CN115982965A - 去噪扩散样本增量学习的碳纤维材料损伤检测方法及装置 - Google Patents
去噪扩散样本增量学习的碳纤维材料损伤检测方法及装置 Download PDFInfo
- Publication number
- CN115982965A CN115982965A CN202211595005.4A CN202211595005A CN115982965A CN 115982965 A CN115982965 A CN 115982965A CN 202211595005 A CN202211595005 A CN 202211595005A CN 115982965 A CN115982965 A CN 115982965A
- Authority
- CN
- China
- Prior art keywords
- sample
- diffusion
- carbon fiber
- fitting
- samples
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及人工智能技术领域,公开一种去噪扩散样本增量学习的碳纤维材料损伤检测方法及装置。该方法包括:对碳纤维复合材料进行图像数据采集,得到真实样本;对所述真实样本进行扩散处理和逆扩散处理,生成拟合样本;将所述拟合样本补充至所述真实样本中,得到完备样本;使用所述完备样本对预设的损伤预测模型进行训练,得到训练后的损伤预测模型。本发明实施例可以提高实际样本稀缺和提高样本质量。
Description
技术领域
本发明涉及人工智能技术领域,尤其是一种去噪扩散样本增量学习的碳纤维材料损伤检测方法及装置。
背景技术
碳纤维复合芯导线是一种新型导线,具有载流大、导线轻和损失率低等显著优点。使用碳纤维复合芯导线可以应对资源渠道短缺和用电负荷需求快速增长的社会现状。碳纤维复合芯导线线材虽然具有良好的拉伸性能,但对抗径向压缩、弯曲和扭转性能较差。因此,在施工过程中受到弯曲和碰撞,导线线芯可能会发生损坏,并且在投入使用后拉紧导线会导致损坏的加重,最终导致严重的事故。
现在常用的碳纤维复合芯导线检测使用X射线扫描导线,得到X射线图像,构造出数据集进行基于深度学习网络的监督学习。但存在两个不足:1.监督学习需要大量的高质量样本,但是在导线使用或运输过程中获取缺陷样本不切实际,实验室中制造缺陷样本会耗费大量资源和时间,因此数据集是不完备的,不能获取数据集涵盖所有的缺陷种类并且每个种类有足够丰富的样本。2.在样本采集过程中会受到各种因素的干扰,大部分采集的样本存在噪声的干扰,导致样本质量低。
发明内容
本发明的目的是提供一种去噪扩散样本增量学习的碳纤维材料损伤检测方法及装置,旨在解决缺陷样本稀缺和缺陷样本质量低的技术问题。
第一方面,提供一种去噪扩散样本增量学习的碳纤维材料损伤检测方法,包括:
对碳纤维复合材料进行图像数据采集,得到真实样本;
对所述真实样本进行扩散处理和逆扩散处理,生成拟合样本;
将所述拟合样本补充至所述真实样本中,得到完备样本;
使用所述完备样本对预设的损伤预测模型进行训练,得到训练后的损伤预测模型。
在一些实施例中,所述对碳纤维复合材料进行图像数据采集,得到真实样本,包括:
对所述碳纤维复合材料进行X射线检测,得到检测图像;
将所述检测图像整理为若干批次的图片集,作为所述真实样本。
在一些实施例中,所述对所述真实样本进行扩散处理和逆扩散处理,生成拟合样本,包括:
将所述真实样本输入至预设的扩散模型,得到后验分布;
将所述后验分布的采样数据输入所述扩散模型的前向扩散过程,得到加噪数据;
依据所述加噪数据预测逆扩散过程的条件概率,得到近似先验分布;
使用KL散度对所述近似先验分布进行拟合,得到先验分布;
对所述先验分布进行高斯采样并对高斯采样数据进行逆扩散去噪,对逆扩散时间进行自适应调整,得到所述拟合样本。
在一些实施例中,所述将所述后验分布的采样数据输入所述扩散模型的前向扩散过程,包括:
设定扩散时间以及前向扩散过程的高斯噪声;
在扩散时间内向所述后验分布的采样数据逐步添加所述高斯噪声,通过一条马尔可夫链将采样数据映射到高斯分布,得到所述加噪数据。
