Page 61 - 无损检测2024年第六期

任建浩，等：

基于 1D-CNN-SVM 的钢丝绳损伤识别方法

图 5 3 种类型损伤及无损伤钢丝绳的检测信号波形
表1 3种类型损伤及无损伤钢丝绳样本数据 0. 000 5，momentum动量参数为0. 9，epoch为50。

损伤类型 样本总量 测试集数量 标签 2.3.2 试验结果分析
0.5根断丝 300 60 0 为验证所提模型的有效性，将数据集中数据输入
1根断丝 300 60 1
到所提模型中的1D-CNN模型进行训练，训练过程中
2根断丝 300 60 2
的训练集和测试集的损失率和准确率散点图如图6所
无断丝 300 60 3
示，可见第30次迭代后准确率稳定在98%左右，这里
表2 1D-CNN-SVM模型参数设置 的准确率关系到SVM分类的准确率，准确率越高则
网络模型 网络结构 参数 激活 数目 后面输入到SVM分类器中的提取特征越准确。
Conv1 1×3,stride:1 relu 16
Pool1 1×2,stride:2 — 16
Conv2 1×3,stride:1 relu 32
Pool2 1×2,stride:2 — 32
1D-CNN Conv3 1×3,stride:1 relu 64
Pool3 1×2,stride:2 — 64
Fc1 16256 — —
dropout P=0.5 relu —
Fc2 512 — —
SVM SVMClassifier kernel='rbf ' — —
（卷积核数量×长度×深度）结构的卷积核，为了
更全面深入提取到缺陷特征，使得每一层输出通道
翻倍，每一层都会经过批量划归一层和激活层处理；
在1D-CNN的两个全连接层中穿插一个dropout层， 图 6 1D-CNN 模型训练过程中的准确率和损失率散点图
使模型具有更好的鲁棒性；最后将提取到的特征与 为了更直观地观察模型分类效果，使用 t-分布
对应标签输入到SVM分类器中进行缺陷识别并输 随机近邻嵌入（t-SNE，一种用于降维和可视化高维
出结果。模型在基于python平台的深度学习框架 数据的技术）进行分析，将提取的高维特征映射到
pytorch下运行，GPU（图形处理器）为RTX 3090， 二维平面，输入层的t-SNE降维可视化结果如图7所
操作系统为Ubantu。模型训练的超参数中，设置训 示，可见，训练前的测试集数据分布混杂，难以对不
练批量为16，选择SGD作为优化器，设置学习率为 同钢丝绳损伤进行分类。
27
2024 年 第 46 卷 第 6 期
无损检测