Page 134 - 《应该声学》2022年第2期

302 2022 年 3 月

Batch Normalization respectively. Subsequently, the identification accuracy and efficiency are analyzed. It is
shown that 2-d convolution has higher recognition accuracy although its training speed is slower than that of
1-d convolution. At the same time, the identification accuracy will decline if the network model structure is too
complex, and the data enhancement and optimization methods can help to accelerate the convergence speed
and improve the accuracy.
Keywords: Convolutional neural network; Ultrasonic testing; Defect type recognition

类。Filho 等 [10] 提出通过离散傅里叶变换、小波变
0 引言
换和余弦变换对超声信号进行特征提取，使用 BP
在超声检测中，如果不能准确判断缺陷的性质， 网络对复合材料中的缺陷进行训练分类检测。Cruz
就会使某些无危险或者危险性很小的产品返修从 等 [11] 采用了 Filho 等 [10] 的特征提取方法，并使用
而导致浪费，也会造成含有危险性缺陷的产品被忽 了不同的特征选择手段，采用多层感知 (Multilayer
视，使得其在使用过程中产生安全隐患 [1] ，因此对 perceptron, MLP) 机，使用不同分类器对焊接缺陷
缺陷的类型识别分析尤为重要，对保障产品质量和 进行分类。
安全运行意义重大。超声检测中对缺陷进行类型识 在深度学习方面，对卷积神经网络 (Convolu-
别，开始主要依靠人工经验，识别结果有一定的主观 tional neural network, CNN)的研究可追溯到20世
性。自20世纪70年代起，研究者开始使用神经网络 纪 80 年代，1998 年，Lecun 等 [12] 在前人基础上提
对超声检测数据进行缺陷分类，这部分研究主要集 出了 LeNet-5，形成了当代 CNN 的雏形，在识别手
中在两个方面，一方面是采用特征提取加浅层神经 写数字上取得了不错的效果。2012 年，Krizhevsky
网络的方法对检测数据进行分类，另一方面是采用 等 [13] 提出的 Alexnet 网络在 Imagenet 图像识别大
深度学习方法，输入数据主要是人工提取的特征值， 赛中取得了历史性突破，从此人们意识到 CNN 在
近年逐渐发展到自动提取特征。 图像识别领域的优势。
在浅层神经网络方面，Song等 [2] 提出利用概率 在超声检测领域也有不少研究者开展了采用
神经网络对通过超声散射特征提取的时域特征进 深度学习方法进行缺陷分析的工作。施成龙等 [14]
行焊接缺陷分类。Masnata等 [3] 提出了利用Fischer 使用小波包变换对 A 扫信号进行缺陷特征信息提
线性判别分析对缺陷回波信号提取形状参数，使用 取，将得到的能量分布特征向量通过深度信念网络
神经网络实现焊缝缺陷的自动分类。Margrave等 [4] 进行分类识别，准确率达到了 98.83%。Meng 等 [15]
选择对神经网络进行调整，使用各种类型和配置的 提出分层组合小波变换系数，利用 CNN 对不同特
神经网络对时域和频域分别进行训练以找到未知 征提取方法分类器进行训练，从而实现对碳纤维聚
缺陷。卢超等 [5] 利用小波变换对超声检测回波信号 合物的缺陷分类，准确率达到了98.15%。Khumaidi
进行分解，并将分解信号的能量分布特征送入神经 等 [16] 提出使用焊接表面缺陷超声检测图像作为输
网络中进行训练和分类。Liu 等 [6] 提出利用仿真得 入，使用 CNN 对不同类型焊接缺陷进行分类，准确
到的 A 扫超声无损检测信号提取的特征值和反向 率达到了95.83%。Munir等 [17−18] 对焊接缺陷进行
传播 (Back propagation, BP) 网络结合对裂纹的大 超声检测得到的信号在不同信噪比下使用全连接
小、类型和位置进行判别。Drai 等 [7] 对焊接缺陷回 深度神经网络、CNN进行缺陷分类，发现CNN效果

波通过时域、频域和离散小波提取特征值，使用 K 更好。张重远等 [19] 采用基于相似矩阵的盲源分离
近邻分类(K-nearest neighbor classification, KNN) 方法对得到的超声检测信号进行预处理，使用CNN
算法、贝叶斯统计、人工智能网络进行分类识别。 进行识别，准确率达到 90%。Munir 等 [20] 将超声信
Veiga等 [8] 对脉冲焊缝使用脉冲回波和超声衍射时 号通过自编码器进行去噪后使用CNN进行分类。
差 (Time of flight diffraction, TOFD) 技术获得的 目前为止，多数研究者都是在预处理阶段使用
超声信号，通过预处理以后使用 BP 网络进行缺陷 统计或信号处理方法提取特征来提高识别准确率。
分类。Sambath 等 [9] 利用小波变换得到缺陷的特 本文将不对信号进行特征提取，直接针对阵列探头
征向量，通过 BP 网络对这些特征向量进行识别分 采集的原始超声信号，使用一维数据 (A 扫信号数