CN117611587A - 基于人工智能的稀土合金材料检测系统及方法 - Google Patents

基于人工智能的稀土合金材料检测系统及方法 Download PDF

Info

Publication number
CN117611587A
CN117611587A CN202410091052.8A CN202410091052A CN117611587A CN 117611587 A CN117611587 A CN 117611587A CN 202410091052 A CN202410091052 A CN 202410091052A CN 117611587 A CN117611587 A CN 117611587A
Authority
CN
China
Prior art keywords
feature
training
detection
rare earth
alloy material
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.)
Granted
Application number
CN202410091052.8A
Other languages
English (en)
Other versions
CN117611587B (zh
Inventor
叶永茂
廖磊
李家隆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ganzhou Taixin Magnetic Materials Co ltd
Original Assignee
Ganzhou Taixin Magnetic Materials Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ganzhou Taixin Magnetic Materials Co ltd filed Critical Ganzhou Taixin Magnetic Materials Co ltd
Priority to CN202410091052.8A priority Critical patent/CN117611587B/zh
Publication of CN117611587A publication Critical patent/CN117611587A/zh
Application granted granted Critical
Publication of CN117611587B publication Critical patent/CN117611587B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30136—Metal
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Signal Processing (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Acoustics & Sound (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本申请提供了一种基于人工智能的稀土合金材料检测系统及方法，涉及合金材料检测领域，其通过对稀土镁合金材料的表面图像和超声波检测信号分别进行特征提取以得到材料表面特征和材料内部特征，进而融合材料表面和内部特征用以判断稀土镁合金材料是否存在裂纹缺陷。这样，可以提高对稀土镁合金材料裂纹缺陷检测的准确性。

