布置好一次求解可以得到一组所有接收阵元的时域信号。据我所知Comsol支持的分布式求解和参数化扫描很方便输出结果可以按发射序索引自动命名配合后处理脚本导入即可。4. 后处理算法的实现全流程4.1 数据导出与组织从 Comsol 时域信号到 NumPy 数组Comsol仿真完成后第一步是把需要的时域信号导出。在派生值节点中可以使用点绝度或点计算在每个接收阵元的坐标位置提取压力随时间变化的曲线。导出格式建议选CSV文本每行包含时间和所有接收阵元的信号值。参数化扫描完成后你应该得到N个CSV文件每个文件对应一次发射里面有N列接收阵元信号。后处理脚本加载数据时组织成一个三维NumPy数组维度顺序我习惯用[发射阵元索引, 接收阵元索引, 时间索引]。这一步特别需要注意的是时间对齐。Comsol导出的时间轴通常从0开始但每个发射对应的实际激励触发可能带有时间偏移尤其是参数化扫描中Scan的求解顺序可能导致时间输出不一致。稳妥的做法是在激励后的固定时间点比如初始脉冲峰值时刻附近做同步校准统一以激励时刻为时间零点的数据为后续处理基准。4.2 TFM 成像核心代码后处理算法的核心我用Python实现主要依赖NumPy和SciPy。思路如下先读入FMC数据计算成像网格各像素点的坐标预计算每个发射-接收组合到成像点的声程并转换成时间索引最后对所有A扫信号取插值并叠加。由于成像网格可能有数十万个像素点预计算声程表会占用大量内存我实际分两步先对低分辨率网格生成图像确认缺陷位置后再在缺陷附近用更细网格局部重建兼顾效率和精度。下面是一段简化后的核心代码基本逻辑可以直接套用import numpy as np from scipy.signal import hilbert def tfm_imaging(full_matrix, t_axis, tx_pos, rx_pos, sound_speed, x_range, z_range, pixel_size): # full_matrix: [N_tx, N_rx, N_time] 的时域信号 # tx_pos, rx_pos: 发射/接收阵元坐标列表 [(x, z), ...] # x_range, z_range: 成像区域范围 [xmin, xmax], [zmin, zmax] nx int((x_range[1] - x_range[0]) / pixel_size) 1 nz int((z_range[1] - z_range[0]) / pixel_size) 1 image np.zeros((nx, nz)) x_grid np.linspace(x_range[0], x_range[1], nx) z_grid np.linspace(z_range[0], z_range[1], nz) # 1. 对所有A扫信号提取包络 env_fm np.abs(hilbert(full_matrix, axis-1)) dt t_axis[1] - t_axis[0] t_min, t_max t_axis[0], t_axis[-1] # 2. 逐像素点计算声程并叠加 for ix, xp in enumerate(x_grid): for iz, zp in enumerate(z_grid): val 0.0 for itx, tx in enumerate(tx_pos): dist_tx np.sqrt((xp - tx[0])**2 (zp - tx[1])**2) for irx, rx in enumerate(rx_pos): dist_rx np.sqrt((xp - rx[0])**2 (zp - rx[1])**2) t_ij (dist_tx dist_rx) / sound_speed if t_min t_ij t_max: idx int((t_ij - t_min) / dt) # 简单线性插值 frac (t_ij - t_min) / dt - idx val (1 - frac) * env_fm[itx, irx, idx] \ frac * env_fm[itx, irx, min(idx1, len(t_axis)-1)] image[ix, iz] val # 3. 归一化并转换到分贝刻度 image_db 20 * np.log10((image / np.max(image)) 1e-12) return x_grid, z_grid, image_db需要特别说明的是上面代码为了清晰做了三层嵌套循环实际跑起来很慢。当网格是400×300、阵元是32时内层循环次数是32×32×120000超过一亿次纯Python跑几分钟很正常。工程上一定要做优化。常用手段包括把声程预计算为二维数组用NumPy向量化叠代替换Python循环或者用Numba的JIT编译加速核心循环还可以把成像区域分块并行计算。我自己最终用Numba重写了内层叠加循环速度提升了至少50倍。4.3 信号预处理和图像增强的细节直接对原始A扫信号做TFM叠加虽然在理论上是可行的但工程效果不一定好。因为仿真数据中也存在一些非理想因素比如楔块底面的反射波、模型边界残余反射、数字噪声等。实际项目中我在包络提取之前先对每条A扫做了带通滤波带宽设置在激励信号带宽附近能有效抑制稀疏频带的数值噪声。带通滤波器我用的SciPy中的butterworth设计阶数4到6通带范围2MHz到8MHz针对5MHz中心频率。另一个容易被忽略的问题是近场直耦波。发射阵元和接收阵元如果距离很近声波会直接沿楔块表面传播到接收阵元形成一条很强的直达波。这段信号的幅值很大如果不加处理会在TFM图像顶部形成一条水平亮带干扰对近表面缺陷的识别。