Page 180 - 201903
P. 180
462 2019 年 5 月
186.440T1
64T1
Ѧ ྲढ़ڏ Ѧ ྲढ़ڏ ᣥѣࡏ
5T5T10 320T240T10 5T5T10 316T236T10 4T1
158T118T10 Ꭵᬞ
ඡߘ
ళཝଌ
ᣥКڏϸ ళཽՌ
320T240T1
Ԅሥࡏ Ԅሥࡏ ӑࡏ
Лᤌଌࡏ
图 2 卷积神经网络结构 [32]
Fig. 2 CNN Architecture
超声检测图像并没有统一的特征量来表征，而 4.2 应对策略
CNN 通过图像卷积能自动寻找特征。上述例子表 为了提高缺陷特征表示能力和分类准确率，应
明，在数据量不大且通过一个简单的 CNN 网络，便 对以上问题，可以考虑如下应对策略。
能达到一定的准确率，可见深度学习中的 CNN 方
4.2.1 迁移学习
法在超声检测图像识别方面具有很大潜力。在提高
检测效率和保证判别准确率方面，将深度学习算法 CNN 的主要潜力在于能够在多层抽象中提取
与超声检测图像识别结合有相当大的意义。 具区分性的特征，CNN 是监督学习模型，从零开始
训练CNN是一大挑战。CNN 需要大量标记的训练
4 深度学习用于超声检测缺陷识别面临的 样本数据，而超声检测领域并没有大型的缺陷标记
问题和应对策略 样本库。针对这一问题，可以采用迁移学习方法，迁
移学习作为使用其他领域的数据集以监督方式预
基于 CNN 框架的深度学习通过训练提取数据
训练 CNN 网络，再使用超声检测数据来微调预训
的特征，实现其识别功能，在自然图像处理中展示了
练网络作为超声缺陷的分类器。
卓越的性能，将其应用到超声检测图像识别领域具
医学图像识别研究发现，用 ImageNet 自然图
有很大的潜力，但仍有很大挑战性。
像训练得到的 CNN 模型可用于医学图像识别 [33] ，
4.1 面临的问题
可使用预先训练好的网络模型进行超声检测缺陷
主要表现在以下几个方面： 识别。将预训练CNN作为监督学习网络初始值，利
(1) 传统图像识别分类，自然图像建立了超大 用超声检测有限的标注数据集对网络参数进行微
规模的样本数据集，如 MNIST、CIFAR、ImageNet， 调，调整网络中的几个或全部层。Tajbakhsh 等 [34]
在医学图像上，也在逐步建立起数据库。而在超声
分析表明深层网络进行微调性能有所提高，且训练
检测中，获取大规模的样本数据集非常困难，因为其 集规模减少时，使用微调网络的重要性提高了。
种类多、差异大，且不同行业之间是独立的，因此，可
用的标注数据规模相对很小。 4.2.2 网络泛化及结合图像空间连续信息
(2) 大多超声检测图像只有信号的强度值，特 由于超声检测受现场条件影响大，虽然监督学
别是信噪比较低的情况，缺陷和干扰区别不明显，有 习在使用标准化成像的有限实验中表现出很大的
时候还因为缺陷差异而成像不同，因此，超声缺陷识 潜力，但在稍微不同的条件下获取的新图像，性能可
别分析比较困难。 能会不一样。因此适当使用深度学习通用的数据处
(3) 超声检测不同的成像方法反映工件内部的 理方式如规范化、正则化、Dropout 层以提高网络的
不同信息，各有优缺点，通常会使用多种不同的成像 泛化能力，减少过拟合 [35] 。
方法来确定结果，许多图像处理的深度学习算法不 超声检测图像模糊，缺陷显示微弱且形式多样，
能直接用于超声检测缺陷分析。 在特征提取阶段，可先进行图像像素点索引，利用区
