CN118115501A - 基于工业ct成像的数据分析方法及系统 - Google Patents
基于工业ct成像的数据分析方法及系统 Download PDFInfo
- Publication number
- CN118115501A CN118115501A CN202410533750.9A CN202410533750A CN118115501A CN 118115501 A CN118115501 A CN 118115501A CN 202410533750 A CN202410533750 A CN 202410533750A CN 118115501 A CN118115501 A CN 118115501A
- Authority
- CN
- China
- Prior art keywords
- industrial
- imaging
- diagnosis
- template
- diagnostic
- 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
Links
- 238000013170 computed tomography imaging Methods 0.000 title claims abstract description 373
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000007405 data analysis Methods 0.000 title claims abstract description 23
- 238000003745 diagnosis Methods 0.000 claims abstract description 278
- 230000007547 defect Effects 0.000 claims abstract description 182
- 238000000605 extraction Methods 0.000 claims abstract description 133
- 239000012634 fragment Substances 0.000 claims abstract description 21
- 238000003384 imaging method Methods 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 8
- 238000005520 cutting process Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 238000002156 mixing Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000013467 fragmentation Methods 0.000 abstract description 4
- 238000006062 fragmentation reaction Methods 0.000 abstract description 4
- 238000002591 computed tomography Methods 0.000 description 12
- 238000005457 optimization Methods 0.000 description 7
- 239000002184 metal Substances 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- 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
- G06V10/40—Extraction of image or video 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请提供一种基于工业CT成像的数据分析方法及系统，通过依据扫描节点将目标工业CT成像数据划分为多个工业CT成像分片，利用预设图像空间尺度对扫描图像数据进行切割，生成更小的扫描图像分块，通过第一特征提取单元和第二特征提取单元分别提取工业诊断需求和扫描图像分块的深度特征，实现了对诊断需求和图像数据的深层次理解，依据提取的深度特征，从多个工业CT成像分片中快速准确地确定出工业诊断缺陷位点所在的目标工业CT成像分片，大大缩小了诊断范围，提高了诊断的精确性和效率。最后，通过工业CT成像诊断网络对目标工业CT成像分片和工业诊断需求进行综合分析，生成精确的工业诊断缺陷位点预测结果。
Description
技术领域
本申请涉及人工智能技术领域，具体而言，涉及一种基于工业CT成像的数据分析方法及系统。
背景技术
在工业领域，尤其是涉及复杂构件的内部结构检测和分析时，工业CT（ComputedTomography）成像技术发挥着至关重要的作用。工业CT技术通过获取被检测物体的多角度扫描数据，进而重建其内部的三维结构，为工业产品的质量控制、故障诊断以及结构优化等提供了有力的技术支撑。
然而，随着工业技术的快速发展和产品结构的日益复杂化，对工业CT成像数据的处理和分析提出了更高的要求。传统的数据分析方法往往依赖于人工或半自动的方式进行缺陷识别和定位，这种方式不仅效率低下，而且易受主观因素影响，难以满足现代工业生产对高精度、高效率检测的需求。
现有的方法在处理工业CT成像数据时，往往缺乏对局部细节的深入挖掘和分析。工业CT成像数据中的缺陷往往表现为局部区域的异常结构或纹理变化，而现有的方法往往只关注全局特征的提取，忽略了对局部细节的深入挖掘，从而影响了缺陷识别的准确性。
因此，如何高效地处理和分析大规模的工业CT成像数据，并准确地识别和定位其中的缺陷，成为当前工业CT技术领域亟待解决的问题。
发明内容
有鉴于此，本申请的目的在于提供一种基于工业CT成像的数据分析方法及系统。
依据本申请的第一方面，提供一种基于工业CT成像的数据分析方法，所述方法包括：
获取目标工业CT成像数据和针对目标工业CT成像数据生成的工业诊断需求，所述目标工业CT成像数据中包括X个扫描图像数据，所述X为正整数；
依据各扫描图像数据在所述目标工业CT成像数据中的扫描节点，确定Y个工业CT成像分片，一个工业CT成像分片包括所述目标工业CT成像数据中多个不间断的扫描图像数据，Y为正整数；
依据预设图像空间尺度对每个所述扫描图像数据进行切割，生成每个扫描图像数据对应的至少一个扫描图像分块，每个所述扫描图像分块对应的图像空间尺度小于预设图像空间尺度；
利用第一特征提取单元提取所述工业诊断需求的深度提取特征，并利用第二特征提取单元提取每个所述扫描图像分块的深度提取特征，所述预设图像空间尺度不大于所述第二特征提取单元的门限处理尺度；
依据所述Y个工业CT成像分片中各工业CT成像分片中扫描图像分块的深度提取特征和所述工业诊断需求的深度提取特征，从所述Y个工业CT成像分片中确定所述工业诊断需求的工业诊断缺陷位点所在的目标工业CT成像分片；
通过工业CT成像诊断网络依据所述目标工业CT成像分片和所述工业诊断需求进行工业诊断缺陷位点预测，生成所述工业诊断需求的工业诊断缺陷位点。
在第一方面的一种可能的实施方式中，所述依据所述Y个工业CT成像分片中各工业CT成像分片中扫描图像分块的深度提取特征和所述工业诊断需求的深度提取特征，从所述Y个工业CT成像分片中确定所述工业诊断需求的工业诊断缺陷位点所在的目标工业CT成像分片，包括：
将位于同一工业CT成像分片中的扫描图像分块的深度提取特征进行组合，生成各工业CT成像分片的工业特征表示集合；
基于各工业CT成像分片的工业特征表示集合和所述工业诊断需求的深度提取特征，确定各工业CT成像分片与所述工业诊断需求之间的特征距离；
基于所述各工业CT成像分片与所述工业诊断需求之间的特征距离，从所述Y个工业CT成像分片中确定与所述工业诊断需求之间的特征距离最小的Z个工业CT成像分片，作为所述目标工业CT成像分片；Z为不大于Y的正整数。
在第一方面的一种可能的实施方式中，所述工业诊断需求的深度提取特征包括所述工业诊断需求中每个工业诊断知识点的深度提取特征，所述扫描图像分块的深度提取特征包括所述扫描图像分块中每个成像单元的深度提取特征；所述工业CT成像分片的工业特征表示集合包括所述工业CT成像分片中每个成像单元的深度提取特征；
