技術特征：

1.一種缺陷表面漏磁場信號的u-net神經(jīng)網(wǎng)絡分析方法，其特征在于，包括以下步驟；

2.根據(jù)權利要求1所述的一種缺陷表面漏磁場信號的u-net神經(jīng)網(wǎng)絡分析方法，其特征在于，

3.根據(jù)權利要求1所述的一種缺陷表面漏磁場信號的u-net神經(jīng)網(wǎng)絡分析方法，其特征在于，所述步驟二具體為：

4.根據(jù)權利要求3所述的一種缺陷表面漏磁場信號的u-net神經(jīng)網(wǎng)絡分析方法，其特征在于，所述標準化處理具體流程如下：

5.根據(jù)權利要求4所述的一種缺陷表面漏磁場信號的u-net神經(jīng)網(wǎng)絡分析方法，其特征在于，所述步驟三具體為：

6.根據(jù)權利要求5所述的一種缺陷表面漏磁場信號的u-net神經(jīng)網(wǎng)絡分析方法，其特征在于，具體步驟為：

7.根據(jù)權利要求6所述的一種缺陷表面漏磁場信號的u-net神經(jīng)網(wǎng)絡分析方法，其特征在于，所述步驟四具體為：

8.根據(jù)權利要求7所述的一種缺陷表面漏磁場信號的u-net神經(jīng)網(wǎng)絡分析方法，其特征在于，所述步驟五具體為：

9.根據(jù)權利要求8所述的一種缺陷表面漏磁場信號的u-net神經(jīng)網(wǎng)絡分析方法，其特征在于，結構相似性指數(shù)用于評估有限元法結果和深度學習神經(jīng)網(wǎng)絡預測結果的相似性；其中μ和σ是比較圖像中像素強度的平均值和標準差，c1和c2是兩個常數(shù)值，結構相似性指數(shù)公式為

技術總結
本發(fā)明公開了一種缺陷表面漏磁場信號的U?Net神經(jīng)網(wǎng)絡分析方法，包括以下步驟；步驟一：建立U?Net神經(jīng)網(wǎng)絡訓練所需的磁導率分布與漏磁場數(shù)據(jù)集；步驟二：對磁導率分布與漏磁場數(shù)據(jù)集進行旋轉、裁剪和標準化，得到處理后的數(shù)據(jù)集；步驟三：基于處理后的數(shù)據(jù)集，構建以磁導率數(shù)據(jù)為輸入，磁場分布的y向分量為輸出的U?Net模型；步驟四：采用RMSProp優(yōu)化器對U?Net模型進行訓練，并保存權重；步驟五：使用步驟四中保存的權重預測測試集的磁場分布，并采用結構相似性評價預測結果的準確性。本發(fā)明通過多層U?Net卷積的疊加擴大感受野，使算法能夠識別和學習復雜特征，實現(xiàn)對磁場分布的有效預測，進而大幅提升了算法的性能和可靠性。

技術研發(fā)人員：楊圣軒,時朋朋,趙福國,汪文帥,汪文康,劉藝,杜卓
受保護的技術使用者：寧夏特種設備檢驗檢測院
技術研發(fā)日：
技術公布日：2025/5/15