基于CNN的强噪声干扰下C扫成像检测方法

• 作者: Fasil Kassa 刘逯航 周世圆 姚鹏娇 程垄 胡怡
• 来源期刊: 测控技术
• 学科: 工学
• 关键词: 超声C扫成像检测 强噪声 卷积神经网络 闸门
• 年，卷（期）: 2020,（7）
• 所属期刊栏目: 模式识别与人工智能
• 页码范围: 38-43
• 页数: 6页
• 分类号: TB553|TP391.4
• 字数: 3244字
• 语种: 中文
• DOI: 10.19708/j.ckjs.2020.04.226

摘要

在C扫成像检测中,若A扫信号中含有与缺陷回波幅值相当的强噪声干扰,则闸门方法无法正确成像.针对这一问题,提出了一种新的卷积神经网络模型架构,对缺陷A扫信号进行识别,实现了强噪声下的C扫成像检测.网络架构中采用了残差模块,使得利用深层卷积神经网络提取更加抽象特征成为可能;同时在训练中采用了Focal Loss损失函数和联合准确率克服了训练集类别不平衡的影响,有效调高了分类准确率.实验结果表明,在强噪声干扰下,该方法的A扫信号分类识别准确率接近100％,较传统闸门方法提高了20％以上,实现了高质量、高精度的C扫成像.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	周世圆	北京理工大学机械与车辆学院	32	208	7.0	13.0
2	程垄	北京理工大学机械与车辆学院	3	0	0.0	0.0
3	胡怡	北京理工大学机械与车辆学院	1	0	0.0	0.0
4	姚鹏娇	北京理工大学机械与车辆学院	2	0	0.0	0.0
5	刘逯航	北京理工大学机械与车辆学院	1	0	0.0	0.0
6	Fasil Kassa	北京理工大学机械与车辆学院	1	0	0.0	0.0