CN117849193A - 钕铁硼烧结的裂纹损伤在线监测方法 - Google Patents
钕铁硼烧结的裂纹损伤在线监测方法 Download PDFInfo
- Publication number
- CN117849193A CN117849193A CN202410259815.5A CN202410259815A CN117849193A CN 117849193 A CN117849193 A CN 117849193A CN 202410259815 A CN202410259815 A CN 202410259815A CN 117849193 A CN117849193 A CN 117849193A
- Authority
- CN
- China
- Prior art keywords
- acoustic emission
- emission signal
- feature
- prototype
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 229910001172 neodymium magnet Inorganic materials 0.000 title claims abstract description 115
- QJVKUMXDEUEQLH-UHFFFAOYSA-N [B].[Fe].[Nd] Chemical compound [B].[Fe].[Nd] QJVKUMXDEUEQLH-UHFFFAOYSA-N 0.000 title claims abstract description 105
- 238000012544 monitoring process Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005245 sintering Methods 0.000 title claims abstract description 45
- 230000009466 transformation Effects 0.000 claims abstract description 75
- 238000012512 characterization method Methods 0.000 claims abstract description 62
- 238000000605 extraction Methods 0.000 claims abstract description 48
- 239000003623 enhancer Substances 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000005728 strengthening Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 88
- 239000013598 vector Substances 0.000 claims description 76
- 238000013527 convolutional neural network Methods 0.000 claims description 27
- 238000010586 diagram Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 12
- 230000002787 reinforcement Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 238000003860 storage Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
公开了一种钕铁硼烧结的裂纹损伤在线监测方法。其首先对来自被检测钕铁硼烧结体的声发射信号进行格拉姆角和场变换以得到格拉姆角和场图像,然后,通过声发射信号特征提取器对所述格拉姆角和场图像进行特征提取以得到声发射信号变换域特征图,接着,使用基于重参数化层的特征图增强器对所述声发射信号变换域特征图进行特征图表达强化以得到强化声发射信号变换域特征图,然后,使用原型类别特征提取网络对所述强化声发射信号变换域特征图进行处理以得到声发射信号原型表征特征,最后,基于所述声发射信号原型表征特征,确定被检测钕铁硼烧结体是否存在裂纹损伤。这样,可以实时、无损地检测钕铁硼烧结体是否存在裂纹损伤。
Description
技术领域
本申请涉及裂纹损伤监测领域,且更为具体地,涉及一种钕铁硼烧结的裂纹损伤在线监测方法。
背景技术
钕铁硼烧结体是一种高性能的永磁材料,广泛应用于电机、发电机、传感器等领域。然而,钕铁硼烧结体在制备和使用过程中容易产生裂纹损伤,影响其性能和寿命。因此,对钕铁硼烧结体的裂纹损伤进行在线监测是非常重要的。
然而,传统的裂纹损伤监测方法通常需要人工来进行,这种方法存在主观性和操作性的问题,人工监测的方式需要专业的技术人员,且对于大规模生产的钕铁硼烧结体来说,人工监测效率低下且成本较高。此外,传统的监测方法通常需要将钕铁硼烧结体取下或停机进行检测,这会导致生产过程中的停工和生产线的中断。同时,无法实时监测裂纹损伤可能延误了对问题的及时发现和处理。
因此,期望一种优化的钕铁硼烧结的裂纹损伤在线监测方案。
发明内容
有鉴于此,本申请提出了一种钕铁硼烧结的裂纹损伤在线监测方法,其可以通过采集钕铁硼烧结体的声发射信号后,在数据分析软件中引入基于人工智能和深度学习的信号处理和分析算法来进行该声发射信号的分析,以此来判断钦铁硼烧结体是否存在裂纹损伤。
根据本申请的一方面,提供了一种钕铁硼烧结的裂纹损伤在线监测方法,其包括:
