Page 138 - 《应该声学》2022年第2期

306 2022 年 3 月

表 2 数据扩增的数量 杂，含有 5 个残差模块和 2 个全连接层，其中 2 个残
Table 2 The number of data augmentation 差模块分别包含 4 个卷积层、1 个池化层，另 3 个残
差模块分别包含 5 个卷积层、1 个池化层。一维卷积
样本数量
缺陷类型 和二维卷积使用的网络结构完全一样。表 4 展示了
一维 二维
不同网络结构的参数对比。
幅值增加 300 300
幅值减少 300 300 表 4 不同网络参数对比
时域前移 0 300
Table 4 Parameters between different networks
时域后移 0 300
总计 600 1200 模型名称 LeNet-5 VGG16 ResNet
在训练网络时，为了验证网络性能是否达到满 层数 5 16 25
意的效果，通常会对数据集进行划分，选取一部分 卷积层数 2 13 23
数据集不进行训练而用来验证网络效果。在本文中 卷积核大小 5 3 1, 3
选择总数据集的90%用于训练，10%用于测试。表 3 池化层数 2 5 5
显示了数据增强后不同维度用于训练和测试数据 池化选择 Max Pooling Max Pooling Max Pooling
集的每个缺陷的总样本数量。 池化核大小 2 2 2

全连接层数 3 3 2
表 3 训练集和测试集
Table 3 Training and testing datasets
3 实验结果分析
样本数量
缺陷类型 一维 二维 本文将根据 CNN 理论从以下 5 个方面对识别
准确率及效率的影响来进行对比分析，分别是
训练集 测试集 训练集 测试集
一维卷积和二维卷积模型、数据增强、迭代次
平底孔 270 30 450 50
数、Dropout和Batch Normalization优化、ReLU和
球底孔 270 30 450 50
Leaky ReLU激活函数。
通孔 270 30 450 50
总计 810 90 1350 150 3.1 一维卷积和二维卷积对识别准确率的影响
采用不同的网络结构模型，分别使用一维卷积
本文中用于训练和测试的数据分为两种类型，
和二维卷积进行训练，迭代次数为100次，数据集使
一类是一维缺陷回波数据，用一维卷积模型进行训
用扩充后的数据集。识别准确率及训练时长如表 5
练；另一类是缺陷回波的二维显示图形，用二维卷积
所示。LeNet5、VGG16、ResNet 在一维卷积模型中
模型进行训练。为了加快收敛速度，在将数据输入
的识别准确率分别为95.56%、98.89% 和97.78%，训
到神经网络之前，对数据进行归一化处理。在对 A
练时间分别为10.47 s、49.37 s、50.28 s。在二维卷积
显波形的图片进行预处理时，因为只需要学习其信
模型中的识别准确率分别为 99.33%、100%、100%，
号特征，在读取时以单通道进行读取来减少计算量。
训练时间分别为263.8 s、494.1 s、521.5 s。可以看到
2.3 环境配置及结构 二维卷积模型的识别率比一维卷积模型有了明显
本 研 究 采 用 的 CNN 是 基 于 Tensorflow2.0 版 的提升，但是在训练时间上大大增加，为一维卷积模
本中的 Keras 框架实现的，CPU 型号为 I7-8750H， 型的 10倍以上，这是由于二维卷积比一维卷积在参
GPU型号为1050TI，内存为16 G。 数量上有了几十倍的增加，可以更好地拟合函数，但
采 用 的 网 络 结 构 有 3 种， 分 别 是 LeNet-5、 是也会增加训练时间。
VGG16 和 ResNet。LeNet5 结构最为简单，含有 2 从表 5 可以看出，在本文数据集样本数目有限
个卷积层、2 个池化层、3 个全连接层；VGG16 结构 的情况下，VGG16 和 ResNet 网络在二维卷积识别
较为复杂，含有 13 个卷积层、5 个池化层、3 个全连 准确度可达到 100%，无需进行优化，因此下文中的
接层；残差网络 ResNet 含有残差结构，结构最为复 优化针对LeNet5结构进行。