CN114564995A - 漏气检测方法、模型的训练方法、装置、电子设备及介质 - Google Patents

Abstract

本公开提供了一种漏气检测方法、深度学习模型的训练方法、装置、电子设备、存储介质以及程序产品，涉及数据处理技术领域，尤其涉及深度学习以及工业大数据等技术领域。具体实现方案为：获取训练样本，其中，所述训练样本包括虚拟声音信号以及与所述虚拟声音信号相匹配的标签，所述虚拟声音信号用于表征与目标对象相关的声音信号，所述标签用于表征所述目标对象是否处于漏气状态；以及利用所述训练样本训练深度学习模型，得到经训练的深度学习模型。

Description

漏气检测方法、模型的训练方法、装置、电子设备及介质

技术领域

本公开涉及数据处理技术领域，尤其涉及深度学习以及工业大数据等技术领域，具体涉及漏气检测方法、深度学习模型的训练方法、装置、电子设备、存储介质以及程序产品。

背景技术

在工业场景的加工或者生产过程中，时常伴随着毒性气体或者可燃性气体的参与。与气体存储或者气体传输相关的设备一旦发生漏气现象，容易引起***或者中毒等安全事故，进而影响生产的持续性和安全性。因此，如何在漏气现象发生时及早的发现，成为一个重要的研究方向。

发明内容

本公开提供了一种漏气检测方法、深度学习模型的训练方法、装置、电子设备、存储介质以及程序产品。

根据本公开的一方面，提供了一种深度学习模型的训练方法，包括：获取训练样本，其中，所述训练样本包括虚拟声音信号以及与所述虚拟声音信号相匹配的标签，所述虚拟声音信号用于表征与目标对象相关的声音信号，所述标签用于表征所述目标对象是否处于漏气状态；以及利用所述训练样本训练深度学习模型，得到经训练的深度学习模型。

根据本公开的另一方面，提供了一种漏气检测方法，包括：采集声音信号；以及将所述声音信号输入至经训练的深度学习模型中，得到检测结果，其中，所述检测结果指示了所述声音信号的声音来源对象是否存在漏气现象，其中，所述经训练的深度学习模型是利用本公开所述的方法训练的。

根据本公开的另一方面，提供了一种深度学习模型的训练装置，包括：样本获取模块，用于获取训练样本，其中，所述训练样本包括虚拟声音信号以及与所述虚拟声音信号相匹配的标签，所述虚拟声音信号用于表征与目标对象相关的声音信号，所述标签用于表征所述目标对象是否处于漏气状态；以及训练模块，用于利用所述训练样本训练深度学习模型，得到经训练的深度学习模型。

根据本公开的另一方面，提供了一种漏气检测装置，包括：信号采集模块，用于采集声音信号；以及检测模块，用于将所述声音信号输入至经训练的深度学习模型中，得到检测结果，其中，所述检测结果指示了所述声音信号的声音来源对象是否存在漏气现象，其中，所述经训练的深度学习模型是利用本公开所述的装置训练的。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如本公开的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行如本公开的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如本公开的方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1示意性示出了根据本公开实施例的可以应用漏气检测方法及装置的示例性***架构；

图2示意性示出了根据本公开实施例的深度学习模型的训练方法的流程图；

图3示意性示出了根据本公开另一实施例的深度学习模型的训练方法的流程示意图；

图4示意性示出了根据本公开另一实施例的获取训练样本的流程图；

图5示意性示出了根据本公开实施例的漏气检测方法的流程图；

图6示意性示出了根据本公开实施例的深度学习模型的训练装置的框图；

图7示意性示出了根据本公开实施例的漏气检测装置的框图；以及

图8示意性示出了根据本公开实施例的适于实现漏气检测方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

本公开提供了一种漏气检测方法、深度学习模型的训练方法、装置、电子设备、存储介质以及程序产品。

根据本公开的实施例，提供了一种深度学习模型的训练方法，可以包括：获取训练样本，其中，训练样本包括虚拟声音信号以及与虚拟声音信号相匹配的标签，虚拟声音信号用于表征与目标对象相关的声音信号，标签用于表征目标对象是否处于漏气状态；以及利用训练样本训练深度学习模型，得到经训练的深度学习模型。

