【技術實現步驟摘要】
本專利技術屬于工業質量監測與缺陷識別領域，具體涉及一種基于特征冗余損失的非對稱自監督熔池缺陷識別方法及相關系統。
技術介紹
1、在激光選區熔化（selective?laser?melting,?slm）工藝中，熔池的狀態監測是確保制造過程質量和效率的關鍵。熔池作為成形過程中的核心環節，直接關聯到激光選區熔化工藝的所有基本參數，如激光功率、光束特性、掃描速度等。因此，熔池的狀態能夠反映出所構建部件的質量信息。然而，由于不同加工設備在參數上的差異，熔池的形成和演變過程表現出高度敏感性和多變性。在實際工業生產中，熔池監測面臨著嚴重的數據標注問題。大量的熔池數據在實際生產過程中迅速產生，且數據量龐大，對這些數據進行準確的標注需要耗費大量的人力、物力和時間成本。此外，熔池的形成和變化受多種因素影響，包括加工設備的性能、工藝參數的設置、材料的特性等，這些因素相互交織，使得準確標注熔池數據變得異常困難。
2、在工業質量監測領域，傳統的有監督學習方法依賴于大量帶有準確標注的訓練數據來建立模型，然而在熔池監測的實際應用中，由于缺乏標注信息，很難為有監督學習方法提供足夠的訓練樣本。這就導致難以準確地建立有效的監測模型，無法對熔池的狀態進行準確預測。因此，如何在缺乏標注信息的情況下，依然能夠有效地對熔池進行監測和分析，是當前工業生產中亟待解決的問題。
技術實現思路
1、本專利技術的目的在于克服現有熔池監測在實際應用時，由于缺乏標注信息難以建立有效的監測模型，導致難以對熔池進行檢測和分析的問題
2、為了達到上述目的，本專利技術采用如下技術方案：
3、第一方面，本專利技術提供一種基于特征冗余損失的非對稱自監督熔池缺陷識別方法，包括如下步驟：
4、獲取不同質量等級的熔池圖像數據集，包括無標簽熔池圖像及其對應標簽；
5、對無標簽熔池圖像進行圖像增強；
6、基于無標簽熔池圖像的增強視圖，構建自監督學習網絡框架中，引入特性冗余損失函數進行反向傳播訓練，得到代表熔池圖像的低維特征表示；
7、將低維特征表示及其對應標簽分為訓練集和測試集；
8、在訓練完成的自監督學習網絡后接入svm分類器，基于訓練集對svm分類器進行訓練，svm分類器被訓練后，對測試集中待測樣本進行缺陷分類識別，根據可靠性評價相關指標判斷缺陷的質量等級。
9、所述不同質量等級的熔池圖像數據集通過slm工藝熔池監測系統獲取。
10、所述對無標簽熔池圖像進行圖像增強，得到該圖像的兩種視圖va和vb。
11、所述基于無標簽熔池圖像的增強視圖，構建自監督學習網絡框架中，引入特性冗余損失函數進行反向傳播訓練，得到代表熔池圖像的低維特征表示，具體訓練過程如下：
12、構建一個在線網絡和目標網絡，在線網絡由權重集合定義，目標網絡權重定義為；
13、將視圖va至于在線網絡中，得到圖像va預測表示；視圖vb至于目標網絡中，得到圖像vb的低維表示zb；
14、對和zb進行l2標準化，根據標準化得到的結果進行損失函數計算；
15、引入特征冗余損失函數，測量兩個網絡的輸出之間的互相關矩陣，得到最終的損失函數；
16、利用梯度下降方法實現最小化損失函數，并在最小化損失函數的過程中更新在線網絡與目標網絡的參數，得到代表熔池圖像的低維特征表示。
17、所述目標網絡為在線網絡提供回歸目標，其參數是通過在線參數的指數移動平均來更新的，給定一個目標衰減率，在每個訓練步驟完成后，我們按照以下方式更新：
18、。
19、所述根據標準化得到的結果進行損失函數計算過程為：
20、對l2標準化得到的進行損失函數計算，初始默認損失函數如下：
21、
22、在計算完該損失函數時，再將vb置于在線網絡，將va置于目標網絡，計算出損失函數的對稱損失；
23、得到的損失函數為： 。
24、所述引入的特征冗余損失函數為：
25、
26、其中是一個正常數，用來權衡特征冗余損失函數第一項與第二項的重要性，為批次維度的在線網絡和目標網絡的輸出和zb之間的互相關矩陣，可以用下面的方式計算：
27、
28、此時，這里，b代表的是同一批次中的不同樣本，即互相關矩陣的每個元素是以批次的維度計算的；i和j為網絡輸出向量不同維度的索引，是一個方陣，其值介于-1和1之間，分別對應完全不相關和完全相關；
29、在自監督網絡架構中引入特征冗余損失后得到的最終損失函數為：
30、
31、其中，為引入的特征冗余損失函數，為特征冗余損失函數相對應的對稱損失。
32、所述利用梯度下降方法實現最小化損失函數的公式為：
33、
34、
35、其中，表示目標函數在當前參數值θ處的梯度，表示網絡訓練過程中用于權重更新的學習率。
