Page 35 - 无损检测2025年第一期
P. 35
齐卜弘，等：
基于贝叶斯优化的 BiLSTM 小管径弯管漏磁缺陷识别
图 9 BiLSTM 神经网络识别结果
次数超过200次后， 损失值为0，准确率明显提高。
为进一步验证贝叶斯优化的BiLSTM（BO-
BiLSTM）网络的缺陷识别模型的优越性，将文章提
出的优化网络算法分别与BP、LSTM神经网络进行
对比，不同算法的识别结果准确率如表3所示，各种
神经网络测试集的识别结果如图13所示， 可见，BO-
BiLSTM算法模型的检测性能均优于其他模型性
能，其测试集的准确率达到96. 07%，比优化前提高
了2. 13%。
综上可知，BO-BiLSTM算法整体的识别率较
高，运行速度更快，且具有广泛的学习能力和稳定
图 10 贝叶斯优化迭代过程示意
性，更适合小管径弯管漏磁缺陷数据识别任务，对缺
3.2 模拟测试及结果
陷的识别拥有更高的置信度。
BiLSTM优化前后的训练准确度和损失曲线对 3.3 试验测试及结果
比如图12所示。当学习率为0. 01时，BiLSTM在前 牵拉试验装置如图14所示，在试验过程中，将漏
50个迭代次数内的损失值下降很快，神经网络进入 磁检测器缓慢且均匀地牵拉通过测试管道，当磁化
次优状态，最终损失值固定在0. 4左右，并有波动； 单元经过管道时，在管道两侧产生与磁场强度成正
经过优化后的损失值曲线呈单调下降趋势，当迭代 比的电压差，霍尔传感器探头接收到漏磁场的变化，
图 11 贝叶斯优化后的 BiLSTM 神经网络识别结果
5
2025 年 第 47 卷 第 1 期
无损检测