获取来自被检测钕铁硼烧结体的声发射信号;
对所述声发射信号进行格拉姆角和场变换以得到格拉姆角和场图像;
通过基于深度神经网络模型的声发射信号特征提取器对所述格拉姆角和场图像进行特征提取以得到声发射信号变换域特征图;
使用基于重参数化层的特征图增强器对所述声发射信号变换域特征图进行特征图表达强化以得到强化声发射信号变换域特征图;
使用原型类别特征提取网络对所述强化声发射信号变换域特征图进行处理以得到声发射信号原型表征特征向量作为声发射信号原型表征特征;以及
基于所述声发射信号原型表征特征,确定被检测钕铁硼烧结体是否存在裂纹损伤。
在上述的钕铁硼烧结的裂纹损伤在线监测方法中,所述深度神经网络模型为卷积神经网络模型。
在上述的钕铁硼烧结的裂纹损伤在线监测方法中,使用基于重参数化层的特征图增强器对所述声发射信号变换域特征图进行特征图表达强化以得到强化声发射信号变换域特征图,包括:
使用所述基于重参数化层的特征图增强器以如下强化公式对所述声发射信号变换域特征图进行特征图表达强化以得到所述强化声发射信号变换域特征图;其中,所述强化公式为:
其中,为所述声发射信号变换域特征图的全局均值,为所述声发射信号变
换域特征图的方差,是对所述声发射信号变换域特征图的高斯分布进行随机采样得到的
第个值,表示按位置点乘,是所述强化声发射信号变换域特征图中各个位置的特征
值。
在上述的钕铁硼烧结的裂纹损伤在线监测方法中,使用原型类别特征提取网络对所述强化声发射信号变换域特征图进行处理以得到声发射信号原型表征特征向量作为声发射信号原型表征特征,包括:
使用所述原型类别特征提取网络以如下原型公式对所述强化声发射信号变换域特征图进行处理以得到所述声发射信号原型表征特征向量;其中,所述原型公式为:
其中,和为所述强化声发射信号变换域特征图中沿通道维度的各个特征矩阵
向量化排列得到的强化声发射信号变换域特征向量的序列中第和第个强化声发射信号
变换域特征向量,是所述强化声发射信号变换域特征向量的序列,为向量的一范数,为所述强化声发射信号变换域特征向量的序列中向量的个数-1,为声发射信号语义
波动特征向量中各个位置的特征值,是所述声发射信号语义波动特征向量的长度,是所
述声发射信号原型表征特征向量,为指数运算。
在上述的钕铁硼烧结的裂纹损伤在线监测方法中,基于所述声发射信号原型表征特征,确定被检测钕铁硼烧结体是否存在裂纹损伤,包括:
将所述声发射信号原型表征特征向量通过分类器以得到分类结果,所述分类结果用于表示被检测钕铁硼烧结体是否存在裂纹损伤。
在上述的钕铁硼烧结的裂纹损伤在线监测方法中,还包括训练步骤:用于对基于卷积神经网络模型的声发射信号特征提取器、所述基于重参数化层的特征图增强器、所述原型类别特征提取网络和所述分类器进行训练。
在上述的钕铁硼烧结的裂纹损伤在线监测方法中,所述训练步骤,包括:
训练数据获取,所述训练数据包括来自被检测钕铁硼烧结体的训练声发射信号,以及,被检测钕铁硼烧结体是否存在裂纹损伤的真实值;
对所述训练声发射信号进行格拉姆角和场变换以得到训练格拉姆角和场图像;
通过所述基于卷积神经网络模型的声发射信号特征提取器对所述训练格拉姆角和场图像进行特征提取以得到训练声发射信号变换域特征图;
使用所述基于重参数化层的特征图增强器对所述训练声发射信号变换域特征图进行特征图表达强化以得到训练强化声发射信号变换域特征图;
使用所述原型类别特征提取网络对所述训练强化声发射信号变换域特征图进行处理以得到训练声发射信号原型表征特征向量;
将所述训练声发射信号原型表征特征向量通过所述分类器以得到分类损失函数值;以及
以所述分类损失函数值对所述基于卷积神经网络模型的声发射信号特征提取器、所述基于重参数化层的特征图增强器、所述原型类别特征提取网络和所述分类器进行训练,其中,在所述训练的每一轮迭代中,对所述训练声发射信号原型表征特征向量进行优化。
在本申请中,其首先对来自被检测钕铁硼烧结体的声发射信号进行格拉姆角和场变换以得到格拉姆角和场图像,然后,通过声发射信号特征提取器对所述格拉姆角和场图像进行特征提取以得到声发射信号变换域特征图,接着,使用基于重参数化层的特征图增强器对所述声发射信号变换域特征图进行特征图表达强化以得到强化声发射信号变换域特征图,然后,使用原型类别特征提取网络对所述强化声发射信号变换域特征图进行处理以得到声发射信号原型表征特征,最后,基于所述声发射信号原型表征特征,确定被检测钕铁硼烧结体是否存在裂纹损伤。这样,可以实时、无损地检测钕铁硼烧结体是否存在裂纹损伤。
根据下面参考附图对本申请的详细说明,本申请的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例、特征和方面,并且用于解释本申请的原理。
图1示出根据本申请的实施例的钕铁硼烧结的裂纹损伤在线监测方法的流程图。
图2示出根据本申请的实施例的钕铁硼烧结的裂纹损伤在线监测方法的架构示意图。
图3示出根据本申请的实施例的钕铁硼烧结的裂纹损伤在线监测***的框图。
图4示出根据本申请的实施例的钕铁硼烧结的裂纹损伤在线监测方法的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
另外,为了更好的说明本申请,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本申请同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本申请的主旨。
应可以理解,声发射监测是一种无损检测技术,可以检测材料在受力时产生的声发射信号并通过分析这些信号来判断材料是否存在裂纹损伤。因此,在本申请的技术方案中,提出了一种钕铁硼烧结的裂纹损伤在线监测方法,其能够利用声发射监测***来实现对钕铁硼烧结的裂纹损伤在线监测。具体来说,声发射监测***主要包括声发射传感器、信号采集器和数据分析软件。声发射传感器安装在钕铁硼烧结体上,当钕铁硼烧结体受力时,会产生声发射信号,这些信号会被传感器接收并传输给信号采集器。信号采集器将信号放大并数字化,然后传输给数据分析软件。数据分析软件对信号进行分析,并判断钦铁硼烧结体是否存在裂纹损伤。
