CN113252790A - 基于宽卷积与循环神经网络的磁瓦内部缺陷检测方法 - Google Patents
基于宽卷积与循环神经网络的磁瓦内部缺陷检测方法 Download PDFInfo
- Publication number
- CN113252790A CN113252790A CN202110682680.XA CN202110682680A CN113252790A CN 113252790 A CN113252790 A CN 113252790A CN 202110682680 A CN202110682680 A CN 202110682680A CN 113252790 A CN113252790 A CN 113252790A
- Authority
- CN
- China
- Prior art keywords
- convolution
- layer
- data
- magnetic
- lstm
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
- G01N29/045—Analysing solids by imparting shocks to the workpiece and detecting the vibrations or the acoustic waves caused by the shocks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于宽卷积与循环神经网络的磁瓦内部缺陷检测方法,涉及磁瓦检测领域,其包括以下步骤:构建训练集,构建宽卷积与LSTM循环神经网络,对宽卷积与LSTM循环神经网络进行训练,得到训练后的检测网络,通过训练后的检测网络对待检测磁瓦的声学信号进行检测,完成待检测磁瓦的内部缺陷检测。本方法无需依靠专家知识以及复杂的信号处理与特征选择,利用宽卷积与LSTM循环神经网络能够以端到端的形式直接对原始信号进行时空特征提取以及分类,从而实现识别磁瓦内部缺陷的目标。
Description
技术领域
本发明涉及磁瓦检测领域,具体涉及一种基于宽卷积与循环神经网络的磁瓦内部缺陷检测方法。
背景技术
永磁直流电机中恒定磁场的产生主要依靠的部件为磁瓦,磁瓦是一种瓦状铁氧体。在磁瓦制造过程中,由于生产工艺复杂,容易出现结构缺陷,从而造成残次品的产生。与合格磁瓦相比,这些带结构缺陷的残次品会严重影响电机的运行效率和使用寿命。因此如何有效剔除这些残次品是保证磁瓦成品质量的关键。磁瓦的内部缺陷是最为突出和主要的结构缺陷问题,其由于分布位置随机、程度不定以及不可见等特点,为相关检测方法的发展带来了巨大难度和挑战。
虽然近年来检测技术如X-射线、红外热成像技术、超声波,以及智能信号处理算法如经验模态分解、集成经验模态分解、群分解等均取得了长足的进步与发展,但是其以高成本、检测速度慢、环境适应性差等特性难以适用于磁瓦大批量、连续性以及多类别的检测需求。因此,现阶段磁瓦内部缺陷检测依旧大量依赖于低效率、低精度的传统人工听音方法,极大的制约了磁瓦制造业的整体生产水平。
发明内容
针对现有技术中的上述不足,本发明提供的基于宽卷积与循环神经网络的磁瓦内部缺陷检测方法解决了磁瓦内部缺陷检测难度大的问题。
为了达到上述发明目的,本发明采用的技术方案为:
提供一种基于宽卷积与循环神经网络的磁瓦内部缺陷检测方法,其包括以下步骤:
S1、采集合格磁瓦及已知缺陷的磁瓦的声学信号,构建训练集;
S2、构建宽卷积与LSTM循环神经网络;宽卷积与LSTM循环神经网络包括依次连接的第一滤波器、第二滤波器、两层堆叠LSTM网络以及分类器;
S3、通过第一滤波器对训练集进行空间特征提取和数据压缩,得到第一数据;
S4、通过第二滤波器减少第一数据的特征映射宽度并增大特征提取深度,得到第二数据;
S5、通过两层堆叠LSTM网络对第二数据进行时间特征提取,得到第三数据;
S6、基于训练集磁瓦标签,通过分类器对第三数据进行分类,得到分类结果;
S7、判断分类结果是否符合预期,若是则将当前宽卷积与LSTM循环神经网络作为训练后的检测网络并进入步骤S8;否则调整两层堆叠LSTM网络的参数并返回步骤S3;
S8、通过训练后的检测网络对待检测磁瓦的声学信号进行检测,完成待检测磁瓦的内部缺陷检测。
