Page 99 - 《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 537

号进行的测试结果无论是整体识别准确率还是单 幅度对比结果，其中黑色曲线为该行背散射波幅度，
类别识别准确率均明显劣于采用 RF 波信号的测试 红色曲线为该行底面回拨幅度，灰色为该行扫描结
结果，预测错误最多可以达到两个类。特别是 0 类 果的实际超声波衰减分类结果，蓝色曲线为利用分
(底面回波幅度 15%)，识别准确率仅0.51，有49%的 类识别模型得到的超声波衰减分类识别结果。采用
0类背散射波信号被错误的分类识别为1类。 模型进行的分类识别结果与实际检测所得的底面
回波衰减变化趋势有较好的一致性，利用 RF 信号
0 0.51 0.49 0.00 0.00 0.00 0.80 模型所得到的分类识别结果更接近实际底面回波
衰减情况。从图 11 的对比曲线结果中也可以看到，
1 0.03 0.93 0.07 0.00 0.00 0.00
采用正全波信号模型的分类识别结果在类别上出
0.12
0.85
0.00
0.03
0.00
0.00
2
ᄾࠄѬዝ 3 0.00 0.00 0.01 0.82 0.16 0.01 现明显的震荡，而利用 RF 信号模型所得的分类识
别结果和真实的分类结果有更好的一致性。
4 0.00 0.00 0.00 0.11 0.79 0.11 3 讨论
5 0.00 0.00 0.00 0.00 0.04 0.96
实验表明，利用高温合金超声波衰减 -背散射
0 1 2 3 4 5 (RF 信号) 数据集训练的材料超声波衰减分类识别
ᮕ฾Ѭዝ
网络可以实现利用背散射波信号分类识别得到材
图 9 正全波数据集测试集进行预测所得的混淆矩阵 料超声波衰减情况分类。说明了基于深度学习的材
Fig. 9 Confusion matrix obtained from prediction of
料超声波衰减分类识别方法的可行性。作为对比
positive full wave data set and test set
实验，利用正全波信号数据集训练得到的材料超声
为验证训练所得模型对于实际检测数据的分 波衰减分类识别网络的分类识别准确率出现了较
类识别表现，利用训练所得的模型对于 1.1.1节中所 大幅度的下降。采用相同训练超参数和相同的网络
采集的背散射波进行分类识别，得到图10所示的结 结构，可排除训练超参数以及网络结构差异所带来
果。图 11 为提取图 8 中第 40 行数据的背散射波分 的影响。因此可确定导致其分类识别准确率差异的
类识别结果、实际底面回波幅度衰减以及背散射波 主要因素来自其所采用训练数据集。

൦ᤉவՔ/mm 5.0 60 ηՂࣨϙ/%
4.0
3.0
40
2.0
1.0
0
0 4.0 8.0 12.0 16.0 20.0 24.0 28.0 32.0 36.0 40.0 44.0 48.0 20
ੳಊவՔ/mm
(a) ࠄᬅೝ฾ፇ౧ 5
൦ᤉவՔ/mm 4.0 4 3 2 1 ᮕ฾Ѭዝ
5.0
3.0
2.0
1.0
0
0 4.0 8.0 12.0 16.0 20.0 24.0 28.0 32.0 36.0 40.0 44.0 48.0 0
ੳಊவՔ/mm
(b) RFηՂവیѬዝគѿፇ౧ 5
൦ᤉவՔ/mm 4.0 4 3 2 1 ᮕ฾Ѭዝ
5.0
3.0
2.0
1.0
0
0 4.0 8.0 12.0 16.0 20.0 24.0 28.0 32.0 36.0 40.0 44.0 48.0 0
ੳಊவՔ/mm
(c) ൤ЛηՂവیѬዝគѿፇ౧

图 10 预测结果与实际底波衰减 C 扫对比
Fig. 10 Comparison between predicted results and actual bottom wave attenuation C-scan