Page 178 - 201903

460 2019 年 5 月

[8]
GRU)、卷积神经网络 (CNN)、深度置信网络 (Deep 的卷积网络LeNet-5 ，它有3个卷积层、2个池化降
belief networks, DBN)，这些模型广泛用于各种领 采样层、1 个全连接层和 1 个输出层。卷积层是卷积
域，表1列出了它们的典型应用。 核与上一层图像逐一进行卷积计算得到，其作用是
表 1 深度学习的典型模型 提取图像的特征，不同卷积核能得到图像在不同映

Table 1 The typical models of deep learn- 射下的特征。池化降采样层对图像进行子抽样，可
ing 以减少数据处理量同时保留有用的信息，从而减少
训练参数。全连接层出现在最后，对特征做加权和，
模型 应用
将提取的特征映射到输出的样本空间，起到分类的
RNN 语音识别、手稿识别
作用，连接到输出层，得到图像识别的结果。
LSTM/GRU 自然语言文本压缩、手稿识别、语音识别
CNN 图像识别、视频分析、自然语言处理 随后出现了基于 CNN 的不同卷积网络架构，
DBN 图像识别、信息检索、自然语言理解、故障预测 如 AlexNet、VGG、GoogleNet、ResNet、DenseNet

其中，CNN 模型多用于图像识别，通过卷积操 等。CNN 架构在朝着网络更深、分类结果更准确发
作、参数共享、多个卷积核、池化降采样以及多层卷 展，也朝着网络更简化更灵活的训练努力，目的是得
积提取图像的局部特征得到全局特征。图 1 为最早 到更好的特征表示且减少计算复杂度。

$ Ԅሥࡏ
$ Ԅሥࡏ 10T10 4 ෉ӑࡏ 5T5
ᣥК 28T28 $ Ԅሥࡏ120 ᣥѣ
' Лᤌଌࡏ
32T32 4 ෉ӑࡏ 84
14T14

ᰴளᤌଌ
Лᤌଌ
Ԅሥ ᬌ᧔ನ Ԅሥ ᬌ᧔ನ Лᤌଌ
图 1 LeNet-5, 卷积神经网络
Fig. 1 LeNet-5, a convolutional neural network

积和自适应滤波求得缺陷特征响应作为特征量，又
2 浅层神经网络用于超声检测缺陷识别
验证了在给定条件下，用回波幅度值也能实现缺陷
类型和大小的评价。刘镇清等 [15] 提出对粗晶奥氏
超声检测数据自动化分析的创新性工作始于
20世纪 70年代末，Rose等 [9−10] 提出选取超声信号 体不锈钢的检测信号做傅里叶变换、Wigner 变换、
傅里叶变换特征使用神经网络方法进行分类的可 谱分析等处理，提取其特征，输入到神经网络，而后
行性，1986年，Burch等 [11] 验证了时域信号峰值、幅 改进了 BP 算法，修正学习率，识别缺陷有无准确率
度比等作为特征使用神经网络可用于对焊接件的 接近90%。
缺陷进行分类。 20世纪初，Simone等 [16] 使用离散Gabor变换、
1991 年，Thomsen 等 [12] 针对复合材料玻璃钢 小波变换及小波聚类算法对焊接件的超声检测信
制作中存在的几种缺陷，利用神经网络实现了对其 号进行特征提取，并输入到神经网络进行识别，结
缺陷的判别。1993 年，Lorenz 等 [13] 将钢板中得到 果表明小波聚类算法对焊接件的缺陷分类效果最
的回波信号在时域加窗后进行傅里叶变换，再在空 佳；卢超等 [17] 用此方法对高温合金棒材的平底孔、
间域进行傅里叶变换作为输入，利用 BP 算法训练 横孔等人工缺陷进行识别，准确率达 96.4%。2005
神经网络后可以利用这一神经网络对钢板未知类 年，Veiga等 [18] 对超声自动检测系统得到的超声波
型缺陷进行识别。 衍射时差法 (Time of flight diffraction, TOFD) 缺
90 年代末，陈彦华等 [14] 分别以缺陷回波去卷 陷使用神经网络信号进行缺陷分类，节省了在线检