Page 137 - 《应该声学》2022年第2期

第 41 卷 第 2 期 高子洋等： 卷积神经网络的缺陷类型识别分析 305

1
ॆʷӑࣨϙ 0

-1
0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0
௑ᫎ/µs
(a) ࣱअߘ
1
ॆʷӑࣨϙ 0

-1
0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0
௑ᫎ/µs
(b) ုअߘ
1
ॆʷӑࣨϙ 0

-1
0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0
௑ᫎ/µs
(c) ᤰߘ
图 5 3 种缺陷的回波信号
Fig. 5 Echo signals of three defects
表 1 各缺陷类型信号样本数量 增强并研究其增强效果。在对数据集进行数据增强
Table 1 Number of signal samples of each 时分为两种方式，第一种 [18] 是改变缺陷与阵元之
defect type 间的距离，反映到信号上为改变信号的到时，即将数
据向前和向后各时移 0.05 µs，样本数增加两倍；第
缺陷类型 平底孔 球底孔 通孔 总计
二种是改变信号的幅度，将信号向上和向下分别平
样本数量 100 100 100 300
移，样本数增加两倍，如图 6 所示。针对二维数据，
在超声检测数据集中，由于原始数据样本只有 采取这两种方式，此时数据样本数变为原来的 5 倍。
几百个，在复杂的神经网络结构中容易造成过拟合， 针对一维数据，只采取第二种措施，此时数据样本数
不易判断测试信号的类别，本文对数据库进行数据 变为原来的3倍。扩增的样本数量如表2所示。

1.0 ԔݽηՂ
௑۫Ғረ 0.05 µs
0.5 ௑۫Ցረ 0.05 µs
ॆʷӑࣨϙ -0.5 0

-1.0
0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0
௑ᫎ/µs
(a) ௑۫ረү
ԔݽηՂ
1.0
ηՂʽረ
ηՂʾረ
0.5
ॆʷӑࣨϙ -0.5 0

-1.0
0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0
௑ᫎ/µs
(b) ࣨϙܙѓ
图 6 数据增强示意图
Fig. 6 Data augmentation schematic