本發(fā)明涉及鋼材表面缺陷檢測(cè)，具體涉及一種缺陷表面漏磁場(chǎng)信號(hào)的u-net神經(jīng)網(wǎng)絡(luò)分析方法。

背景技術(shù)：

1、隨著工業(yè)的發(fā)展，對(duì)材料和結(jié)構(gòu)的無(wú)損檢測(cè)需求日益增長(zhǎng)。無(wú)損檢測(cè)技術(shù)的不斷發(fā)展為確保產(chǎn)品質(zhì)量、延長(zhǎng)設(shè)備使用壽命和保障安全運(yùn)營(yíng)提供了重要支持。在眾多無(wú)損檢測(cè)方法中，漏磁檢測(cè)因其高效、準(zhǔn)確的特點(diǎn)，被廣泛應(yīng)用于金屬結(jié)構(gòu)中的缺陷檢測(cè)。然而，如何提高檢測(cè)的精度與速度，成為了國(guó)內(nèi)外研究者們亟待攻克的重要課題。

2、當(dāng)前的漏磁檢測(cè)技術(shù)主要依賴(lài)于有限元法(fem)和機(jī)器學(xué)習(xí)算法。有限元法作為一種成熟的數(shù)值模擬技術(shù)，已經(jīng)在電磁場(chǎng)的計(jì)算分析中得到了廣泛的應(yīng)用。但是有限元法進(jìn)行圖像處理時(shí)通常需要大量的計(jì)算資源，且對(duì)于復(fù)雜幾何形狀和材料特性的模擬仍然存在挑戰(zhàn)，計(jì)算時(shí)間長(zhǎng)，不利于實(shí)時(shí)的檢測(cè)分析；在解決反問(wèn)題和快速計(jì)算時(shí)精度低，時(shí)間長(zhǎng)；此外，在傳統(tǒng)的機(jī)器學(xué)習(xí)方法中，例如支持向量機(jī)、決策樹(shù)和隨機(jī)森林等，通常需要先對(duì)輸入數(shù)據(jù)進(jìn)行特征提取，然后進(jìn)行分類(lèi)和模型訓(xùn)練，其決策過(guò)程相對(duì)直觀和易于理解。然而，傳統(tǒng)的機(jī)器學(xué)習(xí)依賴(lài)于人工特征提取，對(duì)領(lǐng)域知識(shí)和經(jīng)驗(yàn)要求高。

3、近年來(lái)，深度學(xué)習(xí)領(lǐng)域，尤其是卷積神經(jīng)網(wǎng)絡(luò)(cnn)，在圖像處理和模式識(shí)別方面取得了顯著的進(jìn)展。u-net作為一種特殊的cnn架構(gòu)，因其在圖像分割任務(wù)中的卓越性能而受到廣泛關(guān)注。作為一種深度學(xué)習(xí)模型，其主要分為編碼器和解碼器兩個(gè)部分。u-net的編碼器-解碼器結(jié)構(gòu)不僅能夠有效地保持圖像的高分辨率信息，還能學(xué)習(xí)圖像的深層語(yǔ)義特征，但目前多用于圖像數(shù)據(jù)處理，直接應(yīng)用于漏磁檢測(cè)等領(lǐng)域仍面臨挑戰(zhàn)。

4、綜上所述，發(fā)展新的基于u-net深度學(xué)習(xí)算法的缺陷表面漏磁檢測(cè)信號(hào)快速和高精度分析方法，仍然是漏磁檢測(cè)研究中的難點(diǎn)問(wèn)題之一。

技術(shù)實(shí)現(xiàn)思路

1、為了克服以上現(xiàn)有技術(shù)存在的缺陷，本發(fā)明的目的在于提供一種缺陷表面漏磁場(chǎng)信號(hào)的u-net神經(jīng)網(wǎng)絡(luò)分析方法，該方法通過(guò)減少計(jì)算資源消耗和運(yùn)算時(shí)間，提高了效率。本發(fā)明引入了和通道注意力機(jī)制，使算法更精準(zhǔn)地處理特征信息，增強(qiáng)了對(duì)復(fù)雜信號(hào)的敏感度；通過(guò)多層u-net卷積的疊加擴(kuò)大感受野，使算法能夠識(shí)別和學(xué)習(xí)復(fù)雜特征，實(shí)現(xiàn)對(duì)磁場(chǎng)分布的有效預(yù)測(cè)，進(jìn)而大幅提升了算法的性能和可靠性。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是：