Description

基于人工智能的稀土合金材料检测系统及方法
技术领域
本申请涉及合金材料检测领域，且更为具体地，涉及一种基于人工智能的稀土合金材料检测系统及方法。
背景技术
稀土镁合金材料是一种在工业领域中广泛应用的高性能材料。它由镁和稀土元素（如镧、钕、铈等）按照一定比例混合熔炼得到。稀土元素的添加可以显著改善镁合金的性能，使其具有出色的力学性能和耐腐蚀性。
稀土镁合金材料具有较高的强度和刚度，这使得它们在许多领域中成为理想的选择。在航空航天领域，稀土镁合金被广泛应用于飞机结构和发动机部件，因为它们的轻量化特性和良好的高温性能能够提高飞机的燃油效率和性能。在汽车制造领域，稀土镁合金被用于制造车身和发动机零部件，以降低车辆的重量并提高燃油经济性。此外，稀土镁合金还被用于电子设备、运动器材和医疗器械等领域。
然而，为了确保生产的稀土镁合金材料的质量和性能，需要进行严格的检测。其中，裂纹检测是一项重要的检测工作。裂纹可能会在材料中形成，这会对材料的强度和韧性产生负面影响，进而影响其使用寿命和安全性能。因此，通过裂纹检测可以及早发现和评估材料中的裂纹情况，以便采取相应的修复或替换措施，确保材料的完整性和可靠性。
因此，需要一种基于人工智能的稀土合金材料检测方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于人工智能的稀土合金材料检测系统及方法，其通过对稀土镁合金材料的表面图像和超声波检测信号分别进行特征提取以得到材料表面特征和材料内部特征，进而融合材料表面和内部特征用以判断稀土镁合金材料是否存在裂纹缺陷。这样，可以提高对稀土镁合金材料裂纹缺陷检测的准确性。
根据本申请的一个方面，提供了一种基于人工智能的稀土合金材料检测系统，其包括：
合金材料数据采集模块，用于获取稀土镁合金材料的表面图像和超声波检测信号；
合金材料数据编码模块，用于对所述稀土镁合金材料的表面图像和超声波检测信号进行特征编码以得到材料检测特征矩阵；
合金材料检测结果生成模块，用于基于所述材料检测特征矩阵，判断所述稀土镁合金材料是否存在裂纹。
在上述基于人工智能的稀土合金材料检测系统中，所述合金材料数据编码模块，包括：表面图像特征提取单元，用于对所述稀土镁合金材料的表面图像进行特征提取以得到增强材料表面特征矩阵；超声波信号特征提取单元，用于对所述超声波检测信号进行特征提取以得到材料内部检测特征矩阵；材料特征融合单元，用于融合所述增强材料表面特征矩阵和所述材料内部检测特征矩阵以得到所述材料检测特征矩阵。
在上述基于人工智能的稀土合金材料检测系统中，所述表面图像特征提取单元，包括：图像预处理子单元，用于对所述稀土镁合金材料的表面图像进行图像预处理以得到预处理材料表面图像；材料表面特征提取子单元，用于将所述预处理材料表面图像通过多分支感知域模块以得到材料表面特征图；特征增强子单元，用于将所述材料表面特征图通过并行权重分配模块以得到增强材料表面特征图；特征图降维子单元，用于对所述增强材料表面特征图进行沿通道维度的池化以得到所述增强材料表面特征矩阵。
在上述基于人工智能的稀土合金材料检测系统中，所述超声波信号特征提取单元，包括：傅里叶变换一级子单元，用于对所述超声波检测信号进行傅里叶变换以得到多个频域统计值；内部检测特征生成一级子单元，用于将所述多个频域统计值和所述超声波检测信号的波形图通过Clip模型以得到所述材料内部检测特征矩阵。
在上述基于人工智能的稀土合金材料检测系统中，所述内部检测特征生成一级子单元，包括：波形图特征编码二级子单元，用于将所述超声波检测信号的波形图输入所述Clip模型的图像编码器以得到检测波形特征向量；频域特征编码二级子单元，用于将所述多个频域统计值输入所述Clip模型的序列编码器以得到频域特征向量；联合编码二级子单元，用于使用所述Clip模型的联合编码器来基于所述频域特征向量对所述检测波形特征向量进行特征属性编码优化以得到所述材料内部检测特征矩阵。
在上述基于人工智能的稀土合金材料检测系统中，所述材料特征融合单元，用于：以如下融合公式来融合所述增强材料表面特征矩阵和所述材料内部检测特征矩阵以得到所述材料检测特征矩阵；其中，所述融合公式为：
其中，为所述材料检测特征矩阵，为所述增强材料表面特征矩阵，为所述 材料内部检测特征矩阵，“”表示所述增强材料表面特征矩阵和所述材料内部检测特征矩 阵相对应位置处的元素相加，和为用于控制所述材料检测特征矩阵中所述增强材料表 面特征矩阵和所述材料内部检测特征矩阵之间的平衡的加权参数。
在上述基于人工智能的稀土合金材料检测系统中，所述合金材料检测结果生成模块，用于：将所述材料检测特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述稀土镁合金材料是否存在裂纹。
在上述基于人工智能的稀土合金材料检测系统中，还包括对所述多分支感知域模块、所述并行权重分配模块、所述Clip模型和所述分类器进行训练的训练模块，其中，所述训练模块，包括：训练数据获取单元，用于获取稀土镁合金材料的训练表面图像和训练超声波检测信号；训练图像预处理单元，用于对所述稀土镁合金材料的训练表面图像进行图像预处理以得到预处理训练材料表面图像；训练材料表面特征提取单元，用于将所述预处理训练材料表面图像通过所述多分支感知域模块以得到训练材料表面特征图；训练材料表面特征增强单元，将所述训练材料表面特征图通过所述并行权重分配模块以得到增强训练材料表面特征图；训练材料表面特征降维单元，用于对所述增强训练材料表面特征图进行沿通道维度的池化以得到增强训练材料表面特征矩阵；训练超声波信号转换单元，用于对所述训练超声波检测信号进行傅里叶变换以得到多个训练频域统计值；训练超声波信号特征提取单元，用于将所述多个训练频域统计值和所述训练超声波检测信号的波形图通过所述Clip模型以得到训练材料内部检测特征矩阵；训练数据特征融合单元，用于融合所述增强训练材料表面特征矩阵和所述训练材料内部检测特征矩阵以得到训练材料检测特征矩阵；损失函数值计算单元，用于计算所述训练材料检测特征矩阵的目标域概率密度分布距离迁移因数作为损失函数值；模型训练单元，用于以所述损失函数值，对所述多分支感知域模块、所述并行权重分配模块、所述Clip模型和所述分类器进行训练。
