解邦鑫，劉昱，賀西平

(陜西師范大學(xué)物理學(xué)與信息技術(shù)學(xué)院陜西省超聲重點實驗室，陜西西安 710119)

0 引言

金屬是工業(yè)生產(chǎn)生活中非常重要的原材料，被廣泛應(yīng)用于工業(yè)、農(nóng)業(yè)、制造業(yè)、科技、國防等諸多領(lǐng)域[1]。不同金屬材料由于其微觀組織特征的不同，力學(xué)性能存在著巨大的差異。一些貴重金屬的價格隨著全球礦產(chǎn)資源的不斷開采殆盡而水漲船高，在這種情況下，不法企業(yè)為了降低成本可能會使用合金替代或以次充好等手段，若無科學(xué)可靠的手段對其真?zhèn)芜M(jìn)行識別，會使得生產(chǎn)生活蒙受巨大的損失。并且在一些貴重金屬文物的防偽識別、軍事裝備的質(zhì)量檢查，以及精密儀器制作材料的純度檢測等應(yīng)用中，尤其需要具備極高辨識能力的金屬防偽辨識技術(shù)。

傳統(tǒng)的金屬材料的辨識方法有物理方法和化學(xué)方法[2]。物理方法包括感官辨識、斷口辨識、磁粉檢測(Magnetic Particle Testing,MT)辨識[3]、射線檢測(Radiographic Testing,RT)射線辨識[4]、紅外線檢測等；化學(xué)方法包括火花辨識法、成分分析法、重量分析法、容量分析法、滴定分析法以及光譜分析法等。這些方法雖然也能在一定程度上實現(xiàn)金屬材料的鑒別，但是大多為有損檢測，會對被檢測樣品產(chǎn)生一定程度的損傷，而且檢測成本較高，有的方法還會產(chǎn)生污染物，對檢測人員健康造成危害，不宜推廣。

隨著無損檢測技術(shù)的高速發(fā)展[5]，超聲波憑借其快速、無損、直接、適用范圍廣等優(yōu)點，在多晶材料的晶粒尺寸評估領(lǐng)域受到廣泛研究[6]，可以利用聲速、超聲衰減系數(shù)和非線性系數(shù)等聲學(xué)參數(shù)評估金屬晶粒尺寸[7]。超聲波與晶粒的密切關(guān)系引起了學(xué)者的關(guān)注，在超聲辨識領(lǐng)域有學(xué)者利用超聲衰減法[8]、頻譜分析法、背向散射法[9]等方法對多晶材料進(jìn)行了辨識。近年來，隨著語音識別技術(shù)的興起與信號處理方法的發(fā)展，機器學(xué)習(xí)算法、深度學(xué)習(xí)算法在信號辨識方面得到越來越廣泛的應(yīng)用[10]。

本文通過采集金屬材料的超聲回波時域信號，利用短時傅里葉變換(Short Time Fourier Transform,STFT)對其進(jìn)行時頻分析，得到包含金屬材料微觀組織信息的超聲時頻域頻譜圖。將該超聲頻譜圖采用雙線性插值法進(jìn)行處理，并作為樣本輸入到搭建好的卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。結(jié)果表明，在此數(shù)據(jù)集上神經(jīng)網(wǎng)絡(luò)收斂較快，表現(xiàn)出優(yōu)異的性能和識別準(zhǔn)確率。訓(xùn)練完成的網(wǎng)絡(luò)模型均記錄著對應(yīng)訓(xùn)練樣本的特征信息，可作為數(shù)據(jù)庫進(jìn)行儲存。然后使用訓(xùn)練好的網(wǎng)絡(luò)對待測樣本進(jìn)行識別，最終可實現(xiàn)超聲金屬材料辨識。

