基于一维CNN的时域超声信号识别技术研究

作者：韩晓东; 李光亚; 胡雅妮; 简丽; 张国花

来源：电子测量技术, 2022, 45(12): 20-25.

DOI：10.19651/j.cnki.emt.2208984

• 卷积神经网络
• 超声信号
• 缺陷识别

超声检测缺陷是一种主流的缺陷识别手段，二维卷积神经网络一直是该领域的主要技术，一般从二维C扫、D扫等图像中提取属性特征来进行识别分类，这些研究主要采用二维卷积层，会产生较大的资源消耗。在所有类型的缺陷识别方法中，超声回波信号分析是最主要和有用的工具之一，本研究从原始时域超声信号中提取特征，首先使用来自实验室的JPR-600C空气耦合超声波无损检测系统采集数据；然后通过使用不同的超参数进行实验、t-sne可视化等手段构建并优化一维CNN网络模型；最后实现超声信号缺陷识别分类。实验结果表明，所提出的CNN模型的性能令人满意，缺陷识别准确率为97.57%,高于其他机器学习方法，为实现缺陷识别自动化的需要提供辅助。

• 单位
  中北大学