在上述基于人工智能的稀土合金材料检测系统中，所述损失函数值计算单元，用于：以如下计算公式计算所述训练材料检测特征矩阵的目标域概率密度分布距离迁移因数作为所述损失函数值；其中，所述计算公式为：
其中，表示所述训练材料检测特征矩阵的位置的特征值，表示以2 为底的对数函数值，表示矩阵的二范数，表示所述目标域概率密度分布距离迁移 因数。
根据本申请的另一方面，提供了一种基于人工智能的稀土合金材料检测方法，其包括：
获取稀土镁合金材料的表面图像和超声波检测信号；
对所述稀土镁合金材料的表面图像和超声波检测信号进行特征编码以得到材料检测特征矩阵；
基于所述材料检测特征矩阵，判断所述稀土镁合金材料是否存在裂纹。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其他特征将通过以下的说明书变得容易理解。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用于提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于人工智能的稀土合金材料检测系统的系统框图。
图2为根据本申请实施例的基于人工智能的稀土合金材料检测系统的架构图。
图3为根据本申请实施例的基于人工智能的稀土合金材料检测系统中合金材料数据编码模块的框图。
图4为根据本申请实施例的基于人工智能的稀土合金材料检测系统中表面图像特征提取单元的框图。
图5为根据本申请实施例的基于人工智能的稀土合金材料检测系统中超声波信号特征提取单元的框图。
图6为根据本申请实施例的基于人工智能的稀土合金材料检测系统中内部检测特征生成一级子单元的框图。
图7为根据本申请实施例的基于人工智能的稀土合金材料检测系统中训练模块的框图。
图8为根据本申请实施例的基于人工智能的稀土合金材料检测方法的流程图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
如上述背景技术所言，稀土镁合金材料是一种以稀土元素（如镧、钕、铈等）为合金元素的镁合金材料。稀土镁合金通常由镁和稀土元素按一定比例混合熔炼得到。这种合金材料具有较高的强度、刚度和耐腐蚀性，同时还具有良好的耐高温性能和热稳定性。稀土镁合金材料在航空航天、汽车制造、电子设备等领域有广泛的应用。为了评估生产的稀土镁合金材料的质量和性能，需要对生产的稀土镁合金材料进行检测，其中一项重要的检测就是裂纹检测，裂纹会对材料的强度、韧性产生影响，进而影响其使用。因此，期待一种基于人工智能的稀土合金材料检测方案。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展为稀土合金材料检测提供了新的解决思路和方案。
图1为根据本申请实施例的基于人工智能的稀土合金材料检测系统的系统框图。图2为根据本申请实施例的基于人工智能的稀土合金材料检测系统的架构图。如图1和图2所示，在基于人工智能的稀土合金材料检测系统100中，包括：合金材料数据采集模块110，用于获取稀土镁合金材料的表面图像和超声波检测信号；合金材料数据编码模块120，用于对所述稀土镁合金材料的表面图像和超声波检测信号进行特征编码以得到材料检测特征矩阵；合金材料检测结果生成模块130，用于基于所述材料检测特征矩阵，判断所述稀土镁合金材料是否存在裂纹。
具体地，在本申请的技术方案中，首先，获取稀土镁合金材料的表面图像和超声波检测信号。不难理解，稀土镁合金材料的表面图像提供了一个直观的视觉信息，通过获取表面图像可以利用图像处理方法获取材料的表面特征。这些表面特征包含了与裂纹相关的纹理、形状等信息，这可以为后续的裂纹检测提供更准确的输入。获取稀土镁合金材料的超声波检测信号为了从材料的内部获取信息。超声波检测是一种非破坏性检测方法，通过发送超声波脉冲并接收反射信号来获取材料内部的声波传播信息。这些超声波信号可以提供有关材料内部结构和缺陷的信息，包括裂纹的存在、位置和形态等。综合使用表面图像和超声波检测信号分别从材料的外部和内部获取信息，为裂纹检测提供了不同的视角和数据来源，可以更全面地了解材料的状态，提高了裂纹检测的准确性和可靠性。
在本申请实施例中，获取稀土镁合金材料的表面图像和超声波检测信号的一个可实施方式可以为：1.材料表面图像的获取：可以通过高分辨率数字相机对稀土镁合金材料的表面图像进行拍摄，拍摄时应注意一些参数的设置，并尽量避免阴影和反射等干扰，以获得清晰、准确的图像；2.超声波检测信号的获取：a.准备一台超声波探测仪，其中包括发射器和接收器等组件；b.将稀土镁合金材料放置在适当的位置上，确保与超声波传感器的接触良好；c.调整超声波探测仪的参数，包括发射频率、脉冲宽度和接收增益等，以适应材料的特性和检测需求；d.发射超声波脉冲，并使用接收器接收反射信号，可以通过扫描或定点方式进行检测，以获取材料内部的声波传播信息；e.将接收到的超声波信号进行存储，以备后续的信号处理和特征提取。
图3为根据本申请实施例的基于人工智能的稀土合金材料检测系统中合金材料数据编码模块的框图。如图3所示，包括：表面图像特征提取单元121，用于对所述稀土镁合金材料的表面图像进行特征提取以得到增强材料表面特征矩阵；超声波信号特征提取单元122，用于对所述超声波检测信号进行特征提取以得到材料内部检测特征矩阵；材料特征融合单元123，用于融合所述增强材料表面特征矩阵和所述材料内部检测特征矩阵以得到所述材料检测特征矩阵。
图4为根据本申请实施例的基于人工智能的稀土合金材料检测系统中表面图像特征提取单元的框图。如图4所示，包括：图像预处理子单元1211，用于对所述稀土镁合金材料的表面图像进行图像预处理以得到预处理材料表面图像；材料表面特征提取子单元1212，用于将所述预处理材料表面图像通过多分支感知域模块以得到材料表面特征图；特征增强子单元1213，用于将所述材料表面特征图通过并行权重分配模块以得到增强材料表面特征图；特征图降维子单元1214，用于对所述增强材料表面特征图进行沿通道维度的池化以得到所述增强材料表面特征矩阵。