根据本公开的实施例，提供了一种漏气检测方法，包括：采集声音信号；以及将声音信号输入至经训练的深度学习模型中，得到检测结果，其中，检测结果指示了声音信号的声音来源对象是否存在漏气现象，其中，经训练的深度学习模型是利用本公开的方法训练的。

在本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。

在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。

图1示意性示出了根据本公开实施例的可以应用漏气检测方法及装置的示例性***架构。

需要注意的是，图1所示仅为可以应用本公开实施例的***架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、***、环境或场景。例如，在另一实施例中，可以应用漏气检测方法及装置的示例性***架构可以包括终端设备，但终端设备可以无需与服务器进行交互，即可实现本公开实施例提供的漏气检测方法及装置。

如图1所示，根据该实施例的***架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的内容提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的漏气检测方法一般可以由终端设备101、102、或103执行。相应地，本公开实施例所提供的漏气检测装置也可以设置于终端设备101、102、或103中。

或者，本公开实施例所提供的漏气检测方法一般也可以由服务器105执行。相应地，本公开实施例所提供的漏气检测装置一般可以设置于服务器105中。本公开实施例所提供的漏气检测方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的漏气检测装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

例如，在用户利用声音采集装置例如声音传感器采集现场的声音信号，终端设备101、102、103可以接收到来自声音采集装置的声音信号，然后将接收的声音信号发送给服务器105，由服务器105对声音信号进行分析，确定例如现场的存储气体的设备是否存在漏气现象。或者由能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群对声音信号进行分析，并最终确定是否存在漏气现象。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

应注意，以下方法中各个操作的序号仅作为该操作的表示以便描述，而不应被看作表示该各个操作的执行顺序。除非明确指出，否则该方法不需要完全按照所示顺序来执行。

图2示意性示出了根据本公开实施例的深度学习模型的训练方法的流程图。

如图2所示，该方法包括操作S210～S220。

在操作S210，获取训练样本。训练样本包括虚拟声音信号以及与虚拟声音信号相匹配的标签，虚拟声音信号用于表征与目标对象相关的声音信号，标签用于表征目标对象是否处于漏气状态。

在操作S220，利用训练样本训练深度学习模型，得到经训练的深度学习模型。

根据本公开的实施例，目标对象可以包括工业场景中的与气体存储、输送或者处理相关的密闭容器、反应器、阀门或者管路等。但是并不局限于此。目标对象还可以包括其他非工业场景中的与气体相关的设备。

根据本公开的实施例，与目标对象相关的声音可以包括气体在输送过程中产生的声音信号，例如，A厂区的气体经目标对象例如管路被输送至B厂区，在此过程中产生的声音信号。与目标对象相关的声音信号还可以包括气体在生成过程中产生的声音信号，例如，固体原料与酸溶液在化学反应过程中，因生成气体而产生的声音信号。与目标对象相关的声音信号还可以包括目标对象在漏气过程中产生的声音信号，例如，气体存储于密闭容器中，因密闭容器密封性问题而导致的关于漏气的声音信号。

根据本公开的实施例，采集各种实际场景中的关于不同类型的目标对象的声音信号，将其作为训练样本来训练深度学习模型，可以得到经训练的深度学习模型。以便利用经训练的深度学习模型，基于与目标对象相关的声音信号，来预测目标对象是否处于漏气状态。但是并不局限于此。还可以利用本公开实施例提供的虚拟声音信号，将其作为训练样本来训练深度学习模型，得到经训练的深度学习模型。

根据本公开的实施例，虚拟声音信号可以是通过模仿真实场景的声音而得到的声音信号。例如，虚拟声音信号可以是通过模拟技术或者合成技术得到的与真实场景的声音相似的声音信号。

