Page 103 - 无损检测2021年第五期

孙洪宇, 等:

机器学习在复合绝缘子缺陷超声检测中的应用与展望

总结目前已成功用于超声无损检测领域的特征提取 计算成本的前提下改变了信息的前向和后向传递的
技术和统计机器学习分类预测技术。 方式, 促进了网络的进一步优化。

图 4 机器学习算法处理超声检测信号流程
针对一维 A 扫描超声信号, 采用传统的信号处
图 5 USse q Net与 USresNet的网络结构
理方法即可实现缺陷特征的有效提取。这些方法包
由图 5 可以看出, USresNet网络的结构层次较
括离散傅里叶变换( DFT )、 离散小波变换( DWT )、
主成分分析( PCA )、 遗传算法( GA )、 经验模态分解 深, 采用了 7 个卷积层、 7 个批归一化层、 7 个 ReLU
( EMD )、 裂谱分析( SSP ) 等, 而针对二维 B 扫描超 ( 一种常用的激活函数) 层、 3 个短接模块、 3 个短接
声图像, 上述方法并不适用, 需要采用一系列新的二 后组合 ReLU 层和 1 个全连接层。结果表明, 采用
维统计描述符来提取图像特征, 如局部二进制模式 残差模块的深度卷积神经网络的分类效果更好, 性
( LBP )、 方向梯度直方图( HOG )、 高阶局部自相关 能更高, 且无需在分类前进行缺陷特征的预提取, 在
( HLAC )、 梯度局部自相关( GLAC ) 等。 很大程度上降低了计算复杂度, 提高了预测准确率。
根据上述研究内容, 可以通过不同的算法提取 目前, 使用深度学习来研究超声无损检测信号
出包含缺陷信息的低维紧凑特征向量, 然后使用统 分类问题的案例较为匮乏, 仅在近几年才引起无损
计机器学习方法对提取出的特征向量进行分类。目 检测领域学 者们 的 注 意。 MUNIR 等 [ 31 ] 在 研 究 中
前广泛使用的统计机器学习方法包括奇异 值分解 对特征工程 - 浅层神经网络和深层神经网络进行了
( SVD )、 支持向量机( SVM )、 稀疏编码( SC )、 人工神 对比, 并得到了一致的结论, 即浅层机器学习分类模
型需要特征工程作为辅助预处理手段, 而深层卷积
经网络 ANN 、 随机森林( RF )、 主成分分析( PCA )、
概率神经网络( PNN )、 费舍尔判别分析( FDA )、 循 神经网络可以自动提取出高层信息, 无需复杂的特

环神经网络( RNN ) 等。对于尺寸小于 100 μ m 的缺 征工程。
陷一般直接采用 K 最近邻( KNN ) 分 类算法, 该种 2.3 数据集增强
方法要比卷积神经网络、 循环神经网络等复杂算法 虽然研究人员已经提出了表达能力较好的适用
于超声无损检测领域的神经网络结构与算法, 但是
更加有效。
2.2 深层神经网络法 网络层次的不断加深会导致其更加依赖于具有足够
近年来, 随着深度学习的提出, 具有深层次结构 样本的数据集, 这在目前的无损检测领域是很难实
的神经网络被广泛应用于图像识别与自然语言处理 现的。由于超声检测的方法众多, 仪器的型号多种
等领域。在无损检测领域, 针对超声检测缺陷信号 多样, 标准缺陷的制作也会耗费大量的人力、 物力和
难以识别的问题, YE 等 [ 30 ] 提出了两种深度卷积神 财力, 很难找到适用于特定检测环境的数据集来对
经 网 络 用 于 识 别 二 维 超 声 图 像: USse q Net 和 网络进行训练, 所以针对超声无损检测数据集稀缺
USresNet 。 二 者 的 网 络 结 构 如 图 5 所 示。 的问题, 研究人员提出了多种数据增强方法来对已
USse q Net采用深层次顺序型卷积神经网络对 128 有的少量检测数据进行有效扩充。
像素 ×128 像素的彩色超声图像进行缺陷识别, 但 虚拟缺陷法可用于从有限的模型和缺陷集中生
是, 随着网络层数的不断加深, 模型的表达能力并非 成具有足够代表性的超声数据。这种方法通过在原
是线性增强的, 更深的网络会使收敛速度变慢, 分类 始信号中逐点插入幅值可变的虚拟缺陷来模拟真实
准确度反而会变差。因此, 深度残差网络( ResNet ) 缺陷的位置和大小 [ 32 ] 。 LIU 等 [ 33 ] 采用仿真信号来
被提出以解决此类问题, 即通过恒等映射在不增加 对数据集进行增强, 但是相对于真实信号难以准确
1
6
2021 年 第 43 卷 第 5 期

无损检测