Page 46 - 无损检测2025年第二期
P. 46
靖珍珠，等：
基于 U-Net 图像分割算法的相控阵超声缺陷图像定量检测方法
图 4 U-Net 网络结构示意
-8
k
M = 1 T P （4） decay）参数设为 1×10 、动 量（Momentum）为
IoU k F +F +T 0. 9。U-Net 智能缺陷分割模型性能参数如表 2 所
+1
=0 N i P P
示，可见：经过多次优化训练参数和大量的模型训
式中：T 为被正确地分割为缺陷区域的像素点数量；
P 练，三种性能评价指标均高于 80%；模型具有较高
T 为被正确地分割为背景的像素点数量；F 为被错
N P 的P 值，对缺陷具有较强的像素级分割能力，基于
误地分割为缺陷区域的像素点数量；F 为被错误地 A
N U-Net网络的相控阵超声缺陷智能分割模型已达到
分割为背景的像素点数量。 应用要求。
P 、M 和I 的值均在0和1之间，值越大表示
A IoU oU 表2 U-Net智能缺陷分割模型性能参数 %
模型的缺陷分割性能越好，而P 作为最直观简单的
A
评价指标，对模型的分割性能具有较高的验证能力。 网络 参数
I oU M IoU P A
3 相控阵超声缺陷图像智能定量方法研究 U-Net 80.1 81.7 93.4
3.1 训练与测试 不同自然缺陷图像的分割结果如图5所示，可
设置 U-Net 网络初始化学习率为 0. 005，批量 见，U-Net网络模型对缺陷大部分区域具有强分割
大小为4，训练迭代周期为500，权重衰减（Weight_ 能力，对高噪声和低分辨率的缺陷图像自适应能力
图 5 不同自然缺陷图像的分割结果（左为分割前，右为分割后）
16
2025 年 第 47 卷 第 2 期
无损检测