根据本公开的实施例，虚拟声音信号可以包括通过模拟真实场景中的关于目标对象处于漏气状态的声音得到的声音信号，但是并不局限于此，虚拟声音信号还可以包括将第一声音信号与第二声音信号合成而得到的声音信号。第一声音信号可以是通过模拟真实场景中的关于目标对象处于漏气状态的声音而得到的声音信号。第二声音信号可以是通过采集环境声音而得到的声音信号。

根据本公开的实施例，将用于表征与目标对象相关的声音信号的虚拟声音信号和用于表征目标对象是否处于漏气状态的标签来作为训练样本，利用训练样本训练深度学习模型，可以使得深度学习模型学习与目标对象相关的声音信号的特征，进而使得经训练的深度学习模型可以基于与目标对象相关的声音信号来预测目标对象是否处于漏气状态，及时确定目标对象例如阀门或者管路是否发生漏气的现象，以此来提高实际生产过程的持续性和安全性。

根据本公开的实施例，相比于将各种实际场景中的关于不同类型的目标对象的声音信号来作为训练样本，采用虚拟声音信号来作为训练样本，可以通过模拟或者仿真方式获取样本数据量大的且类型丰富的训练样本来训练深度学习模型，使得经训练的深度学习模型的鲁棒性和精度均得到提高。

图3示意性示出了根据本公开另一实施例的深度学习模型的训练方法的流程示意图。

如图3所示，可以获取训练样本310。利用训练样本310训练深度学习模型320，得到经训练的深度学习模型330。采集实际漏气声音信号340。基于实际漏气声音信号340，确定优化训练样本350。利用优化训练样本350优化训练经训练的深度学习模型330，得到优化后的深度学习模型360。

根据本公开的实施例，训练样本可以包括虚拟声音信号以及与虚拟声音信号相匹配的标签。标签用于表征目标对象是否处于漏气状态。

根据本公开的实施例，利用训练样本训练深度学习模型可以包括：将虚拟声音信号输入至深度学习模型中，得到预测结果。该预测结果可以用于表征目标对象是否处于漏气状态。将预测结果和标签输入至损失函数中，得到损失值。基于损失值调整深度学习模型的参数，直至损失值收敛。将损失值收敛时的模型，作为经训练的深度学习模型。

根据本公开的实施例，深度学习模型的网络结构可以包括以下至少一项：卷积神经网络、递归神经网络、长短期记忆网络。但是并不局限于此。只要是能够基于声音信号得到目标对象是否处于漏气状态的二分类结果是网络即可。

根据本公开的实施例，损失函数的类型不做限定。例如，损失函数可以是平均绝对误差，也可以是均方误差，还可以是平均偏差误差。只要是与深度学习模型相匹配的，且能够进行深度学习模型的训练的损失函数即可。

根据本公开的实施例，损失值收敛可以是指损失值小于或者等于损失值阈值。也可以是损失值基本不变，即前后两次损失值的差值小于或者等于差值阈值。

根据本公开的实施例，实际漏气声音信号可以包括在工业场景中采集的关于目标对象的处于漏气状态的漏气声音信号。

根据本公开的实施例，优化训练样本可以包括实际漏气声音信号和与实际漏气声音信号相匹配的优化标签。优化标签用于表征目标对象处于漏气状态。即，基于实际漏气声音信号来确定优化训练样本可以理解为：将实际漏气声音信号以及与实际漏气声音信号相匹配的用于表征目标对象处于漏气状态的优化标签作为优化训练样本。

根据本公开的实施例，利用优化训练样本训练经训练的深度学习模型的训练方式可以与利用训练样本训练深度学习模型的训练方式相同。可以使用贴合实际场景的优化训练样本对经训练的深度学习模型进行微调训练，从而达到更好的检测效果。

根据本公开的实施例，利用现场采集的实际漏气声音信号作为优化训练样本，能够将现实场景中的偶发现象产生的样本进行合理利用。相比于仅利用训练样本训练得到的经训练的深度学习模型，利用训练样本和优化训练样本训练得到的优化后的深度学习模型，提高了模型的预测精度。相比于仅利用优化训练样本训练得到的模型，利用训练样本和优化训练样本训练得到的优化后的深度学习模型，避免了模型的过拟合问题。