3、一種缺陷表面漏磁場(chǎng)信號(hào)的u-net神經(jīng)網(wǎng)絡(luò)分析方法，包括以下步驟；

4、步驟一：利用有限元法模擬或者進(jìn)行檢測(cè)實(shí)驗(yàn)得到漏磁場(chǎng)信號(hào)，建立u-net神經(jīng)網(wǎng)絡(luò)訓(xùn)練所需的磁導(dǎo)率分布與漏磁場(chǎng)數(shù)據(jù)集；

5、步驟二：對(duì)所述磁導(dǎo)率分布與漏磁場(chǎng)數(shù)據(jù)集進(jìn)行旋轉(zhuǎn)、裁剪和標(biāo)準(zhǔn)化，得到處理后的數(shù)據(jù)集；以增強(qiáng)樣本多樣性，提高模型訓(xùn)練的效果和準(zhǔn)確性；

6、步驟三：基于處理后的數(shù)據(jù)集，構(gòu)建以磁導(dǎo)率數(shù)據(jù)為輸入，磁場(chǎng)分布的y向分量為輸出的u-net模型；

7、步驟四：采用rmsprop優(yōu)化器對(duì)u-net模型進(jìn)行訓(xùn)練，并保存權(quán)重；

8、步驟五：使用步驟四中保存的權(quán)重預(yù)測(cè)測(cè)試集的磁場(chǎng)分布，并采用結(jié)構(gòu)相似性(ssim)評(píng)價(jià)預(yù)測(cè)結(jié)果的準(zhǔn)確性。

9、所述步驟一具體為：

10、通過(guò)實(shí)驗(yàn)方法或有限元模擬制備數(shù)據(jù)集，數(shù)據(jù)集包含作為輸入的磁導(dǎo)率數(shù)據(jù)，和作為輸出的磁場(chǎng)分布y向分量，數(shù)據(jù)集中一部分劃分為測(cè)試集，另一部分劃分為訓(xùn)練集，以確保模型的有效性；缺陷設(shè)置為不同尺寸的矩形缺陷。這為模型提供了多樣化的訓(xùn)練樣本，有助于提升其對(duì)實(shí)際應(yīng)用中各種缺陷的識(shí)別與預(yù)測(cè)能力。

11、所述步驟一具體的步驟為：

12、利用有限元法進(jìn)行模擬，以建立u-net神經(jīng)網(wǎng)絡(luò)訓(xùn)練所需的數(shù)據(jù)集，開(kāi)展二維漏磁檢測(cè)系統(tǒng)的有限元數(shù)值計(jì)算，以線圈作為磁場(chǎng)源，設(shè)定缺陷為矩形，采取自由三角形單元，基于麥克斯韋方程組數(shù)值計(jì)算出磁場(chǎng)分布，并建立數(shù)據(jù)集；

13、基于麥克斯韋問(wèn)題對(duì)電磁場(chǎng)進(jìn)行了分析研究，麥克斯韋方程式的微分形式如下所示：

14、

15、式中，h為磁場(chǎng)強(qiáng)度，d為表示電通量密度，j為表示電流密度，e為表示電場(chǎng)強(qiáng)度，b為表示磁感應(yīng)強(qiáng)度，ρ為表示電荷密度；

16、對(duì)麥克斯韋方程進(jìn)行了微分形式的補(bǔ)充，并給出了以下公式：

17、

18、用有限元方法對(duì)各向異性介質(zhì)進(jìn)行電磁場(chǎng)有有限元計(jì)算時(shí)，存在下列關(guān)系：

19、

20、式中，ε表示介電常數(shù),μ表示磁導(dǎo)率,σ表示電導(dǎo)率；

21、在線性均勻介質(zhì)中，ε、μ和σ為恒定常數(shù)，，式(1)、式(2)、式(5)簡(jiǎn)寫(xiě)為：

22、

23、通過(guò)式(4)和式(10)，將磁通量密度描述成：

24、

25、上式中，a為磁矢勢(shì)。將式(7)、式(11)帶入式(10)，得到下面的式子

26、

27、通過(guò)有限元方法對(duì)上述方程進(jìn)行數(shù)值計(jì)算，得到用于u-net深度學(xué)習(xí)所需的模型訓(xùn)練和驗(yàn)證的數(shù)據(jù)集。所述步驟二具體為：

28、數(shù)據(jù)預(yù)處理過(guò)程包括剪裁和旋轉(zhuǎn)；剪裁步驟旨在提取圖像中感興趣的區(qū)域，用于去除不必要的背景，從而增強(qiáng)模型的聚焦能力；旋轉(zhuǎn)操作用于隨機(jī)改變圖像的方向；以提高模型對(duì)各種姿態(tài)的適應(yīng)性。