所述基于各工业CT成像分片的工业特征表示集合和所述工业诊断需求的深度提取特征，确定各工业CT成像分片与所述工业诊断需求之间的特征距离，包括：
依据各工业诊断知识点的深度提取特征和各所述工业CT成像分片中各个成像单元的深度提取特征，确定各工业诊断知识点与各所述工业CT成像分片中各个成像单元之间的语义关联度；
基于各工业诊断知识点与各所述工业CT成像分片中各个成像单元之间的语义关联度，确定各所述工业CT成像分片与各所述工业诊断知识点之间的最大语义关联度；
依据各所述工业CT成像分片与各所述工业诊断知识点之间的最大语义关联度，确定所述工业诊断需求与各所述工业CT成像分片之间的特征距离。
在第一方面的一种可能的实施方式中，所述依据各所述工业CT成像分片与各所述工业诊断知识点之间的最大语义关联度，确定所述工业诊断需求与各所述工业CT成像分片之间的特征距离，包括：
针对各工业CT成像分片，将所述工业诊断需求中每个工业诊断知识点与该工业CT成像分片之间的最大语义关联度进行融合后求倒数，生成所述工业诊断需求与该工业CT成像分片之间的特征距离。
在第一方面的一种可能的实施方式中，所述第一特征提取单元和第二特征提取单元为第一工业诊断缺陷诊断网络中的特征提取单元，所述第一工业诊断缺陷诊断网络的训练步骤，包括：
获取模板学习数据序列，所述模板学习数据序列包括多个模板学习数据组合，每个模板学习数据组合包括一个针对模板工业CT成像数据生成的模板工业诊断需求和所述模板工业CT成像数据中的模板工业CT成像分片，所述模板工业CT成像分片包括模板工业CT成像数据中多个不间断的模板扫描图像数据，所述模板扫描图像数据中各模板扫描图像分块的图像空间尺度小于所述预设图像空间尺度；
由完成参数学习的第二工业诊断缺陷诊断网络依据所述模板工业诊断需求和所述模板工业CT成像数据中的所述模板工业CT成像分片进行工业诊断缺陷位点预测，确定所述模板工业诊断需求对应的工业诊断缺陷位点位于各所述模板工业CT成像分片的第一置信度；所述第二工业诊断缺陷诊断网络的模型参数量大于所述第一工业诊断缺陷诊断网络的模型参数量；
由所述第一工业诊断缺陷诊断网络依据所述模板工业诊断需求和各所述模板工业CT成像分片中的模板扫描图像分块进行工业诊断缺陷位点预测，确定所述模板工业诊断需求对应的工业诊断缺陷位点位于各所述模板工业CT成像分片的第二置信度；
依据所述模板工业诊断需求对应的工业诊断缺陷位点位于各所述模板工业CT成像分片的第一置信度和所述模板工业诊断需求对应的工业诊断缺陷位点位于各所述模板工业CT成像分片的第二置信度，生成训练误差参数；
依据所述训练误差参数更新所述第一特征提取单元和第二特征提取单元的网络参数学习，生成完成参数学习的第一特征提取单元和第二特征提取单元。
在第一方面的一种可能的实施方式中，所述由完成参数学习的第二工业诊断缺陷诊断网络依据所述模板工业诊断需求和所述模板工业CT成像数据中的所述模板工业CT成像分片进行工业诊断缺陷位点预测，确定所述模板工业诊断需求对应的工业诊断缺陷位点位于各所述模板工业CT成像分片的第一置信度，包括：
对所述模板工业诊断需求和各所述模板工业CT成像分片分别进行集成，生成各模板工业CT成像分片对应的集成工业CT成像数据；
由所述完成参数学习的第二工业诊断缺陷诊断网络对各所述集成工业CT成像数据中的模板工业诊断需求和模板工业CT成像分片进行交融分析，生成各所述集成工业CT成像数据中模板工业诊断需求的深度提取特征和模板工业CT成像分片的深度提取特征之间的特征距离；
依据各所述集成工业CT成像数据中模板工业诊断需求的深度提取特征和模板工业CT成像分片的深度提取特征之间的特征距离，确定所述模板工业诊断需求对应的工业诊断缺陷位点位于各所述模板工业CT成像分片的第一置信度。
在第一方面的一种可能的实施方式中，所述模板学习数据组合还包括各所述模板工业CT成像分片的工业诊断缺陷位点标注数据；
所述依据所述模板工业诊断需求对应的工业诊断缺陷位点位于各所述模板工业CT成像分片的第一置信度和所述模板工业诊断需求对应的工业诊断缺陷位点位于各所述模板工业CT成像分片的第二置信度，生成训练误差参数，包括：
依据各所述模板工业CT成像分片的工业诊断缺陷位点标注数据和所述模板工业诊断需求对应的工业诊断缺陷位点位于各所述模板工业CT成像分片的第一置信度，确定第一误差值；
计算第一置信度与第二置信度之间的第二误差值；
依据所述第一误差值和所述第二误差值，生成训练误差参数。
在第一方面的一种可能的实施方式中，所述完成参数学习的第二工业诊断缺陷诊断网络为工业CT成像诊断网络，所述由完成参数学习的第二工业诊断缺陷诊断网络依据所述模板工业诊断需求和所述模板工业CT成像数据中的所述模板工业CT成像分片进行工业诊断缺陷位点预测，确定所述模板工业诊断需求对应的工业诊断缺陷位点位于各所述模板工业CT成像分片的第一置信度，包括：
将模板工业诊断需求和所述模板工业CT成像数据中的模板工业CT成像分片进行组合，生成包括模板工业诊断需求和所述模板工业CT成像分片的输入数据；
利用所述工业CT成像诊断网络依据输入数据进行工业诊断缺陷位点预测，输出所述模板工业诊断需求对应的工业诊断缺陷位点位于各所述模板工业CT成像分片的第一置信度。
在第一方面的一种可能的实施方式中，所述方法还包括：
获取专家系统或领域专家的反馈数据，对预测的工业诊断缺陷位点进行验证，如果验证结果显示预测的工业诊断缺陷位点存在误差，则根据误差类型和程度，对所述工业CT成像诊断网络进行微调或重新训练；
将经过验证和修正的工业诊断缺陷位点信息存储到知识库中。
依据本申请的第二方面，提供一种基于工业CT成像的数据分析系统，所述基于工业CT成像的数据分析系统包括机器可读存储介质及处理器，所述机器可读存储介质存储有机器可执行指令，所述处理器在执行所述机器可执行指令时，该基于工业CT成像的数据分析系统实现前述的基于工业CT成像的数据分析方法。
依据本申请的第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，在所述计算机可执行指令被执行时，实现前述的基于工业CT成像的数据分析方法。
依据上述任意一个方面，本申请的技术效果在于：
本申请通过依据扫描节点将目标工业CT成像数据划分为多个工业CT成像分片，使得后续处理可以更加聚焦于局部区域，提高了数据处理的针对性和效率。利用预设图像空间尺度对扫描图像数据进行切割，生成更小的扫描图像分块，不仅适应了深度学习模型对输入数据尺寸的要求，还有助于更细致地捕捉图像中的特征信息。通过第一特征提取单元和第二特征提取单元分别提取工业诊断需求和扫描图像分块的深度特征，实现了对诊断需求和图像数据的深层次理解，为后续的精确匹配和缺陷位点预测提供了有力支持。由此，能够依据提取的深度特征，从多个工业CT成像分片中快速准确地确定出工业诊断缺陷位点所在的目标工业CT成像分片，大大缩小了诊断范围，提高了诊断的精确性和效率。最后，通过工业CT成像诊断网络对目标工业CT成像分片和工业诊断需求进行综合分析，生成精确的工业诊断缺陷位点预测结果，为工业领域的故障诊断和质量控制提供了保障。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以依据这些附图获得其它相关的附图。
图1本申请实施例所提供的基于工业CT成像的数据分析方法的流程示意图。
图2示出了本申请实施例所提供的基于工业CT成像的数据分析系统的组件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将依据本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了依据本申请实施例的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加多个其它操作，也可以从流程图中销毁多个操作。
图1示出了本申请实施例提供的基于工业CT成像的数据分析方法的流程示意图，应当理解，在其它实施例中，本实施例的基于工业CT成像的数据分析方法其中部分步骤的顺序可以依据实际需要相互共享，或者其中的部分步骤也可以省略或维持。该基于工业CT成像的数据分析方法的详细步骤包括：
步骤S110，获取目标工业CT成像数据和针对目标工业CT成像数据生成的工业诊断需求，所述目标工业CT成像数据中包括X个扫描图像数据，所述X为正整数。