在一些实施例中,所述依据所述加噪数据预测逆扩散过程的条件概率,得到近似先验分布,包括:
将所述加噪数据输入至解码器中进行解码,得到重构样本;
将所述重构样本输入预测模型,依据所述加噪数据和所述后验分布的采样数据之间的关系进行后验扩散条件概率预测,得到所述近似先验分布。
在一些实施例中,所述使用KL散度对所述近似先验分布进行拟合,得到先验分布,包括:
使用信息损失达到最小时的KL散度和所述后验分布的熵计算所述后验分布和所述近似先验分布的交叉熵,依据所述后验分布和所述近似先验分布的交叉熵拟合得到所述扩散模型的先验分布。
在一些实施例中,所述将所述拟合样本补充至所述真实样本中,得到完备样本,包括:
将所述真实样本划分为训练集和测试集,在所述训练集中加入所述拟合样本进行补充,将所述拟合样本补充至所述训练集中进行增广。
第二方面,提供一种碳纤维材料损伤检测装置,所述装置包括:
采样模块,用于对碳纤维复合材料进行图像数据采集,得到真实样本;
拟合模块,用于对所述真实样本进行扩散处理和逆扩散处理,生成拟合样本;
整合模块,用于将所述拟合样本补充至所述真实样本中,得到完备样本;
训练模块,用于使用所述完备样本对预设的损伤预测模型进行训练,得到训练后的损伤预测模型。
第三方面,提供一种电子设备,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现第一方面所述的去噪扩散样本增量学习的碳纤维材料损伤检测方法。
第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现第一方面所述的去噪扩散样本增量学习的碳纤维材料损伤检测方法。
本发明的有益效果:在实际工业中对碳纤维复合材料进行图像采集以得到真实样本,对实际获取的真实样本进行扩散处理和逆扩散处理以生成拟合样本,从而通过生成的拟合样本对实际工业中获取的极少量样本进行增广扩充,在模型训练阶段使用极少量真实样本的同时辅以大量扩充的虚假样本对损伤预测模型进行训练,弥补了缺陷样本稀缺以及缺陷样本质量低的不足,提升模型的稳健性及提高对碳纤维复合芯导线的故障诊断准确率。
附图说明
图1是一实施例示出的去噪扩散样本增量学习的碳纤维材料损伤检测方法的流程示意图。
图2是一实施例示出的图1中的步骤S101的流程示意图。
图3是一实施例示出的图1中的步骤S102的流程示意图。
图4是一实施例示出的图3中的步骤S302的流程示意图。
图5是一实施例示出的图3中的步骤S303的流程示意图。
图6是本申请实施例提供的碳纤维材料损伤检测装置的结构示意图。
图7是本申请实施例提供的电子设备的硬件结构示意图。
图8是采集碳纤维材料得到的检测图像的示意图。
图9是拟合样本中的图像的示意图。
图10为缺陷诊断准确率对比示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清晰,下面将结合实施例和附图,对本发明作进一步的描述。
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
首先,对本申请中涉及的若干名词进行解析:
1)人工智能(Artificial Intelligence,AI)
人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
2)机器学习(Machine Learning,ML)
机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
相关技术中,碳纤维复合芯导线检测使用X射线扫描导线,得到X射线图像,构造出数据集进行基于深度学习网络的监督学习。但存在两个不足:1.监督学习需要大量的高质量样本,但是在导线使用或运输过程中获取缺陷样本不切实际,实验室中制造缺陷样本会耗费大量资源和时间,因此数据集是不完备的,不能获取数据集涵盖所有的缺陷种类并且每个种类有足够丰富的样本。2.在样本采集过程中会受到各种因素的干扰,大部分采集的样本存在噪声的干扰,导致样本质量低。
基于此,本申请实施例提供了一种去噪扩散样本增量学习的碳纤维材料损伤检测方法、装置、设备及存储介质,使用去噪扩散概率模型生成足够的高保真样本,增广数据集,以解决缺陷样本稀缺和缺陷样本质量低的技术问题。