进一步地,步骤S1的具体方法包括以下子步骤:
S1-1、将合格磁瓦及已知缺陷的磁瓦分别从相同的固定高度垂直跌落到金属激振块上,通过传声器采集跌落产生的声学信号;其中传声器的采样频率为40KHz,采样周期为0.5秒;
S1-2、将传声器采集的大小为[1, 20000]的二维原始信号转换为大小为[1, 80,250]的三维数据;其中1代表的是样本数,80指时间步,250为特征维度;
S1-3、将大小为[1, 80, 250]的三维数据及其对应的磁瓦缺陷标签组合构成训练集。
进一步地,步骤S2中第一滤波器和第二滤波器均包括一个一维卷积层和一个一维最大池化层;第一滤波器的一维卷积层的卷积核大小为4*250,数量为300,Stride为2;第二滤波器的一维卷积层的卷积核大小为3*300,数量为350,stride为1;两个一维最大池化层的最大池化大小均为2。
进一步地,步骤S2中两层堆叠LSTM网络包括依次相连的第一LSTM神经元、第一Dropout层、第二LSTM神经元和第二Dropout层;第一LSTM神经元节点数为350,第二LSTM神经元节点数为200,第一Dropout层和第二Dropout层的大小均为0.5。
进一步地,步骤S2中分类器包括激活函数为Softmax的全连接层。
进一步地,步骤S3中第一滤波器进行空间特征提取和数据压缩的具体方法包括以下子步骤:
S3-1、根据公式:
进行卷积运行,获取时刻第l+1层第i个卷积操作得到的特征映射,进而得到数据维度为[1,40,300]的第一滤波器的一维卷积层的输出;为非线性函数;表示一维卷积运算;表示第l层特征映射数量;为时刻数据深度为j的第l层进行第i个卷积操作的卷积核; 为时刻数据深度为j的第l层输入信号;为第l层i个卷积核的偏置参数;
S3-2、通过第一滤波器的一维最大池化层对第一滤波器的一维卷积层的输出进行池化运算,得到数据维度为[1,20,300]的第一数据。
进一步地,步骤S4中第二数据的数据维度为[1, 10, 350]。
进一步地,第一LSTM神经元和第二LSTM神经元的计算方法相同,具体为:
根据公式:
获取t时刻的隐藏值及状态值,即LSTM神经元在t时刻的输出;其中为输出门;为sigmoid 函数; 表示t-1时刻的隐藏层状态; 为LSTM神经元在t时刻的输入;为遗忘门;为输出门;为中间参数; 表示对应元素相乘;为记忆单元在t-1时刻的输出;、、、、、、、、、、和均为训练参数,即常数。
进一步地,步骤S7中判断分类结果是否符合预期的具体方法为:
若合格磁瓦的分类精度要达到100%且缺陷磁瓦的分类精度要到达90%时,判定为符合预期;否则判定为不符合预期。
本发明的有益效果为:
(1)无需依靠专家知识以及复杂的信号处理与特征选择,利用宽卷积与LSTM循环神经网络能够以端到端的形式直接对原始信号进行时空特征提取以及分类,从而实现识别磁瓦内部缺陷的目标。
(2)宽卷积在LSTM之前使用的设计能够较大程度上降低LSTM数据输入大小,因此能够极大降低LSTM计算复杂度,从而满足快速诊断的需求。
(3)利用所提出的网络模型不仅能对单一类别磁瓦进行缺陷检测,而且能够同时对多种类型磁瓦进行内部缺陷诊断,大大提升了检测效率。
(4)即使在强噪声环境与没有预降噪处理条件下,本发明所提出的方法依旧能保证产品合格率,从而更加贴合实际工业需求。
附图说明
图1为本发明的流程示意图;
图2为宽卷积与LSTM循环神经网络的结构示意图;
图3为A、B、C三类别磁瓦混合情况下的6分类T-SNE特征聚类;
图4为混合测试对象下本方法的收敛过程;
图5为信噪比为-6时磁瓦声振信号;
图6为信噪比为-6时A、B、C混合磁瓦的原始数据;
图7为信噪比为-6时A、B、C混合磁瓦在卷积层处理后的T-SNE特征聚类;
图8为信噪比为-6时A、B、C混合磁瓦在两层堆叠LSTM网络处理后的T-SNE特征聚类;
图9为信噪比为-6时A、B、C混合磁瓦在全连接层处理后的T-SNE特征聚类。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1和图2所示,该基于宽卷积与循环神经网络的磁瓦内部缺陷检测方法包括以下步骤:
S1、采集合格磁瓦及已知缺陷的磁瓦的声学信号,构建训练集;
S2、构建宽卷积与LSTM循环神经网络(模型);宽卷积与LSTM循环神经网络包括依次连接的第一滤波器、第二滤波器、两层堆叠LSTM网络以及分类器;