不难理解，通过摄像头拍摄的图像会受到环境光线、摄像设备噪声等因素的影响，并且稀土镁合金材料的表面图像可能存在灰度不均匀或对比度较低的情况，导致裂纹特征不明显或难以分辨，因此在本申请的技术方案中，对所述稀土镁合金材料的表面图像进行图像预处理以得到预处理材料表面图像。经过图像预处理后的材料表面图像，可以有效地去除图像中的噪声，提高图像的质量和清晰度，还通过增强图像的对比度使裂纹等细节更加明显，从而更容易进行后续的表面特征提取和裂纹检测。
在本申请实施例中，对所述稀土镁合金材料的表面图像进行图像预处理以得到预处理材料表面图像的一个可实施方式可以为：1.去除图像中的噪声：使用中值滤波器可以有效去除表面图像中的椒盐噪声或斑点噪声。通过在表面图像上滑动一个固定大小的滤波窗口，将窗口内的像素值排序并取中值作为中心像素的新值，重复该过程直至整个表面图像被处理。2.应用直方图均衡化：直方图均衡化可以通过重新分配表面图像中的像素值来增强表面图像的对比度，通过计算表面图像的累积直方图，并将像素值映射到新的像素值，使得表面图像的直方图在整个像素值范围内均匀分布。
预处理后的材料表面图像包含丰富的信息，其中可能包含与裂纹相关的特征。然而，这些特征可能在整个图像中分布不均匀或局部化，且难以直接提取。因此，将所述预处理材料表面图像通过多分支感知域模块以得到材料表面特征图。在本申请的技术方案中，多分支感知域模块主要包括三个分支。通过使用多分支感知域模块，可以通过并行处理和特征提取，从不同的感知域获取更全面的信息。相较于传统的卷积神经网络模型，所述多分支感知域模块具有如下优势：1）所述多分支感知域模块利用空洞卷积来替代传统卷积核，其利用其特有的参数扩张率，使原卷积核在相同参数量下拥有更大的感知域，也就是，所述多分支感知域模块利用空洞卷积即可扩大感知域，从而无需下采样，避免了信息损失且实现特征图输入与输出尺度一致；2）所述多分支感知域模块设计不同扩张率的并行空洞卷积结构，可让网络学习到多尺度特征信息，因此解决了网格效应带来的局部信息丢失的问题。且该结构使目标检测可利用的小目标信息量增多，进而解决了传统卷积神经网络利用池化层所造成的小目标信息无法重建的问题。
在本申请实施例中，将所述预处理材料表面图像通过多分支感知域模块以得到材料表面特征图的一个可实施方式可以为：将所述预处理材料表面图像输入所述多分支感知域模块的第一点卷积层以得到卷积特征图；分别将所述卷积特征图通过所述多分支感知域模块的第一分支感知域单元、第二分支感知域单元和第三分支感知域单元以得到第一分支感知特征图、第二分支感知特征图和第二分支感知特征图，其中，所述第一分支感知域单元、所述第二分支感知域单元和所述第三分支感知域单元具有并行结构；将所述第一分支感知特征图、所述第二分支感知特征图和所述第二分支感知特征图进行级联以得到融合感知特征图；将所述融合感知特征图输入所述多分支感知域模块的第二点卷积层以得到通道校正融合感知特征图；计算所述通道校正融合感知特征图和所述卷积特征图的按位置点加以得到所述材料表面特征图。
为了进一步提取和强调材料表面的关键特征，以增强裂纹的可见性和检测性能，于是将所述材料表面特征图通过并行权重分配模块以得到增强材料表面特征图。在本申请的技术方案中，并行权重分配模块由并行的空间注意力模块和通道注意力模块构成，它能同时对材料表面特征图进行处理，加强有效特征表示并抑制无用特征信息，进而提高后续检测的准确性。空间注意力模块旨在通过对特征图的不同空间位置进行加权，突出重要的特征区域，抑制无关的背景信息。它通过学习空间注意力权重来实现这一目标。通道注意力模块旨在通过对特征图的不同通道进行加权，强调对裂纹检测最有用的特征通道，抑制对裂纹检测无关的通道。它通过学习通道注意力权重来实现这一目标。通过并行权重分配模块，可以同时考虑特征图的空间信息和通道信息，突出关键的特征区域和通道，增强材料表面的特征表示。这样的增强特征图能够更好地反映裂纹的位置、形状和大小等信息，提高裂纹检测的准确性和鲁棒性。
在本申请实施例中，将所述材料表面特征图通过并行权重分配模块以得到增强材料表面特征图的一个可实施方式可以为：对所述材料表面特征图进行沿通道维度的全局均值池化以得到通道特征向量；将所述通道特征向量通过Softmax函数以得到归一化通道特征向量；以所述归一化通道特征向量中各个位置的特征值作为权重对所述材料表面特征图的沿通道维度的特征矩阵进行加权以得到通道注意力特征图；使用所述并行权重分配模块的空间注意力分支的卷积层对所述材料表面特征图进行卷积编码以得到卷积特征图；将所述空间注意力图通过Softmax函数以得到空间注意力得分图；将所述空间注意力得分图与所述材料表面特征图进行按位置点乘以得到所述空间注意力图；将所述通道注意力特征图和所述空间注意力特征图进行按位置点加以得到所述增强材料表面特征图。
为了进一步减少特征图的维度，提取出最重要的特征，可以通过池化操作来实现，也就是对所述增强材料表面特征图进行沿通道维度的池化以得到增强材料表面特征矩阵。
图5为根据本申请实施例的基于人工智能的稀土合金材料检测系统中超声波信号特征提取单元的框图。如图5所示，包括：傅里叶变换一级子单元1221，用于对所述超声波检测信号进行傅里叶变换以得到多个频域统计值；内部检测特征生成一级子单元1222，用于将所述多个频域统计值和所述超声波检测信号的波形图通过Clip模型以得到所述材料内部检测特征矩阵。
同时，对所述超声波检测信号进行傅里叶变换以得到多个频域统计值。傅里叶变换将时域信号转换为频域信号，通过分析频域信息可以得到材料内部的频率成分。对于稀土合金材料的超声波检测信号，不同频率成分的振动模式可以反映材料的内部结构和缺陷情况。通过傅里叶变换，可以将超声波信号分解为一系列频率成分，进而提取这些频率成分的幅度和相位信息。裂纹等缺陷在超声波检测信号中通常表现为能量的局部集中或频率成分的变化。通过对傅里叶变换后的频域信号进行分析，可以检测到异常的频率成分，并将其与正常部分进行区分。这样可以实现对裂纹的识别和定位，帮助确定裂纹的存在和位置。傅里叶变换后的频域信号可以用于计算多个频域统计值，如频谱能量、频谱峰值、频谱平均值等。这些统计值可以提供关于材料内部特征的定量信息。
