典型文献
基于一维CNN的时域超声信号识别技术研究
文献摘要：
超声检测缺陷是一种主流的缺陷识别手段,二维卷积神经网络一直是该领域的主要技术,一般从二维C扫、D扫等图像中提取属性特征来进行识别分类,这些研究主要采用二维卷积层,会产生较大的资源消耗.在所有类型的缺陷识别方法中,超声回波信号分析是最主要和有用的工具之一,本研究从原始时域超声信号中提取特征,首先使用来自实验室的JPR-600C空气耦合超声波无损检测系统采集数据;然后通过使用不同的超参数进行实验、t-sne可视化等手段构建并优化一维CNN网络模型;最后实现超声信号缺陷识别分类.实验结果表明,所提出的CNN模型的性能令人满意,缺陷识别准确率为97.57％,高于其他机器学习方法,为实现缺陷识别自动化的需要提供辅助.
文献关键词：
卷积神经网络;超声信号;缺陷识别
中图分类号：
作者姓名：
韩晓东;李光亚;胡雅妮;简丽;张国花
作者机构：
中北大学信息与通信工程学院 太原030051;山西省古建筑与彩塑壁画保护研究院 太原030000
文献出处：
引用格式：
[1]韩晓东;李光亚;胡雅妮;简丽;张国花-.基于一维CNN的时域超声信号识别技术研究)[J].电子测量技术,2022(12):20-25
A类：
JPR,sne
B类：
超声信号,信号识别,识别技术研究,超声检测,缺陷识别,二维卷积神经网络,主要技术,属性特征,识别分类,卷积层,资源消耗,超声回波,回波信号,信号分析,提取特征,600C,空气耦合超声,超声波无损检测,采集数据,超参数,令人满意,识别准确率,机器学习方法
AB值：
0.301222
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
