Page 59 - 无损检测2024年第六期
P. 59
任建浩，等：
基于 1D-CNN-SVM 的钢丝绳损伤识别方法
可通过深度神经网络自动学习信号中的数据特征。 位置进行卷积，可得到输出序列y(t)。池化层则通过
支持向量机（SVM）通过引入核函数，将数据映射到 对卷积输出进行降采样，可在减少参数数量的同时
更高维的空间中，从而将原始空间中线性不可分的 保留关键信息。最后，全连接层将提取的特征映射
问题变得线性可分 [6-7] 。笔者结合二者优点，提出一 到输出空间，进行最终的分类或回归。
种基于1D-CNN和SVM的钢丝绳缺陷识别方法，融 在该一维卷积神经网络模型中添加批量归一化
合深度学习和经典机器学习技术，对钢丝绳进行检 层（BN层）和丢弃层（Dropout层）。BN层对神经网
测并将检测结果与其他模型进行比较，以此来验证 络的中间层输出进行标准化，有助于加速网络的训
所提模型的优越性。 练过程。BN层通过对每个批次的数据进行归一化，
使数据的均值接近0，标准差接近1，从而利于缓解
1 检测原理及算法
梯度消失和爆炸问题，加速收敛，同时提高模型的鲁
1.1 钢丝绳漏磁检测原理 棒性。其过程可表示为
漏磁检测是钢丝绳无损检测领域应用最广泛的 µ x-
B γ β () x= （2）
方法之一，其检测原理为：将钢丝绳置于开环漏磁检 N +
σ 2 ε +
测仪器中，通过移动钢丝绳或者检测仪器进行扫描 式中：B 为对输入数据进行标准化处理后的结果；μ
检测（见图1） 。检测仪器中有用作磁化激励源的永 N
和σ分别为输入序列的均值和标准差；ε为用于防止
磁铁和采集漏磁信号的磁敏传感器，钢丝绳有缺陷
除数为0的微小正数；γ和β为可学习的缩放和偏置
时，被激发出的磁力线或者磁回路中的磁阻会发生
参数。
变化并被磁敏传感器捕捉，对采集到的数据进行模
Dropout层以指定的概率随机丢弃神经元，即将
数转换和信号处理后即可实现缺陷的检测。
其输出设为0。这意味着在每个训练步骤中，模型都
在使用网络的不同子集进行训练。即，每个神经元
都不能依赖于特定神经元的存在，因此网络更加健
壮，能够适应不同的输入，其训练过程可表示为
（3）
式中：D（x,p）表示丢弃层对输入数据x的操作；p为
模型中神经元节点丢弃的概率。
图 1 钢丝绳漏磁检测原理示意 1.3 支持向量机（SVM）
1.2 一维卷积神经网络（1D-CNN） 支持向量机是一种强大的监督学习算法，广泛
应用于分类和回归。SVM 的目标是在特征空间中
一维卷积神经网络是一种深度学习模型，专为
找到一个最优的超平面，将不同类别的样本分隔开，
处理一维序列数据而设计，其基本结构包括卷积层、
同时使间隔最大化。这个超平面被选为能够最大程
池化层和全连接层，同时该模型通过激活函数引入
度地将不同类别的样本点离开的平面。SVM 的决
非线性变换，帮助网络学习复杂的特征和模式。
策函数可以表示为
卷积层通过卷积核在输入序列上滑动，学习局
⋅
z
部特征并生成高阶显示。考虑输入序列x和卷积核 f ( ) = sign(w z +θ ) （4）
w，卷积操作的数学表达式为 式中：w为超平面的法向量；z为输入样本的特征向
K
t
a
⋅
y () = ∑ ( x t-a w ( )+b （1） 量； θ为支持向量机超平面的截距；sign函数可用于
)
确定样本点位于超平面的哪一侧，从而进行分类。
a= 1
式中：y(t)为卷积操作的输出，在位置t处得到；K为 1.4 1D-CNN-SVM模型
卷积核的大小；b为偏置项；a为卷积核在滑动过程 通过搭建1D-CNN-SVM模型实现对钢丝绳损
中的偏移量。 伤进行分类识别，模型整体架构如图2所示。具体实
这一操作对整个序列x进行滑动，通过对每个 施过程为：钢丝绳漏磁检测设备采集到信号后，对信
25
2024 年 第 46 卷 第 6 期
无损检测