详细地，所述目标工业CT成像数据可以是指通过工业CT（Computed Tomography，计算机断层扫描）设备获取的特定目标的成像数据，这些目标工业CT成像数据通常用于对工业产品或部件进行内部结构和缺陷的分析。例如，假设一个制造厂使用工业CT设备对其生产的金属零件进行扫描，以检测内部是否存在裂纹或气孔等缺陷，这次扫描所得到的全部图像数据，就构成了目标工业CT成像数据。
所述工业诊断需求可以是指基于工业CT成像数据进行的具体分析或判断需求，通常用于识别产品的内部缺陷、结构异常或性能问题等。例如，在上述金属零件的扫描场景中，工业诊断需求可以是“识别并定位零件内部所有大于0.5mm的裂纹”。
所述扫描图像数据可以是指工业CT设备在扫描过程中获取的单个图像数据。每个扫描图像数据都表示目标物体在某个特定角度或层面的信息。例如，如果工业CT设备对金属零件进行了360度的全方位扫描，那么每一个角度的扫描结果都可以被视为一个扫描图像数据。
也即，在本实施例中，基于工业CT成像的数据分析系统作为服务器，接收到从工业CT设备传输过来的目标工业CT成像数据，并同时获取到与这些目标工业CT成像数据相对应的工业诊断需求，这些目标工业CT成像数据是在对某个工业部件进行扫描检测时生成的，包含了X个扫描图像数据，每个扫描图像数据都是该工业部件在不同角度或层面的影像反映。所述工业诊断需求则是由工程师根据检测目的和部件特性制定的，用于指导后续的缺陷诊断工作。
步骤S120，依据各扫描图像数据在所述目标工业CT成像数据中的扫描节点，确定Y个工业CT成像分片，一个工业CT成像分片包括所述目标工业CT成像数据中多个不间断的扫描图像数据，Y为正整数。
详细地，所述扫描节点可以是指在扫描过程中，设备获取图像数据的具体时刻或位置。扫描节点可以用来区分不同的扫描图像数据，并确定它们在整体扫描过程中的顺序和位置。例如，在金属零件的扫描过程中，设备可能每旋转一度就获取一个扫描图像数据。那么，每一个“度”就可以被视为一个扫描节点，它对应着一个特定的扫描图像数据。
所述工业CT成像分片可以是指基于扫描节点将目标工业CT成像数据划分成的多个部分。每个工业CT成像分片都包含一系列连续且不重复的扫描图像数据。例如，如果整个扫描过程被划分为10个阶段，那么每个阶段所对应的扫描图像数据就可以构成一个“工业CT成像分片”。
也即，在本实施例中，服务器开始处理接收到的目标工业CT成像数据，根据每个扫描图像数据在扫描过程中的时间节点或空间位置，将这些扫描图像数据划分为Y个工业CT成像分片。每个工业CT成像分片都包含了多个在扫描过程中连续获取的扫描图像数据，这些工业CT成像分片能够更清晰地展现出部件在不同扫描阶段的结构特征和可能存在的缺陷。
步骤S130，依据预设图像空间尺度对每个所述扫描图像数据进行切割，生成每个扫描图像数据对应的至少一个扫描图像分块，每个所述扫描图像分块对应的图像空间尺度小于预设图像空间尺度。
详细地，所述预设图像空间尺度可以是指在进行图像处理之前设定的一个空间大小标准，通常用于确定图像切割的粒度或分辨率。例如，假设希望对扫描图像数据进行详细分析，因此设定了一个较小的图像空间尺度，如10x10像素，这意味着在后续的图像处理过程中，每个被切割出来的图像块都将包含100个像素。
所述扫描图像分块可以是指按照预设图像空间尺度对扫描图像数据进行切割后得到的图像块。每个扫描图像分块都包含原始图像中的一部分信息，且其大小小于或等于预设的图像空间尺度。例如，在上述10x10像素的尺度下，一个扫描图像数据可能被切割成多个10x10像素大小的“扫描图像分块”，这些分块可以单独进行分析和处理，从而实现对原始图像的详细和局部化分析。
也即，为了进一步细化分析，服务器可以根据预设的图像空间尺度，对每个扫描图像数据进行切割处理，这个过程可以理解为将一张大照片切割成若干小块一样，每个小块即扫描图像分块，都对应着部件的某个局部区域，这样做的目的是为了能够更精确地定位和分析可能存在的缺陷。
步骤S140，利用第一特征提取单元提取所述工业诊断需求的深度提取特征，并利用第二特征提取单元提取每个所述扫描图像分块的深度提取特征，所述预设图像空间尺度不大于所述第二特征提取单元的门限处理尺度。
详细地，所述第一特征提取单元和第二特征提取单元指的是专门设计或训练用于从数据中提取有用特征的神经网络组件或模块。第一特征提取单元主要用于提取与工业诊断需求相关的深度特征，而第二特征提取单元则用于从扫描图像分块中提取深度特征。例如，假设使用深度学习框架（如TensorFlow或PyTorch）构建了一个卷积神经网络（CNN）。在这个卷积神经网络中，可以定义两个不同的子网络作为特征提取单元。第一个子网络（第一特征提取单元）可能被训练来识别与特定诊断任务相关的全局特征，如裂纹的总体形状或分布。第二个子网络（第二特征提取单元）则可能被训练来识别更局部、更详细的特征，如裂纹的具体纹理或边缘信息。
所述深度提取特征是指通过深度学习模型（如卷积神经网络）从原始数据中自动学习并提取出的高级、抽象的特征，这些特征通常比手动设计的特征更具表达力和鲁棒性，能够更有效地用于后续的分类、识别或预测任务。例如，在图像识别领域，深度提取特征可能包括图像的纹理、形状、边缘、颜色分布等复杂信息，这些信息被编码在神经网络的中间层中，并可以通过特定的技术（如特征可视化）进行查看和理解。
所述门限处理尺度可以是指第二特征提取单元能够处理或识别的最小图像尺度。换句话说，如果扫描图像分块的尺度小于这个门限值，那么第二特征提取单元可能无法有效地从中提取有用的特征。例如，假设第二特征提取单元被设计为识别至少包含10x10像素的图像块中的特征。那么，这个10x10像素就可以被视为该特征提取单元的门限处理尺度。任何小于这个尺度的图像块都可能被认为是不足以进行有效特征提取的。
也即，在本实施例中，服务器调用第一特征提取单元和第二特征提取单元，分别对工业诊断需求和每个扫描图像分块进行深度特征提取。第一特征提取单元专注于从工业诊断需求中提取出关键的诊断知识点和特征，而第二特征提取单元则负责从扫描图像分块中提取出部件的局部结构特征和可能的异常表现，这两个特征提取单元的工作都是基于深度学习的算法实现的，能够自动学习和识别数据中的关键信息。
步骤S150，依据所述Y个工业CT成像分片中各工业CT成像分片中扫描图像分块的深度提取特征和所述工业诊断需求的深度提取特征，从所述Y个工业CT成像分片中确定所述工业诊断需求的工业诊断缺陷位点所在的目标工业CT成像分片。
详细地，所述工业诊断缺陷位点可以是指在工业产品或部件内部通过CT扫描和后续分析识别出的具体缺陷位置，这些缺陷可能包括裂纹、气孔、夹杂物等，它们可能对产品的性能或安全性产生负面影响。例如，在上述金属零件的扫描场景中，如果预测出零件内部某个具体位置存在一个裂纹，那么这个位置就可以被视为一个“工业诊断缺陷位点”。
也即，在提取了所有必要的深度提取特征之后，服务器开始对这些深度提取特征进行比对和分析。首先，可以将位于同一工业CT成像分片中的扫描图像分块的深度提取特征进行组合，生成各工业CT成像分片的工业特征表示集合。然后，基于这些工业特征表示集合和工业诊断需求的深度提取特征，通过计算特征距离等方式，确定出与工业诊断需求最为匹配的Y个工业CT成像分片中的目标工业CT成像分片，这个过程可以理解为在众多的扫描图像分片中寻找与诊断需求最为吻合的那一部分。
步骤S160，通过工业CT成像诊断网络依据所述目标工业CT成像分片和所述工业诊断需求进行工业诊断缺陷位点预测，生成所述工业诊断需求的工业诊断缺陷位点。
最后，服务器可以调用工业CT成像诊断网络，将确定的目标工业CT成像分片和工业诊断需求作为输入，进行工业诊断缺陷位点的预测，这个工业CT成像诊断网络是经过大量数据训练和优化得到的，能够快速准确地识别出部件中的缺陷位置。也即，所述工业CT成像诊断网络是一个专门设计用于处理工业CT成像数据并输出诊断结果的深度学习网，被训练来接收工业CT成像数据作为输入，并输出与特定工业诊断需求相关的缺陷位点预测结果。服务器将预测结果输出，生成工业诊断需求的工业诊断缺陷位点报告，供工程师进行进一步的验证和修复工作。同时，这些预测结果也会作为反馈数据反馈回工业CT成像诊断网络，用于不断提升其诊断的准确性和效率。
基于以上步骤，本申请通过依据扫描节点将目标工业CT成像数据划分为多个工业CT成像分片，使得后续处理可以更加聚焦于局部区域，提高了数据处理的针对性和效率。利用预设图像空间尺度对扫描图像数据进行切割，生成更小的扫描图像分块，不仅适应了深度学习模型对输入数据尺寸的要求，还有助于更细致地捕捉图像中的特征信息。通过第一特征提取单元和第二特征提取单元分别提取工业诊断需求和扫描图像分块的深度特征，实现了对诊断需求和图像数据的深层次理解，为后续的精确匹配和缺陷位点预测提供了有力支持。由此，能够依据提取的深度特征，从多个工业CT成像分片中快速准确地确定出工业诊断缺陷位点所在的目标工业CT成像分片，大大缩小了诊断范围，提高了诊断的精确性和效率。最后，通过工业CT成像诊断网络对目标工业CT成像分片和工业诊断需求进行综合分析，生成精确的工业诊断缺陷位点预测结果，为工业领域的故障诊断和质量控制提供了保障。