相应地,在利用声发射监测***来实现对钕铁硼烧结的裂纹损伤在线监测过程中,为了能够确保裂纹损伤检测的准确性,本申请的技术构思为通过采集钕铁硼烧结体的声发射信号后,在数据分析软件中引入基于人工智能和深度学习的信号处理和分析算法来进行该声发射信号的分析,以此来判断钦铁硼烧结体是否存在裂纹损伤。这样,可以实时、无损地检测钕铁硼烧结体是否存在裂纹损伤,以便于进行及时地预警来采取相应的维修和保养措施,确保钕铁硼烧结磁体的可靠性和使用寿命。
图1示出根据本申请的实施例的钕铁硼烧结的裂纹损伤在线监测方法的流程图。图2示出根据本申请的实施例的钕铁硼烧结的裂纹损伤在线监测方法的架构示意图。如图1和图2所示,根据本申请实施例的钕铁硼烧结的裂纹损伤在线监测方法,包括步骤:S110,获取来自被检测钕铁硼烧结体的声发射信号;S120,对所述声发射信号进行格拉姆角和场变换以得到格拉姆角和场图像;S130,通过基于深度神经网络模型的声发射信号特征提取器对所述格拉姆角和场图像进行特征提取以得到声发射信号变换域特征图;S140,使用基于重参数化层的特征图增强器对所述声发射信号变换域特征图进行特征图表达强化以得到强化声发射信号变换域特征图;S150,使用原型类别特征提取网络对所述强化声发射信号变换域特征图进行处理以得到声发射信号原型表征特征向量作为声发射信号原型表征特征;以及,S160,基于所述声发射信号原型表征特征,确定被检测钕铁硼烧结体是否存在裂纹损伤。
应可以理解,在步骤S110中,通过传感器或其他设备获取钕铁硼烧结体产生的声发射信号,声发射是指在材料或结构中发生裂纹扩展或变形等现象时产生的声波信号,这些声发射信号可以包含关于材料的裂纹损伤信息。在步骤S120中,声发射信号经过格拉姆角和场变换,得到相应的格拉姆角和场图像,这些图像可以提供有关声发射信号频谱特征的信息,有助于后续的特征提取和分析。在步骤S130中,使用基于深度神经网络模型的特征提取器对格拉姆角和场图像进行处理,深度神经网络模型可以学习和捕捉声发射信号中与裂纹损伤相关的特征,从而提高后续的裂纹损伤检测准确性。在步骤S140中,采用基于重参数化层的特征图增强器对声发射信号变换域特征图进行处理,以增强特征图的表达能力,重参数化层是一种神经网络层,可通过调整参数来改变特征图的表示方式,从而提高特征的区分度和重要性。在步骤S150中,采用原型类别特征提取网络对经过强化的声发射信号变换域特征图进行处理,原型类别特征提取网络是一种用于学习和提取特征向量的神经网络模型,可以将复杂的声发射信号转化为更具有区分性的特征表示。在步骤S160中,利用声发射信号的原型表征特征向量,进行裂纹损伤的检测和判断,通过对比已知的裂纹损伤特征和声发射信号的原型表征特征,可以确定被检测钕铁硼烧结体是否存在裂纹损伤,这一步骤的结果可以用于预测和评估材料的裂纹扩展情况,并采取相应的维修和保养措施。以上是钕铁硼烧结的裂纹损伤在线监测方法中各个步骤的详细说明,这些步骤的组合和流程旨在通过声发射信号的分析和特征提取,实现对钕铁硼烧结体裂纹损伤的准确检测和监测。
具体地,在本申请的技术方案中,首先,获取来自被检测钕铁硼烧结体的声发射信号。接着,对所述声发射信号进行格拉姆角和场变换以得到格拉姆角和场图像。应可以理解,由于格拉姆角场(Gramian angular field,GAF)基于Gram原理,它可将经典笛卡尔坐标系下的时间序列迁移到极坐标系上进行表示,也就是说,所述格拉姆角场能够将时间序列数据转换为图像数据,既能保留信号完整的信息,也能够很好地保留着所述声发射信号对于时间的依赖性和相关性,具有和原始信号相似的时序特质。特别地,GAF按照编码所用三角函数的不同可以得到格拉姆角和场(Gramian angular sum field,GASF)和格拉姆角差场(Gramian angular difference field,GADF),由于GADF转换之后不可逆,因此,在本申请的技术方案中,选择可进行逆转换的GASF转换方式来进行声发射信号的编码。特别地,在本申请的一个具体示例中,所述声发射信号到GASF图像的编码步骤如下所示:对于一个有C维度的时间序列={Q1,Q2,…,QC},其中每个维度都包含n个采样点Qi={qi1,qi2,…,qin},首先对每个维度的数据进行归一化操作。之后,将数据中的所有值整合到[-1,1]内,整合之后就用三角函数值Cos值代替归一化后的数值,用极坐标来代替笛卡尔坐标,从而保留序列的绝对时间关系。
然后,使用在图像的隐含特征提取方面具有优异表现性能的基于卷积神经网络模型的声发射信号特征提取器对所述格拉姆角和场图像进行特征提取,以提取出所述格拉姆角和场图像中关于声发射信号的特征分布信息,从而得到声发射信号变换域特征图。应可以理解,通过使用所述卷积神经网络模型来进行声发射信号的变换域的特征分析和捕捉,能够捕捉到声发射信号中的细微变化和特征,从而有利于更为准确地检测到声发射信号中与裂纹损伤相关的特征信息。