36、所述根據可靠性評價相關指標判斷缺陷的質量等級中，具體指標如下：
37、識別準確率acc：；
38、不同類別熔池圖像特征之間的js散度：
39、其中表示分類正確的樣本數，表示識別分類過程中的樣本總個數，和代表兩個不同類別熔池圖像同一特征維度的概率分布，其中i是特征維度的索引，表示和的平均分布，表示散度，其js散度取值范圍在，其值越小代表兩個特征重疊度越高，反之值越大表示兩者重疊度低。
40、第二方面，本專利技術提供一種基于特征冗余損失的非對稱自監督熔池缺陷識別系統，包括：
41、獲取模塊，用于獲取不同質量等級的熔池圖像數據集，包括無標簽熔池圖像及其對應標簽；
42、圖像增強模塊，用于對無標簽熔池圖像進行圖像增強；
43、模型訓練模塊，用于基于無標簽熔池圖像的增強視圖，構建自監督學習網絡框架中，引入特性冗余損失函數進行反向傳播訓練，得到代表熔池圖像的低維特征表示；
44、數據集構建模塊，用于將低維特征表示及其對應標簽分為訓練集和測試集；
45、分類模塊，用于在訓練完成的自監督學習網絡后接入svm分類器，基于訓練集對svm分類器進行訓練，svm分類器被訓練后，對測試集中待測樣本進行缺陷分類識別，根據可靠性評價相關指標判斷缺陷的質量等級。
46、與現有技術相比，本專利技術具有如下有益效果：
47、本專利技術提供了一種基于特征冗余損失的非對稱自監督熔池缺陷識別方法及相關系統，包括如下步驟：獲取不同質量等級的熔池圖像數據集，包括無標簽熔池圖像及其對應標簽；對無標簽熔池圖像進行圖像增強；基于無標簽熔池圖像的增強視圖，構建自監督學習網絡框架中，引入特性冗余損失函數進行反向傳播訓練，得到代表熔池圖像的低維特征表示；將低維特本文檔來自技高網...
【技術保護點】
1.一種基于特征冗余損失的非對稱自監督熔池缺陷識別方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種基于特征冗余損失的非對稱自監督熔池缺陷識別方法，其特征在于，所述不同質量等級的熔池圖像數據集通過SLM工藝熔池監測系統獲取。
3.根據權利要求1所述的一種基于特征冗余損失的非對稱自監督熔池缺陷識別方法，其特征在于，所述對無標簽熔池圖像進行圖像增強，得到該圖像的兩種視圖vA和vB。
4.根據權利要求3所述的一種基于特征冗余損失的非對稱自監督熔池缺陷識別方法，其特征在于，所述基于無標簽熔池圖像的增強視圖，構建自監督學習網絡框架中，引入特性冗余損失函數進行反向傳播訓練，得到代表熔池圖像的低維特征表示，具體訓練過程如下：
5.根據權利要求4所述的一種基于特征冗余損失的非對稱自監督熔池缺陷識別方法，其特征在于，所述目標網絡為在線網絡提供回歸目標，其參數是通過在線參數的指數移動平均來更新的，給定一個目標衰減率，在每個訓練步驟完成后，我們按照以下方式更新：
6.根據權利要求4所述的一種基于特征冗余損失的非對稱自監督熔池缺陷識
7.根據權利要求6所述的一種基于特征冗余損失的非對稱自監督熔池缺陷識別方法，其特征在于，所述引入的特征冗余損失函數為：
8.根據權利要求4所述的一種基于特征冗余損失的非對稱自監督熔池缺陷識別方法，其特征在于，所述利用梯度下降方法實現最小化損失函數的公式為：
9.根據權利要求1所述的一種基于特征冗余損失的非對稱自監督熔池缺陷識別方法，其特征在于，所述根據可靠性評價相關指標判斷缺陷的質量等級中，具體指標如下：
10.一種基于特征冗余損失的非對稱自監督熔池缺陷識別系統，其特征在于，包括：
...【技術特征摘要】
1.一種基于特征冗余損失的非對稱自監督熔池缺陷識別方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種基于特征冗余損失的非對稱自監督熔池缺陷識別方法，其特征在于，所述不同質量等級的熔池圖像數據集通過slm工藝熔池監測系統獲取。
3.根據權利要求1所述的一種基于特征冗余損失的非對稱自監督熔池缺陷識別方法，其特征在于，所述對無標簽熔池圖像進行圖像增強，得到該圖像的兩種視圖va和vb。
4.根據權利要求3所述的一種基于特征冗余損失的非對稱自監督熔池缺陷識別方法，其特征在于，所述基于無標簽熔池圖像的增強視圖，構建自監督學習網絡框架中，引入特性冗余損失函數進行反向傳播訓練，得到代表熔池圖像的低維特征表示，具體訓練過程如下：
5.根據權利要求4所述的一種基于特征冗余損失的非對稱自監督熔池缺陷識別方法，其特征在于，所述目標網絡為在線網絡提供回歸目...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。