基于CNN的强噪声干扰下C扫成像检测方法

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,实现了强噪声下的C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Focal Loss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。