29、這些預(yù)處理步驟結(jié)合在一起，為模型提供了更加多樣化的訓(xùn)練樣本。

30、然后進(jìn)行標(biāo)準(zhǔn)化處理，將數(shù)據(jù)集通過(guò)均值調(diào)整為以0為中心，隨后通過(guò)標(biāo)準(zhǔn)差將數(shù)據(jù)進(jìn)行縮放；這種標(biāo)準(zhǔn)化方法通常能夠提高模型訓(xùn)練的穩(wěn)定性和收斂速度；

31、經(jīng)過(guò)標(biāo)準(zhǔn)化處理后的數(shù)據(jù)將具有以下特性：所有數(shù)據(jù)的均值將約為0；所有數(shù)據(jù)的標(biāo)準(zhǔn)差將約為1。有助于提高機(jī)器學(xué)習(xí)模型的收斂速度和穩(wěn)定性。

32、所述標(biāo)準(zhǔn)化處理具體流程如下：

33、首先計(jì)算均值和標(biāo)準(zhǔn)差，對(duì)于訓(xùn)練數(shù)據(jù)集中的每個(gè)特征，首先計(jì)算其均值μ和標(biāo)準(zhǔn)差σ；

34、

35、其中，n為樣本數(shù)量，xi為第i個(gè)樣本在該特征上的值；

36、然后利用計(jì)算得到的均值和標(biāo)準(zhǔn)差，對(duì)每個(gè)數(shù)據(jù)點(diǎn)進(jìn)行標(biāo)準(zhǔn)化處理，使用以下公式將原始數(shù)據(jù)點(diǎn)x轉(zhuǎn)換為標(biāo)準(zhǔn)化后的數(shù)據(jù)點(diǎn)z

37、

38、對(duì)于測(cè)試集，使用在訓(xùn)練集上計(jì)算得到的均值和標(biāo)準(zhǔn)差進(jìn)行標(biāo)準(zhǔn)化，以確保測(cè)試數(shù)據(jù)與訓(xùn)練數(shù)據(jù)具有相同的分布，即對(duì)測(cè)試數(shù)據(jù)點(diǎn)應(yīng)用

39、

40、經(jīng)過(guò)標(biāo)準(zhǔn)化處理后，檢查標(biāo)準(zhǔn)化后的數(shù)據(jù)集的均值和標(biāo)準(zhǔn)差是否符合預(yù)期，即均值接近于0，標(biāo)準(zhǔn)差接近于1。

41、所述步驟三具體為：

42、基于步驟二中預(yù)處理的數(shù)據(jù)，構(gòu)建以磁導(dǎo)率數(shù)據(jù)為輸入的u-net網(wǎng)絡(luò)，以預(yù)測(cè)磁場(chǎng)分布的y向分量；

43、所述u-net模型包括淺層多卷積層模塊和通道注意力模塊；

44、淺層多卷積層模塊，通過(guò)疊加多個(gè)小尺寸卷積層，將感受野的范圍擴(kuò)大至更大的尺寸，捕獲輸入磁導(dǎo)率數(shù)據(jù)中的細(xì)微變化和局部關(guān)系；

45、通道注意力模塊，通過(guò)計(jì)算通道重要性權(quán)重，自適應(yīng)地調(diào)整特征通道的貢獻(xiàn)，突出對(duì)預(yù)測(cè)漏磁信號(hào)分布重要的特征；

46、淺層多卷積層模塊通過(guò)疊加多個(gè)小尺寸卷積層，顯著擴(kuò)大了感受野的范圍。這種設(shè)計(jì)使得網(wǎng)絡(luò)能夠捕捉更大區(qū)域的特征，提升了特征提取的效果與學(xué)習(xí)能力。具體而言，多個(gè)小卷積層的組合不僅保持了計(jì)算效率，還通過(guò)引入非線性激活函數(shù)增強(qiáng)了模型的表達(dá)能力。此外，通過(guò)合理使用填充和下采樣策略，確保了特征圖的尺寸適應(yīng)性，從而更好地保留了重要的特征信息。最終，這種模塊化的設(shè)計(jì)為深度學(xué)習(xí)模型提供了更加豐富的特征表示，適用于處理復(fù)雜的數(shù)據(jù)集。