1 超聲金屬材料辨識原理

超聲波在多晶金屬材料中傳播時，會因其內(nèi)部晶粒大小、形狀及晶粒取向等微觀組織特征的不同，導(dǎo)致聲速、聲衰減、聲波背向散射等聲學(xué)性質(zhì)出現(xiàn)差異[11-13]。超聲波對金屬材料的微觀晶粒差異十分敏感，相同的材料也會因晶粒狀態(tài)的不同而接收到不同的超聲信號。即使材質(zhì)、加工工藝完全一致的金屬材料，也可以利用其內(nèi)部微觀晶粒的尺寸和分布的無序性造成的超聲回波的差異進(jìn)行辨識。傳統(tǒng)方式提取的特征通常為時域回波信號的峰值、衰減譜的相關(guān)系數(shù)以及幅度譜等特征量。利用這些特征量可以實現(xiàn)對樣品的辨識。傳統(tǒng)方式提取的特征量通常為回波信號在時域或頻域的某一物理量或經(jīng)處理表征的信號特征。例如峰值法提取時域信號的峰值和某幾個次高峰出現(xiàn)的時刻、幅度作為特征信息，以此辨識各樣品[14]；衰減譜法分別在時域和頻域計算每個樣品超聲回波的衰減系數(shù)；歐氏距離法取不同樣品間超聲信號的加權(quán)歐氏距離為特征量并以此進(jìn)行辨識[15]；小波包分解法通過對信號進(jìn)行頻域分解，提取出晶粒散射信號的頻率特征來完成辨識[16]。

相較于傳統(tǒng)方法，本文的研究以超聲信號的時頻譜作為特征量。時頻譜將超聲信號的時頻域特征結(jié)合在同一譜圖中，二維的時頻分析相較于一維的時域、頻域提高了一個維度，信息更加完整，加之利用深度學(xué)習(xí)反復(fù)提取譜圖的整體特征，提取出的特征量與原樣本更緊密，特征信息更完整，更能反映原樣本的特征。在實驗過程中曾直接用時域圖和頻域圖分別訓(xùn)練網(wǎng)絡(luò)，雖然仍可一定程度上實現(xiàn)金屬辨識，但準(zhǔn)確度低于時頻譜圖辨識的結(jié)果。因此最終選擇時頻譜圖對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。本文使用超聲相控陣系統(tǒng)采集金屬樣品的超聲回波信號。利用惠更斯原理，可使相控陣探頭晶片發(fā)射適合樣本的聲束并將回波信號接收保存，所采集的時域信號如圖1所示。

圖1 金屬中傳播的典型超聲回波信號Fig.1 Typical ultrasonic echo signal propagating in metal material

超聲相控陣所采集的回波信號為時域信號，采用短時傅里葉變換(STFT)可以對其進(jìn)行時頻分析。信號x(t)的短時傅里葉變換定義為

其中：h(t-τ)為分析窗函數(shù)。本文的分析對象含有多頻率的未知信號，因此窗函數(shù)選取漢寧窗。短時傅里葉變換中乘以窗函數(shù)的操作等價于取信號x(t)在時間點t附近的一個切片，該切片代表著t時刻該信號的頻譜。

通過短時傅里葉變換(STFT)，將一維的時域信號在二維平面上表現(xiàn)出來，提取出信號的時頻特征，得到該信號的時頻譜圖，結(jié)果如圖2所示。

圖2 金屬材料中超聲回波信號相應(yīng)的時頻譜Fig.2 The corresponding spectrogram of the ultrasonic echo signal in metal material

經(jīng)過短時傅里葉變換(STFT)得到的超聲回波信號的頻譜圖攜帶著金屬材料的微觀組織信息。將JPG圖片格式的時頻譜圖輸入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練實現(xiàn)特征提取，訓(xùn)練完成的網(wǎng)絡(luò)記錄著對應(yīng)訓(xùn)練樣本的特征信息。

在卷積神經(jīng)網(wǎng)絡(luò)中，對圖像使用卷積核提取特征等價于為圖像矩陣A尋找最合適的特征向量集，神經(jīng)網(wǎng)絡(luò)通過反向傳播算法不斷擬合一個能代表圖像集一般特征的特征向量，也就是卷積核的值(這里求解的是參數(shù)矩陣)。得到該權(quán)重之后，再與原始圖像矩陣相乘，得到相應(yīng)的特征。

卷積神經(jīng)網(wǎng)絡(luò)通過卷積、池化等一系列操作，將圖像的信息層層抽象，最終經(jīng)過全連接層，將圖像的特征信息抽象為一個一維向量。 然后通過最后的全連接層，將該向量投射到樣本空間，通過Soft‐max函數(shù)使其轉(zhuǎn)換為概率形式，實現(xiàn)樣本的分類。