相应地,在步骤S130中,所述深度神经网络模型为卷积神经网络模型,即,所述基于深度神经网络模型的声发射信号特征提取器为基于卷积神经网络模型的声发射信号特征提取器。值得一提的是,卷积神经网络(Convolutional Neural Network,简称CNN)是一种深度学习模型,特别适用于处理具有网格结构的数据。卷积神经网络的核心思想是通过卷积层、池化层和全连接层等组件来构建网络结构。其中,卷积层是CNN的重要组成部分,它通过在输入数据上滑动卷积核(一种小的可学习参数矩阵),实现对输入数据的特征提取。卷积层可以有效地捕捉到输入数据的局部关系,并且参数共享的特性使得模型具有较少的参数量,从而减少了过拟合的风险。在声发射信号特征提取器中,基于卷积神经网络模型的声发射信号特征提取器使用了卷积层来处理格拉姆角和场图像,从中提取出与裂纹损伤相关的特征。卷积神经网络可以通过学习适合特定任务的卷积核权重,自动地提取出输入数据中的关键特征,从而实现对声发射信号的特征提取和表示。总体来说,卷积神经网络模型是一种深度学习模型,通过卷积层来处理输入数据,提取出与任务相关的特征。在声发射信号特征提取器中,基于卷积神经网络模型的声发射信号特征提取器用于从格拉姆角和场图像中提取与裂纹损伤相关的特征,为后续的裂纹损伤检测提供有用的信息。
进一步地,为了进一步提升所述声发射信号变换域特征图中关于声发射信号特征的表达能力和区分性,以更好地区分钕铁硼烧结体存在裂纹损伤的情况,在本申请的技术方案中,进一步使用基于重参数化层的特征图增强器对所述声发射信号变换域特征图进行特征图表达强化以得到强化声发射信号变换域特征图。通过所述基于重参数化层的特征图增强器进行处理,能够引入随机性,将原始特征图重新参数化为更丰富的特征表示,从而增强所述声发射信号变换域特征图的表达能力。在这个过程中,所述声发射信号变换域特征图的均值和方差被提取出来,并用于生成新的特征图。这种重参数化的形式可以看作是在语义特征空间中进行数据增强的一种方式,这有助于提高分类器对不同钕铁硼烧结体裂纹损伤的特征感知和识别能力,使其更好地适应钕铁硼烧结体的不同裂纹损伤检测,提高分类的准确性。
相应地,在步骤S140中,使用基于重参数化层的特征图增强器对所述声发射信号变换域特征图进行特征图表达强化以得到强化声发射信号变换域特征图,包括:使用所述基于重参数化层的特征图增强器以如下强化公式对所述声发射信号变换域特征图进行特征图表达强化以得到所述强化声发射信号变换域特征图;其中,所述强化公式为:
其中,为所述声发射信号变换域特征图的全局均值,为所述声发射信号变
换域特征图的方差,是对所述声发射信号变换域特征图的高斯分布进行随机采样得到的
第个值,表示按位置点乘,是所述强化声发射信号变换域特征图中各个位置的特征
值。
应可以理解,由于所述强化声发射信号变换域特征图中沿通道维度的每个特征矩阵中所包含的特征向量都表示着关于声发射信号中的不同特征信息,这些特征有些对于钕铁硼烧结体的裂纹损伤检测的贡献度较大,而有些则贡献度较小,这种较小贡献度的声发射信号特征表示并不能够反映出声发射信号中与钕铁硼烧结体的裂纹损伤检测相关的语义本质特征。因此,为了能够减少偏离本质特征的声发射信号语义对于原型计算的影响,在本申请的技术方案中,需要使用原型类别特征提取网络对所述强化声发射信号变换域特征图进行处理以得到声发射信号原型表征特征向量。通过使用所述原型类别特征提取网络对所述强化声发射信号变换域特征图进行处理,可以提取出声发射信号中与裂纹损伤相关的特征信息,这些特征可以用于判断钕铁硼烧结体是否存在裂纹损伤。也就是说,通过所述原型类别特征提取网络的处理,能够捕捉到声发射信号中的重要模式和结构,有助于区分正常状态和裂纹损伤状态,从而更为准确地判断钕铁硼烧结体是否存在裂纹损伤。
相应地,在步骤S150中,使用原型类别特征提取网络对所述强化声发射信号变换域特征图进行处理以得到声发射信号原型表征特征向量作为声发射信号原型表征特征,包括:使用所述原型类别特征提取网络以如下原型公式对所述强化声发射信号变换域特征图进行处理以得到所述声发射信号原型表征特征向量;其中,所述原型公式为:
其中,和为所述强化声发射信号变换域特征图中沿通道维度的各个特征矩阵
向量化排列得到的强化声发射信号变换域特征向量的序列中第和第个强化声发射信号
变换域特征向量,是所述强化声发射信号变换域特征向量的序列,为向量的一范数,为所述强化声发射信号变换域特征向量的序列中向量的个数-1,为声发射信号语义
波动特征向量中各个位置的特征值,是所述声发射信号语义波动特征向量的长度,是所
述声发射信号原型表征特征向量,为指数运算。
继而,再将所述声发射信号原型表征特征向量通过分类器以得到分类结果,所述分类结果用于表示被检测钕铁硼烧结体是否存在裂纹损伤。也就是说,利用所述声发射信号的原型表征特征信息来进行分类处理,以此来判断钦铁硼烧结体是否存在裂纹损伤。这样,可以实时、无损地检测钕铁硼烧结体是否存在裂纹损伤,以便于进行及时地预警来采取相应的维修和保养措施,确保钕铁硼烧结磁体的可靠性和使用寿命。
相应地,在步骤S160中,基于所述声发射信号原型表征特征,确定被检测钕铁硼烧结体是否存在裂纹损伤,包括:将所述声发射信号原型表征特征向量通过分类器以得到分类结果,所述分类结果用于表示被检测钕铁硼烧结体是否存在裂纹损伤。具体地,将所述声发射信号原型表征特征向量通过分类器以得到分类结果,所述分类结果用于表示被检测钕铁硼烧结体是否存在裂纹损伤,包括:使用所述分类器的全连接层对所述声发射信号原型表征特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是,在本申请的技术方案中,所述分类器的标签包括被检测钕铁硼烧结体存在裂纹损伤(第一标签),以及,被检测钕铁硼烧结体不存在裂纹损伤(第二标签),其中,所述分类器通过软最大值函数来确定所述声发射信号原型表征特征向量属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“被检测钕铁硼烧结体是否存在裂纹损伤”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,被检测钕铁硼烧结体是否存在裂纹损伤的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“被检测钕铁硼烧结体是否存在裂纹损伤”的语言文本意义。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
