Page 67 - 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

组样本（40%）用作测试集，另外300组样本（12%） 噪声信号，得到压装回波的仿真结果后，对车轴整
作为验证集。裁剪和叠加后的样本图像尺寸为626 体进行建模，并建立深度为0. 5 mm的裂缝缺陷，通
像素×810像素 （宽×长）。 过仿真生成了3 000组样本。
3.2.3 GAN生成式数据 通过原始实际数据裁剪、GAN生成式方法和
基于深度学习的列车车轴缺陷检测，通常存 CIVA仿真，构建了6 120组训练样本，数据集扩增及
在样本量较少、网络模型泛化能力弱等问题，采用 分类结果如表2所示。裁剪有助于去除噪声并集中关
GAN生成式方法可有效扩增样本，基于Sin-GAN网 注重要特征；GAN生成则增加了训练数据的多样性，
络，通过缺陷图像的学习训练，捕获图像中斑块的内 改善了模型的生成能力；CIVA仿真则进一步增加了
部分布，能够生成高质量、多样化的样本，并携带与 合成数据的丰富性，使模型能更全面地学习特定任务。
原始图像相同的视觉内容，笔者通过这种方法扩充 表2 数据集扩增及分类结果 组
了约3 000组样本。 数据集 训练数据 测试数据 验证数据
3.2.4 仿真数据 Raw 120 100 20
Crop 1 200 1 000 300
基于CIVA仿真平台对车轴镶入部位超声检测 GAN 2 400 0 600
进行了仿真，包括压装回波、缺陷回波以及周期性 Simulation 2 400 0 600
总计 6 120 1 100 1 520
干扰信号的仿真。由于车轴镶入部位压装回波的
特殊性，首先对压装回波进行仿真，车轴压装后，螺 测试集1 100组数据和验证集1 500组数据的划
纹状刀痕类似一系列直径为0. 08 mm的横通孔，当 分有助于评估模型性能，确保其在实际应用中具有
超声声束扩散后，在主声束覆盖范围内的螺纹状刀 鲁棒性和泛化性。这一整合方法显著提高了模型的
痕均会形成“缺陷”反射信号，将这些缺陷信号一 训练效果和实际应用价值。3种数据增强方法的效
个个叠加在一起就形成了有规律的周期性镶入部 果如图4所示， 其中缺陷用红框标注。

图 4 三种数据增强方法的效果示意
3.3 评价指标 确预测出多少，表示模型正确识别为正类的样本数
采用精确率（Precision）和召回率（Recall）作为 量占总的正类样本数量的比例，通常情况下，召回率
评价指标，结合检出率、漏检率和误报率来评估模型 越高，说明模型更有效地捕捉到正类样本，模型的效
在实际场景中的应用能力。 果越好。
3.3.1 精确率 3.3.3 工业指标
精确率表示在模型将样本识别为正类的情况 在工业缺陷检测中常采用检出率、误报率和漏
下，真正为正类的样本所占的比例，通常情况下，精 检率等指标评价检测效果，工业检出率T表示检出
确率越高，说明模型的效果越好。 的缺陷个数K与总的缺陷个数N的比值，误报率表
3.3.2 召回率 示误报的缺陷个数Q与总的缺陷个数N的比值，漏
召回率反映了在实际正样本中，分类器能够正 检率M与检出率T的和为1。
33
2024 年 第 46 卷 第 6 期
无损检测