本申请实施例提供的去噪扩散样本增量学习的碳纤维材料损伤检测方法、装置、电子设备及存储介质,具体通过如下实施例进行说明,首先描述本申请实施例中的去噪扩散样本增量学习的碳纤维材料损伤检测方法。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的去噪扩散样本增量学习的碳纤维材料损伤检测方法,涉及人工智能技术领域。本申请实施例提供的去噪扩散样本增量学习的碳纤维材料损伤检测方法可应用于终端中,也可应用于服务器端中,还可以是运行于终端或服务器端中的软件。在一些实施例中,终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等;服务器端可以配置成独立的物理服务器,也可以配置成多个物理服务器构成的服务器集群或者分布式系统,还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器;软件可以是实现表格信息抽取方法的应用等,但并不局限于以上形式。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
需要说明的是,在本申请的各个具体实施方式中,当涉及到需要根据用户信息、用户行为数据,用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时,都会先获得用户的许可或者同意,而且,对这些数据的收集、使用和处理等,都会遵守相关国家和地区的相关法律法规和标准。此外,当本申请实施例需要获取用户的敏感个人信息时,会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意,在明确获得用户的单独许可或者单独同意之后,再获取用于使本申请实施例能够正常运行的必要的用户相关数据。
图1是第一个实施例示出的一种去噪扩散样本增量学习的碳纤维材料损伤检测方法的流程示意图,图1中的方法可以包括但不限于包括步骤S101至步骤S104。
步骤S101,对碳纤维复合材料进行图像数据采集,得到真实样本。
本实施例的步骤S101中,碳纤维复合材料为碳纤维复合芯导线,可以是采用图像采样模块对碳纤维复合材料的各个部位进行图像数据采集,得到若干张碳纤维复合材料的局部位置检测图像,如图8所示,从采集到的图像数据中识别存在导线结构缺陷的图像数据并抽取出来,从而构建图像数据集,即真实样本。由于不能获取涵盖所有的缺陷种类并且每个种类有足够丰富的图像数据,真实样本所包含的图像数据极少,不够丰富。
步骤S102,对真实样本进行扩散处理和逆扩散处理,生成拟合样本。
扩散处理(Diffusion Process)是对原始图片通过逐步加高斯噪声变成以噪声图片的过程。通过不断对原始图片加噪声,达到预设次数之后,得到的图片基本可以说是一个噪声的图片,从而达到破坏图片的目的。
逆扩散处理(Reverse Diffusion Process)是从噪声中逐渐复原出图片的过程。逆扩散处理过程会损失信息,逆扩散处理复原得到的图片近似原图片,但与原图片存在差异,通过逆扩散处理得到的图片可以作为新生成的一张图片进行使用。
本实施例的步骤S102中,将真实样本中的图像数据分别进行扩散处理和逆扩散处理,在扩散处理过程中,通过对真实样本中的图像数据逐步添加高斯噪声,最终将真实样本中的图像数据转换为基本全是噪声的图片数据,在逆扩散处理过程中,通过学习一个模型来对扩散处理过程得到的图片数据进行预测,从而对原本存在于真实样本中的图像数据进行还原,逆扩散处理得到的图像数据即为拟合样本。
步骤S103,将拟合样本补充至真实样本中,得到完备样本。
本实施例的步骤S103中,拟合样本补充在真实样本后,对真实样本的图片数据进行扩充,从而得到完备样本。
步骤S104,使用完备样本对预设的损伤预测模型进行训练,得到训练后的损伤预测模型。
本实施例的步骤S104中,将完备样本划分为训练集和测试集,预设的损伤预测模型为残差神经网络,选取训练集,并设置损伤预测模型的训练参数,根据损伤预测模型及其训练参数,以最小化损失函数为目标训练损伤预测模型得到训练后的损伤预测模型。