进一步地,在本申请的技术方案中,所述的钕铁硼烧结的裂纹损伤在线监测方法,其还包括训练步骤:用于对基于卷积神经网络模型的声发射信号特征提取器、所述基于重参数化层的特征图增强器、所述原型类别特征提取网络和所述分类器进行训练。
应可以理解,训练步骤在钕铁硼烧结的裂纹损伤在线监测方法中起着至关重要的作用。通过训练步骤,可以对基于卷积神经网络模型的声发射信号特征提取器、基于重参数化层的特征图增强器、原型类别特征提取网络和分类器进行训练,从而使它们具备对声发射信号进行特征提取、增强和分类的能力。具体来说,训练步骤的作用如下:1.训练声发射信号特征提取器:通过对大量已知的声发射信号进行标记和训练,可以使声发射信号特征提取器学习到与裂纹损伤相关的特征表示。这样,在后续的裂纹损伤检测中,特征提取器可以准确地从声发射信号中提取出这些特征,为裂纹损伤的判断提供有力支持。2.训练特征图增强器:特征图增强器通过重参数化层对声发射信号变换域特征图进行处理,增强特征图的表达能力。通过训练,特征图增强器可以学习到适合裂纹损伤检测的增强方式,使得声发射信号变换域特征图更加有利于裂纹损伤的判断。3.训练原型类别特征提取网络:原型类别特征提取网络用于学习和提取声发射信号的原型表征特征向量。通过训练,原型类别特征提取网络可以学习到与裂纹损伤相关的特征表示,使得声发射信号的原型表征特征向量更加具有区分性,有助于裂纹损伤的判断和分类。4.训练分类器:分类器用于根据声发射信号的特征进行裂纹损伤的确定。通过训练,分类器可以学习到声发射信号特征与裂纹损伤之间的关联,从而能够准确地将声发射信号分类为有裂纹损伤或无裂纹损伤的情况。总结来说,训练步骤通过使用已知的标记数据对关键模型组件进行训练,使其具备对声发射信号进行特征提取、增强和分类的能力。这样,在实际的裂纹损伤在线监测中,这些经过训练的模型组件可以准确地分析声发射信号,判断钕铁硼烧结体是否存在裂纹损伤。
其中,在一个示例中,所述训练步骤,包括:训练数据获取,所述训练数据包括来自被检测钕铁硼烧结体的训练声发射信号,以及,被检测钕铁硼烧结体是否存在裂纹损伤的真实值;对所述训练声发射信号进行格拉姆角和场变换以得到训练格拉姆角和场图像;通过所述基于卷积神经网络模型的声发射信号特征提取器对所述训练格拉姆角和场图像进行特征提取以得到训练声发射信号变换域特征图;使用所述基于重参数化层的特征图增强器对所述训练声发射信号变换域特征图进行特征图表达强化以得到训练强化声发射信号变换域特征图;使用所述原型类别特征提取网络对所述训练强化声发射信号变换域特征图进行处理以得到训练声发射信号原型表征特征向量;将所述训练声发射信号原型表征特征向量通过所述分类器以得到分类损失函数值;以及,以所述分类损失函数值对所述基于卷积神经网络模型的声发射信号特征提取器、所述基于重参数化层的特征图增强器、所述原型类别特征提取网络和所述分类器进行训练,其中,在所述训练的每一轮迭代中,对所述训练声发射信号原型表征特征向量进行优化。
在本申请的技术方案中,所述训练强化声发射信号变换域特征图的每个特征矩阵表达所述格拉姆角和场图像的强化的图像语义特征,由此,各个特征矩阵的图像语义特征分布也会存在由于卷积神经网络模型的通道分布差异引起的不一致。这样,当使用原型类别特征提取网络对所述训练强化声发射信号变换域特征图基于特征矩阵的图像语义特征表达进行处理时,考虑到各个特征矩阵由于图像语义特征分布的不一致,其各自的基于图像语义特征分布的特征分布信息显著性也会受到影响,使得所述训练声发射信号原型表征特征向量在训练过程中难以稳定地聚焦于特征的显著局部分布,从而影响所述训练声发射信号原型表征特征向量的表达效果和模型的训练速度。
基于此,本申请的申请人在每次所述训练声发射信号原型表征特征向量通过分类器进行分类回归的迭代时,对所述训练声发射信号原型表征特征向量进行优化。
相应地,在一个示例中,在所述训练的每一轮迭代中,以如下优化公式对所述训练声发射信号原型表征特征向量进行优化以得到优化后训练声发射信号原型表征特征向量;其中,所述优化公式为:
其中,是所述训练声发射信号原型表征特征向量,和分别是所述训练声
发射信号原型表征特征向量的1范数和2范数的平方,是所述训练声发射信号原型表征特
征向量的长度,且是权重超参数,表示所述训练声发射信号原型表征特征向量中各个
位置的特征值,表示以2为底的对数函数,表示所述优化后训练声发射信号原型表
征特征向量中各个位置的特征值。
具体地,通过训练基于所述声发射信号原型表征特征向量的尺度和结构参数来
进行其高维特征流形形状的几何注册,可以关注所述训练声发射信号原型表征特征向量
的特征值构成的特征集合中的具有丰富特征语义信息的特征,也就是,在分类器进行分类
时的基于局部上下文信息表示不相似性的可区分的稳定兴趣特征,从而实现所述训练声发
射信号原型表征特征向量在分类过程中的特征信息显著性标注,提升分类器的训练速度。
这样,可以基于钕铁硼烧结体的声发射信号来实时、无损地检测钕铁硼烧结体是否存在裂
纹损伤,以便于进行及时地预警来采取相应的维修和保养措施,确保钕铁硼烧结磁体的可
靠性和使用寿命。
综上,基于本申请实施例的钕铁硼烧结的裂纹损伤在线监测方法,其可以实时、无损地检测钕铁硼烧结体是否存在裂纹损伤。