利用本公开实施例提供的深度学习模型的训练方法，将虚拟声音信号与采集的实际漏气声音信号相结合，可以利用足够数量的训练样本来训练深度学习模型，提高深度学习模型的鲁棒性的同时，利用优化训练样本来训练经训练的深度学习模型，提高优化后的深度学习模型的预测精度。

图4示意性示出了根据本公开另一实施例的获取训练样本的流程图。

如图4所示，训练样本400可以包括正训练样本410和负训练样本420。正训练样本410可以包括虚拟异音信号411和与虚拟异音信号411相匹配的漏气标签412。漏气标签412可以用于表征目标对象处于漏气状态。负训练样本420可以包括环境声音信号421和与环境声音信号421相匹配的非漏气标签422。非漏气标签422可以用于表征目标对象处于正常状态。

如图4所示，可以获取环境声音信号421。基于环境声音信号421和非漏气标签422，得到负训练样本420。

根据本公开的实施例，环境声音信号可以是在工业场景中，采集的关于实际环境的声音信号。但是并不局限于此。环境声音信号也可以是通过模拟或者仿真方式生成的与实际环境的声音信号相似的声音信号。

根据本公开的其他实施例，可以仅基于负训练样本来得到训练样本，利用负训练样本来训练深度学习模型，使得经训练的深度学习模型能够基于声音信号来预测目标对象是否处于漏气状态。仅将负训练样本作为训练样本，可以直接采集工业场景的关于实际环境的声音信号即可，可以解决目标对象例如设备因很少有处于漏气状态而导致的正训练样本数据量少、且采集困难的问题。

根据本公开的实施例，相对于仅将负训练样本作为训练样本，利用负训练样本和正训练样来训练深度学习模型，可以使得深度学习模型更好的学习目标对象处于漏气状态而产生的漏气声音信号的特征，进而使得经训练的深度学习模型能够基于声音信号而更精准地预测目标对象是否处于漏气状态。

如图4所示，可以获取漏气声音信号430。基于漏气声音信号430与环境声音信号421，生成虚拟异音信号411。基于虚拟异音信号411和漏气标签412，得到正训练样本410。

根据本公开的实施例，漏气声音信号可以是在预定条件下利用模拟方式生成的。但是并不局限于此。漏气声音信号还可以是在密闭低噪的环境下，通过采集关于目标对象处于漏气状态所产生的声音而得到的声音信号。

根据本公开的实施例，基于漏气声音信号与环境声音信号来生成虚拟异音信号，可以指通过合成方式例如交叉合成方式将漏气声音信号和环境声音信号合成为虚拟异音信号，使得虚拟异音信号包含有漏气声音信号的同时还包含有环境声音信号，进而使得虚拟异音信号与工业场景中的目标对象处于漏气状态的声音信号更为接近。例如，在实际环境中，可以通过声音传感器来采集得到声音信号。声音信号可以是模拟信号类型或者数字信号类型。因工业场景中，实际环境比较嘈杂，存在例如设备运行的环境声音。在目标对象处于漏气状态的情况下，声音传感器采集到的将会是关于目标对象的漏气声音信号以及环境声音信号的集合。

根据本公开的实施例，在预定条件下利用模拟方式生成漏气声音信号，可以避免因目标对象很少发生漏气现象而导致的漏气声音信号难采集的问题。利用模拟方式生成漏气声音信号在降低了训练样本的获取难度的同时，提高了深度学习模型的训练效率。

根据本公开的实施例，预定条件可以包括预定压强环境、预定目标对象属性、预定气体种类以及预定漏气孔属性中的一种或多种。

根据本公开的实施例，气体的流速与压强环境息息相关，因此，将预定压强环境作为预定条件的元素之一进行考虑，在不同的压强环境下，呈现不同的漏气声音信号，可以使得利用模拟方式生成的漏气声音信号更贴近真实。但是并不局限于此。预定条件还可以包括预定温度环境、预定湿度环境等元素。

