Page 140 - 《应该声学》2022年第2期

308 2022 年 3 月

1.0 (1) 合适的网络结构很重要。在实验对比中，
0.9 发现 VGG16 网络的性能要优于 LeNet5 和 ResNet。
ᰎ᝽ᬷюᆸဋ 0.7 LeNet5 模型相对简单，不能更好地拟合数据，而
0.8
ResNet 具有残差结构，在复杂度方面高于 VGG16，
0.6
0.5 导致在训练过程中更容易过拟合。
Dropout (2) 使用相同的 CNN 结构训练时，二维图像比
0.4 Batch normalization
None 一维数据的识别准确率高。当使用相同的 CNN 结
0 20 40 60 80 100
ᣃ൓ 构训练时，二维卷积的参数数量比一维卷积多了几
(a) ᰎ᝽ᬷюᆸဋ 十倍，可以更好地拟合函数。
(3) 当数据量少的时候使用数据增强能够提高
Dropout
35
Batch normalization 识别准确率。由于目前没有公开的超声缺陷检测回
30 None
25 波信号数据集，想要大规模的获取也很困难，数据增
૯ܿ 20 强就可以部分解决这个问题。
15
(4) 不同的优化手段有利于提高识别准确率。
10
可以在网络中将激活函数改为 Leaky ReLU，添加
5
0 Batch Normalization 层等来减少过拟合，提高网络
0 20 40 60 80 100 的泛化能力。
ᣃ൓
(b)૯ܿѦ஝ 分析实验证明，只要选取合适的 CNN 模型，不
需要进行特征提取就可以得到非常高的准确率，这
图 7 网络训练曲线
正是因为CNN独特的结构和优秀的性能。
Fig. 7 Training curve of network
3.5 激活函数对识别准确率的影响
参 考 文 献
表 9 展 示 了 不 同 激 活 函 数 ReLU 和 Leaky
ReLU 对识别准确率的影响。使用 LeNet5 结构在
[1] 彭应秋. 超声波检测工艺 [M]. 北京: 航空工业出版社, 1990:
扩充后数据集上进行训练，Leaky ReLU中的λ取值
5–7.
为 0.1。结果表明当使用 ReLU 激活函数时准确率 [2] Song S J, Schmerr L W. Ultrasonic flaw classification in
为 95.56%，使用 Leaky ReLU 激活函数时准确率为 weldments using probabilistic neural networks[J]. Journal
98.89%，可以看出 Leaky ReLU 的效果更好。这是 of Nondestructive Evaluation, 1992, 11(2): 69–77.
[3] Masnata A, Sunseri M. Neural network classification of
因为 Leaky ReLU 激活函数保留了更多的信息，使 flaws detected by ultrasonic means[J]. NDT & E Interna-
识别准确率得到提升。 tional, 1996, 29(2): 87–93.
[4] Margrave F W, Rigas K, Bradley D A, et al. The use of
表 9 ReLU 和 Leaky ReLU 对识别准确率的影响 neural networks in ultrasonic flaw detection[J]. Measure-
ment, 1999, 25(2): 143–154.
Table 9 The influence of ReLU and Leaky
[5] 卢超, 张维, 彭应秋, 等. 小波分析和人工神经网络在金属超
ReLU on identification accuracy 声无损检测缺陷分类中的应用 [J]. 南昌航空工业学院学报,
2001, 15(3): 51–54.
使用 ReLU 使用 Leaky ReLU Lu Chao, Zhang Wei, Peng Yingqiu, et al. Application
of wavelet analysis and artificial neutral networks to flaw
准确率/% 95.56 98.89
classification in ultrasonic nondestructive testing[J]. Jour-
nal of Nanchang Institute of Aeronautical Technology,
4 结论 2001, 15(3): 51–54.
[6] Liu S W, Huang J H, Sung J C, et al. Detection of cracks
本研究采用 CNN 对超声检测回波信号进行缺 using neural networks and computational mechanics[J].
陷识别，目标是寻找一种不依赖于特征提取技术的 Computer Methods in Applied Mechanics and Engineer-
ing, 2002, 191(25–26): 2831–2845.
网络结构，它要有良好的鲁棒性，并具有很高的识别
[7] Drai R, Khelil M, Benchaala A. Time frequency and
准确率。研究得出以下结论： wavelet transform applied to selected problems in ul-