Page 88 - 《应用声学》2025年第1期

84 2025 年 1 月

像素大小的图像作为输入样本集，最后对输入的终
端铅封样本进行训练和测试。具体的训练步骤如下：
(1) 向输入层输入一个 224×224 像素大小的铅
封超声图像样本图；
(a) ௄Ꭵᬞ (b) ЯᦊᎥᬞ (2) 第一层采用 7×7 大小的卷积核分别对输入
的铅封超声图像进行卷积处理，滑动步长为 2，通道
为64，经过卷积，可获得尺寸为 112×112像素 (数量
不变，但尺寸为原来的一半)的64个二维特征图；
(3) 卷积后进行 ReLU 操作，接着进行步进为 2
的卷积操作，最后再进行卷积核为 3×3 的最大池化
(c) ࡏᫎᎥᬞ (d) ЯᦊˁࡏᫎᎥᬞ
操作，输出64个56×56像素大小的二维特征图谱；
图 6 铅封超声实验图像
(4) 接下来的卷积和池化操作与步骤 (2) 和步
Fig. 6 Lead seal ultrasonic test image
骤 (3) 相似。最终可以得到 256 个 28×28 的二维特
2.3 CNN 网络模型建立
征图谱；
基于CNN的铅封自动识别平台如图7 所示，主 (5) 对最终输出的铅封缺陷二维图像矩阵做进
要由硬件、软件和深度学习框架几部分组成。试验 一步转化处理，全连接层的输入节点一共有 200704
的硬件环境为：Intel(R) Core(TM) i5-8500 CPU， 个；
Intel(R) UHD Graphics 630 GPU；软件环境为：深 (6) 全连接层一共两层，每个层次的神经元数
度学习开源框架 GoogLeNet，Windows10 操作系 量为512；
统，深度学习平台以及待检测试样图像库。 (7) 输出层一共有四个神经元 (四种不同类型

ᣄ͈ 的铅封超声图像)，512 个神经元都与输出层四个神
经元进行全连接进行分类。
ງएߦ˸
GoogLeNet಴౶
表 1 各种状态下铅封样本集的分布
Table 1 Distribution of lead seal sample
sets in various states

分类 无缺陷 内部缺陷 层间缺陷 内部与层间缺陷
训练集 216 396 444 324
ᆶ͈ ನవ 验证集 30 48 54 42
测试集 30 48 54 42
图 7 铅封缺陷自动识别平台
Fig. 7 Lead seal defect automatic identification
3 实验结果分析
platform
通过深度学习平台中的 augmented 函数对实 在对铅封缺陷图像进行识别分类的研究中，结
验获得的相同尺寸图像进行数据增强，从经过数据 合实验情况可以发现，在卷积层中，卷积核的数目
增强的样本中随机抽取 1380张作为训练样本，将剩 对所抽取的特征类型有很大的影响，会改变 CNN
下的 348 张作为验证集和测试集。电缆终端铅封四 的性能，从而影响缺陷识别的准确率。因此分别对
种样本集的分布情况如表1所示。 不同大小的卷积核进行了多次试验，训练迭代次数
由于大部分的神经网络模型要求输入的图片 为 2300 次，每迭代 100 次，对训练的结果进行一次
大小是固定的，而因铅封缺陷超声检测的数据来 测试，并对不同卷积核数目识别结果进行了对比分
源不同，大多数情况下会遇到数据集的图片大小不 析，模型损失值在训练过程中随迭代次数变化情况
统一的问题。对于尺寸不统一的铅封图像，可以通 如图 8 所示，图 9 显示了在训练期间随着迭代次数
过平台中的 resize 函数遍历数据集中的每个超声图 而改变的精确度；当训练趋于平稳时，其训练效果见
像，能够将铅封缺陷超声图片统一规划成 224×224 表2。