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制造方法及图纸

本发明专利技术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。本发明专利技术实施例可以提高实际样本稀缺和提高样本质量。实施例可以提高实际样本稀缺和提高样本质量。实施例可以提高实际样本稀缺和提高样本质量。

【技术实现步骤摘要】
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


[0001]本专利技术涉及人工智能
，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。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]本专利技术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。
[0005]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：
[0006]对碳纤维复合材料进行图像数据采集，得到真实样本；
[0007]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；
[0008]将所述拟合样本补充至所述真实样本中，得到完备样本；
[0009]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。
[0010]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：
[0011]对所述碳纤维复合材料进行X射线检测，得到检测图像；
[0012]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。
[0013]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：
[0014]将所述真实样本输入至预设的扩散模型，得到后验分布；
[0015]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；
[0016]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；
[0017]使用KL散度对所述近似先验分布进行拟合，得到先验分布；
[0018]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。
[0019]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：
[0020]设定扩散时间以及前向扩散过程的高斯噪声；
[0021]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。
[0022]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：
[0023]将所述加噪数据输入至解码器中进行解码，得到重构样本；
[0024]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。
[0025]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：
[0026]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。
[0027]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：
[0028]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。
[0029]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：
[0030]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；
[0031]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；
[0032]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；
[0033]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。
[0034]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。
[0035]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。
[0036]本专利技术的有益效果：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
[0037]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。
[0038]图2是一实施例示出的图1中的步骤S101的流程示意图。
[0039]图3是一实施例示出的图1中的步骤S102的流程示意图。
[0040]图4是一实施例示出的图3中的步骤S302的流程示意图。
[0041]图5是一实施例示出的图3中的步骤S303的流程示意图。
[0042]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。
[0043]图7是本申请实施例提供的电子设备的硬件结构示意图。
[0044]图8是采集碳纤维材料得到的检测图像的示意图。
[0045]图9是拟合样本中的图像的示意图。
[0046]图10为缺陷诊断准确率对比示意图。
具体实施方式
[0047]为使本专利技术实施例的目的、技术方案和优点更加清晰，下面将结合实施例和附图，对本专利技术作进一步的描述。
[0048]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。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：陈鹏，许朝峻，马志刚，张春，
申请(专利权)人：汕头大学，
类型：发明
国别省市：