Page 51 - 理化检验-物理分册2024年第七期
P. 51
云 晗，等：基于卷积神经网络焊管缺陷分类识别
型缺陷的识别精度更高，整体分类精度达到了0.800； VGG-16模型在工业不锈钢焊管缺陷分类识别中的
GoogLeNet模型的整体分类精度仅为 0.685。表明 准确性和稳定性明显优于GoogLeNet模型。
表5 不同模型对缺陷的识别精度和整体分类精度
缺陷类型识别精度
神经网络模型 整体分类精度
缺陷1 缺陷2 缺陷3 缺陷4 缺陷5 标准试样
VGG-16 0.825 0.800 0.850 0.725 0.775 0.900 0.800
GoogLeNet 0.675 0.650 0.725 0.625 0.600 0.850 0.685
5 结论 [4] 赵番，汤晓英，王继锋，等．金属管道内外壁缺陷的脉
冲涡流检测系统[J]．无损检测，2020，42(6)：58-62．
在对缺陷的分类识别中，优化神经网络参数，选
[5] 刘梦龙．基于涡流的不锈钢焊管焊缝位置快速识别技
择表现效果最好的 0.01学习率；通过对比VGG-16
术研究[D]．上海：上海应用技术大学，2023．
与GoogLeNet两种神经网络模型的训练效果，在整 [6] 罗清旺．基于电磁涡流的管道缺陷检测方法研究[D]．
体缺陷分类精度的表现上，VGG-16模型的精度优于 成都：电子科技大学，2018．
GoogLeNet模型，达到了0.800。将短时傅里叶变换 [7] XU D C，HOU H S，LIU C X，et al．Defect type
和卷积神经网络相结合，并对工业不锈钢焊管的缺 identification of thin-walled stainless steel seamless
陷进行分类识别。通过多种信号处理方法的对比， pipe based on eddy current testing[J]．Insight-Non-
采用短时傅里叶方法对涡流信号进行分析，将经过 Destructive Testing and Condition Monitoring，2021，
处理后的信号转换成时频图，并作为卷积神经网络 63(12)：697-703.
[8] 闫贝，李勇，李达，等．金属亚表面腐蚀缺陷的脉冲调制
的输入，采用该方法可以有效避免特征提取不足、计
涡流磁场梯度成像[J]．无损检测，2016，38(4)：10-14．
算速率低、识别精度低等问题，实现了焊管缺陷的分
[9] 郭佳．基于图像处理的ERW焊管焊接质量在线监测
类识别。 研究[D]．西安：长安大学，2014．
参考文献： [10] ZHOU H，CHEN J Y，YE M Y，et al．Transient fault
signal identification of AT traction network based on
[1] 曹昕明，唐家耘，施昌龙，等．304 奥氏体不锈钢管T improved HHT and LSTM neural network algorithm[J]．
型焊接处渗漏原因[J]．理化检验(物理分册)，2023， Energies，2023，16(3)：1163．
59(6)：22-24． [11] MIAO R，JIANG Z H，ZHOU Q Y，et al．Online
[2] 沈跃，刘金世，储浚，等．多探头涡流检测系统的设计 inspection of narrow overlap weld quality using two-
与实现[J]．石油大学学报(自然科学版)，1998，22(3)： stage convolution neural network image recognition[J]．
110-112． Machine Vision and Applications，2021，32(1)：27．
[3] 易子安，吴敦明．外方内圆不锈钢管超声波探伤[J]． [12] 王泽．基于卷积神经网络的图像超分辨率重建算法研
无损检测，2011，33(1)：33-36． 究[D]．兰州：兰州理工大学，2023．
39