图3示出根据本申请的实施例的钕铁硼烧结的裂纹损伤在线监测***100的框图。如图3所示,根据本申请实施例的钕铁硼烧结的裂纹损伤在线监测***100,包括:信号获取模块110,用于获取来自被检测钕铁硼烧结体的声发射信号;格拉姆角和场变换模块120,用于对所述声发射信号进行格拉姆角和场变换以得到格拉姆角和场图像;声发射信号特征提取模块130,用于通过基于深度神经网络模型的声发射信号特征提取器对所述格拉姆角和场图像进行特征提取以得到声发射信号变换域特征图;特征图增强模块140,用于使用基于重参数化层的特征图增强器对所述声发射信号变换域特征图进行特征图表达强化以得到强化声发射信号变换域特征图;原型类别特征提取模块150,用于使用原型类别特征提取网络对所述强化声发射信号变换域特征图进行处理以得到声发射信号原型表征特征向量作为声发射信号原型表征特征;以及,裂纹损伤分析模块160,用于基于所述声发射信号原型表征特征,确定被检测钕铁硼烧结体是否存在裂纹损伤。
在一种可能的实现方式中,所述深度神经网络模型为卷积神经网络模型。
这里,本领域技术人员可以理解,上述钕铁硼烧结的裂纹损伤在线监测***100中的各个单元和模块的具体功能和操作已经在上面参考图1到图2的钕铁硼烧结的裂纹损伤在线监测方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的钕铁硼烧结的裂纹损伤在线监测***100可以实现在各种无线终端中,例如具有钕铁硼烧结的裂纹损伤在线监测算法的服务器等。在一种可能的实现方式中,根据本申请实施例的钕铁硼烧结的裂纹损伤在线监测***100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该钕铁硼烧结的裂纹损伤在线监测***100可以是该无线终端的操作***中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该钕铁硼烧结的裂纹损伤在线监测***100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该钕铁硼烧结的裂纹损伤在线监测***100与该无线终端也可以是分立的设备,并且该钕铁硼烧结的裂纹损伤在线监测***100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
图4示出根据本申请的实施例的钕铁硼烧结的裂纹损伤在线监测方法的应用场景图。如图4所示,在该应用场景中,首先,获取来自被检测钕铁硼烧结体的声发射信号(例如,图4中所示意的D),然后,将所述声发射信号输入至部署有钕铁硼烧结的裂纹损伤在线监测算法的服务器(例如,图4中所示意的S)中,其中,所述服务器能够使用所述钕铁硼烧结的裂纹损伤在线监测算法对所述声发射信号进行处理以得到用于表示被检测钕铁硼烧结体是否存在裂纹损伤的分类结果。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器,上述计算机程序指令可由装置的处理组件执行以完成上述方法。
本申请可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本申请的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
附图中的流程图和框图显示了根据本申请的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (7)
1.一种钕铁硼烧结的裂纹损伤在线监测方法,其特征在于,包括:
获取来自被检测钕铁硼烧结体的声发射信号;
对所述声发射信号进行格拉姆角和场变换以得到格拉姆角和场图像;
通过基于深度神经网络模型的声发射信号特征提取器对所述格拉姆角和场图像进行特征提取以得到声发射信号变换域特征图;
使用基于重参数化层的特征图增强器对所述声发射信号变换域特征图进行特征图表达强化以得到强化声发射信号变换域特征图;
使用原型类别特征提取网络对所述强化声发射信号变换域特征图进行处理以得到声发射信号原型表征特征向量作为声发射信号原型表征特征;以及基于所述声发射信号原型表征特征,确定被检测钕铁硼烧结体是否存在裂纹损伤。
2.根据权利要求1所述的钕铁硼烧结的裂纹损伤在线监测方法,其特征在于,所述深度神经网络模型为卷积神经网络模型。
3.根据权利要求2所述的钕铁硼烧结的裂纹损伤在线监测方法,其特征在于,使用基于重参数化层的特征图增强器对所述声发射信号变换域特征图进行特征图表达强化以得到强化声发射信号变换域特征图,包括:
使用所述基于重参数化层的特征图增强器以如下强化公式对所述声发射信号变换域特征图进行特征图表达强化以得到所述强化声发射信号变换域特征图;其中,所述强化公式为:
其中,/>为所述声发射信号变换域特征图的全局均值,/>为所述声发射信号变换域特征图的方差,/>是对所述声发射信号变换域特征图的高斯分布进行随机采样得到的第/>个值,/>表示按位置点乘,/>是所述强化声发射信号变换域特征图中各个位置的特征值。
4.根据权利要求3所述的钕铁硼烧结的裂纹损伤在线监测方法,其特征在于,使用原型类别特征提取网络对所述强化声发射信号变换域特征图进行处理以得到声发射信号原型表征特征向量作为声发射信号原型表征特征,包括:
使用所述原型类别特征提取网络以如下原型公式对所述强化声发射信号变换域特征图进行处理以得到所述声发射信号原型表征特征向量;其中,所述原型公式为:
其中,/>和/>为所述强化声发射信号变换域特征图中沿通道维度的各个特征矩阵向量化排列得到的强化声发射信号变换域特征向量的序列中第/>和第/>个强化声发射信号变换域特征向量,/>是所述强化声发射信号变换域特征向量的序列,/>为向量的一范数,/>为所述强化声发射信号变换域特征向量的序列中向量的个数-1,/>为声发射信号语义波动特征向量中各个位置的特征值,/>是所述声发射信号语义波动特征向量的长度,/>是所述声发射信号原型表征特征向量,/>为指数运算。
5.根据权利要求4所述的钕铁硼烧结的裂纹损伤在线监测方法,其特征在于,基于所述声发射信号原型表征特征,确定被检测钕铁硼烧结体是否存在裂纹损伤,包括:
将所述声发射信号原型表征特征向量通过分类器以得到分类结果,所述分类结果用于表示被检测钕铁硼烧结体是否存在裂纹损伤。
6.根据权利要求5所述的钕铁硼烧结的裂纹损伤在线监测方法,其特征在于,还包括训练步骤:用于对基于卷积神经网络模型的声发射信号特征提取器、所述基于重参数化层的特征图增强器、所述原型类别特征提取网络和所述分类器进行训练。
7.根据权利要求6所述的钕铁硼烧结的裂纹损伤在线监测方法,其特征在于,所述训练步骤,包括:
训练数据获取,所述训练数据包括来自被检测钕铁硼烧结体的训练声发射信号,以及,被检测钕铁硼烧结体是否存在裂纹损伤的真实值;
对所述训练声发射信号进行格拉姆角和场变换以得到训练格拉姆角和场图像;
通过所述基于卷积神经网络模型的声发射信号特征提取器对所述训练格拉姆角和场图像进行特征提取以得到训练声发射信号变换域特征图;
使用所述基于重参数化层的特征图增强器对所述训练声发射信号变换域特征图进行特征图表达强化以得到训练强化声发射信号变换域特征图;
使用所述原型类别特征提取网络对所述训练强化声发射信号变换域特征图进行处理以得到训练声发射信号原型表征特征向量;
将所述训练声发射信号原型表征特征向量通过所述分类器以得到分类损失函数值;以及以所述分类损失函数值对所述基于卷积神经网络模型的声发射信号特征提取器、所述基于重参数化层的特征图增强器、所述原型类别特征提取网络和所述分类器进行训练,其中,在所述训练的每一轮迭代中,对所述训练声发射信号原型表征特征向量进行优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410259815.5A CN117849193A (zh) | 2024-03-07 | 2024-03-07 | 钕铁硼烧结的裂纹损伤在线监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410259815.5A CN117849193A (zh) | 2024-03-07 | 2024-03-07 | 钕铁硼烧结的裂纹损伤在线监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117849193A true CN117849193A (zh) | 2024-04-09 |
Family
ID=90543773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410259815.5A Pending CN117849193A (zh) | 2024-03-07 | 2024-03-07 | 钕铁硼烧结的裂纹损伤在线监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117849193A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118035798A (zh) * | 2024-04-11 | 2024-05-14 | 克拉玛依市城投油砂矿勘探有限责任公司 | 用于油砂矿生产的智能监测***及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313059A (zh) * | 2021-06-16 | 2021-08-27 | 燕山大学 | 一种一维光谱分类方法及*** |
CN114487129A (zh) * | 2022-01-24 | 2022-05-13 | 中北大学 | 基于声发射技术的柔性材料的损伤识别方法 |
CN115187832A (zh) * | 2022-06-24 | 2022-10-14 | 同济大学 | 一种基于深度学习与格拉姆角场图像的能源***故障诊断方法 |
CN115456012A (zh) * | 2022-08-24 | 2022-12-09 | 华能新能源股份有限公司 | 风电场风机大部件状态监测***及其方法 |
CN115791969A (zh) * | 2022-12-08 | 2023-03-14 | 深圳量云能源网络科技有限公司 | 基于声发射信号的导管架水下裂纹检测***及其方法 |
CN116147548A (zh) * | 2023-04-19 | 2023-05-23 | 西南林业大学 | 用于钢纤维rpc盖板厚度的无损检测方法及*** |
WO2023158360A1 (en) * | 2022-02-18 | 2023-08-24 | Telefonaktiebolaget Lm Ericsson (Publ) | Evaluation of performance of an ae-encoder |
-
2024
- 2024-03-07 CN CN202410259815.5A patent/CN117849193A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313059A (zh) * | 2021-06-16 | 2021-08-27 | 燕山大学 | 一种一维光谱分类方法及*** |
CN114487129A (zh) * | 2022-01-24 | 2022-05-13 | 中北大学 | 基于声发射技术的柔性材料的损伤识别方法 |
WO2023158360A1 (en) * | 2022-02-18 | 2023-08-24 | Telefonaktiebolaget Lm Ericsson (Publ) | Evaluation of performance of an ae-encoder |
CN115187832A (zh) * | 2022-06-24 | 2022-10-14 | 同济大学 | 一种基于深度学习与格拉姆角场图像的能源***故障诊断方法 |