我的处理方式是在后处理中对直达波到达时间段做时间窗置零只保留从工件中返回的回波信号。窗口起点设在直达波峰值之后终点一直延伸到仿真结束。图像域的增强方法也很重要。TFM原始图像会有散斑状噪声使用中值滤波可以在不明显降低成像分辨率的情况下去除孤立噪点。滤波窗口不宜过大否则会模糊缺陷边缘我实践下来的合理窗口大小是3×3。如果需要更好的边缘保持效果可以考虑双边滤波或各向异性扩散但在算法验证阶段3×3中值滤波已经够用。4.4 结果验证用已知缺陷坐标校准成像精度后处理算法跑出来后最重要的一步是验证结果是否准确。我的模型里缺陷位置是预先设定的所以在成像结果中直接读取缺陷斑点的中心坐标与真实坐标对比计算定位误差。一般要求轴向定位误差好于一个波长横向定位误差好于阵列孔径对应的极限分辨率。我实际测试中遇到过一个问题成像结果中缺陷的横向位置正确但轴向深度比真实位置浅了约0.3mm。排查后发现问题出在声程计算时没有考虑楔块内部的声程。因为全矩阵采集的信号包含了超声波在楔块中传播的时间而我在声程计算中只算了工件内部的直线距离。加入楔块对应厚度的附加声程后缺陷深度与预设坐标的偏差降到了0.15mm以内这个误差主要来自网格离散和插值已经符合要求。5. 常见问题与排查经验实录5.1 伪影主要来自模型边界但有时候也来自算法边界仿真模型中使用PML吸收层之后边界反射通常能抑制到很低的水平但总有一些残余反射会混入接收信号。判断伪影来源的技巧是在时域信号上找到异常反射波的到达时间然后根据该时间反推它的传播路径。比如某个残影出现在成像结果的角落我反推该回波经过的路径发现是从模型侧面边界反射后绕了一个大圈到达接收阵元的于是把PML再加厚了半倍波长同时把两侧PML的纵向延伸区域加长残影就明显减弱了。算法本身的边界伪影也很常见。TFM计算时成像区域边缘的像素点如果距离所有阵元都较远信号叠加时来自不同阵元的贡献差异很大容易造成靠近阵列区域的暗带。这并不是真实的缺陷信息而是算法孔径有限导致的边缘效应。实际检测中一般都只取阵列覆盖区域内部的目标区域作为有效成像范围边缘区域直接在显示时裁剪掉。5.2 聚焦位置偏移声速不准确是最隐蔽的元凶全聚焦成像的定位精度完全建立在声速准确性的基础上。我在模型仿真中使用的声速是静态理论值可以保证后处理声速与仿真完全一致。但如果在实验数据上做TFM实际工件中的声速会因材料批次、温度变化而存在1%到2%的偏差。这个偏差导致的声程误差会随深度线性累积表现为缺陷图像深度偏移和聚焦模糊。所以在处理真实实验数据时建议先做一个已知深度的底面回波标定用底面回波的到达时间反推出实际声速再用这个声速做TFM成像。即便使用仿真数据我也建议做一次这个标定流程作为算法自检的一部分。实践中我发现声速偏差5%以内对图像轮廓影响很大——不只是位置偏移还包括缺陷边缘锐度下降对裂纹类缺陷尤其致命。还有一个容易忽略的细节如果模型中同时存在横波和纵波模式的转换那么不同回波对应的声速不同。在TFM中如果成像假设是全纵波一次纵波发射、纵波接收但实际回波是纵波入射后转换成横波散射回来的那么按纵波声速计算出的声程会明显偏大导致缺陷图像散焦。处理这类问题的方法是采用多模式TFM比如LL、TT、TT-TT等模式根据回波路径分别计算声程再把不同模式的图像融合。这是TFM研究中的高级方向但在实际开发中可以先用单一模式跑通再逐步扩展。5.3 计算量失控全矩阵的维度每加一计算量是平方级增长全聚焦的一个现实约束是计算量。N个阵元的FMC是N×N条A扫信号如果阵列从32增加到64数据处理量和TFM计算量直接涨到原来的4倍。优化手段优先级我自己的排序是先做时间窗截取只保留包含目标区域回波的时长再对低分辨率网格做快速预扫描锁定目标区域后用精细网格局部重建最后再用Numba或C扩展优化内部循环。还有一点要提醒Comsol全矩阵仿真本身的计算量也很大。每次发射一次求解意味着激发一个阵元位置的压力接收所有阵元信号32阵元就是32次独立求解。每次求解需要的时间取决于网格密度和总时长。我实际跑下来的经验是2D模型、5MHz、0.1mm网格、30μs时长单次求解大约在5到10分钟量级32次全套就是3到5小时。规划项目时间时一定留出足够余量尽量先用单发射验证模型参数再一次性跑批次减少反复试错。5.4 常见问题速查表问题现象可能原因排查与解决时域波形持续振荡、跑完变为发散时间步长过大CFL条件不满足减小时间步长令CFL数≤0.2波形前沿出现明显毛刺网格尺寸过粗数值频散按最短波长/8重新划分网格边界反射在成像结果中呈弧线状伪影PML太薄或未覆盖所有外边界加厚PML并延伸到所有外边界缺陷成像位置比实际偏浅声程计算未包含楔块加入楔块声程修正缺陷散焦横向拖尾明显声速设置不准用已知底面回波标定声速图像顶部出现亮带楔块直达波未消除对直达波时间段做时间窗置零叠加后缺陷幅值不高甚至互相抵消未做包络提取相位抵消先希尔伯特变换取包络再叠加成像网格太细内存不足以存声程表预计算表过大分块计算或先粗网格后局部细网格把全聚焦、Comsol模型和后处理算法这条链路完整走一遍之后我最大的体会是仿真的价值从来不在于替代实验而在于给你一个完全可控、可回溯的环境。你在仿真里能把每一步都拆开检查比如激励脉冲的每个周期、网格每个节点的振动、每条信号的每个采样点这种颗粒度是实测试块给不了的。但也正因如此仿真结果容易让人产生数据理想的错觉一旦回到真实检测现场接触耦合、材料衰减、噪声干扰都会让成像质量打折。所以这条链路更适合作为算法开发和参数研究的起步平台最终的检测能力标定仍然需要实物验证。我建议每位准备做全聚焦算法验证的同行都先从单阵元模型跑通再扩展到全矩阵采集最后才上成像。这样每一步都有据可查踩坑时也更容易定位问题。