由此,本实施例提供的去噪扩散样本增量学习的碳纤维材料损伤检测方法,在实际工业中对碳纤维复合材料进行图像采集以得到真实样本,对实际获取的真实样本进行扩散处理和逆扩散处理以生成拟合样本,从而通过生成的拟合样本对实际工业中获取的极少量样本进行增广扩充,在模型训练阶段使用极少量真实样本的同时辅以大量扩充的虚假样本对损伤预测模型进行训练,弥补了缺陷样本稀缺以及缺陷样本质量低的不足,提升模型的稳健性及提高对碳纤维复合芯导线的故障诊断准确率。
如图2所示,在一实施例中,图1中的步骤S101可以包括但不限于包括步骤S201至步骤S202。
步骤S201,对碳纤维复合材料进行X射线检测,得到检测图像。
本实施例的步骤S201中,使用含有X射线模块的爬升机械装置进行碳纤维复合材料图像数据采集,在爬升机械装置爬升过程中连续采集碳纤维复合材料的局部位置进行图像采集。
步骤S202,将检测图像整理为若干批次的图片集,作为真实样本。
本实施例的步骤S201中,将采集得到的1000张检测图像划分整理为19个批次的图片集,每个图片集包含100张检测图像。
为增大真实样本的图像数据数量,可以将各检测图像分割成同一分辨率的图像块,使真实样本的图像数据数量呈倍数增加,示例性地,将采集得到的每张检测图像分割成两个同一分辨率的图像块,真实样本从原来的1000张检测图像变为2000张图像块构成。
如图3所示,在一实施例中,图1中的步骤S102可以包括但不限于包括步骤S301至步骤S305。
步骤S301,将真实样本输入至预设的扩散模型,得到后验分布。
本实施例的步骤S301中,将真实样本划分若干批次,将设置好的若干批次的真实样本输入预设的扩散模型中,得到后验分布,其中输入扩散模型的真实样本包括图像数据X={x1,x2,…,xN},其中,xi为当前批次中第i个图像数据,i=1,2,…N。
步骤S302,将后验分布的采样数据输入扩散模型的前向扩散过程,得到加噪数据。
本实施例的步骤S302中,对后验分布进行数据采样,得到未加噪的采样数据,并输入扩散模型的前向扩散过程中,有连续时间变量的正向扩散过程并且假设扩散开始时刻不是从0开始的,而是从某个τ时刻开始进行扩散的,也即xτ是起始变量,xt是在t时刻的扰动,扩散的目的是通过一条马尔可夫链将样本映射到高斯分布,即:
其中,T是扩散总步数,为使得扩散过程相对简单,定义q(xt|xt-1)为和βt有关的高斯分布I为单位矩阵。为得到从某个时刻扩散到另一个时刻的分布,令αt=1-βt,进行参数重整化,推导出:通过此式可以计算出任何时刻扩散的xt。
步骤S303,依据加噪数据预测逆扩散过程的条件概率,得到近似先验分布。
本实施例的步骤S303中,需要学习一个模型来近似模拟这个条件概率,从而运行逆扩散过程,即:
pθ(xt-1|xt)=Ν(xt-1;μθ(xt,t),∑θ(xt,t));
使用学习得到的模型以及前向扩散过程每次得到的加噪数据对加噪数据的噪声进行预测,从而运行逆扩散过程,具体地,可以是将前向扩散过程最终得到的加噪数据和加噪前的图像数据成对地投入至模型进行训练,从而训练得到可以在输入前向扩散过程最终得到的加噪数据后预测较为准确的加噪前的图像数据的模型,使用该训练后的模型对加噪前的图像数据进行预测,逐步还原加噪数据,从而运行逆扩散过程。
步骤S304,使用KL散度对近似先验分布进行拟合,得到先验分布。
可以理解的是,KL散度(Kullback-Leibler Divergence)用于度量两个概率分布函数之间的“距离”,在本实施例中,采用KL散度衡量扩散处理过程与逆扩散处理过程之间损失了多少信息。
本实施例的步骤S304中,使用KL散度对近似先验分布进行拟合,可以是计算近似先验分布和后验分布之间的KL散度,近似先验分布和后验分布越接近则KL散度的值越小,即信息损失越小,由于对数函数是凸函数,KL散度的值为非负数,所以信息损失达到最小时的KL散度等于0或者是一个确定的预设值,进而在确定后验分布和信息损失达到最小时的KL散度的情况下拟合近似先验分布,将拟合结果作为扩散模型的先验分布,使得扩散模型生成的拟合样本的质量最高。
步骤S305,对先验分布进行高斯采样并对高斯采样数据进行逆扩散去噪,对逆扩散时间进行自适应调整,得到拟合样本。