CN115456012A (zh) * | 2022-08-24 | 2022-12-09 | 华能新能源股份有限公司 | 风电场风机大部件状态监测***及其方法 |
CN115791969A (zh) * | 2022-12-08 | 2023-03-14 | 深圳量云能源网络科技有限公司 | 基于声发射信号的导管架水下裂纹检测***及其方法 |
CN116147548A (zh) * | 2023-04-19 | 2023-05-23 | 西南林业大学 | 用于钢纤维rpc盖板厚度的无损检测方法及*** |
Non-Patent Citations (4)
Title |
---|
CHEN, L等: "GAF and CBAM-ResNet:An Efficient Combination for Identifying the Degree of Safety Valve Leakage", 2023 CAA SYMPOSIUM ON FAULT DETECTION, SUPERVISON AND SAFETY FOR TECHNICAL PROCESSES, 23 November 2023 (2023-11-23), pages 1 - 5 * |
古莹奎等: "基于格拉姆角场与深度卷积生成对抗网络的行星齿轮箱故障诊断", 噪声与振动控制, vol. 44, no. 01, 18 February 2024 (2024-02-18), pages 111 - 118 * |
古莹奎等: "基于格拉姆角场和迁移深度残差神经网络的滚动轴承故障诊断", 振动与冲击, vol. 41, no. 21, 15 November 2022 (2022-11-15), pages 228 - 237 * |
银磊等: "基于声发射信号特征的海上风电场导管架裂纹检测***", 中国新通信, vol. 25, no. 14, 20 July 2023 (2023-07-20), pages 39 - 41 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118035798A (zh) * | 2024-04-11 | 2024-05-14 | 克拉玛依市城投油砂矿勘探有限责任公司 | 用于油砂矿生产的智能监测***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Automatic fault diagnosis of infrared insulator images based on image instance segmentation and temperature analysis | |
CN111860573B (zh) | 模型训练方法、图像类别检测方法、装置和电子设备 | |
CN110569901B (zh) | 一种基于通道选择的对抗消除弱监督目标检测方法 | |
CN111340787B (zh) | 输电线路的导线缺陷检测识别方法、装置及计算机设备 | |
CN112069921A (zh) | 一种基于自监督知识迁移的小样本视觉目标识别方法 | |
CN111950453A (zh) | 一种基于选择性注意力机制的任意形状文本识别方法 | |
CN117849193A (zh) | 钕铁硼烧结的裂纹损伤在线监测方法 | |
CN110472652B (zh) | 基于语义引导的少量样本分类方法 | |
CN109614512B (zh) | 一种基于深度学习的电力设备检索方法 | |
CN111191027B (zh) | 一种基于高斯混合分布vae的广义零样本识别方法 | |
CN116310850A (zh) | 基于改进型RetinaNet的遥感图像目标检测方法 | |
CN115311553A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
Da et al. | Remote sensing image ship detection based on improved YOLOv3 | |
Pang et al. | PTRSegNet: A Patch-to-Region Bottom-Up Pyramid Framework for the Semantic Segmentation of Large-Format Remote Sensing Images | |
CN110033082B (zh) | 一种识别ai设备中深度学习模型的方法 | |
CN112733670A (zh) | 指纹特征提取方法、装置、电子设备及存储介质 | |
CN112766465A (zh) | 用于智能转动性能检测的神经网络的训练方法 | |
CN117058432B (zh) | 图像查重方法、装置、电子设备及可读存储介质 | |
CN117784710B (zh) | 数控机床远程状态监控***及其方法 | |
CN117274903B (zh) | 基于智能ai芯片的电力巡检智能预警设备及其方法 | |
CN117634006B (zh) | 基于bim技术的套管预埋工程管理***及方法 | |
CN114896436B (zh) | 一种基于表征互信息的网络结构搜索方法 | |
CN113378918B (zh) | 一种基于度量学习的绝缘子绑扎线状态检测方法 | |
CN116912920B (zh) | 表情识别方法及装置 | |
CN112132810B (zh) | 基于感知逻辑和特征对比的图像显著性检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |