《表2 不同方法评价指标对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于一维CNN的碳纤维复合材料缺陷类型判别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。