最后將待測樣本輸入到訓(xùn)練好的網(wǎng)絡(luò)中進(jìn)行分類，通過模型中的全連接層與softmax 函數(shù)，待測樣本的特征向量被轉(zhuǎn)換為概率，比較“是標(biāo)準(zhǔn)樣本”與“不是標(biāo)準(zhǔn)樣本”的概率大小，判別該樣本是否為標(biāo)準(zhǔn)樣本，實現(xiàn)分類。將分類結(jié)果與真實的樣本類別進(jìn)行對比即可實現(xiàn)金屬材料的超聲無損辨識。完整的金屬辨識流程如圖3所示。

圖3 金屬辨識過程流程圖Fig.3 Flow chart of the metal identification process

2 卷積神經(jīng)網(wǎng)絡(luò)的架構(gòu)設(shè)計

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)是一類特殊的人工神經(jīng)網(wǎng)絡(luò)，最主要的特點是卷積運算操作。與傳統(tǒng)方法相比，卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)點在于可以自動提取目標(biāo)特征，發(fā)現(xiàn)樣本中的特征規(guī)律，解決了手動提取特征時會導(dǎo)致誤差積累的問題，自動實現(xiàn)分類過程[17]。得益于此，CNN在諸多領(lǐng)域的應(yīng)用特別是圖像相關(guān)任務(wù)上表現(xiàn)出優(yōu)異的性能[18]。

Alex-Net是計算機視覺領(lǐng)域中首個被廣泛關(guān)注并使用的卷積神經(jīng)網(wǎng)絡(luò)，可以利用GPU 實現(xiàn)網(wǎng)絡(luò)的訓(xùn)練，大大縮短了深度網(wǎng)絡(luò)和大型網(wǎng)絡(luò)模型開發(fā)研究的周期，降低了時間成本。并且網(wǎng)絡(luò)引入的一些訓(xùn)練技巧使得網(wǎng)絡(luò)的性能得到極大的提高。

在網(wǎng)絡(luò)訓(xùn)練時，采用具有單側(cè)抑制、稀疏激活特點的ReLU激活函數(shù)，增強了整個網(wǎng)絡(luò)的表達(dá)能力，且在一定程度上緩解了網(wǎng)絡(luò)的過擬合問題。ReLU函數(shù)的表達(dá)式為

同時在訓(xùn)練過程中使用局部響應(yīng)規(guī)范化(Local Response Normalization,LRN)，規(guī)范處理相同空間位置上相鄰深度的卷積結(jié)果，表達(dá)式為

其中：n為使用LRN的相鄰深度卷積核的數(shù)目；N為該層所有卷積核數(shù)目；k、n、α、β等為超參數(shù)。

最后在網(wǎng)絡(luò)的全連接層加入隨機失活(dropout)的正則化方法，緩解了其他神經(jīng)元對該神經(jīng)元反向傳導(dǎo)來的梯度信息的影響，降低了神經(jīng)元之間的依賴程度，從而避免了網(wǎng)絡(luò)過擬合現(xiàn)象的發(fā)生，卷積神經(jīng)網(wǎng)絡(luò)中單個神經(jīng)元隨機失活示意圖如圖4所示。

圖4 卷積神經(jīng)網(wǎng)絡(luò)中單個神經(jīng)元隨機失活示意圖Fig.4 Schematic diagram of random inactivation of individual neuron in CNN

Alex-Net 網(wǎng)絡(luò)模型結(jié)構(gòu)如圖5所示。Alex-Net網(wǎng)絡(luò)模型的輸入數(shù)據(jù)格式為227×227×3大小的RGB圖像。輸入數(shù)據(jù)經(jīng)過多次卷積、最大池化(Max Pool)、LRN 以及ReLU 激活之后，進(jìn)入全連接層，在兩次隨機失活(dropout)操作之后，由一個1×1的卷積層對每個通道進(jìn)行加權(quán)，對頻譜圖進(jìn)行分類(本研究本質(zhì)上為一個二分類問題，因此網(wǎng)絡(luò)的輸出類別數(shù)為2)，最終由交叉熵?fù)p失函數(shù)對網(wǎng)絡(luò)的訓(xùn)練結(jié)果進(jìn)行評估。

