【技术实现步骤摘要】
基于可变类别温度蒸馏的焊缝缺陷分类方法
[0001]本专利技术属于无损检测
,具体涉及一种基于可变类别温度蒸馏的焊缝缺陷分类方法
。
技术介绍
[0002]无损检测(
Non
‑
Destructive Testing
,
NDT
)是一种用于检测材料和构件内部和表面缺陷的技术,而无需破坏或损坏被检测对象的方法
。
该技术在许多领域中得到广泛应用,如航空航天
、
能源
、
汽车
、
制造业等
。
[0003]无损检测的研究背景可以追溯到
20
世纪初期,当时工程师们开始寻求一种可靠
、
高效的方法来检测材料和构件的缺陷,而无需破坏它们
。
这主要是由于传统的破坏性测试方法无法满足工业生产和维护的需求
。
传统方法通常需要从样品中获取代表性的试样,并进行物理或化学测试来评估其质量和可靠性
。
这些方法不仅耗时费力,还可能造成额外的成本和资源浪费
。
[0004]现有的基于人工智能的缺陷分类中有传统的数字图像处理方法,其对图片进行人工特征设计,再进行类别的判断,也有使用多层感知机(
MLP
)
、
支持向量机(
SVM
)等方法进行缺陷分类
。
这些方法虽然在焊缝缺陷分类方面取得了不错的成果,但是这些工作所使用的方法是图像分
【技术保护点】
【技术特征摘要】
1.
一种基于可变类别温度蒸馏的焊缝缺陷分类方法,其特征在于,包括以下步骤:步骤1:构建数据集;获取原始缺陷焊缝图像,对图像进行预处理,得到焊缝缺陷数据集,将数据集按照一定比例分为训练集和测试集;步骤2:构建焊缝缺陷分类网络;焊缝缺陷分类网络中采用了蒸馏架构,其中蒸馏架构包括4个模块,分别为教师模块
、
学生模块
、
温度变化模块
、
蒸馏损失函数计算模块;首先将数据集同时投入到教师模块
、
学生模块,这时会得到两个原始输出,将这两个原始输出经过温度变化模块和蒸馏损失函数计算模块,对学生模块中的参数进行梯度求解
、
参数更新;教师模块经过训练集训练收敛,设置成不可进行参数更新的模式;学生模块未训练,将其设置为进行反向传播更新参数的模式;步骤3:训练焊缝缺陷分类网络;步骤
3.1
:初始化蒸馏架构中的学生模块训练参数,基于训练集,对蒸馏架构中的学生模块进行训练;将训练集中的数据投入到已经训练收敛的教师模块以及未经过训练的学生模块,得到教师模块和学生模块的输出向量,可表征为:;其中,
n
为缺陷类别总数,
i=1,2,3
,
…
n,
其中
x
i
表示输出向量
X
teacher
中的每个分量对应相应类别的得分,其中
x
’
i
表示输出向量
X
student
中的每个分量对应相应类别的得分,得分越高,这个图像归属于该类别的概率越大;步骤
3.2
:使用蒸馏损失函数计算模块计算损失函数中的软损失;步骤
3.2.1
:温度软化处理;知识蒸馏在进行软化的过程中每个类别都对应一个温度
t
i
,温度
T
表征如下:;将教师模块输出中的分量
x
i
, x
j
和学生模块输出中的分量
x
’
i
除以一个对应于该类别的温度
t
i
,得到经过温度软化处理后的新输出
Z
teache
与
Z
student
,其中的计算过程表征如下:;其中表示
softmax
函数,新输出为
Z
teacher
和
Z
student
,
z
i
是软化处理过后的新输出
Z
teacher
中的一个元素,
z
’
i
是软化处理过后的新输出
Z
student
中的一个元素,
i=1,2,3,...,n,
表征如下:;步骤
3.2.2
:软损失表征如下:
;
其中的表示计算教师模块和学生模块的分布差异;步骤
3.3
:计算损失函数中的硬损失;
y
i
为真实标签
Label
中的一个元素,真实标签表征为:;的计算表征为:...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。