在本申请实施例中，对所述超声波检测信号进行傅里叶变换以得到多个频域统计值的一个可实施方式可以为：1.选择合适的傅里叶变换方法：根据信号的特性和需求，选择适合的傅里叶变换方法。常见的傅里叶变换方法包括离散傅里叶变换（Discrete FourierTransform，DFT）和快速傅里叶变换（Fast Fourier Transform，FFT）。FFT是一种高效的算法，通常被广泛应用于信号处理领域。2.进行傅里叶变换：将预处理后的超声波检测信号输入到选择的傅里叶变换方法中进行变换。对于FFT，可以直接使用现有的傅里叶变换库或函数进行计算。傅里叶变换将信号从时域转换为频域，得到频率成分的幅度和相位信息。3.计算频域统计值：根据需要，可以计算多个频域统计值来描述信号的频域特性。常见的频域统计值包括频谱能量、频谱峰值、频谱平均值等。频谱能量可以通过计算频域信号的幅度平方和来获得，频谱峰值可以通过找到幅度最大的频率成分来获得，频谱平均值可以通过计算频域信号的均值来获得。
为了综合利用不同类型的数据信息，提取更全面的特征来进行材料内部的裂纹检测和分析，在本申请的技术方案中将所述多个频域统计值和所述超声波检测信号的波形图通过Clip模型以得到材料内部检测特征矩阵。Clip模型是一种基于深度学习的视觉和语言联合编码模型，它可以将图像和文本的特征进行编码和融合。在这种情况下，将超声波检测信号的波形图作为图像输入，将多个频域统计值作为文本输入，通过Clip模型可以将它们融合在一起，得到一个综合的特征表示，即材料内部检测特征矩阵。
图6为根据本申请实施例的基于人工智能的稀土合金材料检测系统中内部检测特征生成一级子单元的框图。如图6所示，包括：波形图特征编码二级子单元12221，用于将所述超声波检测信号的波形图输入所述Clip模型的图像编码器以得到检测波形特征向量；频域特征编码二级子单元12222，用于将所述多个频域统计值输入所述Clip模型的序列编码器以得到频域特征向量；联合编码二级子单元12223，用于使用所述Clip模型的联合编码器来基于所述频域特征向量对所述检测波形特征向量进行特征属性编码优化以得到所述材料内部检测特征矩阵。
增强材料表面特征矩阵提供了稀土镁合金材料外部的信息，如表面形态、纹理和表面缺陷等；材料内部检测特征矩阵是通过超声波检测等方法获取的材料内部的特征表示，反映了材料内部的结构和缺陷信息。如果单单仅靠增强材料表面特征矩阵或材料内部检测特征矩阵来进行裂纹判断，这样的裂纹检测准确率不够高，因此，在本申请的技术方案中，融合所述增强材料表面特征矩阵和所述材料内部检测特征矩阵以得到材料检测特征矩阵。通过融合增强的材料表面特征矩阵和材料内部检测特征矩阵，我们可以获取一个综合的材料检测特征矩阵。这个特征矩阵结合了材料的外部和内部特征，提供了更全面的信息。这样的特征矩阵可以更好地反映材料的状态，包括表面和内部的缺陷、裂纹等，从而改善裂纹检测的准确性和鲁棒性。
在本申请实施例中，融合所述增强材料表面特征矩阵和所述材料内部检测特征矩阵以得到材料检测特征矩阵的一个可实施方式可以为：以如下融合公式来融合所述增强材料表面特征矩阵和所述材料内部检测特征矩阵以得到所述材料检测特征矩阵；其中，所述融合公式为：
其中，为所述材料检测特征矩阵，为所述增强材料表面特征矩阵，为所述 材料内部检测特征矩阵，“”表示所述增强材料表面特征矩阵和所述材料内部检测特征矩 阵相对应位置处的元素相加，和为用于控制所述材料检测特征矩阵中所述增强材料表 面特征矩阵和所述材料内部检测特征矩阵之间的平衡的加权参数。
最后，将所述材料检测特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述稀土镁合金材料是否存在裂纹。分类器可以将高维的特征矩阵映射到低维的类别或标签空间中。它通过学习样本的特征和标签之间的关系，建立一个决策边界，从而能够对新的样本进行分类。在稀土镁合金材料检测中，分类器可以学习到材料检测特征矩阵与裂纹的对应关系，从而能够判断材料是否存在裂纹。这样，可以快速、准确地对材料进行裂纹检测，提高检测效率。
在本申请实施例中，将所述材料检测特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述稀土镁合金材料是否存在裂纹的一个可实施方式可以为：将所述材料检测特征矩阵按照行向量或列向量展开为分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到全连接编码特征向量；将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述材料检测特征矩阵归属于各个分类标签的概率值，所述分类标签包括用于表示所述稀土镁合金材料存在裂纹和所述稀土镁合金材料不存在裂纹；将所述概率值中最大者对应的分类标签确定为所述分类结果。
在基于人工智能的稀土合金材料检测系统100中，还包括对所述多分支感知域模块、所述并行权重分配模块、所述Clip模型和所述分类器进行训练的训练模块200。
特别地，在本申请技术方案中，考虑到表面图像和超声波检测信号在材料检测中提供了不同的信息。表面图像反映了材料的外观和表面特征，而超声波检测信号则提供了材料内部的声波传播信息。这两种类型的特征值具有不同的物理属性和变化规律，因此它们在特征空间中可能呈现出较大的差异。在预处理和特征提取过程中，对表面图像和超声波检测信号进行了一系列的处理步骤，包括图像预处理、感知域模块、权重分配模块等。这些处理步骤可能引入非线性变换、降维或特征映射等操作，从而导致特征值之间的非平滑转移关系。在融合增强材料表面特征矩阵和材料内部检测特征矩阵的过程中，不同类型的特征值被合并在一起形成材料检测特征矩阵。由于表面特征和内部检测特征可能具有不同的尺度和分布，它们在特征空间中的差异可能较大，导致特征值的非平滑转移关系。特征值的非平滑转移关系可能会对后续分类器的分类回归产生影响。由于特征值之间的差异较大，分类器可能难以确定决策边界或学习到准确的分类规则，从而降低分类器的性能。基于此，计算所述训练材料检测特征矩阵的目标域概率密度分布距离迁移因数作为损失函数值，以改进分类器的分类回归。