在一种可能的实施方式中，步骤S150可以包括：
步骤S151，将位于同一工业CT成像分片中的扫描图像分块的深度提取特征进行组合，生成各工业CT成像分片的工业特征表示集合。
本实施例中，服务器可以将位于同一工业CT成像分片内所有扫描图像分块的深度提取特征进行组合，这种组合可以是通过特征拼接、特征融合或者通过某种特定的编码方式（如Bag of Features）来实现的，目的是形成一个能够全面代表该分片内容的工业特征表示集合。
服务器依次处理所有的Y个工业CT成像分片，为每个工业CT成像分片生成对应的工业特征表示集合。
步骤S152，基于各工业CT成像分片的工业特征表示集合和所述工业诊断需求的深度提取特征，确定各工业CT成像分片与所述工业诊断需求之间的特征距离。
本实施例中，在生成了所有工业CT成像分片的工业特征表示集合之后，服务器开始计算这些工业CT成像分片与工业诊断需求之间的特征距离。
首先，服务器利用第一特征提取单元对工业诊断需求进行深度特征提取，得到一个能够代表该诊断需求特征的向量。
接着，服务器采用一种距离度量方法（如欧氏距离、余弦相似度等）来计算每个工业CT成像分片的工业特征表示集合与工业诊断需求特征向量之间的距离，这个距离反映了分片内容与诊断需求之间的相似性或差异性。
服务器为每个工业CT成像分片计算出一个特征距离值，并将这些值存储起来供后续步骤使用。
步骤S153，基于所述各工业CT成像分片与所述工业诊断需求之间的特征距离，从所述Y个工业CT成像分片中确定与所述工业诊断需求之间的特征距离最小的Z个工业CT成像分片，作为所述目标工业CT成像分片。Z为不大于Y的正整数。
在计算了所有工业CT成像分片与工业诊断需求之间的特征距离之后，服务器开始根据这些距离值来确定目标工业CT成像分片。
服务器首先对这些特征距离进行排序，找出距离最小的Z个工业CT成像分片，这里的Z是一个不大于Y的正整数，表示服务器希望选出的与工业诊断需求最匹配的分片数量，这些被选出的工业CT成像分片就是服务器认为最有可能包含工业诊断缺陷位点的目标工业CT成像分片。它们将被用于后续的缺陷位点预测和分析。
通过以上步骤，服务器能够准确地从大量的工业CT成像数据中定位到与特定工业诊断需求最相关的部分，从而提高了缺陷检测的效率和准确性。
在一种可能的实施方式中，所述工业诊断需求的深度提取特征包括所述工业诊断需求中每个工业诊断知识点的深度提取特征，所述扫描图像分块的深度提取特征包括所述扫描图像分块中每个成像单元的深度提取特征。所述工业CT成像分片的工业特征表示集合包括所述工业CT成像分片中每个成像单元的深度提取特征。
步骤S152可以包括：
步骤S1521，依据各工业诊断知识点的深度提取特征和各所述工业CT成像分片中各个成像单元的深度提取特征，确定各工业诊断知识点与各所述工业CT成像分片中各个成像单元之间的语义关联度。
步骤S1522，基于各工业诊断知识点与各所述工业CT成像分片中各个成像单元之间的语义关联度，确定各所述工业CT成像分片与各所述工业诊断知识点之间的最大语义关联度。
步骤S1523，依据各所述工业CT成像分片与各所述工业诊断知识点之间的最大语义关联度，确定所述工业诊断需求与各所述工业CT成像分片之间的特征距离。
本实施例中，服务器在处理工业诊断需求时，首先会关注到需求中包含的多个工业诊断知识点，这些工业诊断知识点可以是关于特定类型的缺陷、材料属性、工艺参数等，每个工业诊断知识点都对应着一组深度提取特征。
同时，服务器已经对工业CT成像数据进行了处理，得到了多个工业CT成像分片，每个工业CT成像分片包含多个成像单元，每个成像单元也有其对应的深度提取特征。
现在，服务器开始计算每个工业诊断知识点与每个工业CT成像分片中各个成像单元之间的语义关联度，这个计算过程可能涉及到复杂的特征匹配和相似度计算。例如，服务器可以使用一个预先训练好的模型来评估特征之间的相似性或相关性。
对于每个工业诊断知识点，服务器都会遍历所有的工业CT成像分片中的成像单元，计算出一个语义关联度值，这个语义关联度值反映了该知识点与特定成像单元之间的匹配程度或相关性。
在计算了所有工业诊断知识点与所有成像单元之间的语义关联度之后，服务器接下来要确定每个工业CT成像分片与每个工业诊断知识点之间的最大语义关联度。
对于每个工业CT成像分片，服务器可以查看该片内所有成像单元与各个工业诊断知识点之间的语义关联度值，并从中选出最大的一个，这个最大值代表了该分片与某个特定知识点之间的最强关联。
这个过程是为了找出每个工业CT成像分片中最有可能与工业诊断需求相关的部分，因为在实际应用中，一个工业CT成像分片可能包含多个成像单元，而只有部分单元与特定的诊断知识点高度相关。
在确定了每个工业CT成像分片与每个工业诊断知识点之间的最大语义关联度之后，服务器最后要计算工业诊断需求与每个工业CT成像分片之间的特征距离。
这个特征距离是基于前面计算出的最大语义关联度来确定的。服务器可以采用一种算法，将这些最大语义关联度值转换成特征距离。例如，较大的语义关联度值可能对应着较小的特征距离，表示该分片与工业诊断需求更加匹配。
最终，服务器得到了一组特征距离值，每个值都代表了某个工业CT成像分片与整个工业诊断需求之间的相似性或差异性，这些特征距离将用于后续的目标工业CT成像分片的确定和缺陷位点的预测。
通过以上步骤，服务器能够精确地量化工业CT成像数据与工业诊断需求之间的关联程度，为后续的缺陷检测和诊断提供有力的支持。
在一种可能的实施方式中，步骤S1523可以包括：针对各工业CT成像分片，将所述工业诊断需求中每个工业诊断知识点与该工业CT成像分片之间的最大语义关联度进行融合后求倒数，生成所述工业诊断需求与该工业CT成像分片之间的特征距离。
本实施例中，服务器已经计算出了每个工业CT成像分片与工业诊断需求中每个工业诊断知识点之间的最大语义关联度，这些最大语义关联度反映了每个工业CT成像分片与特定知识点之间的相关性和匹配程度。
现在，服务器需要利用这些最大语义关联度来确定工业诊断需求与每个工业CT成像分片之间的特征距离，这个特征距离将用于评估哪个工业CT成像分片最符合当前的诊断需求。
为了计算这个特征距离，对于每个工业CT成像分片，服务器首先将该分片与工业诊断需求中所有工业诊断知识点之间的最大语义关联度进行融合。融合的方式可以是简单的求和、加权平均，或者其他更复杂的融合算法，这取决于具体的应用场景和需求。
例如，如果服务器选择了求和的方式进行融合，那么它会将某个工业CT成像分片与所有工业诊断知识点之间的最大语义关联度加在一起，得到一个总和值，这个总和值代表了该分片与整个工业诊断需求的总体匹配程度。
在融合了最大语义关联度之后，服务器接下来对这个融合后的值求倒数，以生成工业诊断需求与该工业CT成像分片之间的特征距离。求倒数的目的是为了将语义关联度转换成一种距离度量，使得较大的语义关联度对应较小的特征距离，反之亦然。
例如，如果某个工业CT成像分片与工业诊断需求的总体匹配程度很高（即融合后的语义关联度值很大），那么求倒数后得到的特征距离就会很小，表示这个工业CT成像分片与诊断需求非常接近。
通过上述步骤，服务器能够为每个工业CT成像分片计算出一个与工业诊断需求之间的特征距离，这些特征距离将作为后续选择目标分片和进行缺陷位点预测的重要依据。
在一种可能的实施方式中，所述第一特征提取单元和第二特征提取单元为第一工业诊断缺陷诊断网络中的特征提取单元，所述第一工业诊断缺陷诊断网络的训练步骤，包括：
步骤S101，获取模板学习数据序列，所述模板学习数据序列包括多个模板学习数据组合，每个模板学习数据组合包括一个针对模板工业CT成像数据生成的模板工业诊断需求和所述模板工业CT成像数据中的模板工业CT成像分片，所述模板工业CT成像分片包括模板工业CT成像数据中多个不间断的模板扫描图像数据，所述模板扫描图像数据中各模板扫描图像分块的图像空间尺度小于所述预设图像空间尺度。
步骤S102，由完成参数学习的第二工业诊断缺陷诊断网络依据所述模板工业诊断需求和所述模板工业CT成像数据中的所述模板工业CT成像分片进行工业诊断缺陷位点预测，确定所述模板工业诊断需求对应的工业诊断缺陷位点位于各所述模板工业CT成像分片的第一置信度。所述第二工业诊断缺陷诊断网络的模型参数量大于所述第一工业诊断缺陷诊断网络的模型参数量。