本实施例的步骤S305中,确定扩散模型的先验分布后,从得到的先验分布中进行高斯采样,将得到的高斯采样数据输入值扩散模型中进行逆扩散去噪处理,设置逆扩散总步数,进而生成去噪后的图像数据,如图9所示,将所有去噪后的图像数据整合起来即得到拟合样本。
如图4所示,在一实施例中,图3中的步骤S302可以包括但不限于包括步骤S401至步骤S402。
步骤S401,设定扩散时间以及前向扩散过程的高斯噪声。
本实施例的步骤S401中,预先设定扩散总步数T,例如设定T=1000,而随着t的增大,数据越接近随机的高斯分布,添加的高斯噪声βt的取值的取值就越大。
步骤S402,在扩散时间内向后验分布的采样数据逐步添加高斯噪声,通过一条马尔可夫链将采样数据映射到高斯分布,得到加噪数据。
本实施例的步骤S402中,扩散相当于通过一条马尔可夫链将样本映射到高斯分布,可以用以下公式表达:
随着t的不断增大,最终原始数据x0会逐步失去它的特征,最终当T→∞时,xT趋近于一个各向独立的高斯分布,从视觉上来看,就是将原本一张完好的照片加噪很多步后,图片几乎变成了一张完全是噪声的图片。
如图5所示,在一实施例中,图3中的步骤S303可以包括但不限于包括步骤S501至步骤S502。
步骤S501,将加噪数据输入至解码器中进行解码,得到重构样本。
本实施例的步骤S501中,使用U-Net模型生成重构样本。
步骤S502,将重构样本输入预测模型,依据加噪数据和后验分布的采样数据之间的关系进行后验扩散条件概率预测,得到近似先验分布。
本实施例的步骤S502中,构建一个预测模型进行后验扩散条件概率预测,使用前向扩散过程每次得到的加噪数据和后验分布的采样数据对该预测模型进行训练,从xt预测xt-1,Ν(xt-1;μθ(xt,t),∑θ(xt,t)),xt和t作为预测模型的输入,从而训练得到可以在输入前向扩散过程最终得到的加噪数据后预测较为准确的加噪前的图像数据的预测模型,使用该训练后的预测模型对加噪前的图像数据进行预测,将解码器得到的重构样本输入值训练后的预测模型,逐步还原加噪数据,运行逆扩散过程,得到近似先验分布。
在一些实施例的步骤S304中,使用信息损失达到最小时的KL散度和后验分布的熵计算后验分布和近似先验分布的交叉熵,依据后验分布和近似先验分布的交叉熵拟合得到所述扩散模型的先验分布。
具体而言,对于近似先验分布和后验分布之间的KL散度,其等于后验分布和近似先验分布的交叉熵与后验分布的信息熵之差,在确定后验分布的信息熵和信息损失达到最小时的KL散度的情况下,可以确定后验分布和近似先验分布的交叉熵,进而通过后验分布和近似先验分布的交叉熵得到拟合结果,拟合结果作为扩散模型的先验分布。
在一些实施例的步骤S103中,将真实样本划分为训练集和测试集,在训练集中加入拟合样本进行补充,将拟合样本补充至训练集中进行增广。
为验证去噪扩散样本增量学习的碳纤维材料损伤检测方法的可行性,进行如下对比实验:
实验一:碳纤维复合芯导线数据集共有5类图像。对碳纤维复合芯导线数据集进行划分训练集和测试集,训练集为数据集的80%,测试集为数据集的20%。将训练集和测试集放入残差神经网络进行训练,得到实验一的碳纤维复合芯导线的缺陷检测准确率。
实验二:在实验一的训练集中,加入去噪扩散概率模型生成的高保真样本,得到得到足够丰富的训练集。将训练集和测试集放入残差神经网络进行训练,得到实验二的碳纤维复合芯导线的缺陷检测准确率。
两个模型缺陷诊断准确率如图8所示,仅使用碳纤维复合芯导线数据集进行训练,模型对缺陷的诊断准确率约为90%,而增加了高保真样本之后,模型对缺陷的诊断准确率能够达到95%以上,此方法能够显著提高缺陷的诊断精度。同时,由于高保真样本不是完全符合某一缺陷类别,还与故障有所区别,因此能够增加模型的鲁棒性。因此本发明使用去噪扩散概率模型扩充碳纤维复合芯导线的缺陷样本,对稀缺样本的补充、模型的改进、检测精度地优化以及工程制造工艺的改进提供了很好的参考。
为了更好地实施以上方法,本发明实施例还提供一种碳纤维材料损伤检测装置,该碳纤维材料损伤检测装置具体可以集成在服务器或终端等电子设备中。
请参阅图6,本申请实施例还提供一种碳纤维材料损伤检测装置,可以实现上述实施例提到的去噪扩散样本增量学习的碳纤维材料损伤检测方法,该装置包括:
采样模块601,用于对碳纤维复合材料进行图像数据采集,得到真实样本;
