原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
测控技术
·３８·２０２０３９７模式识别与人工智能
年第卷第期
基于ＣＮＮ的强噪声干扰下Ｃ扫成像检测方法
程垄，周世圆，胡怡，姚鹏娇，刘逯航，ＦａｓｉｌＫａｓｓａ
（北京理工大学机械与车辆学院，北京１０００８９）
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
Ｃ
声下的扫成像检测。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
；ＦｏｃａｌＬｏｓｓ，
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
关键词：超声Ｃ扫成像检测；强噪声；卷积神经网络；闸门
中图分类号：ＴＢ５５３；ＴＰ３９１．４文献标识码：Ａ文章编号：１０００－８８２９（２０２０）０７－００３８－０６
ｄｏｉ１０．１９７０８／ｊ．ｃｋｊｓ．２０２０．０４．２２６
：
ＣＳｃａｎＩｍａｇｉｎｇＤｅｔｅｃｔｉｏｎＭｅｔｈｏｄＢａｓｅｄｏｎＣＮＮＵｎｄｅｒＳｔｒｏｎｇＮｏｉｓｅ
Ｉｎｔｅｒｆｅｒｅｎｃｅ
ＣＨＥＮＧＬｏｎｇ牞ＺＨＯＵＳｈｉｙｕａｎ牞ＨＵＹｉ牞ＹＡＯＰｅｎｇｊｉａｏ牞ＬＩＵＬｕｈａｎｇ牞ＦａｓｉｌＫａｓｓａ
牗ＳｃｈｏｏｌｏｆＭｅｃｈａｔｒｏｎｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ牞ＢｅｉｊｉｎｇＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ牞Ｂｅｉｊｉｎｇ１０００８９牞Ｃｈｉｎａ牘
Ａｂｓｔｒａｃｔ牶ＩｎｔｈｅＣｓｃａｎｉｍａｇｉｎｇｄｅｔｅｃｔｉｏｎ牞ｉｆｔｈｅＡｓｃａｎｓｉｇｎａｌｃｏｎｔａｉｎｓｓｔｒｏｎｇｎｏｉｓｅｉｎｔｅｒｆｅｒｅｎｃｅｅｑｕａｌｔｏｔｈｅ
ｅｃｈｏａｍｐｌｉｔｕｄｅｏｆｔｈｅｄｅｆｅｃｔ牞ｔｈｅｇａｔｅｍｅｔｈｏｄｃａｎｎｏｔｉｍａｇｅｃｏｒｒｅｃｔｌｙ．Ｔｏｓｏｌｖｅｔｈｉｓｐｒｏｂｌｅｍ牞ａｎｅｗｃｏｎｖｏｌｕ
ｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ牗ＣＮＮ牘ｍｏｄｅｌａｒｃｈｉｔｅｃｔｕｒｅｉｓｐｒｏｐｏｓｅｄｔｏｉｄｅｎｔｉｆｙｔｈｅｄｅｆｅｃｔｉｖｅＡｓｃａｎｓｉｇｎａｌａｎｄｒｅａｌｉｚｅ
ｔｈｅＣｓｃａｎｉｍａｇｉｎｇｄｅｔｅｃｔｉｏｎｕｎｄｅｒｓｔｒｏｎｇｎｏｉｓｅ．Ｔｈｅｒｅｓｉｄｕａｌｍｏｄｕｌｅｗａｓａｄｏｐｔｅｄｉｎｔｈｅｎｅｔｗｏｒｋｓｓｔｒｕｃｔｕｒｅ牞
ｗｈｉｃｈｍａｄｅｉｔｐｏｓｓｉｂｌｅｔｏｅｘｔｒａｃｔｍｏｒｅａｂｓｔｒａｃｔｆｅａｔｕｒｅｓｆｒｏｍｄｅｅｐＣＮＮ．Ａｔｔｈｅｓａｍｅｔｉｍｅ牞ｔｈｅＦｏｃａｌＬｏｓｓｆｕｎｃ
ｔｉｏｎａｎｄｊｏｉｎｔａｃｃｕｒａｃｙｗｅｒｅａｄｏｐｔｅｄｉｎｔｈｅｔｒａｉｎｉｎｇ牞ｗｈｉｃｈｏｖｅｒｃａｍｅｔｈｅｉｎｆｌｕｅｎｃｅｏｆｕｎｂａｌａｎｃｅｄｔｒａｉｎｉｎｇ
我的文档主要集中的行业是石油化工和安全生产，从事石油化工行业并且取得了中级注册安全工程资格。精通炼油工艺方面的工艺、安全、设备。希望通过平台共享自己的知识和经验。
文档评论（0）