圖5 Alex-Net網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.5 Structure diagram of Alex-Net network

3 實驗與辨識

本文測試了大量的實驗樣本。測試流程為：首先使用超聲相控陣，獲取金屬樣本的超聲回波時域信號，然后對時域信號進(jìn)行短時傅里葉變換，得到包含金屬樣本微觀組織特征信息的頻譜圖。將所得頻譜圖的尺寸使用雙線性插值法進(jìn)行調(diào)整后儲存。在搭建好的網(wǎng)絡(luò)中輸入已處理的頻譜圖作為原始數(shù)據(jù)進(jìn)行訓(xùn)練，采用基于動量的隨機梯度下降法進(jìn)行網(wǎng)絡(luò)參數(shù)的訓(xùn)練與優(yōu)化，最后實現(xiàn)對樣本二分類(是標(biāo)準(zhǔn)樣本或不是標(biāo)準(zhǔn)樣本)的任務(wù)目標(biāo)。

3.1 樣本信號采集

本文實驗所用儀器是型號為UT Studio 32/128的超聲相控陣。該儀器探頭的32 個晶片每一片都可以完成發(fā)射和接收超聲的任務(wù)，可以在不改變探頭位置的前提下，通過相關(guān)實驗參數(shù)的設(shè)定，實現(xiàn)對樣本的掃查，超聲相控陣系統(tǒng)組成如圖6所示。

圖6 超聲相控陣系統(tǒng)組成Fig.6 Composition of ultrasonic phased array system

以304 不銹鋼材料為例，對三個材料均為304不銹鋼的形狀相同的金屬容器，編號分別為A、B、C，實物如圖7所示。在其不同位置處進(jìn)行超聲回波時域信號的采集。為使探頭與樣品之間耦合均勻且信號穩(wěn)定，在探頭上增加一金屬配重，以保證每次測量時探頭與待測樣本間的壓力保持一致，如圖8所示。

圖7 實驗樣品實物Fig.7 Photos of experimental samples

圖8 信號采集Fig.8 Acquisition of signals

本文實驗使用的取樣方式均為垂直入射線掃，實驗參數(shù)設(shè)置如表1所示。

表1 實驗參數(shù)設(shè)置Table 1 Experimental parameter setting

可在樣品上取某個或某幾個點進(jìn)行信號采集，均可實現(xiàn)材料的超聲辨識。本文在3個樣品上分別確定了1個采樣點。以樣品A為目標(biāo)樣品，對其采集55次信號。樣品B、C為干擾樣品，并分別對其采集25次信號。每次采集時發(fā)射并接收100次超聲信號作為一組數(shù)據(jù)，得到105組實驗數(shù)據(jù)，共計10 500個超聲回波時域信號，將數(shù)據(jù)進(jìn)行儲存并以表2所示的構(gòu)成關(guān)系組成訓(xùn)練集和測試集。

表2 訓(xùn)練集和測試集的構(gòu)成Table 2 Composition of train set and test set

對每個超聲回波時域信號進(jìn)行短時傅里葉變換(STFT)，得到該信號的頻譜圖。將頻譜圖輸出為JPG格式的RGB圖片。選取其中9 000張頻譜圖組成訓(xùn)練集，其中5 000 張樣品A的頻譜圖作為標(biāo)準(zhǔn)樣本，2 000張樣品B和2 000張樣品C的頻譜圖為干擾樣本。將剩余的各500 張樣品A、樣品B和樣品C的頻譜圖組成測試集并儲存。

3.2 網(wǎng)絡(luò)訓(xùn)練

為了方便網(wǎng)絡(luò)可以在圖形處理器(Graphics Pro‐cessing Unit,GPU)上進(jìn)行訓(xùn)練，在進(jìn)行訓(xùn)練之前，使用雙線性插值法將原始大小為875×656×3的頻譜圖調(diào)整為227×227×3。

本文使用Matlab 2020a 的Deep Learning Tool‐box進(jìn)行網(wǎng)絡(luò)的訓(xùn)練。訓(xùn)練時使用的計算機操作系統(tǒng)為Windows 10 系統(tǒng)，內(nèi)存大小為16 GB，CPU型號為Intel(R)Core(TM)i7-9750H，GPU 型號為NVDIA GeForce GTX 1660Ti，顯存大小為6 GB。