S3、通过第一滤波器对训练集进行空间特征提取和数据压缩,得到第一数据;
S4、通过第二滤波器减少第一数据的特征映射宽度并增大特征提取深度,得到第二数据;
S5、通过两层堆叠LSTM网络对第二数据进行时间特征提取,得到第三数据;
S6、基于训练集磁瓦标签,通过分类器对第三数据进行分类,得到分类结果;
S7、判断分类结果是否符合预期,若是则将当前宽卷积与LSTM循环神经网络作为训练后的检测网络并进入步骤S8;否则调整两层堆叠LSTM网络的参数并返回步骤S3;
S8、通过训练后的检测网络对待检测磁瓦的声学信号进行检测,完成待检测磁瓦的内部缺陷检测。
步骤S1的具体方法包括以下子步骤:
S1-1、将合格磁瓦及已知缺陷的磁瓦分别从相同的固定高度垂直跌落到金属激振块上,通过传声器采集跌落产生的声学信号;其中传声器的采样频率为40KHz,采样周期为0.5秒;
S1-2、将传声器采集的大小为[1, 20000]的二维原始信号转换为大小为[1, 80,250]的三维数据;其中1代表的是样本数,80指时间步,250为特征维度;
S1-3、将大小为[1, 80, 250]的三维数据及其对应的磁瓦缺陷标签组合构成训练集。
步骤S2中第一滤波器和第二滤波器均包括一个一维卷积层和一个一维最大池化层;第一滤波器的一维卷积层的卷积核大小为4*250,数量为300,Stride为2;第二滤波器的一维卷积层的卷积核大小为3*300,数量为350,stride为1;两个一维最大池化层的最大池化大小均为2。原始数据经过卷积层进行空间特征提取后输入给池化层,第一滤波器卷积层的卷积核为4*250的宽卷积,后一个滤波器的卷积核则为3*300,这样的宽卷积设置可以增大卷积运算的域面积,从而降低噪声的影响,两个滤波器均采用最大池化大小为2的设置来降低特征映射的维度。此外所有卷积运算中均选择Padding=same的填充策略,从而可以避免信号的损失;同时调节卷积运算后时间步的大小,由于此处第一滤波器卷积参数Stride= 2,因此处理后的数据时间步维度为40。
步骤S2中两层堆叠LSTM网络包括依次相连的第一LSTM神经元、第一Dropout层、第二LSTM神经元和第二Dropout层;第一LSTM神经元节点数为350,第二LSTM神经元节点数为200,第一Dropout层和第二Dropout层的大小均为0.5。步骤S2中分类器包括激活函数为Softmax的全连接层,softmax的卷积核大小为1*1。LSTM网络在滤波器后使用的设计不仅可以降低输入LSTM网络数据的大小,从而降低LSTM网络计算复杂度,而且可以增强本方法整体抗噪声性能;Dropout还可以对LSTM网络进行防过拟合处理。
步骤S3中第一滤波器进行空间特征提取和数据压缩的具体方法包括以下子步骤:
S3-1、根据公式:
进行卷积运行,获取时刻第l+1层第i个卷积操作得到的特征映射,进而得到数据维度为[1,40,300]的第一滤波器的一维卷积层的输出;为非线性函数;表示一维卷积运算;表示第l层特征映射数量;为时刻数据深度为j的第l层进行第i个卷积操作的卷积核; 为时刻数据深度为j的第l层输入信号;为第l层i个卷积核的偏置参数;
S3-2、假定卷积运算后数据大小为,最大池化以大小为的块处理方式在待处理数据的时间步上以步幅大小为 T 进行滑动,最终待处理数据X被划分为大小为的多个区域,最后对这些区域使用池化运算输出数据的最大值。通过第一滤波器的一维最大池化层对第一滤波器的一维卷积层的输出进行池化运算,得到数据维度为[1,20,300]的第一数据。池化层的池化计算公式为:
第一LSTM神经元和第二LSTM神经元的计算方法相同,具体为:根据公式:
获取t时刻的隐藏值及状态值,即LSTM神经元在t时刻的输出;其中为输入门;为sigmoid 函数;表示t-1时刻的隐藏层状态;为LSTM神经元在t时刻的输入;为遗忘门;为输出门;为输入中间值,其中tanh为tanh函数;为遗忘门与输入门对t-1时刻状态值以及t时刻的输入中间值分别相乘后相加得到的新的状态值;表示对应元素相乘;为记忆单元在t-1时刻的输出;为输出门与t时刻状态值所对应tanh函数值相乘而得到的新的隐藏值;、、、、、、、、、、和均为训练参数,即常数。当遗忘门的值接近1时,上一个记忆单元的值才会被保留,反之则会被遗忘。在噪声压制方面,输入门决定特征被保留下来的成分,而遗忘门决定特征被过滤的部分,输入门和遗忘门就相当于滤波器。同时,与过去状态被滤波器筛选出高效的特征以进行降噪。因此,本方法所提出的宽卷积与LSTM循环神经网络的抗噪性能被进一步提升。最后将Dropout 输出的大小为[1, 200]的数据输送给分类器层进行磁瓦类别估计。
