Page 97 - 《应用声学》2023年第3期

第 42 卷 第 3 期 刘骁等： 基于深度学习的材料超声回波衰减预测方法 535

CNN层(每两个CNN层后跟一个池化层，通过1×2 层，之后使用展平层展平输入至2层全连接(FC)层，
最大池化进行下采样) 和 2 个全连接层，由 1346622 每个层具有1152和1152个隐藏单元，依次到达6 个
个可训练参数组成。将原始背散射波作为输入数据 单元的最终 softmax 输出 (预测) 层。整流线性单元
输入网络。第一 CNN 层对原始序列数据进行初步 (ReLU)函数用作每个卷积层和密集(FC)层的激活
的特征提取，对于 CNN 层来说卷积核的尺寸影响 函数。为了解决过拟合问题，在卷积层和全连接层
其空间维度上提取特征的范围，过小的卷积核尺寸 之间添加了 dropout 层。使用的 dropout 百分比为
会导致其无法有效提取空间维度上的特征变化，而 50%。
过大的卷积核尺寸则可能会导致一些微小的特征
变化被忽视，因此将第一 CNN 层卷积核大小设置 表 1 CNN 的超参数设置
为1 × 8；同时为尽量提取底层特征将卷积核通道数 Table 1 CNN hyperparameter setting
与卷积核尺寸相等，通道数为 8，第一 CNN 层输出
层类别 参数
数据维度为 622 × 8。第二 CNN 层进行更深层次的
卷积层 1 核尺寸：8 × 1；8 滤波器
特征提取，为提取时间维度上更大范围内的特征组
合，将这层的卷积核尺寸仍设置为 1 × 8，通道数为 卷积层 2 核尺寸：8 × 1；2 滤波器
最大池化层 1 核尺寸：2，步进：2
2，第二CNN层输出数据维数为308 × 16。第三和第
卷积层 3 核尺寸：4 × 1；2 滤波器
四 CNN 层对序列进行更深层次的特征提取，随着
卷积层 4 核尺寸：4 × 1；2 滤波器
模型深度的增加需要相应减少单个卷积核提取特
最大池化层 2 核尺寸：2，步进：2
征的时间范围，因此将卷积核的尺寸设置为 1 × 4。
dropout 层 0.5
在第二 CNN 层和第四 CNN 层后分别设置池化层
全连接层 1152
进行下采样，池化核大小为 1 × 2，步长为 2，通过降
全连接层 1152
低时间维度上的分辨率来获得空间不变性和正则
输出层 6
化，同时减少运算量。在池化层后设置一个dropout

1250T1 37T64 18T64 1152T1 1152T1
622T8
308T16 76T32 6T1
154T16 ᮕ฾ፇ౧

Лᤌଌࡏ
图 5 背散射波分类识别网络结构
Fig. 5 Classification and recognition network structure of backscattering waves
减分类识别网络模型进行训练。学习率从 0.0001
2 结果与分析
开始。单个批量包含 8 个样本，每轮训练批量数量
为验证本文所提出的材料超声波衰减分类识 为 300 个。图 6 为模型训练的损失和准确率的曲线
别方法的可行性与准确性，从 2 方面进行了实验验 图，至第10轮时模型训练的损失及准确率已无明显
证：(1) 基于一维 CNN 的材料超声波衰减分类识别 变化。训练曲线图中验证损失低于训练损失，验证
检测算法与实际检测结果的对比；(2) 采用不同形 准确率优于训练准确率。两个因素导致这一现象：
式背散射波进行超声波衰减分类识别的性能验证。 (1) 在验证时 dropout层是关闭的，因此验证精度提
2.1 基于一维 CNN 的材料超声波衰减分类识别 高；(2) 训练准确率是在每个批量后产生，验证准确
模型的训练及评价 率则是在每个训练轮数后产生，时间上存在滞后性，

利用高温合金超声波衰减 -背散射 (RF 信号) 因此验证精度相对要提高。经过 10 轮训练，最终在
数据集的训练集总共 7602 个样本对材料超声波衰 训练集上准确率达到0.941。