低信噪比环境下超声细微缺陷特征提取的协同增强网络方法

摘要

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0.068 3、平均绝对误差（mean absolute error,MAE）均值为0.047 1，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。

关键词

无损检测 / 缺陷长度预测 / 卷积神经网络 / 压缩与激励机制 / 残差网络 / 超声成像