步骤S7中判断分类结果是否符合预期的具体方法为:若合格磁瓦的分类精度要达到100%且缺陷磁瓦的分类精度要到达90%时,判定为符合预期;否则判定为不符合预期。
在本发明的一个实施例中,以三种类型的磁瓦声振信号作为案列进行分析,其中每片磁瓦均经由两名以上经验丰富的工人多次检测,以此对磁瓦有无内部缺陷进行统一标定。三种磁瓦样本的尺寸信息以及训练、测试样本数量信息如表1所示。
表1:三种磁瓦样本的基本信息
训练过程中采用训练集10%的样本作为验证集以此判断本方法是否达到最优状态,测试样本用来检验检测本方法的有效性与可靠性。经过实验,整个检测算法对三类磁瓦样本的识别率如表2所示。
表2:本方法对三类磁瓦的识别率
从表2可以得出检测算法对三类磁瓦都达到100%的识别精度(Accuracy),使得能够有效检测磁瓦内部是否具有缺陷,此外单片样本的检测时间控制在毫秒级,满足检测时对于快速诊断的要求。
磁瓦生产线会面临有多个类别样本需要同时做内部缺陷检测的需求,因此为了验证宽卷积LSTM循环神经网络模型是否具有良好的泛化性能,以AB、AC、BC、ABC四种类型混合样本作为实验案例进行泛化性能分析。以ABC为例,实验中对A、B、C三种类型磁瓦的训练样本混合并打乱排序,同时将其作为新的训练样本集以训练模型,通过A、B、C混合测试样本验证模型的有效性以及可靠性。此时所提网络模型的每层详细数据如表3所示,而模型对四种类型混合样本的识别精度(Precision)情况如表4所示。
表3:模型每层详细参数
表4:本方法对四种类型混合样本识别精度
从表4可以发现本方法对于合格磁瓦的分类精度均是100%,从而保证了销售产品的质量,虽然缺陷样本的分类准确率没有达到100%的水平,但由于其属于是缺陷类别之间的误分因此并不会影响产品质量,由此证明了本方法具有较好的泛化识别性能。
此外,图3为A、B、C三种类别磁瓦混合情况下的6分类T-SNE特征聚类图,其中0为A类磁瓦合格样本、1为A类磁瓦缺陷样本,以此类推至5即为C类磁瓦缺陷样本,从图3可以看出,本方法能够对6种类别磁瓦中同属性类别磁瓦实现高效聚类,且不同类别合格磁瓦特征聚类中没有掺杂其它类别磁瓦类型,使得具有良好的检测效果。图4还展示了本方法对于各类混合对象下的模型收敛过程,从图中可以发现本方法的识别精度随着迭代过程快速增加,同时本方法在较少的迭代数量下就已经达到了稳定状态,由此说明本方法具有优异的收敛性能。
由于实际检测环境中不可避免存在噪声的干扰,当噪声信号混合在磁瓦声学信号中会淹没部分有用信息,增大识别的难度。因此,为了验证本方法的抗噪声干扰能力,设计了以下抗噪性能分析实验。实验过程中将不同强度的高斯白噪声加入磁瓦原始信号来模拟不同信噪比(SNRs)下的磁瓦声学信号,通过验证模型在不同SNRs下的识别精度同样有利于明确检测现场最大噪声强度,防止噪声过大时错误分类情况的产生。相应的SNRs公式如下:
其中和分别代表信号能量以及噪声能量,同时SNRs数值越小则意味着噪声所包含的比例越大,则识别的难度也越高。图5显示了在SNRs=-6dB时原始磁瓦声学信号被噪声叠加后的最终混合信号细节,从图中可以发现大部分有用信号已被噪声信号所淹没,大大加深了内部缺陷的识别难度。
表5记录了模型在不同SNRs下对单一以及混合检测样本的识别精度,从表中可以直观的看出随着噪声强度的增大,模型对各种类型测试样本的识别精度均出现了一定的降低。然而,当信噪比在-6dB以及4dB之间时,各种类型磁瓦的合格样本均能100%被识别,并不会影响出厂产品合格率,同时缺陷样本的误分比例也相对较小。当SNRs等于-8dB时,AB、ABC类型混合样本的合格产品中才出现错误分类的情况,由此证明所提宽卷积LSTM循环神经网络模型具有较好的抗噪性能。同时,图6、图7、图8和图9描述了信噪比为-6dB时模型对于ABC混合样本在模型各层的T-SNE特征映射情形,从图中可以发现随着数据被更深层的网络所处理,各个类别磁瓦的特征聚类效果就越明显,当数据经全连接层后,几乎所有类别磁瓦都已实现高效特征聚类,由此进一步证明了模型较强的非线性映射能力。
