Page 118 - 《应用声学》2022年第1期

114 2022 年 1 月

ण௑
ण௑
Dt 5
Dt 5
Dt 4
Dt 4
Dt 3
Dt 3
Dt 2
Dt 2
Dt 1
Dt 1

(a) Ϡᣁ (b) ᐑཥ

图 1 超声相控阵偏转、聚焦示意图 [19]
Fig. 1 Schematic diagram of ultrasonic phased-array deflection and focus [19]

$ੳଡ ο᜽

4ੳଡ ഷ੕᭧ ൦ᤉᣉ ඵࣱᣉ

ᡔܦᣉ ງएᣉ ੳಊᣉ ᫂एᣉ ᡔܦᣉ ງएᣉ

ᡔܦᣉ ງएᣉ %ੳଡ ቫ᭧ #ੳଡ ౽ᝈएʾᄊபՔҖ᭧આॖ

图 2 超声相控阵 B 扫、C 扫、D 扫、S 扫显示方式
Fig. 2 The B, C, D, S scan display mode of ultrasonic phased array detection

2 焊缝PAUT检测数据降噪 找到近似最优的恒等映射。因此，这种网络结构学
习起来更容易找到最优结果，训练的时间也会相应
CNN 由于其突出的特性被广泛应用在图像处
的减少，性能也会提高。
理领域，理想情况下，神经网络中隐藏层越多，特
征提取能力也越强。但是实际当网络达到一定深度
时，网络性能会退化，准确率下降，这是因为当网络
深度增加时，梯度在传播过程中会逐渐消失，导致无 ి᧘ࡏ
法对前面几层的权重进行调整。为了解决深度过深 x
F↼x↽ ༏ำѦ஝
引起网络性能的下降问题，He 等 [20] 提出了残差学 ঽ኎௢࠱
习框架，如图3所示。 ి᧘ࡏ
其中，H(x) 为潜在映射，F(x) 是多个卷积层级
联，为深度网络中的某个隐藏层，x 为输入。在图像 H↼x↽/F↼x↽⇁x
༏ำѦ஝
降噪中，H(x) 代表含噪图像，F(x) 为噪声图。利用
这种结构，可以将复杂的问题转换为学习一个残差 图 3 残差学习基本框架
函数 F(x) = H(x) − x，只需要满足F(x) = 0，就能 Fig. 3 Basic framework for residual learning