申请/专利权人：苏州联视泰电子信息技术有限公司

申请日：2022-12-23

公开（公告）日：2023-04-04

公开（公告）号：CN115910105A

主分类号：G10L25/51

分类号：G10L25/51;G10L25/30;G10L25/18;G10L25/24;G10L15/08;G10L15/16

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.04.21#实质审查的生效;2023.04.04#公开

摘要：本发明公开一种基于深度学习及OOD技术的无监督工业机器声音异常检测方法，包括以下步骤：在音频分类模型的最后全连接层的前后增加ReAct模块及Energy模块作为两个OOD模块；检测时，将待检测声音数据的频谱特征图输入至音频分类模型，经过特征提取部分提取特征向量，提取的特征向量经过ReAct模块进行min修饰后输入至全连接层计算logits向量，Energy模块根据输入的logits向量计算能量分数，依据能量分数确定异常检测结果，该方法可以实现对工业机器声音的无监督异常检测。

主权项：1.一种基于深度学习及OOD技术的无监督工业机器声音异常检测方法，其特征在于，包括以下步骤：利用数据集对卷积神经网络进行预训练；对工业机器声音异常检测公开数据中正常声音数据进行频谱特征图提取，并对频谱特征图进行数据增强；将预训练的卷积神经网络迁移构建每种机器对应的分类网络，包括：以预训练的卷积神经网络除最后全连接层外的所有层作为特征提取部分，并在特征提取部分之后增加一新全连接层形成分类网络，该新全连接层的节点数与机器对应的ID类别相等，随机初始化新全连接层权重参数；利用数据增强的频谱特征图在ID类别标签的监督下对分类网络进行再训练，训练后的每个分类网络作为每种机器对应的音频分类模型；在音频分类模型的最后全连接层的前后增加ReAct模块及Energy模块作为两个OOD模块；检测时，将待检测声音数据的频谱特征图输入至音频分类模型，经过特征提取部分提取特征向量，提取的特征向量经过ReAct模块进行min修饰后输入至全连接层计算logits向量，Energy模块根据输入的logits向量计算能量分数，依据能量分数确定异常检测结果。

全文数据：

权利要求：

百度查询： 苏州联视泰电子信息技术有限公司 基于深度学习及OOD技术的无监督工业机器声音异常检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD