Page 179 - 201903

第 38 卷 第 3 期 李萍等： 深度学习在超声检测缺陷识别中的应用与发展 461

测的处理时间，也保证了准确率。 习方法。将其引入到超声检测缺陷识别中，可以
在当时的情况下，超声检测主要是基于反射回 免去复杂的手工特征提取步骤，在这方面，医学
波的时域信息进行缺陷识别，而神经网络相比于人 影像识别与射线图像缺陷识别的相关工作值得
工判定方法有很大的优势，一是检测效率高；二是神 借鉴。
经网络具有高度容错性，信噪比较差的情况下也能
在医学影像识别领域，深度学习方法已经广
使用；三是神经网络适用于关系无法用确定的表达
泛并成熟应用于医学图像识别、检测和分割等。如
式表示的情况；四是神经网络训练完成后，可以离线
采用 CNN 自动提取特征，对乳腺癌、结肠癌等疾
用于识别未知缺陷。
病进行分类 [23−24] ，利用三维 CNN 框架在 CT 序列
而当时用于超声检测缺陷识别的神经网络也
中检测肺结节 [25] ，采用基于图像块的 CNN 算法
存在以下问题：网络训练时间长；靠经验选择来选
从 X 光血管造影图像中提取血管达到血管分割目
取神经元；选取特征量时，需要用典型缺陷的模型，
的 [26] 等众多应用。而已公开的医学图像数据库 [27]
根据理论和实验确定能反映缺陷特征的量。因此提
出了很多信号处理方法用于提取缺陷特征。随着 和医学图像挑战赛数据集 [28] 使得深度学习方法在
神经网络进入低潮期，发展了很多其他机器学习方 医学上得到了很好的训练和验证，其结果越来越
法用于超声检测缺陷识别，如最常用的支持向量机 可靠。
方法。 在射线工业检测中，2014年，余永维等 [29] 提出
一种基于深度学习的射线图像缺陷识别方法，提出
3 深度学习用于超声检测缺陷识别
不同于传统“人工特征提取+ 机器学习” 的方法，采
3.1 基于深度学习的超声检测缺陷识别 用深度学习网络，使可疑区域的像素灰度信号直接

深度学习在 2006 年掀起浪潮并在 2012 年取得 通过网络模型，卷积神经网络提取其可疑缺陷区域
突破性进展后广泛应用于各个领域，在超声检测缺 的特征实现识别，为视觉缺陷检测领域提供了新的
陷识别上，同样也有大量的应用。 思路和方法。颜伟鑫等 [30] 提出采用Faster R-CNN
2011 年，Sambath 等 [19] 选取回波信号小波表 网络模型对工件射线图像进行缺陷区域检测，通过
示后的 12 个系数作为信号的特征，如平均值、方 实验对比验证了该网络结构模型性能优于传统的
差、能量、幅度等，输入到含两个隐藏层的神经网 方法。
络进行训练识别 4 类缺陷，准确率达到 94%。Wang 超声成像技术不断发展，其成像质量也在不断
等 [20−21] 对深度学习用于超声检测进行了研究，基 改进，越来越多的用超声图像来表征缺陷检测结果。
于现场可编程门阵列(Field-programmable gate ar- [31]
结合以上方法，在超声检测领域，2017年，郑志远
ray, FPGA) 硬件平台搭建了用于超声目标检测的
深入分析了焊缝各类典型缺陷的超声 TOFD-D 扫
系统，先后提出基于时域处理、分频处理方法提取
描成像图的特征，根据分析得到的特征设计了基于
信号特征量，设计了含 3 个隐藏层的神经网络，分
Faster R-CNN 算法的缺陷自动识别分类网络，通
频处理后训练得到99.1%的准确率远高于时域处理
过改变实验参数获得更多的样本对网络进行自动
结果。
识别试验，分析了该方法应用于超声 TOFD-D 成
施成龙等 [22] 将采取的 A 扫信号进行小波包分
像的可行性、准确性及效率。Khumaidi 等 [32] 提出
析，提取其缺陷回波信号的能量分布特征，输入到多
隐层深度信念网络，缺陷识别率提高到了 98.33%。 图像处理方法对焊接件缺陷进行识别，采集了焊接
Meng 等 [3] 提出基于 CNN 的深度学习框架对碳纤 件 4 类缺陷的超声检测图像作为输入，该文献使用
维聚合物缺陷分类，选用小波包系数作为 CNN 的 的 CNN 模型如图 2 所示。使用 CNN 实现特征提取
输入，分类准确率达到99.87%。 和分类的功能，卷积层的卷积核函数使用的是高斯
3.2 深度学习在检测图像识别的发展 核函数，能减少提取图像过程中丢失的原图像主要
信息，也能减少干扰或噪声的出现，其分类给出了
随着深度学习在图像的智能识别和理解上取
得显著进展，在目标检测方面，开始使用深度学 95.83%的准确率。