Page 109 - 《应用声学》2022年第4期

第 41 卷 第 4 期 韩鹏程等： 卷积神经网络在气体泄漏超声识别中的应用 607

0.8 率，确定添加位置，如表7所示。
0.7 513f513Ѭᣲဋ
513f186Ѭᣲဋ
0.6 表 6 三分类气体泄漏数据集划分
ᝫጷᬷ૯ܿѦ஝ 0.5 Table 6 Classification of three-class gas

leakage data set
0.4
0.3
数据集 阀门泄漏 垫片泄漏 背景
0.2
训练集 3992 3992 3992
0.1
0.05
验证集 500 500 500
0
0 1000 2000 3000 4000 5000
测试集 500 500 500
ᝫጷ൦஝
(a) ᝫጷᬷ૯ܿѦ஝ԫӑᡖҹ
表 7 不同位置 Inception 模块对模型的影响
100
98 Table 7 The influence of Inception mod-
90 ules in different positions on the model
513f513Ѭᣲဋ
513f186Ѭᣲဋ
ᝫጷᬷюᆸဋ/% 80 第一层后 总体识别准确率/%
测试集
80.43
70

60 第二层后 88.03
第三层后 93.12
50
0 1000 2000 3000 4000 5000 由表7 可知，Inception模块随着添加位置后移，
ᝫጷ൦஝
总体识别准确率逐渐提高，但是在第一层和第二层
(b) ᝫጷᬷюᆸဋԫӑᡖҹ
后，其总体识别准确率相比未添加时反而降低，尤其
图 4 二分类模型收敛特性 在第一层后只有80.80%。
Fig. 4 Convergence characteristics of the two-class 分析可知，第二个卷积层维度为 32，第三个卷
model 积层维度为 64，而文中所使用的 Inception 模块维
度为 128。因此，当 Inception 模块添加在前两个卷
分析可知，相比 186×513 分辨率时频图作为
积层后时，维度的压缩都造成底层通用特征的丢失，
输入，513×513 分辨率时频图作为输入的情况下，
进而造成深层网络难以提取到更精细的特征。
精度由 0.889 提高到 1.000，召回率由 1.000 下降到
因此，确定 Inception模块添加位置在第 3 个卷
0.928，而精度和召回率的调和平均数 F1-score 由
积层后，并和训练集作用于基本网络结构时训练情
0.941 提高到 0.962，模型性能有了很大提高。CNN
况进行对比。图5(a)和图5(b)分别为损失函数和准
分类模型虚警率由 0.125 下降到 0，漏警率由 0 上升
确率随训练步数变化的情况。
到0.072。除此之外，测试集识别准确率由93.53%提
由图5可知，作用于基本网络结构时，训练步数
高到96.90%。
增加到 9424 步，模型收敛；作用于改进网络结构时，
综上所述，确定以 513×513 分辨率作为输入时
训练步数增加到 8370 步，模型收敛。此时两个模型
频图的尺寸。
的损失函数稳定在 0.1 左右，准确率稳定在 96% 左
3.3 改进三分类模型建立 右，添加Inception模块加速模型收敛。
通过进一步细分泄漏类型，研究基于 “阀门泄 计算两个模型在测试集上的性能，如表8所示。
漏”、“垫片泄漏” 和“背景”的CNN三分类模型判断 分析可知，添加 Inception 模块后，有效提高了
泄漏属于哪一类。按照二分类气体泄漏数据集划分 模型性能，各项指标相比未添加Inception模块时均
思想，三分类气体泄漏数据集划分如表6所示。 有提高。其中，总体识别准确率由原来的 91.05% 提
分别在基本网络结构的每一层卷积层后添加 高到 93.12%，而且每一类的识别准确率没有出现失
Inception 模块，计算测试集在模型上的识别准确 衡的现象。