Page 68 - 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

3.4 试验结果 表4 不同模型的识别准确率对比
3.4.1 数据增强结果 方法 准确率% 召回率%
试验的主要目的是验证深度学习网络在处理超 YOLO v5n6 99.60 99.66
YOLO v5s 99.60 99.89
声检测数据方面的有效性，不同增强数据的识别准 所提方法 99.89 100
确率对比如表3所示， 表中为实际数据集(Real)、裁剪
3.4.3 实际检测结果
数据集(Crop)、裁剪加仿真数据集(Crop+Simulation)
为了进一步验证所提方法在实际列车车轴检
以及混合数据集（Crop+Simulation+GAN）进行网
测中的有效性，对实际车轴进行了缺陷检测，并用
络训练和测试的结果。
检出率、误报率和漏检率评价测试结果。4 种不同
表3 不同增强数据的识别准确率对比 数据集在目标检测任务上的识别结果如表 5 所示，
数据集 准确率/% 召回率/% 展示了在 4 种数据集的情况下实际缺陷的检出率、
Real 94.49 91.38 漏检率和误报率。结果表明，不同的数据增强对
Crop 98.73 98.94 模型性能存在一定差异，在 Real数据集上，模型表
Crop+Simulation 99.26 99.03
现出 96% 的检出率和 4% 的误报率，未出现漏检，
Crop+Simulation+GAN 99.31 99.73
说明在原始数据集上的表现相对较好；在经过裁
可以看出，直接采用实际数据的准确率为 剪（Crop）的数据集上，检出率提高至 97. 75%，误
94. 49%，召回率为91. 38%，基本能满足应用要求；
报率降低至 2. 75%，表现略有提升；采用 Crop +
扩增数据样本后，可看到3种方法扩增样本的结果 simulation 数据集和混合数据集，检出率分别达到
水平都有明显改善，其中混合数据集方式的效果最 98% 和 99. 25%，误报率随之降低，尤其在混合数
好，准确率达到了99. 31%，表明其对正样本分类的 据集中，模型的性能指标最好，达到 99. 25% 的检
准确性较高，且召回率达到了99. 73%，显示其对正 出率和仅 0. 75% 的漏检率，误报为 0%，其中对较
样本的覆盖能力较强。 大的缺陷都能 100%检出，个别微小缺陷的检测结
3.4.2 不同模型对比结果 果示例如图 5 所示，可见该方法在小型缺陷检测上
采用所构建的数据集，在相同的训练方式下， 方面能力较强。
用所提方法与 YOLO v5s 及同类方法进行比较， 表5 4种不同数据集在目标检测任务上
其结果如表 4 所示，可见，所提方法的精确率达 的识别结果 %

到了 99. 89%，召回率达到了 100%，与其他方法 数据集
相比，所提方法在精确率和召回率上分别提高了 项目 Crop+ Crop+Simulation
Real% Crop
0. 29% 和 0. 11%，表明采用嵌入 EMblock 模块有 Simulation +GAN
检出率 96.00 97.75 98.00 99.25
助于网络模型对提取特征进行细化并突出关键特
漏检率 4.00 2.75 2.00 0.75
征信息。 误报率 0 0.75 0 0

图 5 混合数据集对个别微小缺陷的检测结果示例
34
2024 年 第 46 卷 第 6 期
无损检测