拟合模块602,用于对所述真实样本进行扩散处理和逆扩散处理,生成拟合样本;
整合模块603,用于将所述拟合样本补充至所述真实样本中,得到完备样本;
训练模块604,用于使用所述完备样本对预设的损伤预测模型进行训练,得到训练后的损伤预测模型。
该碳纤维材料损伤检测装置的具体实施方式与上述去噪扩散样本增量学习的碳纤维材料损伤检测方法的具体实施例基本相同,在此不再赘述。
本申请实施例还提供了一种电子设备,电子设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述去噪扩散样本增量学习的碳纤维材料损伤检测方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图7,图7示意了另一实施例的电子设备的硬件结构,电子设备包括:
处理器701,可以采用通用的CPU(CentralProcessingUnit,中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请实施例所提供的技术方案;
存储器702,可以采用只读存储器(ReadOnlyMemory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory,RAM)等形式实现。存储器702可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器702中,并由处理器701来调用执行本申请实施例的去噪扩散样本增量学习的碳纤维材料损伤检测方法;
输入/输出接口703,用于实现信息输入及输出;
通信接口704,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信;
总线705,在设备的各个组件(例如处理器701、存储器702、输入/输出接口703和通信接口704)之间传输信息;
其中处理器701、存储器702、输入/输出接口703和通信接口704通过总线705实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述去噪扩散样本增量学习的碳纤维材料损伤检测方法。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例提供的去噪扩散样本增量学习的碳纤维材料损伤检测方法、装置、电子设备及存储介质,在实际工业中对碳纤维复合材料进行图像采集以得到真实样本,对实际获取的真实样本进行扩散处理和逆扩散处理以生成拟合样本,从而通过生成的拟合样本对实际工业中获取的极少量样本进行增广扩充,在模型训练阶段使用极少量真实样本的同时辅以大量扩充的虚假样本对损伤预测模型进行训练,弥补了缺陷样本稀缺以及缺陷样本质量低的不足,提升模型的稳健性及提高对碳纤维复合芯导线的故障诊断准确率。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图中示出的技术方案并不构成对本申请实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括多指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例,并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本申请实施例的权利范围之内。
Claims (10)
1.一种去噪扩散样本增量学习的碳纤维材料损伤检测方法,其特征在于,包括:
对碳纤维复合材料进行图像数据采集,得到真实样本;
对所述真实样本进行扩散处理和逆扩散处理,生成拟合样本;
将所述拟合样本补充至所述真实样本中,得到完备样本;
使用所述完备样本对预设的损伤预测模型进行训练,得到训练后的损伤预测模型。
2.根据权利要求1所述的去噪扩散样本增量学习的碳纤维材料损伤检测方法,其特征在于,所述对碳纤维复合材料进行图像数据采集,得到真实样本,包括:
对所述碳纤维复合材料进行X射线检测,得到检测图像;
将所述检测图像整理为若干批次的图片集,作为所述真实样本。