根据本公开的实施例，预定目标对象属性可以包括与目标对象相关的元素。例如，预定目标对象属性可以包括目标对象的类型、目标对象的材质以及目标对象的大小等。目标对象的类型可以包括存储气体类的目标对象例如储气罐、输送气体类的目标对象例如管路、控制流速类的目标对象例如阀门、以及产生气体类的目标对象例如反应器。目标对象的材质例如塑料等非金属材质以及例如不锈钢等金属材质。目标对象的大小可以指型号、体积、结构等。

根据本公开的实施例，预定气体种类可以包括以气体纯度划分的种类，例如是单一气体种类还是混合气体种类。但是并不局限于此。预定气体种类还可以包括以气体分子量划分的种类，例如分子量大于空气的分子量的气体种类和分子量小于空气的分子量的气体种类。预定气体种类也可以包括以毒性划分的种类，例如有毒气体的种类和无毒气体的种类。预定气体种类也可以包括以可燃性划分的种类，例如可燃气体的种类和不可燃气体的种类。

根据本公开的实施例，预定漏气孔属性可以包括与漏气孔相关的元素。例如，预定漏气孔属性可以包括漏气孔大小、漏气孔结构和漏气孔孔截面形状等。

根据本公开的实施例，将预定压强环境、预定目标对象属性、预定气体种类以及预定漏气孔属性中的一种或多种作为预定条件的元素进行考虑，可以使得基于预定条件得到的训练样本的种类丰富、数据量大，进而使得深度学习模型学习到更多的不同条件的漏气现象的声音特征，避免深度学习模型过拟合的同时，提高深度学习模型的精度以及适用范围。

图5示意性示出了根据本公开实施例的漏气检测方法的流程图。

如图5所示，该方法包括操作S510～S520。

在操作S510，采集声音信号。

在操作S520，将声音信号输入至经训练的深度学习模型中，得到检测结果，其中，检测结果指示了声音信号的声音来源对象是否存在漏气现象。

根据本公开的实施例，经训练的深度学习模型是根据利用本公开实施提供的深度学习模型的训练方法训练得到的。

根据本公开的实施例，声音信号可以是通过采集声音来源对象产生的声音信号而得到的声音信号，但是并不局限于此，声音信号还可以是通过采集声音来源对象产生的声音信号以及同时伴随周围环境产生的例如噪音的声音信号而得到的声音信号。

根据本公开的实施例，声音来源对象可以是工业场景中的与气体存储、输送或者处理相关的密闭容器、反应器、阀门或者管路等。但是并不局限于此。声音来源对象还可以是其他非工业场景中的与气体相关的设备。

根据本公开的实施例，可以将声音传感器安装于工业场景中，通过声音传感器来采集工业场景中的包含声音来源对象产生的声音信号，并将声音信号传输至装载有经训练的深度学习模型的服务器，以便利用经训练的深度学习模型基于声音信号来确定声音来源对象是否存在漏气现象。但是并不局限于此。还可以在声音传感器中装载有经训练的深度学习模型。利用声音传感器中的经训练的深度学习模型来基于声音信号，得到声音来源对象是否存在漏气现象的检测结果。

根据本公开的实施例，经训练的深度学习模型是利用包括有正训练样本和负训练样本的训练样本训练深度学习模型得到的，并且，正训练样本中的虚拟异音信号是通过模拟方式或者合成方式得到的，样本数据量大、且种类丰富，使得经训练的深度学习模型的检测精度高的同时，泛化性好，能够适应多种不同环境下的不同声音来源对象处于漏气状态与否的检测。

根据本公开的其他实施例，可以利用气体成分检测传感器来采集工业场景中的各类气体，并进行分析。在确定某种类型的气体成分超标的情况下，可以触发告警，以便提示现场设备存在漏气点。

根据本公开的实施例，相比于利用气体成分检测来确定设备是否存在漏气状态，利用声音信号来确定设备是否存在漏气状态，更为快速、高效，避免因气体漏气缓慢或者气体成分含量过低而导致的漏气状态不能及时发现的问题。此外，因经训练的深度学习模型的训练样本的数据量大、且种类丰富，所以相比于利用气体成分检测来确定设备是否存在漏气状态，利用声音信号来确定设备是否存在漏气状态，可以使得该漏气检测方法的适用范围广，避免因不能识别该种类的气体而导致无法得到检测结果的问题。