網(wǎng)絡(luò)優(yōu)化算法采用經(jīng)典的動量隨機梯度下降法，學(xué)習(xí)率隨著訓(xùn)練輪次逐漸遞減。網(wǎng)絡(luò)訓(xùn)練超參數(shù)設(shè)置如表3所示。

表3 網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)置Table 3 Network training parameter setting

模型訓(xùn)練過程中損失函數(shù)及辨識準(zhǔn)確率的變化分別如圖9、10所示，可以看出在此訓(xùn)練集上，Alex-Net 網(wǎng)絡(luò)模型訓(xùn)練精度最終穩(wěn)定在1.0，損失函數(shù)值趨近于0，在200次迭代時收斂，迭代3 000次平均用時419 s，在訓(xùn)練集上表現(xiàn)出了優(yōu)異的性能。

圖9 Alex-Net模型訓(xùn)練過程中損失函數(shù)的變化Fig.9 Loss function change in the Alex-Net model training process

圖10 Alex-Net模型訓(xùn)練過程中辨識準(zhǔn)確率的變化Fig.10 Identification accuracy change in the Alex-Net model training process

3.3 金屬材料辨識

將上文所述已存儲的測試集輸入到已經(jīng)訓(xùn)練好的Alex-Net網(wǎng)絡(luò)模型中進(jìn)行辨識。網(wǎng)絡(luò)模型準(zhǔn)確地將樣品A 的測試集辨識為目標(biāo)樣品，將樣品B、C辨識為干擾樣品，辨識準(zhǔn)確率為100%?？梢姡珹lex-Net網(wǎng)絡(luò)模型在測試集上也表現(xiàn)出了優(yōu)異的性能。通過卷積神經(jīng)網(wǎng)絡(luò)對頻譜圖進(jìn)行特征提取，從而實現(xiàn)金屬材料辨識的方法是可行的。

在此基礎(chǔ)上，本文選取了圖11所示的尺寸一致、材料均為3Cr13但熱處理溫度不同的4個金屬樣品，分別標(biāo)號為D(經(jīng)259℃熱處理)、E(經(jīng)555℃熱處理)、F(經(jīng)852℃熱處理)和G(經(jīng)970℃熱處理)。

圖11 不同溫度熱處理后的金屬樣本Fig.11 Metal samples after heat treatment at different temperatures

將這4 個樣品按照前文的方法進(jìn)行了辨識實驗，且讓每個樣本依次作為標(biāo)準(zhǔn)樣本，結(jié)果表明每個樣品都以100%的準(zhǔn)確率完成了辨識。圖12為樣品D、E、F、G的時頻譜圖，卷積核從計算機視角可對譜圖的像素矩陣進(jìn)行特征提取，最終完成對每個樣品的辨識。

圖12 不同溫度熱處理的金屬樣本時頻譜圖Fig.12 Spectrograms of metal samples after heat treatment at different temperatures

隨后取3個材料和尺寸與樣本D完全相同、但從未參與過網(wǎng)絡(luò)訓(xùn)練的金屬樣本如圖13所示。將其編號為H、I、J并分別采集超聲信號，然后導(dǎo)入以樣本D為標(biāo)準(zhǔn)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行辨識。辨識結(jié)果表明，樣本H、I、J均被辨識為干擾樣本，說明此神經(jīng)網(wǎng)絡(luò)具有一定的泛化性。在研究期間使用該網(wǎng)絡(luò)對材料為1Cr17Ni2、2Cr13、3Cr13 和5052 鋁的26 個外形尺寸完全相同的金屬樣品試塊進(jìn)行了泛化性實驗，均可準(zhǔn)確辨識出目標(biāo)樣品。因辨識過程和結(jié)果與上文類似且圖片占用篇幅較大，故未詳細(xì)呈現(xiàn)所有樣品的辨識過程。