步骤S103，由所述第一工业诊断缺陷诊断网络依据所述模板工业诊断需求和各所述模板工业CT成像分片中的模板扫描图像分块进行工业诊断缺陷位点预测，确定所述模板工业诊断需求对应的工业诊断缺陷位点位于各所述模板工业CT成像分片的第二置信度。
步骤S104，依据所述模板工业诊断需求对应的工业诊断缺陷位点位于各所述模板工业CT成像分片的第一置信度和所述模板工业诊断需求对应的工业诊断缺陷位点位于各所述模板工业CT成像分片的第二置信度，生成训练误差参数。
步骤S105，依据所述训练误差参数更新所述第一特征提取单元和第二特征提取单元的网络参数学习，生成完成参数学习的第一特征提取单元和第二特征提取单元。
本实施例中，服务器从工业CT成像数据库中获取了一组模板学习数据序列，这些模板学习数据序列包含了多个模板学习数据组合，每个模板学习数据组合都包括一个针对模板工业CT成像数据生成的模板工业诊断需求和对应的模板工业CT成像分片，这些模板工业CT成像分片由多个不间断的模板扫描图像数据组成，且每个模板扫描图像分块的图像空间尺度都小于预设的图像空间尺度。
服务器调用已经完成参数学习的第二工业诊断缺陷诊断网络，将模板工业诊断需求和模板工业CT成像分片作为输入，进行工业诊断缺陷位点的预测。由于第二工业诊断缺陷诊断网络的模型参数量较大，因此其具有较强的特征提取和分析能力。网络输出的是模板工业诊断需求对应的工业诊断缺陷位点位于各模板工业CT成像分片的第一置信度。
接下来，服务器使用第一工业诊断缺陷诊断网络（其模型参数量小于第二网络）对相同的模板工业诊断需求和模板工业CT成像分片进行工业诊断缺陷位点的预测。与第二网络不同的是，第一网络在处理时更侧重于模板扫描图像分块级别的特征提取。网络输出的是模板工业诊断需求对应的工业诊断缺陷位点位于各模板工业CT成像分片的第二置信度。
服务器将第二网络输出的第一置信度与第一网络输出的第二置信度进行比较，计算出两者之间的差异，这个差异反映了两个网络在相同输入条件下对工业诊断缺陷位点预测结果的不一致性，被用作训练误差参数，这些参数将用于指导后续的网络参数更新过程。
基于计算出的训练误差参数，服务器开始更新第一工业诊断缺陷诊断网络中的第一特征提取单元和第二特征提取单元的网络参数。更新过程采用梯度下降等优化算法，旨在减小第一网络与第二网络在预测结果上的差异，提升第一网络的预测准确性。经过多轮迭代更新后，服务器生成了完成参数学习的第一特征提取单元和第二特征提取单元。
在一种可能的实施方式中，步骤S102可以包括：
步骤S1021，对所述模板工业诊断需求和各所述模板工业CT成像分片分别进行集成，生成各模板工业CT成像分片对应的集成工业CT成像数据。
步骤S1022，由所述完成参数学习的第二工业诊断缺陷诊断网络对各所述集成工业CT成像数据中的模板工业诊断需求和模板工业CT成像分片进行交融分析，生成各所述集成工业CT成像数据中模板工业诊断需求的深度提取特征和模板工业CT成像分片的深度提取特征之间的特征距离。
步骤S1023，依据各所述集成工业CT成像数据中模板工业诊断需求的深度提取特征和模板工业CT成像分片的深度提取特征之间的特征距离，确定所述模板工业诊断需求对应的工业诊断缺陷位点位于各所述模板工业CT成像分片的第一置信度。
本实施例中，服务器首先对接收到的模板工业诊断需求和各个模板工业CT成像分片进行集成处理，这个过程涉及将每个模板工业CT成像分片与其对应的模板工业诊断需求进行匹配和整合，确保它们之间的关联性和一致性。通过集成处理，服务器生成了各个模板工业CT成像分片对应的集成工业CT成像数据，这些数据既包含了成像分片的图像信息，也融合了与之相关的诊断需求信息。
接下来，服务器调用已经完成参数学习的第二工业诊断缺陷诊断网络，对各个集成工业CT成像数据中的模板工业诊断需求和模板工业CT成像分片进行交融分析。在这个过程中，网络利用其强大的特征提取能力，深入挖掘诊断需求和成像分片之间的内在联系和特征对应关系。通过交融分析，服务器生成了各个集成工业CT成像数据中模板工业诊断需求的深度提取特征和模板工业CT成像分片的深度提取特征之间的特征距离，这个特征距离反映了诊断需求和成像分片在特征空间上的相似度或差异度。
最后，服务器依据各个集成工业CT成像数据中模板工业诊断需求的深度提取特征和模板工业CT成像分片的深度提取特征之间的特征距离，来确定模板工业诊断需求对应的工业诊断缺陷位点位于各个模板工业CT成像分片的第一置信度。具体来说，服务器通过分析和比较特征距离的大小和分布情况，评估了每个成像分片中包含工业诊断缺陷位点的可能性和准确性，这个第一置信度是第二工业诊断缺陷诊断网络对于各个成像分片中是否存在缺陷位点以及缺陷位点位置判断的信心程度，它将作为后续网络参数更新和缺陷位点预测的重要参考依据。
在一种可能的实施方式中，所述模板学习数据组合还包括各所述模板工业CT成像分片的工业诊断缺陷位点标注数据。
步骤S104可以包括：
步骤S1041，依据各所述模板工业CT成像分片的工业诊断缺陷位点标注数据和所述模板工业诊断需求对应的工业诊断缺陷位点位于各所述模板工业CT成像分片的第一置信度，确定第一误差值。
步骤S1042，计算第一置信度与第二置信度之间的第二误差值。
步骤S1043，依据所述第一误差值和所述第二误差值，生成训练误差参数。
本实施例中，在构建模板学习数据组合时，服务器除了收集模板工业CT成像数据和对应的模板工业诊断需求外，还特别包含了各个模板工业CT成像分片的工业诊断缺陷位点标注数据，这些工业诊断缺陷位点标注数据是专家根据实际的工业CT图像手动标注的，明确指出了每个成像分片中缺陷位点的确切位置和性质，这些标注数据对于训练和提高诊断网络的准确性至关重要。
在训练过程中，服务器首先利用已经完成参数学习的第二工业诊断缺陷诊断网络，对模板工业CT成像数据进行处理，得到模板工业诊断需求对应的工业诊断缺陷位点位于各模板工业CT成像分片的第一置信度。然后，服务器将这些第一置信度与工业诊断缺陷位点标注数据进行比对，通过计算两者之间的差异或损失，确定出第一误差值，这个第一误差值反映了第二工业诊断缺陷诊断网络在预测缺陷位点位置和性质方面的准确性。
接下来，服务器需要评估第一工业诊断缺陷诊断网络的性能。为此，它使用第一网络对相同的模板工业CT成像数据进行处理，得到模板工业诊断需求对应的工业诊断缺陷位点位于各模板工业CT成像分片的第二置信度。然后，服务器将这些第二置信度与之前得到的第一置信度进行比对，通过计算两者之间的差异或损失，确定出第二误差值，这个第二误差值反映了第一工业诊断缺陷诊断网络与第二网络在预测结果上的一致性程度。
最后，服务器根据计算出的第一误差值和第二误差值，生成训练误差参数，这些参数是综合考虑了两个网络在预测缺陷位点方面的准确性和一致性后得出的，因此能够全面反映当前训练状态下网络的性能。服务器将利用这些训练误差参数来指导后续的网络参数更新和优化过程，以提高第一工业诊断缺陷诊断网络的预测能力。
示例性的，对于每一个模板工业CT成像分片，都将第二工业诊断缺陷诊断网络预测的缺陷位点第一置信度与对应的工业诊断缺陷位点标注数据进行比较，计算它们之间的差异，这个差异可以是绝对差值、平方差等，具体根据实际情况选择。然后，将所有成像分片的差异求平均，得到第一误差值Error1。
用数学符号简单表示为：Error1 = (1/N) * Σ|C_标注 - C_第二网络|，其中N是成像分片的数量，C_标注是标注数据，C_第二网络是第二网络预测的第一置信度。
类似地，将第一工业诊断缺陷诊断网络预测的缺陷位点第二置信度与第二网络预测的第一置信度进行比较，计算它们之间的差异。同样地，差异的具体计算方式可以根据实际情况选择。然后，将所有成像分片的差异求平均，得到第二误差值Error2。
简单表示为：Error2 = (1/N) * Σ|C_第一网络 - C_第二网络|，其中C_第一网络是第一网络预测的第二置信度。
最后，将第一误差值和第二误差值进行加权求和，得到总的训练误差参数Total_Error。加权的方式可以根据实际情况确定，可以通过调整权重来反映不同误差项的重要性。
简单表示为：Total_Error = α * Error1 + β * Error2，其中α和β是权重系数。
这个总误差参数将用于评估网络的训练效果，并指导后续的网络参数更新和优化。通过不断迭代训练和优化过程，可以期望网络在预测工业诊断缺陷位点方面达到更高的准确性和一致性。
