针对低信噪比环境下超声细微缺陷特征提取难题,提出一种适用于低信噪比超声信号的门控残差与双级压缩-激励(squeeze and excitation,SE)注意力协同增强网络。该模型以卷积神经网络(convolutional neural network,CNN)为基础,通过残差块...针对低信噪比环境下超声细微缺陷特征提取难题,提出一种适用于低信噪比超声信号的门控残差与双级压缩-激励(squeeze and excitation,SE)注意力协同增强网络。该模型以卷积神经网络(convolutional neural network,CNN)为基础,通过残差块-SE模块-池化级联结构,在残差块内部嵌入普通SE模块进行初步通道筛选,在网络末端利用局部增强SE模块聚焦峰值信号,并采用门控残差连接从而动态保留原始细微特征,实现噪声抑制与特征增强的协同优化。结果显示:改进后模型的均方根误差(root mean square error,RMSE)均值为0.0683、平均绝对误差(mean absolute error,MAE)均值为0.0471,较基准CNN分别降低49.7%、41.7%,且模型显著优于仅使用单一注意力或残差块的改进模型,验证了双机制协同的优越性,且训练稳定性突出,低信噪比环境下仍保持高精度。所提模型的预测精度、抗干扰能力及稳定性显著优于传统方法与现有模型,为钢管超声无损检测提供高效技术方案,具有重要工业应用价值。展开更多
文摘针对低信噪比环境下超声细微缺陷特征提取难题,提出一种适用于低信噪比超声信号的门控残差与双级压缩-激励(squeeze and excitation,SE)注意力协同增强网络。该模型以卷积神经网络(convolutional neural network,CNN)为基础,通过残差块-SE模块-池化级联结构,在残差块内部嵌入普通SE模块进行初步通道筛选,在网络末端利用局部增强SE模块聚焦峰值信号,并采用门控残差连接从而动态保留原始细微特征,实现噪声抑制与特征增强的协同优化。结果显示:改进后模型的均方根误差(root mean square error,RMSE)均值为0.0683、平均绝对误差(mean absolute error,MAE)均值为0.0471,较基准CNN分别降低49.7%、41.7%,且模型显著优于仅使用单一注意力或残差块的改进模型,验证了双机制协同的优越性,且训练稳定性突出,低信噪比环境下仍保持高精度。所提模型的预测精度、抗干扰能力及稳定性显著优于传统方法与现有模型,为钢管超声无损检测提供高效技术方案,具有重要工业应用价值。
