Page 86 - 《应用声学》2025年第1期

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、