图7为根据本申请实施例的基于人工智能的稀土合金材料检测系统中训练模块的框图。如图7所示，包括：训练数据获取单元210，用于获取稀土镁合金材料的训练表面图像和训练超声波检测信号；训练图像预处理单元220，用于对所述稀土镁合金材料的训练表面图像进行图像预处理以得到预处理训练材料表面图像；训练材料表面特征提取单元230，用于将所述预处理训练材料表面图像通过所述多分支感知域模块以得到训练材料表面特征图；训练材料表面特征增强单元240，将所述训练材料表面特征图通过所述并行权重分配模块以得到增强训练材料表面特征图；训练材料表面特征降维单元250，用于对所述增强训练材料表面特征图进行沿通道维度的池化以得到增强训练材料表面特征矩阵；训练超声波信号转换单元260，用于对所述训练超声波检测信号进行傅里叶变换以得到多个训练频域统计值；训练超声波信号特征提取单元270，用于将所述多个训练频域统计值和所述训练超声波检测信号的波形图通过所述Clip模型以得到训练材料内部检测特征矩阵；训练数据特征融合单元280，用于融合所述增强训练材料表面特征矩阵和所述训练材料内部检测特征矩阵以得到训练材料检测特征矩阵；损失函数值计算单元290，用于计算所述训练材料检测特征矩阵的目标域概率密度分布距离迁移因数作为损失函数值；模型训练单元300，用于以所述损失函数值，对所述多分支感知域模块、所述并行权重分配模块、所述Clip模型和所述分类器进行训练。
具体地，以如下计算公式计算所述训练材料检测特征矩阵的目标域概率密度分布距离迁移因数作为所述损失函数值；其中，所述计算公式为：
其中，表示所述训练材料检测特征矩阵的位置的特征值，表示以2为底 的对数函数值，表示矩阵的二范数，表示所述目标域概率密度分布距离迁移因数。
也就是，由于所述训练材料检测特征矩阵包含大量的特征值非平滑转移关系，会影响后续分类器的分类回归，即材料检测特征矩阵中的某些位置的特征值与其他位置的特征值相差很大，这些特征值可能是由于数据采集或处理过程中的误差或异常而产生的，这些特征值对于分类任务是有害的，因为它们会影响分类器的判断和决策，从而降低分类的准确率和效率。
为了解决这个问题，本文提出了一种基于目标域概率密度分布距离迁移的方法，该方法通过计算所述训练材料检测特征矩阵的目标域概率密度分布距离迁移因数作为损失函数值，即通过一种基于损失函数的方法，使每个位置的特征值都能够根据其与目标域概率密度分布距离迁移因数的大小，得到一个损失函数值。具体的，所述训练材料检测特征矩阵的目标域概率密度分布距离迁移因数通过一种基于平滑最大函数的方法，使每个位置的特征值都能够根据其与符号化的距离函数的近似度。进而，通过一种基于凸优化的方法，使每个位置的特征值都能够根据其与模型函数的参数空间的凸优化的联合度，得到一个凸优化联合，这样使得每个位置的特征值都能够根据其与模型对于特征表达的凸单调性的保留度，得到一个凸单调性保留，从而改进分类器的分类回归。
综上所述，基于本申请实施例的基于人工智能的稀土合金材料检测系统100被阐明，其通过对稀土镁合金材料的表面图像和超声波检测信号分别进行特征提取以得到材料表面特征和材料内部特征，进而融合材料表面和内部特征用以判断稀土镁合金材料是否存在裂纹缺陷。这样，可以提高对稀土镁合金材料裂纹缺陷检测的准确性。
如上所述，根据本申请实施例的基于人工智能的稀土合金材料检测系统100可以实现在各种终端设备中，例如用于基于人工智能的稀土合金材料检测的服务器等。在一个示例中，根据本申请实施例的基于人工智能的稀土合金材料检测系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于人工智能的稀土合金材料检测系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于人工智能的稀土合金材料检测系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于人工智能的稀土合金材料检测系统100与该终端设备也可以是分立的设备，并且该基于人工智能的稀土合金材料检测系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图8为根据本申请实施例的基于人工智能的稀土合金材料检测方法的流程图。如图8所示，在基于人工智能的稀土合金材料检测方法中，包括：S110，获取稀土镁合金材料的表面图像和超声波检测信号；S120，对所述稀土镁合金材料的表面图像和超声波检测信号进行特征编码以得到材料检测特征矩阵；S130，基于所述材料检测特征矩阵，判断所述稀土镁合金材料是否存在裂纹。
这里，本领域技术人员可以理解，上述基于人工智能的稀土合金材料检测方法中的各个步骤的具体操作已经在上面参考图1到图7的基于人工智能的稀土合金材料检测系统的描述中得到了详细介绍，并因此，将省略其重复描述。
综上所述，基于本申请实施例的基于人工智能的稀土合金材料检测方法被阐明，其通过对稀土镁合金材料的表面图像和超声波检测信号分别进行特征提取以得到材料表面特征和材料内部特征，进而融合材料表面和内部特征用以判断稀土镁合金材料是否存在裂纹缺陷。这样，可以提高对稀土镁合金材料裂纹缺陷检测的准确性。
本文中使用的术语仅仅出于描述特定实施例的目的，并且不旨在限制本公开。如本文中所使用的，除非上下文另有明确指示，否则单数形式“一”、“一个”以及“该”旨在还包括复数形式。将进一步理解，术语“包括（comprise和/或comprising）”当在本说明书中使用时，指定所陈述的特征、整数、步骤、操作、元件和/或组件的存在，但不排除一个或多个其它特征、整数、步骤、操作、元件组件和/或其群组的存在或添加。
本领域技术人员将理解，本文中示出和描述各种示例实施例，每个示例实施例具有特定实施例中的某些特征，但本公开不因此被限制。相反，本公开能够被修改以合并此前未描述但与本公开的范围相称的任何数量的变体、变更、替换、组合、子组合或等同布置。另外，虽然已经描述本公开的各种实施例，但将理解的是，本公开的方面可仅包括所描述的实施例中的一些实施例。因此，本公开将不被视为受前述描述所限制，而是仅受所附权利要求书的范围所限制。

