Page 176 - 201903

第 38 卷 第 3 期 Vol. 38, No. 3
2019 年 5 月 Journal of Applied Acoustics May, 2019

⋄ 综述 ⋄

深度学习在超声检测缺陷识别中的应用与发展 ∗

李 萍 1,2 宋 波 1† 毛 捷 1 廉国选 1

(1 中国科学院声学研究所 声场声信息国家重点实验室 北京 100190)
(2 中国科学院大学 北京 100049)

摘要 深度学习是目前最强大的机器学习算法之一，其中卷积神经网络模型具有自动学习特征的能力，在图
像处理领域较其他深度学习模型有较大的性能优势。该文先简述了深度学习的发展史；然后综述了深度学习
在超声检测缺陷识别中的应用与发展，从早期浅层神经网络到现在深度学习的应用现状，并借鉴医学影像识
别和射线图像识别领域的方法，分析了卷积神经网络对超声图像缺陷识别的适用性；最后，探讨归纳了目前在
超声检测图像识别中使用卷积神经网络存在的一些问题及其主要应对策略的研究方向。
关键词 深度学习，超声检测，缺陷识别，卷积神经网络
中图法分类号: O426.9 文献标识码: A 文章编号: 1000-310X(2019)03-0458-07
DOI: 10.11684/j.issn.1000-310X.2019.03.025

Application and development of defect recognition using deep learning in
ultrasonic testing

LI Ping 1,2 SONG Bo 1 MAO Jie 1 LIAN Guoxuan 1

(1 State Key Laboratory of Acoustics, Institute of Acoustics, Chinese Academy of Sciences, Beijing 100190, China)
(2 University of Chinese Academy of Sciences, Beijing 100049, China)

Abstract Deep learning is one of the most powerful machine learning algorithms and convolutional neural
network (CNN) can automatically extract features which outperforms other deep learning model in the field of
image processing. We briefly describe the development history of deep learning, then summarize the application
of deep learning in ultrasonic testing defect recognition which from the early shallow neural network to the
deep learning. Learning from the field of medical image recognition and ray image recognition, we find that
the CNN is also suitable for ultrasonic image identification, so we propose to use it to identify the ultrasound
images directly. Finally, we discuss the problems and practicable strategies in ultrasonic image recognition
using CNN.
Key words Deep learning, Ultrasonic testing, Flaw recognition, Convolution neural network

2018-09-27 收稿; 2018-11-28 定稿
国家杰出青年科学基金项目 (11504403)
∗
作者简介: 李萍 (1995- ), 女, 江西赣州人, 硕士研究生, 研究方向: 信号与信息处理。
† 通讯作者 E-mail: songbo@mail.ioa.ac.cn