申请/专利权人:北京航空航天大学
申请日:2022-09-01
公开(公告)日:2024-04-12
公开(公告)号:CN115452957B
主分类号:G01N29/44
分类号:G01N29/44;G01N29/04;G06N3/0464;G06N3/082;G06F18/2413;G06F18/213;G06F18/10
优先权:
专利状态码:有效-授权
法律状态:2024.04.12#授权;2022.12.27#实质审查的生效;2022.12.09#公开
摘要:本发明提供一种基于注意力原型网络的小样本金属损伤识别方法,其包括以下步骤:S1:将电磁超声传感器置于金属铝板表面采集超声导波信号,形成超声导波小样本数据集;S2:构建基于注意力机制的原型网络模型,其中特征提取部分采用包含dropout层的通道注意力模块;对基于注意力机制的原型网络模型进行训练;S3:使用基于注意力机制的原型网络模型对金属铝板损伤的分类结果;S4:得到对应的准确率,确定基于注意力机制的原型网络模型可用。本发明采用基于注意力机制的原型网络,对超声导波信号中的微弱损伤特征实现高效提取,有效避免过拟合问题,并在小样本条件下实现金属结构损伤识别。
主权项:1.一种基于注意力原型网络的小样本金属损伤识别方法,其特征在于:其包括以下步骤:S1:将两个电磁超声传感器置于金属铝板表面分别用于激励和采集超声导波信号,在铝板试件上设置K类不同规格的损伤,采集超声导波信号,对超声导波信号进行预处理,形成超声导波小样本数据集,将数据集分为测试集和训练集两部分,测试集和训练集没有交集;S2:构建基于注意力机制的原型网络模型,包括:基于注意力机制的原型网络模型中注意力原型特征提取部分采用包含dropout层的通道注意力模块;使用训练集对基于注意力机制的原型网络模型进行训练,将训练集分为支撑集和查询集,支撑集用于生成类的原型,查询集用于训练原型的最近邻分类器;构建基于注意力机制的原型网络模型的具体步骤如下:S21:基于注意力机制的原型网络模型的特征提取通过将N个注意力原型特征提取串联后得到;注意力原型特征提取通过将注意力机制融入原型网络的特征提取得到,注意力原型特征提取包括卷积层、批处理归一化层和通道注意力模块;通道注意力模块包括全局平均池化层、全连接层和dropout层;S22:通过基于注意力机制的原型网络模型的特征提取将支撑集样本数据转换为嵌入空间,提取类特征的均值生成类的原型;S23:使用查询集对基于注意力机制的原型网络模型进行训练;S3:将步骤S1中的测试集输入到步骤S2中构建的基于注意力机制的原型网络模型中,得到使用基于注意力机制的原型网络模型对金属铝板损伤的分类结果;S4:根据步骤S3得到的金属铝板损伤识别结果,分别对所得测试集进行评估,并得到对应的准确率;当准确率高于指定阈值时,就认为基于注意力机制的原型网络模型能有效的对金属铝板损伤进行识别。
全文数据:
权利要求:
百度查询: 北京航空航天大学 基于注意力原型网络的小样本金属损伤识别方法
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。