Page 86 - 《应用声学》2025年第1期
P. 86

82                                                                                   2025 年 1 月


             流交替出现,在池化层后面通常会连接 1 个及以上                          式 (3) 中:f x l+1  为网络 l + 1 层输出;n l f x  和 W f x  分别
                                                                                                       l
                                                                                                      l
             的全连接层。                                            表示网络的第 l 层偏置矩阵和权重矩阵;α 为网络
                                                               的输入。
                                                    ዝی
                                                               1.2  卷积神经训练方法
                                                    ዝی
                                                                   铅封超声图像特征信息可以用CNN中的卷积、
                                                    ዝی
                                                               池化、激活函数等一系列运算来提取,最后通过全
                ᣥКࡏ                                   ...
                     Ԅሥ       ෉ӑ                               连接层将图像类别信息进行分类。训练模型利用反
                                                    ዝیn
                                                               向传播算法优化网络结构、求解网络参数,可以将
                       Ԅሥ⇁෉ӑࡏ           Лᤌଌࡏ
                                                    ᣥѣࡏ
                                                               误差由最后一层逐层向前反馈,并将目标函数收敛
                             图 1  CNN 结构                       到预设的范围,使每一层的误差减少,提高图像识别
                           Fig. 1 CNN structure
                                                               精度。
                 卷积层是 CNN 中的重要组成部分,包含有若
                                                               2 基于CNN的铅封缺陷识别
             干个特征图,通过一定矩形排列的神经元就可以形
             成特征图,相同特征图的神经元共享权值,卷积核就                           2.1  图像识别流程

             是共享权值。卷积运算可以描述为                                       基于 CNN的铅封缺陷识别流程如图2所示,主
                            (                  )
                                                               要包含四个阶段:铅封超声图像采集、超声图像预
                              ∑
                                         l
                     y l m  = f  x l−1  ⊗ ω + b l m  ,  (1)    处理、模型训练和缺陷图像识别。
                                  n
                                         m
                               n
                       l
             式 (1) 中:y 为卷积运算中第 l 层的第 m 个滤波器                                          नݽ
                       m
             的输出;f(·)为卷积层所采用的激活函数;x                l−1  是第
                                                   n
                                                                                  ᡔܦڏϸ᧔ᬷ
                                                    l
             l − 1 层中的第 n 个特征图;⊗ 为卷积运算;b 表示
                                                    m
             偏置  [22] 。
                                                                             ᝫጷ               ೝ฾
                 池化层又称采样层,一般紧跟在卷积层之后,                                              ڏϸᮕܫေ
             是按照一定池化规则在特征提取后进行的一个抽
                                                                        CNNവیᝫጷ              ᣥКគѿڏϸ
             样操作,也就是把卷积后提取的类似区域特征合并,
             通过池化操作可以明显减少训练的参数量和加快
             网络训练速度,同时避免过拟核。常用的分类法有                                   CNNᎥᬞគѿവی
             最大分类法、平均分类法和随机分类法。若池化过
             程采样宽度为 q × 1,则采样层 S 与第 k 个卷积核相                             ᣥѣគѿፇ౧
             匹配时输出的结果为          [22]
                                                                           图 2  铅封缺陷识别流程图
                                    jq
                                1   ∑                               Fig. 2 Sealing defect identification flow chart
                        a S,j,k =        a C,i,k ,      (2)
                                q                                   铅封缺陷检测平台
                                 i=jq−q+1                      2.2
             式 (2) 中:a C,i,k 为第 k 个卷积核输出的第 i 个元素;                  为了能够获取高压电缆终端不同类型铅封缺
             a S,j,k 是第k 个卷积核对应采用层的第j 个输出。                     陷超声图像样本,制备出铅封内部缺陷样品、铅封
                 在铅封缺陷超声图像分类模型中,在卷积层与                          层间缺陷样品以及铅封内部与层间缺陷并存样品。

             池化层之后会连接全连接层,并在最后加上 Soft-                         图3 显示了电缆终端铅封缺陷的位置和铅封样品的
             max 层作为输出层,将全连接层与 Softmax 层应用                     外观视图。
             于网络末端可以对铅封缺陷进行自动分类,全连接                                设计了一种超声相控阵柔性耦合装置,可以有
             层的输出可以表示为                                         效解决因高压电缆终端铅封表面曲率较大、超声探
                                                               头无法与铅封表面进行有效耦合的问题。图 4 为超
                                       l
                                           l
                                    l
                         f l+1  = δ(W α + n ),          (3)
                          x        f x     f x                 声相控阵柔性水囊耦合装置,它由超声相控阵探头、
   81   82   83   84   85   86   87   88   89   90   91