典型文献
卷积神经网络的缺陷类型识别分析
文献摘要：
该文提出一种基于卷积神经网络直接对阵列超声检测原始信号进行缺陷类型识别的方法,该方法无需对超声回波原始信号进行特征提取.文章研究对比了不同卷积神经网络及其优化的识别性能.首先采用超声相控阵系统对不同试块上的平底孔、球底孔、通孔三种缺陷进行超声检测,然后利用LeNet5、VGG16和ResNet三种卷积神经网络对一维和二维数据分别进行缺陷识别,并使用Leaky ReLU、Dropout、Batch Normalization等来对网络进行优化,对比分析识别准确率和效率等.研究结果表明,虽然一维卷积在训练速度上快于二维,但是二维卷积在识别准确度方面更高,同时网络模型结构如果过于复杂会导致准确率的下降,数据增强和优化方式有助于加快收敛速度、提高准确率.
文献关键词：
卷积神经网络;超声检测;缺陷类型识别
中图分类号：
作者姓名：
高子洋;师芳芳;张碧星;苏业旺
作者机构：
中国科学院大学 北京 100049;中国科学院声学研究所 声场声信息国家重点实验室 北京 100190;中国科学院力学研究所 非线性力学国家重点实验室 北京 100190;中国科学院大学工程科学学院 北京 100049
文献出处：
引用格式：
[1]高子洋;师芳芳;张碧星;苏业旺-.卷积神经网络的缺陷类型识别分析)[J].应用声学,2022(02):301-309
A类：
B类：
缺陷类型识别,识别分析,对阵,阵列超声,超声检测,超声回波,研究对比,识别性,超声相控阵,试块,平底孔,通孔,陷进,LeNet5,VGG16,ResNet,缺陷识别,Leaky,ReLU,Dropout,Batch,Normalization,分析识别,识别准确率,一维卷积,训练速度,快于,二维卷积,模型结构,数据增强,优化方式,快收敛,收敛速度
AB值：
0.426519
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。