在一种可能的实施方式中，所述完成参数学习的第二工业诊断缺陷诊断网络为工业CT成像诊断网络，步骤S102可以包括：
步骤S1024，将模板工业诊断需求和所述模板工业CT成像数据中的模板工业CT成像分片进行组合，生成包括模板工业诊断需求和所述模板工业CT成像分片的输入数据。
步骤S1025，利用所述工业CT成像诊断网络依据输入数据进行工业诊断缺陷位点预测，输出所述模板工业诊断需求对应的工业诊断缺陷位点位于各所述模板工业CT成像分片的第一置信度。
本实施例中，服务器首先接收模板工业诊断需求和模板工业CT成像数据，这些数据是预先准备好的，用于后续的工业诊断缺陷位点预测。模板工业诊断需求可能包括检测特定的缺陷类型、确定缺陷的大小和位置等要求，而模板工业CT成像数据则包含了一系列的CT成像分片。
接下来，服务器开始处理这些数据。首先，将模板工业诊断需求与模板工业CT成像数据中的每一个模板工业CT成像分片进行组合，这个过程类似于将数据配对，确保每个成像分片都与相应的诊断需求相关联，这种组合是必要的，因为它允许后续的工业CT成像诊断网络在预测缺陷位点时同时考虑诊断需求和成像分片的信息。
组合完成后，服务器生成了一系列的输入数据，每个输入数据都包括了一个模板工业诊断需求和一个模板工业CT成像分片。
一旦输入数据准备好，服务器就会调用已经完成参数学习的工业CT成像诊断网络，这个网络是专门用于处理工业CT成像数据并预测缺陷位点的深度学习模型。
服务器将输入数据送入工业CT成像诊断网络。工业CT成像诊断网络接收这些数据后，开始利用其内部的复杂结构和算法进行分析。首先，提取模板工业CT成像分片中的特征，这些特征可能包括形状、纹理、密度等，对于识别缺陷位点至关重要。同时，工业CT成像诊断网络也会考虑模板工业诊断需求，确保预测结果符合特定的诊断要求。
经过一系列的计算和推理，工业CT成像诊断网络最终输出了每个模板工业CT成像分片中工业诊断缺陷位点的第一置信度，这个第一置信度是一个数值，表示网络对于该成像分片中是否存在缺陷以及缺陷位置和性质的信心程度。置信度越高，说明网络越确定该位置存在符合诊断需求的缺陷。
服务器将这些第一置信度收集起来，作为后续评估和优化网络性能的重要依据。
在一种可能的实施方式中，所述方法还包括：
步骤S170，获取专家系统或领域专家的反馈数据，对预测的工业诊断缺陷位点进行验证，如果验证结果显示预测的工业诊断缺陷位点存在误差，则根据误差类型和程度，对所述工业CT成像诊断网络进行微调或重新训练。
步骤S180，将经过验证和修正的工业诊断缺陷位点信息存储到知识库中。
本实施例中，在完成了工业诊断缺陷位点的预测之后，服务器将预测的工业诊断缺陷位点数据发送给专家系统或领域专家进行审查。这些数据可能包括CT成像分片的图像、预测的缺陷位点位置、大小以及置信度等信息。专家系统或领域专家接收到这些数据后，会利用自己的专业知识和经验进行仔细的分析和比对。
在专家系统或领域专家对预测数据进行审查的过程中，可以对照实际的CT成像分片，检查预测的缺陷位点是否准确。这个过程可能包括对比图像特征、分析缺陷的形态和性质，以及参考其他相关的诊断信息。
如果验证结果显示预测的工业诊断缺陷位点与实际相符，那么服务器会记录下这次成功的预测，并增强对工业CT成像诊断网络的信心。然而，如果验证结果显示存在误差，那么服务器会进入下一步的修正流程。
当发现预测的工业诊断缺陷位点存在误差时，服务器会进一步分析误差的类型和程度。误差类型可能包括定位误差、分类误差等，而程度则可能轻微或严重。
根据误差的具体情况，服务器会采取相应的措施对工业CT成像诊断网络进行修正。如果误差是轻微的，并且主要是由于网络参数的小幅偏差导致的，那么服务器可能会选择对网络进行微调。微调通常涉及对网络中的某些参数进行细微的调整，以使其更好地适应数据。
然而，如果误差是严重的，或者是由于网络结构或训练数据本身的问题导致的，那么服务器可能会选择对网络进行重新训练。重新训练意味着使用全新的数据集或对网络结构进行重大调整，以期望获得更好的预测性能。
无论预测的工业诊断缺陷位点是否经过修正，服务器都会将这些经过验证的信息存储到知识库中。知识库是一个专门用于存储和管理领域知识的系统，可以帮助服务器在未来的预测和决策过程中更好地利用历史数据和经验。
当新的预测任务到来时，服务器可以首先从知识库中检索相似的案例和解决方案，从而加速预测过程并提高准确性。此外，知识库还可以为其他系统或人员提供有价值的参考信息，促进整个工业诊断领域的进步和发展。
图2所示的基于工业CT成像的数据分析系统100包括：处理器1001和存储器1003。其中，处理器1001和存储器1003相连，如通过总线1002相连。可选地，基于工业CT成像的数据分析系统100还可以包括收发器1004，收发器1004可以用于该服务器与其它服务器之间的数据交互，如数据的发送和/或数据的接收等。需要说明的是，实际调度中收发器1004不限于一个，该基于工业CT成像的数据分析系统100的结构并不构成对本申请实施例的限定。
处理器1001可以是CPU（Central Processing Unit，中央处理器），通用处理器，DSP（Digital Signal Processor，数据信号处理器），ASIC（ApplicationSpecificIntegrated Circuit，专用集成电路），FPGA（Field Programmable Gate Array，现场可编程门阵列）或者其它可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器1001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线1002可包括一通路，在上述组件之间传送信息。总线1002可以是PCI（Peripheral Component Interconnect，外设部件互连标准）总线或EISA（ExtendedIndustry Standard Architecture，扩展工业标准结构）总线等。总线1002可以分为地址总线、数据总线、控制总线等。为便于表示，图2中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器1003可以是ROM（Read Only Memory，只读存储器）或可存储静态信息和指令的其它类型的静态存储设备，RAM（Random Access Memory，随机存取存储器）或者可存储信息和指令的其它类型的动态存储设备，也可以是EEPROM（ElectricallyErasableProgrammable Read Only Memory，电可擦可编程只读存储器）、CD-ROM（CompactDiscRead Only Memory，只读光盘）或其它光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘存储介质、其它磁存储设备、或者能够用于携带或存储程序代码并能够由计算机读取的任何其它介质，在此不做限定。
存储器1003用于存储执行本申请实施例的程序代码，并由处理器1001来控制执行。处理器1001用于执行存储器1003中存储的程序代码，以实现前述方法实施例所示的步骤。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有程序代码，程序代码被处理器执行时可实现前述方法实施例的步骤及相应内容。
应该理解的是，虽然本申请实施例的流程图中通过箭头指示各个操作步骤，但是这些步骤的实施顺序并不受限于箭头所指示的顺序。除非本文中有明确的说明，否则在本申请实施例的一些实施场景中，各流程图中的实施步骤可以基于需求以其它的顺序执行。此外，各流程图中的部分或全部步骤依据实际的实施场景，可以包括多个子步骤或者多个阶段，这些子步骤或者阶段中的部分或全部可以在同一时刻被执行，这些子步骤或者阶段中的每个子步骤或者阶段也可以分别在不同的时刻被执行。在执行时刻不同的场景下，这些子步骤或者阶段的执行顺序可以基于需求灵活配置，本申请实施例对此不限制。
以上所述仅是本申请部分实施场景的可选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请的方案技术构思的前提下，采用依据本申请技术思想的其它类似实施手段，同样属于本申请实施例的保护范畴。
Claims (10)
1.一种基于工业CT成像的数据分析方法，其特征在于，所述方法包括：
