Page 62 - 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 7 输入层的 t-SNE 降维可视化结果
输出层的t-SNE降维可视化结果如图 8 所示， 图 9 混淆矩阵降维可视化结果
根据测试集数据经 1D-CNN模型训练后的输出特 络），1D-CNN-ELM（极限学习机），1D-CNN-RF（随
征，可以看出不同钢丝绳损伤特征可以明显区分，并 机森林），1D-CNN-LSTM（长短时记忆网络）模型
有较高的聚集性，该模型可有效可靠地对特征进行 进行对比试验，每个模型试验10次，对性能评价指
提取。 标取平均值，得到的不同模型的评价指标对比如表3
所示。
表3 不同模型的评价指标对比 %

网络模型 准确率 精确率 召回率 F 1
1D-CNN 95.57 82.95 82.10 81.38
1D-CNN-ELM 97.39 97.54 97.37 97.46
1D-CNN-RF 98.71 98.62 98.48 98.48
1D-CNN-LSTM 94.91 84.04 80.69 86.71
所提模型 98.75 98.79 98.75 98.75

对比不同的深度学习模型，笔者通过准确率、
精确率、召回率和 F 1 值综合评估其性能。可以发
现，1D-CNN与 1D-CNN-LSTM的准确率较高，但
精确率、召回率和 F 1 值相对较低，同时可能存在一
些分类误差，尤其是在对缺陷的精准度上有待提高。
图 8 输出层的 t-SNE 降维可视化结果
1D-CNN-ELM和 1D-CNN-RF模型表现相当稳定，
将 1D-CNN模型提取到的特征输入SVM分类 准确率和精确率较高，但仍然有一些微小差异，所提
器模型，得到分类准确率为99. 58%，混淆矩阵降维 模型在所有性能指标上均表现卓越，准确率、精确
可视化结果如图9所示，可以看到4种钢丝绳中除了 率、召回率和F 1 值都不小于98. 75%，突显了其在数
标签类别为1的测试集中有1. 67%的数据被错误识 字信号缺陷分类任务中的卓越性能。
别（识别为标签为2的损伤类型），其余识别正确率 为了评估所提模型的泛化能力和鲁棒性，提取
均为100%。 检测速度分别为0.2 m·s 和0.8 m·s 的样本数
-1
-1
2.3.3 模型对比分析 据集，分别输入到模型中进行训练测试，各进行10次
为了验证所提模型的识别效果，将所提模型与 取平均值后得到每类损伤识别的准确率，其结果如
主流分类模型比较，选取1D-CNN（一维卷积神经网 图10所示。

28
2024 年 第 46 卷 第 6 期
无损检测