Page 181 - 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 463

域中央和周边的差值来进行图像分割，得到可疑的 达到泛化的目的，使其具有通用性将成为超声检测
区域 [36] ，而在超声检测成像过程中会带来噪声，可 缺陷识别的一个重要发展方向。
采用缺陷区域动态跟踪来识别缺陷和区分噪声信 上述挑战为超声检测缺陷识别领域提供了机
号，通过处理该图像空间连续信息来检查和所得可 会，通过深度学习算法的不断改进，借助高性能并行
疑区域是否匹配，以消除噪声影响和误检，而不同 计算技术和日益改善的超声检测成像质量与不断
图像之间缺陷是否匹配可以以深度学习特征矢量 增长的检测数据标记样本集，基于深度学习的超声
的相似度来判别，即为该特征矢量之间的欧式距离。 检测图像识别将大有所为。
若可疑缺陷区域两两匹配，可判断为同一个区域且
存在缺陷。
参 考 文 献
4.2.3 多图像信息融合及三维图像处理

当缺陷需要用多个成像方法得到不同的检测 [1] Thompson R B, Thompson D O. Ultrasonics in nonde-
structive evaluation[J]. Proceedings of the IEEE, 1985,
图像或者三维成像结果来表征时，可采用多处理流 73(12): 1716–1755.
CNN方法、三维CNN方法、多个网络模型结合使用 [2] Sambath S, Nagaraj P, Selvakumar N. Automatic de-
等方法进行超声检测图像识别。 fect classification in ultrasonic NDT using artificial in-
telligence[J]. Journal of Nondestructive Evaluation, 2011,
多处理流或多通道流 CNN 方法取缺陷多个成 30(1): 20–28.
像结果 [37] 或三维图像转换成多个视角的二维图 [3] Meng M, Chua Y J, Wouterson E, et al. Ultrasonic signal
classification and imaging system for composite materials
像 [38] 作为输入，整合多个通道缺陷信息，提高缺陷 via deep convolutional neural networks[J]. Neurocomput-
准确率，最后在全连接层合并这些特征，得到最终分 ing, 2017, 257: 128–135.
[4] Hinton G E, Osindero S, Teh Y W. A fast learning algo-
类结果。三维 CNN借助三维卷积提取特征，可以处 rithm for deep belief nets[J]. Neural Computation, 2006,
理超声检测三维成像结果，该方法分类准确率更高， 18(7): 1527–1554.
[5] Haykin S. Neural networks: a comprehensive founda-
但计算效率较低 [39] 。多个网络模型的叠加如 RNN
tion[M]. Prentice Hall PTR, 1994.
和CNN结合使用 [40] ，RNN 网络模型对序列信号提 [6] 余凯, 贾磊, 陈雨强, 等. 深度学习的昨天、今天和明天 [J]. 计
取不同时刻的关联度，CNN网络模型主要对单张图 算机研究与发展, 2013, 50(9): 1799–1804.
Yu Kai, Jia Lei, Chen Yuqiang, et al. Deep learning:
片进行特征提取，可以对超声检测三维立体成像结 yesterday, today, and tomorrow[J]. Journal of Computer
果进行识别。 Research and Development, 2013, 50(9): 1799–1804.
[7] 尹宝才, 王文通, 王立春. 深度学习研究综述 [J]. 北京工业大
学学报, 2015, 41(1): 48–59.
5 讨论和结论 Yin Baocai, Wang Wentong, Wang Lichun. Review of
deep learning[J]. Journal of Beijing University of Technol-
综上所述，深度学习具有自动地从数据中学习 ogy, 2015, 41(1): 48–59.
[8] Lecun Y, Bottou L, Bengio Y, et al. Gradient-based learn-
深层次特征的能力，已应用于图像分析的多个研究 ing applied to document recognition[J]. Proceedings of the
领域。在大多数文献中，使用深度学习相关的方法 IEEE, 1998, 86(11): 2278–2324.
[9] Rose J L, Singh G P. A pattern recognition reflector classi-
都表现出高性能，而云计算和多 GPU 高性能并行
fication study in the ultrasonic inspection of stainless steel
计算技术的发展，深度学习可以从大数据中学习深 pipe welds[J]. British Journal of Non-Destructive Testing,
层特征。从现有文献梳理中可看出，目前代表领先 1979, 21(6): 308–311.
[10] Rose J L, Avioli M J, Lapides M. A physically modeled fea-
水平的深度学习用于图像识别的方法大多是基于 ture based ultrasonic system for IGSCC classification[J].
CNN 的框架。 Materials Evaluation, 1982, 40(13): 1367–1373.
[11] Burch S F, Bealing N K. A physical approach to the auto-
超声检测直接使用基于 CNN 框架的深度学习 mated ultrasonic characterization of buried weld defects in
方法对检测图像进行识别的研究还较少，获得用于 ferritic steel[J]. NDT International, 1986, 19(3): 145–153.
[12] Thomsen J, Lund’r K. Quality control of composite mate-
训练的标注数据是深度学习方法应用于超声检测 rials by neural network analysis of ultrasonic power spec-
图像识别的一大挑战。在目前已标记训练数据有限 tra[J]. Materials Evaluation, 1991, 49(5): 594–600.
[13] Lorenz M, Wielinga T S. Ultrasonic characterization of
情况下，充分利用超声检测中的非标注图像，通过迁
defects in steel using multi-SAFT imaging and neural net-
移学习，并结合图像三维信息，使用多个网络模型， works[J]. NDT & E International, 1993, 26(3): 127–133.