利用本公开实施例提供的漏气检测方法，能够使得工业场景中的例如阀门、管路等设备发生漏气的现象得到及时发现，以便得到及时处理，避免发生***、中毒等安全事故。

图6示意性示出了根据本公开实施例的深度学习模型的训练装置的框图。

如图6所示，深度学习模型的训练装置600可以包括样本获取模块610以及训练模块620。

样本获取模块610，用于获取训练样本，其中，训练样本包括虚拟声音信号以及与虚拟声音信号相匹配的标签，虚拟声音信号用于表征与目标对象相关的声音信号，标签用于表征目标对象是否处于漏气状态。

训练模块620，用于利用训练样本训练深度学习模型，得到经训练的深度学习模型。

根据本公开的实施例，虚拟声音信号包括虚拟异音信号和环境声音信号，标签包括漏气标签和非漏气标签。

根据本公开的实施例，样本获取模块可以包括正样本获取单元以及负样本获取单元。

正样本获取单元，用于获取虚拟异音信号和与虚拟异音信号相匹配的漏气标签，其中，漏气标签用于表征目标对象处于漏气状态。

负样本获取单元，用于获取环境声音信号和与环境声音信号相匹配的非漏气标签，其中，非漏气标签用于表征目标对象处于正常状态。

根据本公开的实施例，深度学习模型的训练装置还可以包括信号获取模块以及生成模块。

信号获取模块，用于获取漏气声音信号，其中，漏气声音信号用于表征目标对象处于漏气状态时所产生的声音信号。

生成模块，用于基于漏气声音信号和环境声音信号，生成虚拟异音信号。

根据本公开的实施例，信号获取模块可以包括模拟单元。

模拟单元，用于在预定条件下利用模拟方式生成漏气声音信号。

根据本公开的实施例，预定条件包括以下至少一项：预定压强环境、预定目标对象属性、预定气体种类、预定漏气孔属性。

根据本公开的实施例，深度学习模型的训练装置还可以包括样本采集模块、优化样本确定模块以及优化训练模块。

样本采集模块，用于采集实际漏气声音信号。

优化样本确定模块，用于基于实际漏气声音信号，确定优化训练样本。

优化训练模块，用于利用优化训练样本训练经训练的深度学习模型，得到优化后的深度学习模型。

图7示意性示出了根据本公开实施例的漏气检测装置的框图。

如图7所示，漏气检测装置700可以包括信号采集模块710以及检测模块720。

信号采集模块710，用于采集声音信号。

检测模块720，用于将声音信号输入至经训练的深度学习模型中，得到检测结果，其中，检测结果指示了声音信号的声音来源对象是否存在漏气现象。

根据本公开的实施例，经训练的深度学习模型是利用本公开实施例的深度学习模型的训练装置训练的。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

根据本公开的实施例，一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如本公开实施例的方法。

根据本公开的实施例，一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行如本公开实施例的方法。

根据本公开的实施例，一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如本公开实施例的方法。

图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如漏气检测方法或者深度学习模型的训练方法。例如，在一些实施例中，漏气检测方法或者深度学习模型的训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的漏气检测方法或者深度学习模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行漏气检测方法或者深度学习模型的训练方法。

本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以是分布式***的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (17)

1.一种深度学习模型的训练方法，包括：

获取训练样本，其中，所述训练样本包括虚拟声音信号以及与所述虚拟声音信号相匹配的标签，所述虚拟声音信号用于表征与目标对象相关的声音信号，所述标签用于表征所述目标对象是否处于漏气状态；以及

