轧辊缺陷超声识别模型

数据增强下精度达95.83%

该模型利用生成对抗网络扩充样本并结合注意力机制，为轧辊超声检测提供了一种高精度缺陷识别方案。

Jinhong, Lian · Yinlong, Zhu · Chen, Wei · 刘英 · 鄢小安

Russian Journal of Nondestructive Testing 2025

具体参数

识别准确率

{'zh': '95.83', 'en': ''} %

技术优势

样本不够也能训

C-GAN学会各类缺陷的分布后生成逼真样本，将训练集规模实质性扩大，模型不再受限于真实采集数量。

特征抓得准

在CNN中嵌入注意力模块，按通道分配权重，让网络自动聚焦于对判别关键的特征，避免噪声干扰。

应用场景

• 超声无损检测：直接处理超声回波信号，无需人工判读即可输出缺陷类型，提升检测自动化水平。
• 工业缺陷检测：在缺陷样本不足的产线上，用生成数据训练高精度模型，降低漏检和误判风险。
• 轧辊维护：自动分辨裂纹、气孔等缺陷，帮助运维人员决定修复或更换时机，避免非计划停机。