Page 66 - 无损检测2024年第六期

刘 建，等：

基于深度学习的列车车轴缺陷超声检测

图 2 EM-YOLO v5s 网络结构示意
表1 Backbone层网络参数
Stage（阶） i Operator（操作） F i Resolution（分辨率） H i ×W i Channels（通道） C i Layers（层） L i
1 Conv3×3 640×640 32 1
2 EMblock，k3×3 320×320 16 1
3 EMblock，k3×3 320×320 24 2
4 EMblock，k5×5 160×160 40 2
5 EMblock，k3×3 80×80 80 3
6 EMblock，k5×5 40×40 112 3
7 EMblock，k5×5 40×40 192 4
8 EMblock，k3×3 20×20 320 1
9 Conv1×1&Pooling&FC 20×20 1 024 1

图 3 EMblock 模块结构示意

行升维，再通过尺寸为k×k的CBH模块提取 1×1 3.2 数据集
数据特征信息，而SE空间注意力机制模块在不引入 数据集由CIVA仿真数据、GAN网络生成式数
额外参数的情况下，通过学习得到每个通道的权重， 据和原始实际车轴缺陷超声检测数据混合组成，其
从而引导网络更加关注当前任务的重要特征，Conv 中包括尺寸在0. 5 mm以内的微小缺陷。由于缺陷
模块用于最终输出的准备。此外，还采用Dropout模 样本数量有限，笔者采用GAN网络生成式、CIVA
仿真和剪裁等方法进行了数据扩充。
块进行正则化处理增强泛化能力，以及全连接处理
3.2.1 实际数据
防止网络梯度爆炸。以上模块构成了EMblock模块，
实际车轴缺陷超声检测数据采用尺寸为626像
用于对输入数据进行特征提取和处理。
素×8 100像素 （宽×长）的B扫图像，共240个B扫
3 检测试验 图像形成样本，其中120个样本 （50%）用作训练数
据集，100个样本 （42%）用作测试集，20个样本（8%）
3.1 试验环境及配置
为验证集。
试验所用深度学习模型的开发基于PyTorch
3.2.2 裁剪数据
1. 7. 0框架，使用Python作为主要开发语言。在模
通过裁剪（Crop）B扫缺陷部分图像和叠加不同
型训练过程中，采用随机梯度下降（SGD）作为优化 B扫背景的方式形成新的样本，利用背景噪声较弱
器，设置动量（momentum）为 0. 3。每次训练批次 的区域进行剪裁，并叠加较强形式的噪声，以增加缺
（Batch size）为2，初始学习率为0. 01。为了获得理 陷背景噪声的多样性。经过裁剪扩充了2 500组样
想的性能，共进行了500次训练epochs。 本，其中1 200组样本 （48%）用作训练数据集，1 000
32
2024 年 第 46 卷 第 6 期
无损检测