3.根据权利要求1所述的去噪扩散样本增量学习的碳纤维材料损伤检测方法,其特征在于,所述对所述真实样本进行扩散处理和逆扩散处理,生成拟合样本,包括:
将所述真实样本输入至预设的扩散模型,得到后验分布;
将所述后验分布的采样数据输入所述扩散模型的前向扩散过程,得到加噪数据;
依据所述加噪数据预测逆扩散过程的条件概率,得到近似先验分布;
使用KL散度对所述近似先验分布进行拟合,得到先验分布;
对所述先验分布进行高斯采样并对高斯采样数据进行逆扩散去噪,对逆扩散时间进行自适应调整,得到所述拟合样本。
4.根据权利要求3所述的去噪扩散样本增量学习的碳纤维材料损伤检测方法,其特征在于,所述将所述后验分布的采样数据输入所述扩散模型的前向扩散过程,包括:
设定扩散时间以及前向扩散过程的高斯噪声;
在扩散时间内向所述后验分布的采样数据逐步添加所述高斯噪声,通过一条马尔可夫链将采样数据映射到高斯分布,得到所述加噪数据。
5.根据权利要求3所述的去噪扩散样本增量学习的碳纤维材料损伤检测方法,其特征在于,所述依据所述加噪数据预测逆扩散过程的条件概率,得到近似先验分布,包括:
将所述加噪数据输入至解码器中进行解码,得到重构样本;
将所述重构样本输入预测模型,依据所述加噪数据和所述后验分布的采样数据之间的关系进行后验扩散条件概率预测,得到所述近似先验分布。
6.根据权利要求3所述的去噪扩散样本增量学习的碳纤维材料损伤检测方法,其特征在于,所述使用KL散度对所述近似先验分布进行拟合,得到先验分布,包括:
使用信息损失达到最小时的KL散度和所述后验分布的熵计算所述后验分布和所述近似先验分布的交叉熵,依据所述后验分布和所述近似先验分布的交叉熵拟合得到所述扩散模型的先验分布。
7.根据权利要求1所述的去噪扩散样本增量学习的碳纤维材料损伤检测方法,其特征在于,所述将所述拟合样本补充至所述真实样本中,得到完备样本,包括:
将所述真实样本划分为训练集和测试集,在所述训练集中加入所述拟合样本进行补充,将所述拟合样本补充至所述训练集中进行增广。
8.一种碳纤维材料损伤检测装置,其特征在于,所述装置包括:
采样模块,用于对碳纤维复合材料进行图像数据采集,得到真实样本;
拟合模块,用于对所述真实样本进行扩散处理和逆扩散处理,生成拟合样本;
整合模块,用于将所述拟合样本补充至所述真实样本中,得到完备样本;
训练模块,用于使用所述完备样本对预设的损伤预测模型进行训练,得到训练后的损伤预测模型。
9.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的去噪扩散样本增量学习的碳纤维材料损伤检测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的去噪扩散样本增量学习的碳纤维材料损伤检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211595005.4A CN115982965A (zh) | 2022-12-13 | 2022-12-13 | 去噪扩散样本增量学习的碳纤维材料损伤检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211595005.4A CN115982965A (zh) | 2022-12-13 | 2022-12-13 | 去噪扩散样本增量学习的碳纤维材料损伤检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115982965A true CN115982965A (zh) | 2023-04-18 |
Family
ID=85975028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211595005.4A Pending CN115982965A (zh) | 2022-12-13 | 2022-12-13 | 去噪扩散样本增量学习的碳纤维材料损伤检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115982965A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116310660A (zh) * | 2023-05-24 | 2023-06-23 | 深圳须弥云图空间科技有限公司 | 一种增强样本的生成方法及装置 |