4 分析與討論

為探究此方法是否依賴于特定網(wǎng)絡(luò)結(jié)構(gòu)，搭建了不同結(jié)構(gòu)的網(wǎng)絡(luò)模型。在本研究中，搭建了經(jīng)典的LeNet-5網(wǎng)絡(luò)模型與VGG網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練與辨識，其結(jié)果如表4所示。三種網(wǎng)絡(luò)模型均在測試集上完美實現(xiàn)了金屬材料的辨識，此方法并不依賴于特定的網(wǎng)絡(luò)結(jié)構(gòu)。

表4 三種網(wǎng)絡(luò)模型辨識性能比較Table 4 Comparison of identification performances of three network models

通過比較發(fā)現(xiàn)，三種網(wǎng)絡(luò)模型在測試集上的識別準(zhǔn)確率均為100%。觀察輸入圖片尺寸發(fā)現(xiàn)，LeNet-5 模型的輸入圖片大小僅有28×28×3，包含的信息過少，存在因信息丟失過多而使得訓(xùn)練失敗的隱患；相比之下Alex-Net 模型與VGG 模型輸入圖片大小適中，保留了足夠多的信息保證訓(xùn)練的有效性，在這一點上Alex-Net模型表現(xiàn)最優(yōu)。觀察訓(xùn)練用時發(fā)現(xiàn)，VGG 模型用時遠(yuǎn)遠(yuǎn)大于另外兩種模型，這是由于隨著網(wǎng)絡(luò)深度(網(wǎng)絡(luò)結(jié)構(gòu)層數(shù))的增加而使得所需訓(xùn)練參數(shù)急劇增多所致，在這一點上LeNet-5 模型表現(xiàn)最優(yōu)。觀察網(wǎng)絡(luò)訓(xùn)練達(dá)到穩(wěn)定所需次數(shù)發(fā)現(xiàn)，Alex-Net模型在200次訓(xùn)練之后便已經(jīng)穩(wěn)定，而另外兩種模型達(dá)到穩(wěn)定所需訓(xùn)練次數(shù)分別為300次與800次。以上結(jié)果說明針對本文的辨識任務(wù)，Alex-Net模型表現(xiàn)最優(yōu)，是最合適的網(wǎng)絡(luò)結(jié)構(gòu)。綜合以上分析，Alex-Net模型兼顧了信息的完整度與訓(xùn)練時長的優(yōu)勢，網(wǎng)絡(luò)結(jié)構(gòu)較為簡單，而且網(wǎng)絡(luò)達(dá)到穩(wěn)定時所需迭代次數(shù)最少，在此任務(wù)下，綜合性能最優(yōu)。

5 結(jié)論

傳統(tǒng)的金屬材料的辨識方法會對被檢測樣品產(chǎn)生一定程度的損傷。課題組提出的新型超聲辨識方法具有無損、直接、快速、適用范圍廣等諸多優(yōu)點。

本文對現(xiàn)有的超聲金屬材料辨識方法進(jìn)行了簡單回顧，在此基礎(chǔ)上提出了采用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，從而實現(xiàn)金屬材料辨識的新方法。通過實驗采集了多個金屬材料樣本的超聲回波時域信號，并對其進(jìn)行短時傅里葉變換，得到了包含金屬材料的微觀組織信息的時頻譜圖，將一維的時域信號在二維平面上表現(xiàn)出來，以提取出信號的時頻特征，直觀展現(xiàn)了各個時刻的瞬時頻率及幅度。并且通過雙線性插值法對頻譜圖進(jìn)行處理，得到適合后續(xù)實驗所需尺寸大小的頻譜圖。

使用Matlab軟件搭建了三種卷積神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)金屬材料的辨識。對三種網(wǎng)絡(luò)模型的對比分析，發(fā)現(xiàn)Alex-Net模型兼顧了辨識準(zhǔn)確率高與訓(xùn)練時間短的優(yōu)勢，在一定程度上促進(jìn)了超聲應(yīng)用技術(shù)的進(jìn)步。本文的研究驗證了深度學(xué)習(xí)算法在超聲金屬辨識方面應(yīng)用的可行性，并證明不同的網(wǎng)絡(luò)模型的性能存在較大差異。在本文的研究基礎(chǔ)上，后續(xù)可以通過智能算法，搭建針對本研究的最優(yōu)網(wǎng)絡(luò)模型，進(jìn)一步提高超聲金屬材料辨識的性能。