47、通道注意力機(jī)制的核心在于通過(guò)最大池化和平均池化提取特征，然后通過(guò)全連接層學(xué)習(xí)通道權(quán)重，以此來(lái)強(qiáng)調(diào)重要的通道特征。最后，通過(guò)邏輯函數(shù)，將權(quán)重轉(zhuǎn)換為注意力權(quán)重，從而實(shí)現(xiàn)對(duì)通道的自適應(yīng)調(diào)整?？臻g注意力機(jī)制則側(cè)重于捕捉特征圖中重要的空間信息。它首先對(duì)輸入特征圖進(jìn)行通道降維，然后對(duì)降維后的特征圖執(zhí)行最大池化和均值池化操作。

48、具體步驟為：

49、淺層多卷積層模塊包含兩個(gè)卷積層和相應(yīng)的批量標(biāo)準(zhǔn)化層和激活函數(shù)，并通過(guò)使用3×3的卷積核來(lái)提取特征；

50、每個(gè)卷積層后接批量標(biāo)準(zhǔn)化層，并使用leakyrelu激活函數(shù)來(lái)引入非線性特征；設(shè)定第l層為卷積層，第l+1層為子采樣層，則第l層第j個(gè)特征圖的計(jì)算公式如下：

51、

52、其中，f為激活函數(shù)，mj表示輸入映射的選擇，xil為第l層中第i個(gè)神經(jīng)元的輸出，xil-1為第i-l層中第i個(gè)輸入特征圖，kijl為第l層卷積核，bjl為第l層第j個(gè)輸出的偏置項(xiàng)，*為卷積運(yùn)算；

53、在卷積層之后需要連接批量標(biāo)準(zhǔn)化層(bn)，批量標(biāo)準(zhǔn)化層的操作表示為

54、

55、其中e為期望，var為方差，尺度因子γ(k)和平移因子β(k)為可學(xué)習(xí)參數(shù)；

56、通道注意力機(jī)制中：

57、首先通過(guò)全局平均池化和全局最大池化分別生成兩個(gè)不同的通道描述符，接著，這兩個(gè)描述符通過(guò)兩個(gè)全連接層進(jìn)行處理，生成通道注意力權(quán)重，通過(guò)sigmoid激活函數(shù)輸出的權(quán)重用于對(duì)輸入特征圖進(jìn)行加權(quán)，從而突出對(duì)模型任務(wù)最為重要的特征通道；

58、然后定義上采樣和下采樣模塊，首先，通過(guò)最大池化層對(duì)輸入特征圖進(jìn)行空間下采樣，以減少特征圖的空間維度；隨后，應(yīng)用雙卷積模塊進(jìn)行特征提取，最后將通道注意力機(jī)制(channel?attention)引入，以動(dòng)態(tài)調(diào)整特征通道的重要性；

59、通過(guò)雙線性插值(或轉(zhuǎn)置卷積)對(duì)輸入特征圖進(jìn)行上采樣，然后計(jì)算需要拼接的特征圖的差異；

60、拼接后，使用雙卷積模塊進(jìn)行進(jìn)一步的特征提取，并在此基礎(chǔ)上加入通道注意力機(jī)制，而后通過(guò)1×1的卷積將特征圖映射到最終的輸出通道數(shù)，通常對(duì)應(yīng)于任務(wù)類(lèi)別數(shù)；

61、最后構(gòu)建u-net架構(gòu)，通過(guò)組合上述各個(gè)模塊，實(shí)現(xiàn)對(duì)輸入圖像的逐層編碼和解碼，在模型的前半部分(編碼器)使用下采樣模塊逐步提取特征，而在后半部分(解碼器)使用上采樣模塊逐步恢復(fù)圖像的空間維度，最終，通過(guò)1×1的卷積生成輸出。

62、所述步驟四具體為：

63、u-net模型利用rmsprop優(yōu)化器進(jìn)行訓(xùn)練，目標(biāo)是通過(guò)最小化均方誤差損失函數(shù)，均方誤差損失函數(shù)作為損失函數(shù)；

64、均方誤差損失函數(shù)公式為

65、

66、上式中，n是樣本數(shù)量，yi是真實(shí)標(biāo)簽，是模型預(yù)測(cè)值；

67、在每個(gè)訓(xùn)練周期內(nèi)，模型被置于訓(xùn)練模式，遍歷訓(xùn)練數(shù)據(jù)集以進(jìn)行前向傳播和反向傳播；在每次迭代中，首先清除優(yōu)化器的梯度，之后將輸入圖像和標(biāo)簽轉(zhuǎn)移至所用的計(jì)算設(shè)備；通過(guò)前向傳播計(jì)算模型輸出，并根據(jù)計(jì)算的損失值執(zhí)行反向傳播，從而更新模型參數(shù)；同時(shí)，記錄每個(gè)周期的訓(xùn)練損失，并持續(xù)監(jiān)測(cè)最佳模型權(quán)重以便在訓(xùn)練過(guò)程中進(jìn)行保存。