CN118194980A (zh) * | 2024-05-16 | 2024-06-14 | 季华实验室 | 一种工业终端感知模型训练方法及装置 |
-
2022
- 2022-12-13 CN CN202211595005.4A patent/CN115982965A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116310660A (zh) * | 2023-05-24 | 2023-06-23 | 深圳须弥云图空间科技有限公司 | 一种增强样本的生成方法及装置 |
CN116310660B (zh) * | 2023-05-24 | 2024-06-11 | 深圳须弥云图空间科技有限公司 | 一种增强样本的生成方法及装置 |
CN118194980A (zh) * | 2024-05-16 | 2024-06-14 | 季华实验室 | 一种工业终端感知模型训练方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115982965A (zh) | 去噪扩散样本增量学习的碳纤维材料损伤检测方法及装置 | |
CN111046027A (zh) | 时间序列数据的缺失值填充方法和装置 | |
CN111899759B (zh) | 音频数据的预训练、模型训练方法、装置、设备及介质 | |
CN114494815B (zh) | 神经网络训练方法、目标检测方法、装置、设备和介质 | |
CN113408570A (zh) | 一种基于模型蒸馏的图像类别识别方法、装置、存储介质及终端 | |
CN114627146A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN115223251A (zh) | 签名检测模型的训练方法和装置、电子设备及存储介质 | |
CN113538281A (zh) | 图像去噪方法、装置、计算机设备和存储介质 | |
CN115205546A (zh) | 模型训练方法和装置、电子设备、存储介质 | |
CN109064464B (zh) | 用于检测电池极片毛刺的方法和装置 | |
CN113850151A (zh) | 一种驾驶员分心行为的识别方法、装置、终端及存储介质 | |
CN110796003B (zh) | 车道线检测方法、装置及电子设备 | |
CN117218013A (zh) | 事件相机图像处理方法、训练方法、系统、设备及介质 | |
CN113408571B (zh) | 一种基于模型蒸馏的图像分类方法、装置、存储介质及终端 | |
CN115982452A (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
CN114973271A (zh) | 一种文本信息提取方法、提取系统、电子设备及存储介质 | |
CN115223157A (zh) | 一种基于循环神经网络的电网设备铭牌光学字符识别方法 | |
CN115346115A (zh) | 图像目标检测方法、装置、设备和存储介质 | |
CN113780582A (zh) | 基于机器学习模型的风控特征筛选方法及系统 | |
CN117808816B (zh) | 图像异常检测方法、装置及电子设备 | |
CN116309151B (zh) | 图片去压缩失真网络的参数生成方法、装置和存储介质 | |
CN116309274B (zh) | 图像中小目标检测方法、装置、计算机设备及存储介质 | |
CN117376977B (zh) | 一种手机5g无线信号测试系统、方法、设备及介质 | |
CN116740385B (zh) | 一种设备质检方法、装置和系统 | |
CN117056836B (zh) | 程序分类模型的训练、程序类目识别方法及装置 |
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 |