Page 69 - 无损检测2023年第十二期
P. 69

刘春华, 等:

   相控阵超声检测缺陷识别与分类研究进展

                                                     中, 搜索能力和收敛速度与超参数的设置有关。汪
  3 应用与算法
                                                     子君等    [ 23 ] 提出了进化神经网络及多目标进化算法
     近年来基于相控阵超声的无损检测缺陷分类与                            在红外无损检测中的应用方法, 取得了较好的效果。
   识别在材料科学、 机械制造、 航空航天等领域有着广                         3.5 基于深度学习的算法
   泛的应用     [ 17 ] 。在材料科学方面, 其可以应用于金                   卷积神经网络( CNN ) 是一种常用的 DL 网络。
   属、 陶瓷、 复合材料等材料的缺陷检测和评估                  [ 18 ] ; 在  目前, 基于 CNN 的缺陷分类与识别算法得到了广
   机械制造方面, 可以应用于轴承、 齿轮、 焊接接头等                        泛研究。例如, MUNIR 等         [ 24 ] 提出了一种基于卷积
   零部件的质量控制和缺陷检测                [ 19 ] ; 在航空航天方      神经网络的噪声条件下的超声焊件缺陷分类方法,
   面, 可以应用于飞机、 卫星等航空器的结构缺陷检测                         其采用数据增强技术增强数据集, 试验结果表明
   和评估。下文将介绍5种常用的缺陷分类与识别算                            CNN 具有很好的缺陷分类能力。 GONG 等                [ 25 ] 提出
   法, 包 括 支 持 向 量 机 ( SVM )、 人 工 神 经 网 络             了一种航空复合材料夹杂物缺陷检测的深度迁移学
   ( ANN )、 遗传算法( GA )、 神经进化算法( NEA ) 和基             习模型, 在样本稀少时能够提取夹渣物特征, 获得更
   于深度学习( DL ) 的算法。                                  高的识别精度。虽然 CNN 表现出了良好的性能,
   3.1 支持向量机                                         但是其需要大量的训练数据, 具有高维特征不可解
     SVM 是一种用于缺陷识别与分类的常用算法,                          释性。
   其具有高精度、 高可靠性等优点。在 SVM 算法中,                             相控阵超声技术在缺陷识别与分类方面, 可以
   通过训练得到的模型, 可以对新的检测信号进行识                           根据数据量、 算法复杂度和获取数据难易程度等具
   别与分类。 SVM 算法常用的两种核函数是线性核                          体的应用场景和需求, 选择适当的算法。不同的工
   函数和径向基核函数。其中, 线性核函数适用于线                           件表现的特征也不一样, 选择合适的特征提取方法
   性可分的情况, 而径向基核函数适用于非线性可分                           可以提高算法的分类准确率, SVM 和 ANN 直接基
   的情况。 WANG 等       [ 20 ] 基于相控阵超声全聚焦法成             于回波信号, 更注重利用表层特征直接进行分类, 利
   像对管道缺陷进行自动分类, 取得了较好的效果。                           用的特征参数包括传播时间、 回波幅值、 频域特征和
   3.2 人工神经网络                                        回波能量等。 GA 、 NEA 和 CNN 是基于计算机视
     ANN 是一种模拟人脑神经元工作原理的算                            觉进行图像识别与分类的, 更注重提取深层特征, 例
   法, 具有较高的分类准确率和泛化能力。在 ANN                          如利用图像的梯度变化趋势和对比度等。此外,
   算法中, 得到 ANN 模型可以实现对新信号的识别                         CNN 和 ANN 还需要充分考虑到时间复杂度和缺
   与分类。常用的 ANN 包括前馈神经网络和循环神                          陷识别与分类准确性之间的平衡。各种算法都有其
   经网络。其中, 前馈神经网络适用于稳态数据, 而循                         适应的场景, 主要表现为: SVM 适合缺陷识别简单、
   环神经网络适用于序列数据。 YANG 等                 [ 21 ] 基于相   数据量少的场景; ANN 适合缺陷识别简单但数据
   控阵超声换能器和人工神经网络的低压涡轮盘裂纹                            易获取的场景; GA 、 NEA 和 CNN 都需要较大的数
   定位与深度估计, 取得了较好的效果。                                据量, 其中 GA 的全局优化能力强, 能适应复杂场
   3.3 遗传算法                                          景; NEA 拥有较好的泛化能力, 能适应更多的场景;
     GA 是一种模拟生物进化过程的算法, 具有较                          CNN 表现出了良好的缺陷分类与识别性能, 但其性
   高的鲁棒性和全局优化能力。在 GA 算法中, 需要                         能表现也受到了应用场景数据量的限制。
   选择合适的适应度函数、 交叉概率和变异概率等参
                                                     4 挑战和问题
   数, 以提高算法的搜索能力和收敛速度。 SONG
   等 [ 22 ] 提出了基于深度学习和遗传算法的相控阵超                        针对相控阵超声检测的缺陷分类与识别, 研究
   声稀疏全聚焦成像方法, 提高了全聚焦成像的质量,                          人员提出了许多算法, 但是在实际应用中, 仍然存在
   取得了较好的效果。                                         一些挑战和限制。
   3.4 神经进化算法                                        4.1 数据数量和质量问题
     NEA 是一种将神经网络和遗传算法相结合的                             数据方面主要面临的挑战是数量不够, 质量不
   算法, 通过遗传算法优化神经网络的结构和参数, 可                         好, 具体而言就是缺乏标准数据集和数据质量不
   以提高缺陷识别与分类的准确率。在 NEA 算法                           均匀。
                                                                                                5
                                                                                               3
                                                                             2023年 第45卷 第12期
                                                                                     无损检测
   64   65   66   67   68   69   70   71   72   73   74