Claims (10)

1.一种基于人工智能的稀土合金材料检测系统，其特征在于，包括：
合金材料数据采集模块，用于获取稀土镁合金材料的表面图像和超声波检测信号；
合金材料数据编码模块，用于对所述稀土镁合金材料的表面图像和超声波检测信号进行特征编码以得到材料检测特征矩阵；
合金材料检测结果生成模块，用于基于所述材料检测特征矩阵，判断所述稀土镁合金材料是否存在裂纹。
2.根据权利要求1所述的基于人工智能的稀土合金材料检测系统，其特征在于，所述合金材料数据编码模块，包括：
表面图像特征提取单元，用于对所述稀土镁合金材料的表面图像进行特征提取以得到增强材料表面特征矩阵；
超声波信号特征提取单元，用于对所述超声波检测信号进行特征提取以得到材料内部检测特征矩阵；
材料特征融合单元，用于融合所述增强材料表面特征矩阵和所述材料内部检测特征矩阵以得到所述材料检测特征矩阵。
3.根据权利要求2所述的基于人工智能的稀土合金材料检测系统，其特征在于，所述表面图像特征提取单元，包括：
图像预处理子单元，用于对所述稀土镁合金材料的表面图像进行图像预处理以得到预处理材料表面图像；
材料表面特征提取子单元，用于将所述预处理材料表面图像通过多分支感知域模块以得到材料表面特征图；
特征增强子单元，用于将所述材料表面特征图通过并行权重分配模块以得到增强材料表面特征图；
特征图降维子单元，用于对所述增强材料表面特征图进行沿通道维度的池化以得到所述增强材料表面特征矩阵。
4.根据权利要求3所述的基于人工智能的稀土合金材料检测系统，其特征在于，所述超声波信号特征提取单元，包括：
傅里叶变换一级子单元，用于对所述超声波检测信号进行傅里叶变换以得到多个频域统计值；
内部检测特征生成一级子单元，用于将所述多个频域统计值和所述超声波检测信号的波形图通过Clip模型以得到所述材料内部检测特征矩阵。
5.根据权利要求4所述的基于人工智能的稀土合金材料检测系统，其特征在于，所述内部检测特征生成一级子单元，包括：
波形图特征编码二级子单元，用于将所述超声波检测信号的波形图输入所述Clip模型的图像编码器以得到检测波形特征向量；
频域特征编码二级子单元，用于将所述多个频域统计值输入所述Clip模型的序列编码器以得到频域特征向量；
联合编码二级子单元，用于使用所述Clip模型的联合编码器来基于所述频域特征向量对所述检测波形特征向量进行特征属性编码优化以得到所述材料内部检测特征矩阵。
6.根据权利要求5所述的基于人工智能的稀土合金材料检测系统，其特征在于，所述材料特征融合单元，用于：以如下融合公式来融合所述增强材料表面特征矩阵和所述材料内部检测特征矩阵以得到所述材料检测特征矩阵；
其中，所述融合公式为：
其中，为所述材料检测特征矩阵，/>为所述增强材料表面特征矩阵，/>为所述材料内部检测特征矩阵，“/>”表示所述增强材料表面特征矩阵和所述材料内部检测特征矩阵相对应位置处的元素相加，/>和/>为用于控制所述材料检测特征矩阵中所述增强材料表面特征矩阵和所述材料内部检测特征矩阵之间的平衡的加权参数。
7.根据权利要求6所述的基于人工智能的稀土合金材料检测系统，其特征在于，所述合金材料检测结果生成模块，用于：
将所述材料检测特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述稀土镁合金材料是否存在裂纹。
8.根据权利要求7所述的基于人工智能的稀土合金材料检测系统，其特征在于，还包括对所述多分支感知域模块、所述并行权重分配模块、所述Clip模型和所述分类器进行训练的训练模块，其中，所述训练模块，包括：
训练数据获取单元，用于获取稀土镁合金材料的训练表面图像和训练超声波检测信号；
训练图像预处理单元，用于对所述稀土镁合金材料的训练表面图像进行图像预处理以得到预处理训练材料表面图像；
训练材料表面特征提取单元，用于将所述预处理训练材料表面图像通过所述多分支感知域模块以得到训练材料表面特征图；
训练材料表面特征增强单元，将所述训练材料表面特征图通过所述并行权重分配模块以得到增强训练材料表面特征图；
训练材料表面特征降维单元，用于对所述增强训练材料表面特征图进行沿通道维度的池化以得到增强训练材料表面特征矩阵；
训练超声波信号转换单元，用于对所述训练超声波检测信号进行傅里叶变换以得到多个训练频域统计值；
训练超声波信号特征提取单元，用于将所述多个训练频域统计值和所述训练超声波检测信号的波形图通过所述Clip模型以得到训练材料内部检测特征矩阵；
训练数据特征融合单元，用于融合所述增强训练材料表面特征矩阵和所述训练材料内部检测特征矩阵以得到训练材料检测特征矩阵；
损失函数值计算单元，用于计算所述训练材料检测特征矩阵的目标域概率密度分布距离迁移因数作为损失函数值；
模型训练单元，用于以所述损失函数值，对所述多分支感知域模块、所述并行权重分配模块、所述Clip模型和所述分类器进行训练。
9.根据权利要求8所述的基于人工智能的稀土合金材料检测系统，其特征在于，所述损失函数值计算单元，用于：以如下计算公式计算所述训练材料检测特征矩阵的目标域概率密度分布距离迁移因数作为所述损失函数值；
其中，所述计算公式为：
其中，表示所述训练材料检测特征矩阵的/>位置的特征值，/>表示以2为底的对数函数值，/>表示矩阵的二范数，/>表示所述目标域概率密度分布距离迁移因数。
10.一种基于人工智能的稀土合金材料检测方法，其特征在于，包括：
获取稀土镁合金材料的表面图像和超声波检测信号；
对所述稀土镁合金材料的表面图像和超声波检测信号进行特征编码以得到材料检测特征矩阵；
基于所述材料检测特征矩阵，判断所述稀土镁合金材料是否存在裂纹。
CN202410091052.8A 2024-01-23 2024-01-23 基于人工智能的稀土合金材料检测系统及方法 Active CN117611587B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410091052.8A CN117611587B (zh) 2024-01-23 2024-01-23 基于人工智能的稀土合金材料检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410091052.8A CN117611587B (zh) 2024-01-23 2024-01-23 基于人工智能的稀土合金材料检测系统及方法