表5:不同噪声环境下模型识别精度
综上所述,本发明无需依靠专家知识以及复杂的信号处理与特征选择,利用宽卷积与LSTM循环神经网络能够以端到端的形式直接对原始信号进行时空特征提取以及分类,从而实现识别磁瓦内部缺陷的目标。
Claims (9)
1.一种基于宽卷积与循环神经网络的磁瓦内部缺陷检测方法,其特征在于,包括以下步骤:
S1、采集合格磁瓦及已知缺陷的磁瓦的声学信号,构建训练集;
S2、构建宽卷积与LSTM循环神经网络;宽卷积与LSTM循环神经网络包括依次连接的第一滤波器、第二滤波器、两层堆叠LSTM网络以及分类器;
S3、通过第一滤波器对训练集进行空间特征提取和数据压缩,得到第一数据;
S4、通过第二滤波器减少第一数据的特征映射宽度并增大特征提取深度,得到第二数据;
S5、通过两层堆叠LSTM网络对第二数据进行时间特征提取,得到第三数据;
S6、基于训练集磁瓦标签,通过分类器对第三数据进行分类,得到分类结果;
S7、判断分类结果是否符合预期,若是则将当前宽卷积与LSTM循环神经网络作为训练后的检测网络并进入步骤S8;否则调整两层堆叠LSTM网络的参数并返回步骤S3;
S8、通过训练后的检测网络对待检测磁瓦的声学信号进行检测,完成待检测磁瓦的内部缺陷检测。
2.根据权利要求1所述的基于宽卷积与循环神经网络的磁瓦内部缺陷检测方法,其特征在于,步骤S1的具体方法包括以下子步骤:
S1-1、将合格磁瓦及已知缺陷的磁瓦分别从相同的固定高度垂直跌落到金属激振块上,通过传声器采集跌落产生的声学信号;其中传声器的采样频率为40KHz,采样周期为0.5秒;
S1-2、将传声器采集的大小为[1, 20000]的二维原始信号转换为大小为[1, 80, 250]的三维数据;其中1代表的是样本数,80指时间步,250为特征维度;
S1-3、将大小为[1, 80, 250]的三维数据及其对应的磁瓦缺陷标签组合构成训练集。
3.根据权利要求2所述的基于宽卷积与循环神经网络的磁瓦内部缺陷检测方法,其特征在于,步骤S2中第一滤波器和第二滤波器均包括一个一维卷积层和一个一维最大池化层;第一滤波器的一维卷积层的卷积核大小为4*250,数量为300,Stride为2;第二滤波器的一维卷积层的卷积核大小为3*300,数量为350,stride为1;两个一维最大池化层的最大池化大小均为2。
4.根据权利要求3所述的基于宽卷积与循环神经网络的磁瓦内部缺陷检测方法,其特征在于,步骤S2中两层堆叠LSTM网络包括依次相连的第一LSTM神经元、第一Dropout层、第二LSTM神经元和第二Dropout层;第一LSTM神经元节点数为350,第二LSTM神经元节点数为200,第一Dropout层和第二Dropout层的大小均为0.5。
5.根据权利要求4所述的基于宽卷积与循环神经网络的磁瓦内部缺陷检测方法,其特征在于,步骤S2中分类器包括激活函数为Softmax的全连接层。
6.根据权利要求5所述的基于宽卷积与循环神经网络的磁瓦内部缺陷检测方法,其特征在于,步骤S3中第一滤波器进行空间特征提取和数据压缩的具体方法包括以下子步骤:
S3-1、根据公式:
进行卷积运行,获取时刻第l+1层第i个卷积操作得到的特征映射,进而得到数据维度为[1,40,300]的第一滤波器的一维卷积层的输出;为非线性函数;表示一维卷积运算;表示第l层特征映射数量;为时刻数据深度为j的第l层进行第i个卷积操作的卷积核; 为时刻数据深度为j的第l层输入信号;为第l层i个卷积核的偏置参数;
S3-2、通过第一滤波器的一维最大池化层对第一滤波器的一维卷积层的输出进行池化运算,得到数据维度为[1,20,300]的第一数据。
7.根据权利要求6所述的基于宽卷积与循环神经网络的磁瓦内部缺陷检测方法,其特征在于,步骤S4中第二数据的数据维度为[1, 10, 350]。
9.根据权利要求1所述的基于宽卷积与循环神经网络的磁瓦内部缺陷检测方法,其特征在于,步骤S7中判断分类结果是否符合预期的具体方法为:
若合格磁瓦的分类精度要达到100%且缺陷磁瓦的分类精度要到达90%时,判定为符合预期;否则判定为不符合预期。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110682680.XA CN113252790A (zh) | 2021-06-21 | 2021-06-21 | 基于宽卷积与循环神经网络的磁瓦内部缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110682680.XA CN113252790A (zh) | 2021-06-21 | 2021-06-21 | 基于宽卷积与循环神经网络的磁瓦内部缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113252790A true CN113252790A (zh) | 2021-08-13 |
Family
ID=77188826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110682680.XA Pending CN113252790A (zh) | 2021-06-21 | 2021-06-21 | 基于宽卷积与循环神经网络的磁瓦内部缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113252790A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113687227A (zh) * | 2021-08-24 | 2021-11-23 | 桂林电子科技大学 | 一种基于感兴趣区域增强的电机磁瓦缺陷分类方法 |
CN113847949A (zh) * | 2021-09-23 | 2021-12-28 | 徐州万达回转支承有限公司 | 一种基于传感器信息融合的多工况砂带磨损状态在线检测方法 |
CN114972342A (zh) * | 2022-07-28 | 2022-08-30 | 南通新思迪机电有限公司 | 一种变速箱齿轮表面缺陷检测方法 |
CN115049027A (zh) * | 2022-08-17 | 2022-09-13 | 深圳市恒拓高工业技术股份有限公司 | 基于神经网络识别电机良品的方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197653A (zh) * | 2018-01-03 | 2018-06-22 | 华南理工大学 | 一种基于卷积回声状态网络的时间序列分类方法 |
CN110490230A (zh) * | 2019-07-16 | 2019-11-22 | 西北工业大学 | 基于深度卷积生成对抗网络的水声目标识别方法 |
CN111076809A (zh) * | 2019-12-31 | 2020-04-28 | 四川长虹电器股份有限公司 | 基于卷积神经网络的设备异常声音识别方法及系统 |
CN112101241A (zh) * | 2020-09-17 | 2020-12-18 | 西南科技大学 | 一种基于深度学习的轻量级表情识别方法 |
-
2021
- 2021-06-21 CN CN202110682680.XA patent/CN113252790A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197653A (zh) * | 2018-01-03 | 2018-06-22 | 华南理工大学 | 一种基于卷积回声状态网络的时间序列分类方法 |
CN110490230A (zh) * | 2019-07-16 | 2019-11-22 | 西北工业大学 | 基于深度卷积生成对抗网络的水声目标识别方法 |
CN111076809A (zh) * | 2019-12-31 | 2020-04-28 | 四川长虹电器股份有限公司 | 基于卷积神经网络的设备异常声音识别方法及系统 |
CN112101241A (zh) * | 2020-09-17 | 2020-12-18 | 西南科技大学 | 一种基于深度学习的轻量级表情识别方法 |
Non-Patent Citations (2)
Title |
---|
QIANG LI ET AL.: "Combined Convolutional and LSTM Recurrent Neural Networks for Internal Defect Detection of Arc Magnets Under Strong Noises and Variable Object Types", 《IEEE ACCESS》 * |
