卷积神经网络的缺陷类型识别分析

摘要：

该文提出一种基于卷积神经网络直接对阵列超声检测原始信号进行缺陷类型识别的方法,该方法无需对超声回波原始信号进行特征提取.文章研究对比了不同卷积神经网络及其优化的识别性能.首先采用超声相控阵系统对不同试块上的平底孔、球底孔、通孔三种缺陷进行超声检测,然后利用LeNet5、VGG16和ResNet三种卷积神经网络对一维和二维数据分别进行缺陷识别,并使用Leaky ReLU、Dropout、Batch Normalization等来对网络进行优化,对比分析识别准确率和效率等.研究结果表明,虽然一维卷积在训练速度上快于二维,但是二维卷积在识别准确度方面更高,同时网络模型结构如果过于复杂会导致准确率的下降,数据增强和优化方式有助于加快收敛速度、提高准确率.

关键词：卷积神经网络;超声检测;缺陷类型识别

所属期刊栏目：41

分类号：O429(声学)

资助基金：中国科学院声学研究所青年英才计划项目;中国科学院前沿科学重点研究计划项目;非线性力学国家重点实验室开放基金资助项目;声场声信息国家重点实验室开放课题研究基金项目

在线出版日期：2022-03-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：301-309