获取目标工业CT成像数据和针对目标工业CT成像数据生成的工业诊断需求，所述目标工业CT成像数据中包括X个扫描图像数据，所述X为正整数；
依据各扫描图像数据在所述目标工业CT成像数据中的扫描节点，确定Y个工业CT成像分片，一个工业CT成像分片包括所述目标工业CT成像数据中多个不间断的扫描图像数据，Y为正整数；
依据预设图像空间尺度对每个所述扫描图像数据进行切割，生成每个扫描图像数据对应的至少一个扫描图像分块，每个所述扫描图像分块对应的图像空间尺度小于预设图像空间尺度；
利用第一特征提取单元提取所述工业诊断需求的深度提取特征，并利用第二特征提取单元提取每个所述扫描图像分块的深度提取特征，所述预设图像空间尺度不大于所述第二特征提取单元的门限处理尺度；
依据所述Y个工业CT成像分片中各工业CT成像分片中扫描图像分块的深度提取特征和所述工业诊断需求的深度提取特征，从所述Y个工业CT成像分片中确定所述工业诊断需求的工业诊断缺陷位点所在的目标工业CT成像分片；
通过工业CT成像诊断网络依据所述目标工业CT成像分片和所述工业诊断需求进行工业诊断缺陷位点预测，生成所述工业诊断需求的工业诊断缺陷位点。
2.根据权利要求1所述的基于工业CT成像的数据分析方法，其特征在于，所述依据所述Y个工业CT成像分片中各工业CT成像分片中扫描图像分块的深度提取特征和所述工业诊断需求的深度提取特征，从所述Y个工业CT成像分片中确定所述工业诊断需求的工业诊断缺陷位点所在的目标工业CT成像分片，包括：
将位于同一工业CT成像分片中的扫描图像分块的深度提取特征进行组合，生成各工业CT成像分片的工业特征表示集合；
基于各工业CT成像分片的工业特征表示集合和所述工业诊断需求的深度提取特征，确定各工业CT成像分片与所述工业诊断需求之间的特征距离；
基于所述各工业CT成像分片与所述工业诊断需求之间的特征距离，从所述Y个工业CT成像分片中确定与所述工业诊断需求之间的特征距离最小的Z个工业CT成像分片，作为所述目标工业CT成像分片；Z为不大于Y的正整数。
3.根据权利要求2所述的基于工业CT成像的数据分析方法，其特征在于，所述工业诊断需求的深度提取特征包括所述工业诊断需求中每个工业诊断知识点的深度提取特征，所述扫描图像分块的深度提取特征包括所述扫描图像分块中每个成像单元的深度提取特征；所述工业CT成像分片的工业特征表示集合包括所述工业CT成像分片中每个成像单元的深度提取特征；
所述基于各工业CT成像分片的工业特征表示集合和所述工业诊断需求的深度提取特征，确定各工业CT成像分片与所述工业诊断需求之间的特征距离，包括：
依据各工业诊断知识点的深度提取特征和各所述工业CT成像分片中各个成像单元的深度提取特征，确定各工业诊断知识点与各所述工业CT成像分片中各个成像单元之间的语义关联度；
基于各工业诊断知识点与各所述工业CT成像分片中各个成像单元之间的语义关联度，确定各所述工业CT成像分片与各所述工业诊断知识点之间的最大语义关联度；
依据各所述工业CT成像分片与各所述工业诊断知识点之间的最大语义关联度，确定所述工业诊断需求与各所述工业CT成像分片之间的特征距离。
4.根据权利要求3所述的基于工业CT成像的数据分析方法，其特征在于，所述依据各所述工业CT成像分片与各所述工业诊断知识点之间的最大语义关联度，确定所述工业诊断需求与各所述工业CT成像分片之间的特征距离，包括：
针对各工业CT成像分片，将所述工业诊断需求中每个工业诊断知识点与该工业CT成像分片之间的最大语义关联度进行融合后求倒数，生成所述工业诊断需求与该工业CT成像分片之间的特征距离。
5.根据权利要求1所述的基于工业CT成像的数据分析方法，其特征在于，所述第一特征提取单元和第二特征提取单元为第一工业诊断缺陷诊断网络中的特征提取单元，所述第一工业诊断缺陷诊断网络的训练步骤，包括：
获取模板学习数据序列，所述模板学习数据序列包括多个模板学习数据组合，每个模板学习数据组合包括一个针对模板工业CT成像数据生成的模板工业诊断需求和所述模板工业CT成像数据中的模板工业CT成像分片，所述模板工业CT成像分片包括模板工业CT成像数据中多个不间断的模板扫描图像数据，所述模板扫描图像数据中各模板扫描图像分块的图像空间尺度小于所述预设图像空间尺度；
由完成参数学习的第二工业诊断缺陷诊断网络依据所述模板工业诊断需求和所述模板工业CT成像数据中的所述模板工业CT成像分片进行工业诊断缺陷位点预测，确定所述模板工业诊断需求对应的工业诊断缺陷位点位于各所述模板工业CT成像分片的第一置信度；所述第二工业诊断缺陷诊断网络的模型参数量大于所述第一工业诊断缺陷诊断网络的模型参数量；
由所述第一工业诊断缺陷诊断网络依据所述模板工业诊断需求和各所述模板工业CT成像分片中的模板扫描图像分块进行工业诊断缺陷位点预测，确定所述模板工业诊断需求对应的工业诊断缺陷位点位于各所述模板工业CT成像分片的第二置信度；
依据所述模板工业诊断需求对应的工业诊断缺陷位点位于各所述模板工业CT成像分片的第一置信度和所述模板工业诊断需求对应的工业诊断缺陷位点位于各所述模板工业CT成像分片的第二置信度，生成训练误差参数；
依据所述训练误差参数更新所述第一特征提取单元和第二特征提取单元的网络参数学习，生成完成参数学习的第一特征提取单元和第二特征提取单元。
6.根据权利要求5所述的基于工业CT成像的数据分析方法，其特征在于，所述由完成参数学习的第二工业诊断缺陷诊断网络依据所述模板工业诊断需求和所述模板工业CT成像数据中的所述模板工业CT成像分片进行工业诊断缺陷位点预测，确定所述模板工业诊断需求对应的工业诊断缺陷位点位于各所述模板工业CT成像分片的第一置信度，包括：
对所述模板工业诊断需求和各所述模板工业CT成像分片分别进行集成，生成各模板工业CT成像分片对应的集成工业CT成像数据；
由所述完成参数学习的第二工业诊断缺陷诊断网络对各所述集成工业CT成像数据中的模板工业诊断需求和模板工业CT成像分片进行交融分析，生成各所述集成工业CT成像数据中模板工业诊断需求的深度提取特征和模板工业CT成像分片的深度提取特征之间的特征距离；
依据各所述集成工业CT成像数据中模板工业诊断需求的深度提取特征和模板工业CT成像分片的深度提取特征之间的特征距离，确定所述模板工业诊断需求对应的工业诊断缺陷位点位于各所述模板工业CT成像分片的第一置信度。
7.根据权利要求6所述的基于工业CT成像的数据分析方法，其特征在于，所述模板学习数据组合还包括各所述模板工业CT成像分片的工业诊断缺陷位点标注数据；
所述依据所述模板工业诊断需求对应的工业诊断缺陷位点位于各所述模板工业CT成像分片的第一置信度和所述模板工业诊断需求对应的工业诊断缺陷位点位于各所述模板工业CT成像分片的第二置信度，生成训练误差参数，包括：
依据各所述模板工业CT成像分片的工业诊断缺陷位点标注数据和所述模板工业诊断需求对应的工业诊断缺陷位点位于各所述模板工业CT成像分片的第一置信度，确定第一误差值；
计算第一置信度与第二置信度之间的第二误差值；
依据所述第一误差值和所述第二误差值，生成训练误差参数。
8.根据权利要求5所述的基于工业CT成像的数据分析方法，其特征在于，所述完成参数学习的第二工业诊断缺陷诊断网络为工业CT成像诊断网络，所述由完成参数学习的第二工业诊断缺陷诊断网络依据所述模板工业诊断需求和所述模板工业CT成像数据中的所述模板工业CT成像分片进行工业诊断缺陷位点预测，确定所述模板工业诊断需求对应的工业诊断缺陷位点位于各所述模板工业CT成像分片的第一置信度，包括：
将模板工业诊断需求和所述模板工业CT成像数据中的模板工业CT成像分片进行组合，生成包括模板工业诊断需求和所述模板工业CT成像分片的输入数据；
利用所述工业CT成像诊断网络依据输入数据进行工业诊断缺陷位点预测，输出所述模板工业诊断需求对应的工业诊断缺陷位点位于各所述模板工业CT成像分片的第一置信度。
9.根据权利要求1-8中任意一项所述的基于工业CT成像的数据分析方法，其特征在于，所述方法还包括：
获取专家系统或领域专家的反馈数据，对预测的工业诊断缺陷位点进行验证，如果验证结果显示预测的工业诊断缺陷位点存在误差，则根据误差类型和程度，对所述工业CT成像诊断网络进行微调或重新训练；
将经过验证和修正的工业诊断缺陷位点信息存储到知识库中。