利用所述训练样本训练深度学习模型，得到经训练的深度学习模型。

2.根据权利要求1所述的方法，其中，所述虚拟声音信号包括虚拟异音信号和环境声音信号，所述标签包括漏气标签和非漏气标签；

所述获取训练样本，包括：

获取所述虚拟异音信号和与所述虚拟异音信号相匹配的漏气标签，其中，所述漏气标签用于表征所述目标对象处于漏气状态；以及

获取所述环境声音信号和与所述环境声音信号相匹配的非漏气标签，其中，所述非漏气标签用于表征所述目标对象处于正常状态。

3.根据权利要求2所述的方法，还包括：

获取漏气声音信号，其中，所述漏气声音信号用于表征所述目标对象处于漏气状态时所产生的声音信号；以及

基于所述漏气声音信号和所述环境声音信号，生成所述虚拟异音信号。

4.根据权利要求3所述的方法，其中，所述获取漏气声音信号，包括：

在预定条件下利用模拟方式生成所述漏气声音信号。

5.根据权利要求4所述的方法，其中，所述预定条件包括以下至少一项：

预定压强环境、预定目标对象属性、预定气体种类、预定漏气孔属性。

6.根据权利要求1至5中任一项所述的方法，还包括：

采集实际漏气声音信号；

基于所述实际漏气声音信号，确定优化训练样本；以及

利用所述优化训练样本训练所述经训练的深度学习模型，得到优化后的深度学习模型。

7.一种漏气检测方法，包括：

采集声音信号；以及

将所述声音信号输入至经训练的深度学习模型中，得到检测结果，其中，所述检测结果指示了所述声音信号的声音来源对象是否存在漏气现象，

其中，所述经训练的深度学习模型是利用根据权利要求1至6中任一项所述的方法训练的。

8.一种深度学习模型的训练装置，包括：

样本获取模块，用于获取训练样本，其中，所述训练样本包括虚拟声音信号以及与所述虚拟声音信号相匹配的标签，所述虚拟声音信号用于表征与目标对象相关的声音信号，所述标签用于表征所述目标对象是否处于漏气状态；以及

训练模块，用于利用所述训练样本训练深度学习模型，得到经训练的深度学习模型。

9.根据权利要求8所述的装置，其中，所述虚拟声音信号包括虚拟异音信号和环境声音信号，所述标签包括漏气标签和非漏气标签；

所述样本获取模块包括：

正样本获取单元，用于获取所述虚拟异音信号和与所述虚拟异音信号相匹配的漏气标签，其中，所述漏气标签用于表征所述目标对象处于漏气状态；以及

负样本获取单元，用于获取所述环境声音信号和与所述环境声音信号相匹配的非漏气标签，其中，所述非漏气标签用于表征所述目标对象处于正常状态。

10.根据权利要求9所述的装置，还包括：

信号获取模块，用于获取漏气声音信号，其中，所述漏气声音信号用于表征所述目标对象处于漏气状态时所产生的声音信号；以及

生成模块，用于基于所述漏气声音信号和所述环境声音信号，生成所述虚拟异音信号。

11.根据权利要求10所述的装置，其中，所述信号获取模块包括：

模拟单元，用于在预定条件下利用模拟方式生成所述漏气声音信号。

12.根据权利要求11所述的装置，其中，所述预定条件包括以下至少一项：

预定压强环境、预定目标对象属性、预定气体种类、预定漏气孔属性。

13.根据权利要求8至12中任一项所述的装置，还包括：

样本采集模块，用于采集实际漏气声音信号；

优化样本确定模块，用于基于所述实际漏气声音信号，确定优化训练样本；以及

优化训练模块，用于利用所述优化训练样本训练所述经训练的深度学习模型，得到优化后的深度学习模型。

14.一种漏气检测装置，包括：

信号采集模块，用于采集声音信号；以及

检测模块，用于将所述声音信号输入至经训练的深度学习模型中，得到检测结果，其中，所述检测结果指示了所述声音信号的声音来源对象是否存在漏气现象，

其中，所述经训练的深度学习模型是利用根据权利要求8至13中任一项所述的装置训练的。

15.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至6中任一项所述的深度学习模型的训练方法或者权利要求7所述的漏气检测方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1至6中任一项所述的深度学习模型的训练方法或者权利要求7所述的漏气检测方法。

17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1至6中任一项所述的深度学习模型的训练方法或者权利要求7所述的漏气检测方法。

Images