黄沁元 等: "应用循环变分模态分解的磁瓦内部缺陷声振检测", 《四川轻化工大学学报(自然科学版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113687227A (zh) * | 2021-08-24 | 2021-11-23 | 桂林电子科技大学 | 一种基于感兴趣区域增强的电机磁瓦缺陷分类方法 |
CN113847949A (zh) * | 2021-09-23 | 2021-12-28 | 徐州万达回转支承有限公司 | 一种基于传感器信息融合的多工况砂带磨损状态在线检测方法 |
CN114972342A (zh) * | 2022-07-28 | 2022-08-30 | 南通新思迪机电有限公司 | 一种变速箱齿轮表面缺陷检测方法 |
CN115049027A (zh) * | 2022-08-17 | 2022-09-13 | 深圳市恒拓高工业技术股份有限公司 | 基于神经网络识别电机良品的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113252790A (zh) | 基于宽卷积与循环神经网络的磁瓦内部缺陷检测方法 | |
CN110728360B (zh) | 一种基于bp神经网络的微能源器件能量识别方法 | |
CN111006865A (zh) | 一种电机轴承故障诊断方法 | |
CN110188774B (zh) | 一种基于深度学习的电涡流扫描图像分类识别方法 | |
CN104537647B (zh) | 一种目标检测方法及装置 | |
CN111539152B (zh) | 一种基于两级孪生卷积神经网络的滚动轴承故障自学习方法 | |
CN108958217A (zh) | 一种基于深度学习的can总线报文异常检测方法 | |
CN112560596B (zh) | 一种雷达干扰类别识别方法及系统 | |
CN112287784B (zh) | 一种基于深度卷积神经网络与特征融合的雷达信号分类方法 | |
CN111783841A (zh) | 基于迁移学习和模型融合的垃圾分类方法、系统及介质 | |
CN112910812B (zh) | 一种基于时空特征提取深度学习的调制模式识别方法 | |
CN110568483A (zh) | 基于卷积神经网络的地震线性噪声压制效果自动评估方法 | |
CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
CN115905976B (zh) | 基于注意力机制的Highway Bi-LSTM轴承故障诊断方法、系统及设备 | |
CN112270300A (zh) | 基于生成式对抗网络的人脸素描图像转换为rgb图像方法 | |
CN110348434A (zh) | 相机来源鉴别方法、系统、存储介质和计算设备 | |
CN113114673A (zh) | 一种基于生成对抗网络的网络入侵检测方法及系统 | |
CN114896887A (zh) | 一种基于深度学习的用频设备射频指纹识别方法 | |
Liang et al. | Image resampling detection based on convolutional neural network | |
CN112014801A (zh) | 一种基于SPWVD和改进AlexNet的复合干扰识别方法 | |
CN115758249A (zh) | 一种非侵入负荷辨识方法及装置 | |
CN112652326B (zh) | 基于伪彩色时频图像及卷积网络的环境声音识别方法 | |
CN114491823A (zh) | 一种基于改进生成对抗网络的列车轴承故障诊断方法 | |
CN117216681A (zh) | 一种基于SAGAN-IResNet的少样本轴承故障诊断方法、系统及存储介质 | |
CN115356599B (zh) | 一种多模态城市电网故障诊断方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210813 |