《表2 不同方法评价指标对比》
图9所示为不同实验中每种缺陷类型的识别准确率比较,表2显示了不同方法对超声信号分类的评价指标比较。在分层、气孔、无缺陷三种类型的识别准确率比较上,BP神经网络的两个实验(BP+WPT、BP+SF)除在气孔上的识别准确率高于CNN+STFT,其余类型识别准确率均低于CNN的两个实验(CNN+STFT、U-1DCNN);图9中对比实验对测试样本总体识别准确率分别为85.04%、93.08%、98.29%、99.50%,由此可知,BP神经网络的分类准确率低于CNN方法,因此利用CNN模型进行缺陷类型识别的效果优于BP神经网络方法。从图9可以看出,在BP+WPT、BP+SF实验中,对于无缺陷类型的A-Scan信号识别准确率较低。结合表2可知,分层缺陷与无缺陷识别时会相互干扰,这是因为计算特征之前需要对缺陷回波进行截取,无缺陷类型的截取范围与分层缺陷相同,部分分层缺陷的深度接近底面,截取的分层缺陷回波可能与无缺陷底面回波类似,计算的特征值接近,导致识别出现错误。
图表编号 | XD00162244800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.05.25 |
作者 | 詹湘琳、赵婉婷 |
绘制单位 | 中国民航大学电子信息与自动化学院、中国民航大学电子信息与自动化学院 |
更多格式 | 高清、无水印(增值服务) |