Page 49 - 无损检测2022年第三期

申 庆, 等:

加筋板智能导波损伤识别与评估

征的数值, 舍弃不重要的部分, 以突出损伤特征。
3 深度学习损伤识别算法
全连接层可以被看作是神经网络中的一个隐藏
3.1 CNN 结构与特征 层, 其包含权重向量和激活函数。选择 softmax 函
卷积神经网络是一种深层前馈神经网络, 与传 数作为模型的分类器, 其输出结果对应于概率最高
统机器学习方法相比, 其不需要人为选择损伤特征, 的一类。对于某一类输入类别 p 其输出属于第 Q
,
且能够直接从训练数据中自动提取特征。参考已得 类的概率 α Q 为
z
Q
到成功应用的网络, 根据检测需求构建了 7 层卷积 α Q y Q =Q p = e ∑ ( 3 )
i
e
)
(
神经网络, 其结构如图 6 所示( 图中 F 为核数; k 为 i =1
式中: e 为第 Q 个节点的输出; z 为输出节点的个
Q
卷积核的大小)。
数, 即分类的类别个数; 为“ 输入 p 属于第Q 类”
y Q
事件, 1>y Q >0 , ∑ y Q = 1 。
Q
3.2 CNN 训练与优化方法
若卷积神经网络的输入为x , 类别总数为z , 输
, ,…,
, ,…, α z
出为α= [ α 1 α 2 ], 期望输出为 t= [ t 1 t 2
], 交叉熵损失函数 G ( x ) 的一般表达式为
t z
z
1
G ( x ) = - ∑ [ t k lnα k + 1- t k ln ( 1- α k )]( 4 )
)
(
z k= 1
式中: t k ∈ 01 仅当k 对应正确的分类时, t k = 1 ,
{,},
否则t k = 0 。
文章 选 择 的 优 化 算 法 为 自 适 应 矩 估 计 算 法
( Adam )。 Adam 算法在权值和偏置的更新过程中增
加了梯度的修正项, 且学习率在每次迭代中都会被调
整, 可使神经网络的收敛性能更好。优化公式为
( ) ( 5 )
m t = β 1 m t - 1 + 1- β 1 g t
图 6 构建的 7 层卷积神经网络结构示意 ν t = β 2 ν t - 1 + 1- β 2 g t ( 6 )
2
)
(
文章选择卷积核的大小为 3×3 , 数量为 8 。使 式中: m t 和 ν t 分别为对应梯度的一阶力矩( 平均)
用 dro p out技术 [ 11 ] 来避免过拟合, 默认值设置为 0. 和二阶力矩( 偏方差); 为梯度; 为一阶矩估计
g t
β 1
5 。激活函数选择为线性整流函数( ReLU ), 其数学 的指数 衰 减 率; 为 二 阶 矩 估 计 的 指 数 衰 减 率;
β 2

表达式为 m t-1 为第t-1 次的一阶动量; ν t-1 为第t-1 次的
(
f x ) =max ( 0 , x ) ( 1 ) 二阶动量。
当x 大于 0 时直接输出 x , 当 x 小于 0 时输出 对 m t 和 ν t 进行偏差修正, 其结果分别对应 ^
m t
为 0 。该函数的优点为, 在随机梯度下降的训练中 和 ^ν t , 表达式为
^ /( t ) ( 7 )
收敛很快, 在输入为正数时不存在梯度饱和问题。 m =m t 1- β 1
t
CNN 的卷积层能够使用自更新的卷积核在图 ^ν= ν t 1- β 2 ) ( 8 )
/(
像上滑动以抓取图像信息, 提高识别效率。二维图 Adam 的更新规则为
像I 进行的卷积运算为 η ^
θ t + 1 = θ t - ×m t ( 9 )
j =
S ( i ,) ( I*K )( i ,) ^ν t + ε
j =
式中: 的默认值为0.9 ; 的默认值为0.999 ; ε 的
j-n )
∑∑ I ( m , n ) K ( i-m , ( 2 ) β 1 β 2
m n -8 为第 t-1 次
η
默认值为 10 ; 为自适应学习率; θ t
式中: K 为一个二维的卷积核; i , 为输入图像的宽
j
为第t 次优化的参数。
优化的参数; θ t+1
度与高度; m , n 为核函数的宽度与高度; S ( i , ) 为
j
4 训练过程和测试结果
二维卷积的结果。
4.1 CNN 的训练过程
文章选择最大池化作为池化 方 法, 以 Poolin g
窗口中的最大值作为采样值, 提取出真正能代表特 使用损伤识别数据库对 CNN 进行了训练。有
5
1
2022 年 第 44 卷 第 3 期
无损检测