Publications (2)

Publication Number Publication Date
CN117611587A true CN117611587A (zh) 2024-02-27
CN117611587B CN117611587B (zh) 2024-06-04

Family

ID=89952060

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410091052.8A Active CN117611587B (zh) 2024-01-23 2024-01-23 基于人工智能的稀土合金材料检测系统及方法

Country Status (1)

Country Link
CN (1) CN117611587B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102928435A (zh) * 2012-10-15 2013-02-13 南京航空航天大学 基于图像和超声信息融合的飞机蒙皮损伤识别方法及装置
US20180101944A1 (en) * 2015-10-08 2018-04-12 Hitachi Power Solutions Co., Ltd. Defect inspection method and apparatus
CN108169331A (zh) * 2017-12-04 2018-06-15 北京星航机电装备有限公司 薄板栅格翼结构焊缝相控阵超声检测装置及检测方法
CN112907510A (zh) * 2021-01-15 2021-06-04 中国人民解放军国防科技大学 一种表面缺陷检测方法
CN115239632A (zh) * 2022-06-23 2022-10-25 西南交通大学 一种融合巡检图像和超声波图像的钢轨表面伤损检测方法
CN115901954A (zh) * 2022-12-15 2023-04-04 东南塞普检测技术有限公司 超声导波管道缺陷无损检测方法
CN116664479A (zh) * 2023-04-04 2023-08-29 大连理工大学 一种基于深度学习的铸件内部缺陷检测方法
CN117325903A (zh) * 2023-08-31 2024-01-02 同济大学 轨道智能探伤的高置信决策系统
CN117422691A (zh) * 2023-11-02 2024-01-19 西安建筑科技大学 联合线性引导与网格优化的混凝土裂缝检测方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102928435A (zh) * 2012-10-15 2013-02-13 南京航空航天大学 基于图像和超声信息融合的飞机蒙皮损伤识别方法及装置
US20180101944A1 (en) * 2015-10-08 2018-04-12 Hitachi Power Solutions Co., Ltd. Defect inspection method and apparatus
CN108169331A (zh) * 2017-12-04 2018-06-15 北京星航机电装备有限公司 薄板栅格翼结构焊缝相控阵超声检测装置及检测方法
CN112907510A (zh) * 2021-01-15 2021-06-04 中国人民解放军国防科技大学 一种表面缺陷检测方法
CN115239632A (zh) * 2022-06-23 2022-10-25 西南交通大学 一种融合巡检图像和超声波图像的钢轨表面伤损检测方法
CN115901954A (zh) * 2022-12-15 2023-04-04 东南塞普检测技术有限公司 超声导波管道缺陷无损检测方法
CN116664479A (zh) * 2023-04-04 2023-08-29 大连理工大学 一种基于深度学习的铸件内部缺陷检测方法
CN117325903A (zh) * 2023-08-31 2024-01-02 同济大学 轨道智能探伤的高置信决策系统
CN117422691A (zh) * 2023-11-02 2024-01-19 西安建筑科技大学 联合线性引导与网格优化的混凝土裂缝检测方法及系统

Also Published As

Publication number Publication date
CN117611587B (zh) 2024-06-04

Similar Documents

Publication Publication Date Title
CN110516561B (zh) 基于dcgan和cnn的sar图像目标识别方法
CN108460382B (zh) 基于深度学习单步检测器的光学遥感图像舰船检测方法
CN101727662B (zh) Sar图像非局部均值去斑方法
CN113436169B (zh) 一种基于半监督语义分割的工业设备表面裂纹检测方法及系统
Li et al. Automatic bridge crack identification from concrete surface using ResNeXt with postprocessing
CN112884747A (zh) 一种融合循环残差卷积与上下文提取器网络的自动桥梁裂缝检测系统
CN103353988B (zh) 异源sar景象特征匹配算法性能评估方法
CN113470024B (zh) 轮毂内部缺陷检测方法、装置、设备、介质及程序产品
CN113536963B (zh) 基于轻量化yolo网络的sar图像飞机目标检测方法
CN110516525A (zh) 基于gan和svm的sar图像目标识别方法
CN109948527B (zh) 基于集成深度学习的小样本太赫兹图像异物检测方法
CN111178392A (zh) 基于深度神经网络的航空发动机孔探图像损伤分割方法
CN116595313A (zh) 基于多尺度残差注意力网络的故障诊断方法及系统
CN117237325A (zh) 一种基于深度网络的工业缺陷检测方法
CN118115835A (zh) 导光板缺陷小样本数据扩充方法、系统、设备及存储介质
Wang et al. Underground defects detection based on GPR by fusing simple linear iterative clustering phash (SLIC-phash) and convolutional block attention module (CBAM)-YOLOv8
CN117611587B (zh) 基于人工智能的稀土合金材料检测系统及方法
CN116129280B (zh) 一种遥感影像雪检测的方法
CN116630343A (zh) 一种基于深度学习的无铆钉铆接接头剖面图像分割方法
CN112215301A (zh) 基于卷积神经网络的影像直线探测方法
CN116051808A (zh) 一种基于YOLOv5的轻量化零件识别定位方法
CN116030300A (zh) 一种用于零样本sar目标识别的渐进式域自适应识别方法
CN112801955B (zh) 种群分布不平衡条件下的浮游生物检测方法
CN112508862B (zh) 一种通过改进gan增强裂纹磁光图像的方法
CN109635738A (zh) 一种图像特征提取方法及系统

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
GR01 Patent grant
GR01 Patent grant