68、每個(gè)周期結(jié)束后，通過(guò)調(diào)用函數(shù)計(jì)算驗(yàn)證損失，確保模型在驗(yàn)證數(shù)據(jù)集上的表現(xiàn)穩(wěn)定；在整個(gè)訓(xùn)練過(guò)程中，繪制訓(xùn)練和驗(yàn)證損失的曲線以直觀展示模型性能的變化；

69、最后，將訓(xùn)練損失與驗(yàn)證損失的變化圖保存為圖像文件，以便后續(xù)分析與展示。

70、因其能有效衡量預(yù)測(cè)值與真實(shí)標(biāo)簽的差距，對(duì)異常值有較大懲罰，有助于提升模型魯棒性。配合學(xué)習(xí)率衰減策略，若干周期后，學(xué)習(xí)率漸進(jìn)式降低，有助于模型收斂；

71、訓(xùn)練配置為每批1個(gè)樣本，每次周期前隨機(jī)生成訓(xùn)練數(shù)據(jù)集，以增強(qiáng)訓(xùn)練的隨機(jī)性和多樣性。

72、所述步驟五具體為：

73、使用預(yù)訓(xùn)練的u-net模型及其權(quán)重，對(duì)待測(cè)數(shù)據(jù)進(jìn)行與訓(xùn)練數(shù)據(jù)一致的標(biāo)準(zhǔn)化和預(yù)處理，然后將預(yù)處理后的待測(cè)數(shù)據(jù)輸入模型生成磁場(chǎng)分布的預(yù)測(cè)結(jié)果；此外，對(duì)輸出的預(yù)測(cè)結(jié)果進(jìn)行后處理，以便于可視化和分析；最后，采用結(jié)構(gòu)相似性(ssim)指標(biāo)對(duì)預(yù)測(cè)結(jié)果與真實(shí)磁場(chǎng)分布進(jìn)行比較，評(píng)估模型在測(cè)試集上的預(yù)測(cè)精度。結(jié)構(gòu)相似性指數(shù)(ssim)用于評(píng)估有限元法結(jié)果和深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的相似性；其中μ和σ是比較圖像中像素強(qiáng)度的平均值和標(biāo)準(zhǔn)差，c1和c2是兩個(gè)常數(shù)值，結(jié)構(gòu)相似性指數(shù)公式為

74、c1＝(k1l)2?(21)

75、c2＝(k2l)2?(22)

76、

77、其中，x和y分別表示兩幅待比較的圖像或矩陣數(shù)據(jù)，μx和μy分別表示圖像或矩陣x和y的平均值，σx2和σy2分別表示圖像或矩陣x和y的方差，l是像素值的動(dòng)態(tài)范圍。

78、本發(fā)明的有益效果：

79、本發(fā)明采用神經(jīng)網(wǎng)絡(luò)進(jìn)行漏磁檢測(cè)，通過(guò)u-net實(shí)現(xiàn)基于實(shí)驗(yàn)或有限元模擬的磁導(dǎo)率數(shù)據(jù)到磁場(chǎng)分量的直接學(xué)習(xí)和提取缺陷特征，避免了繁瑣的網(wǎng)格劃分和數(shù)值求解過(guò)程，顯著減少了計(jì)算時(shí)間和資源消耗，實(shí)現(xiàn)了高效的預(yù)測(cè)能力。

80、本發(fā)明利用淺層多卷積層的設(shè)計(jì)，變相增大了感受野，節(jié)省計(jì)算資源，增加了網(wǎng)絡(luò)深度，增強(qiáng)了非線性表達(dá)。在數(shù)據(jù)處理時(shí)將數(shù)據(jù)歸一化，避免數(shù)據(jù)淹沒(méi)。

81、本發(fā)明增加通道注意力機(jī)制適配u-net算法，突出數(shù)據(jù)中關(guān)鍵的區(qū)域，提高特征的表達(dá)能力，同時(shí)能夠有效地捕捉到特征通道間的相關(guān)性，提升模型對(duì)重要特征的敏感度，有助于減少噪聲影響，提高模型性能。