Page 242 - 《应用声学》2025年第2期

502 2025 年 3 月

4.2 智能识别网络评估效果
4 网络训练与评估
为了直观区分算法改进前后的识别效果，再
4.1 网络训练与评估方法 次采集 425 张缺陷图像并进行分类作为测试集，其
训练网络模型参数：初始学习率设置为 0.05， 中：气孔图像 127 张，裂纹图像 98 张，疏松图像
权重衰减系数设置为 0.0001，动量设置为 0.9，批 141 张，群孔图像 59 张。从测试集中随机选取 4 张
处理大小设置为 4，共迭代 50 个周期。为评估缺陷 图像进行识别效果对比，算法改进前识别效果如
自动识别网络模型的性能，选用平均准确率 (Aver- 图 10(a)∼(d) 所示，改进后如图 10(e)∼(h) 所示。算
age precision, AP)、平均准确率均值(Mean average 法改进前模型提取缺陷特征能力较弱，导致识别缺
precision, MAP) 作为评估的指标，其数值越高表示 陷出现识别率低、易误判等现象，改进后，模型通过
网络模型的性能越好。AP 表示某一目标种类的检 最优网络提取特征图，结合多层特征图有效提高了
测能力，而对于 m 个种类的平均准确率用总体准确 缺陷的识别准确率。
率MAP来评估
对改进前后的 Faster RCNN 网络模型识别分
∫ 1
AP = P(R)dR, (2) 类超声相控阵缺陷图像进行评估与对比，改进前
0 后缺陷识别平均准确率如图 11 所示。改进前原始
m
1 ∑
MAP = AP i , (3) Faster RCNN 网络模型中气孔缺陷识别平均准确
m
i=1 率为 77.5%，裂纹缺陷识别平均准确率为 70.8%，疏
T P
P = , (4) 松缺陷识别平均准确率为 81.5%，群孔陷识别平
T P + F P
均准确率为 51.6%，总体准确率为 70.4%；改进后
T P
R = , (5) Faster R-CNN 网络模型中气孔缺陷识别平均准确
T P + F N
其中，P 为准确率，R 为召回率，T P 为正确识别缺陷 率为 95.8%，裂纹缺陷识别平均准确率为 94.3%，疏
的样本数量，F P 为错误识别缺陷的样本数量，F N 为 松缺陷识别平均准确率为 94.7%，群孔缺陷识别平
未检测出缺陷的样本数量。 均准确率为96.4%，总体准确率为95.3%。

76%
85%
87% 63%

(a) ඡߘ (b) ᜈጯ (c) Ⴀ౛ (d) Ꮖߘ

98%
99%
99%
98%

(e) ඡߘ (f) ᜈጯ (g) Ⴀ౛ (h) Ꮖߘ
图 10 算法改进后识别结果图
Fig. 10 Recognition results after algorithm improvement