Page 136 - 《应该声学》2022年第2期

304
Faster RCNN、YOLO 系列中，都已经使用 Batch
Normalization来代替Dropout功能。
1.4 数据增强
在计算机视觉领域，数据增强是深度学习增加
数据量的一种非常有效的方式。在这种技术中，从
原有实例生成相似的类似实例，人为地增加数据库
的大小。本研究中，由于没有适用的关于超声无损
检测的数据库，实验中也较难获得大量的实测数据，
最有效可行的方法是对数据进行增强，即对已有的
数据进行翻转、平移或旋转等操作，创造出更多的
数据，来使神经网络具有更好的泛化效果，同时提升
模型的识别准确率。
2 CNN缺陷识别方法
本文采用超声相控阵系统对不同的缺陷进行
检测，将得到的缺陷信号进行预处理，然后利用不同
网络结构对缺陷信号进行分析，实现缺陷类型识别，
ᄱ଍᫼ጇፒ
ੇϸᣄ͈
ᝠካ఻˟఻
តڱˁଊ݀
ᤰߘ ࣱअߘ
图 4 3 种缺陷实物图
Fig. 4 Three kinds of test blocks
2022 年 3 月
调节网络中参数来观测识别准确率的影响。
2.1 实验系统
获取数据的实验系统如图 3 所示，包括 Vera-
sonics Vantage超声相控阵系统、计算机主机、探头
及试块。Verasonics Vantage 超声相控阵系统含有
32 个独立通道，可以同时激发与接收所有通道，并
能存储所有通道的原始回波数据。探头使用超声相
控阵探头，该探头中心频率为 5 MHz，阵元数量为
32，如图3(b)所示。
实验中对 3 种类型试块进行检测，如图 4 所示。
3 种试块对应 3 类缺陷，分别为：(1)ϕ3 mm 通孔，试
块长 300 mm，宽 40 mm，高 25 mm，通孔直径为
3 mm，埋深为 15 mm；(2)ϕ3 mm 平底孔，试块长
100 mm，宽40 mm，高25 mm，平底孔直径为3 mm，
埋深为 15 mm；(3)ϕ3 mm 球底孔，试块长 100 mm，
宽 40 mm，高 25 mm，球底孔直径为 3 mm，埋深为
15 mm。
(a) ᡔܦᄱ଍᫼ጇፒࣱԼ (b) ଊ݀
图 3 实验系统
Fig. 3 Experimental system
2.2 数据获取及处理
使用如图 3 所示的实验系统获取检测原始数
据，检测过程中相控阵系统的采样率为 20 MHz，采
ုअߘ
用全聚焦方法依次激发所有阵元，每次激发所有阵
元接收，即阵元 1 发射，1 ∼ 32 阵元接收，阵元 2 发
射，1 ∼ 32 阵元接收，以此类推，一次检测共可接
收 1024 个回波信号。从每种缺陷回波信号的 1024
个数据中各选取 100 个样本，每个样本时长为 2 µs，
表 1 中列出了每种缺陷的信号数量。图 5 展示了 3
种缺陷的回波信号，可以观察到从信号中很难分辨
出它们的缺陷类型。