10.一种基于工业CT成像的数据分析系统，其特征在于，包括处理器以及计算机可读存储介质，所述计算机可读存储介质存储有机器可执行指令，所述机器可执行指令被处理器执行时实现权利要求1-9中任意一项所述的基于工业CT成像的数据分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410533750.9A CN118115501B (zh) | 2024-04-30 | 2024-04-30 | 基于工业ct成像的数据分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410533750.9A CN118115501B (zh) | 2024-04-30 | 2024-04-30 | 基于工业ct成像的数据分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118115501A true CN118115501A (zh) | 2024-05-31 |
| CN118115501B CN118115501B (zh) | 2024-07-02 |
Family
ID=91210817
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410533750.9A Active CN118115501B (zh) | 2024-04-30 | 2024-04-30 | 基于工业ct成像的数据分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118115501B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102507592A (zh) * | 2011-11-01 | 2012-06-20 | 河海大学常州校区 | 表面缺陷仿蝇视觉在线检测装置及检测方法 |
| US20180204111A1 (en) * | 2013-02-28 | 2018-07-19 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
| US20220121884A1 (en) * | 2011-09-24 | 2022-04-21 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
| CN114661933A (zh) * | 2022-03-08 | 2022-06-24 | 重庆邮电大学 | 基于胎儿先心病超声图像—诊断报告的跨模态检索方法 |
| CN115828339A (zh) * | 2022-09-15 | 2023-03-21 | 重庆大学 | 一种基于工业ct图像的带内部缺陷工件三维cad实体模型重构方法 |
-
2024
- 2024-04-30 CN CN202410533750.9A patent/CN118115501B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220121884A1 (en) * | 2011-09-24 | 2022-04-21 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
| CN102507592A (zh) * | 2011-11-01 | 2012-06-20 | 河海大学常州校区 | 表面缺陷仿蝇视觉在线检测装置及检测方法 |
| US20180204111A1 (en) * | 2013-02-28 | 2018-07-19 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
| CN114661933A (zh) * | 2022-03-08 | 2022-06-24 | 重庆邮电大学 | 基于胎儿先心病超声图像—诊断报告的跨模态检索方法 |
| CN115828339A (zh) * | 2022-09-15 | 2023-03-21 | 重庆大学 | 一种基于工业ct图像的带内部缺陷工件三维cad实体模型重构方法 |
Non-Patent Citations (2)
| Title |
|---|
| SARAFIANOS, N等: "Adversarial representation learning for text-to-image matching", 《PROCEEDINGS OF THE IEEE/CVF INTERNATIONAL CONFERENCE ON COMPUTER VISION》, 31 December 2019 (2019-12-31), pages 5814 - 5824 * |
| 张天诚: "面向弱监督场景的行人重识别算法研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 4, 15 April 2021 (2021-04-15), pages 138 - 558 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118115501B (zh) | 2024-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106886795B (zh) | 基于图像中的显著物体的物体识别方法 | |
| WO2019117065A1 (ja) | データ生成装置、データ生成方法及びデータ生成プログラム | |
| CN108647732B (zh) | 一种基于深度神经网络的病理图像分类方法及装置 | |
| US20220205928A1 (en) | Automatic optimization of an examination recipe | |
| GB2555673A (en) | Image patch matching using probabilistic sampling based on an oracle | |
| US20140286527A1 (en) | Systems and methods for accelerated face detection | |
| Gregor et al. | Towards Automated 3D Reconstruction of Defective Cultural Heritage Objects. | |
| CN112966754B (zh) | 样本筛选方法、样本筛选装置及终端设备 | |
| KR20210127069A (ko) | 융합 모델 신경망의 성능 제어 방법 | |
| CN116934780B (zh) | 一种基于深度学习的电成像测井图像裂缝分割方法及系统 | |
| WO2024179409A1 (zh) | 三维工业异常检测方法、装置、存储介质及电子设备 | |
| WO2024179409A9 (zh) | 三维工业异常检测方法、装置、存储介质及电子设备 | |
| Burton et al. | RustSEG--Automated segmentation of corrosion using deep learning | |
| CN114169460A (zh) | 样本筛选方法、装置、计算机设备和存储介质 | |
| CN118115501B (zh) | 基于工业ct成像的数据分析方法及系统 | |
| JPWO2019215746A5 (zh) | ||
| CN116777861B (zh) | 一种激光雕刻机打标质量检测方法及系统 | |
| CN117369455A (zh) | 基于生成对抗网络的机器人自主探索方法与系统 | |
| CN116228010A (zh) | 信息调整方法、装置、电子设备和计算机可读介质 | |
| WO2022215559A1 (ja) | ハイブリッドモデル作成方法、ハイブリッドモデル作成装置、及び、プログラム | |
| CN110348509B (zh) | 数据增广参数的调整方法、装置、设备及存储介质 | |
| CN115471725A (zh) | 用于异常检测的图像处理方法及设备和神经网络构建方法 | |
| CN117726627B (zh) | 芯片表面缺陷检测方法及设备 | |
| WO2022202456A1 (ja) | 外観検査方法および外観検査システム | |
| CN116188973B (zh) | 认知生成机制裂缝检测方法 |
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 | ||
| GR01 | Patent grant |