一种数据识别模型训练方法、数据识别方法及装置与流程

1.本发明涉及数据处理技术领域，具体涉及一种数据识别模型训练方法、数 据识别方法及装置。


背景技术：

2.随着深度学习技术的发展，人们可以通过使用深度学习的方法，有效地处 理数据识别等机器识别问题。随着社会的发展，越来越多的设备离不开螺纹进 行固定以及连接，因此螺纹的安全性也越来越重要。现有螺栓缺陷检测技术包 括超声检测、磁粉检测、相控阵检测，此类检测技术需要对检测人员的技术有 严格的要求，且检测速度慢，尤其对于风电机组螺栓数量相当巨大，利用现有 方法检测效率低、准确性差。


技术实现要素：

3.有鉴于此，本发明实施例提供了一种数据识别模型训练方法、数据识别方 法及装置，解决了现有技术中数据识别模型检测效率和准确率差的问题。
4.根据第一方面，本发明实施例提供了一种数据识别模型训练方法，包括：
5.对各个螺栓进行检测，以获取螺栓样本数据；
6.对所述螺栓样本数据进行数据处理，确定目标数据集；
7.利用所述目标数据集对数据识别模型进行训练，生成目标数据识别模型。
8.本发明实施例提供的数据识别模型训练方法，通过基于一维深度可分离卷 积的螺栓损伤识别方法，可以提高检测效率，且本检测方法对人员技术要求不 高，提高检测识别效率以及准确性。
9.结合第一方面，在第一方面第一实施方式中，所述螺栓样本数据为音频信 号。
10.结合第一方面第一实施方式，在第一方面第二实施方式中，所述对所述螺 栓样本数据进行数据处理，确定目标数据集，包括：
11.对所述音频信号进行傅里叶变换，确定一维输入向量；
12.对所述一维输入向量进行归一化处理，确定一维频率振幅向量；
13.利用所述一维频率振幅向量与标签的关系，确定一维频率振幅向量对应的 标签，所述标签为音频信号对应螺栓的损伤状态；
14.将各一维频率振幅向量和对应的标签组成目标数据集。
15.结合第一方面，在第一方面第三实施方式中，所述利用所述目标数据集对 数据识别模型进行训练，生成目标数据识别模型，包括：
16.构建一维深度可分离卷积模型，将所述一维深度可分离卷积模型确定为所 述数据识别模型；
17.通过所述目标数据集对所述数据识别模型进行参数优化，以确定目标识别 模型。
18.结合第一方面第二实施方式，在第一方面第四实施方式中，所述对所述音 频信号进行傅里叶变换，确定一维输入向量，包括：
19.对所述音频信号进行傅里叶变换，确定频谱信号；
20.将预设振幅的所述频谱信号确定为所述一维输入向量。
21.本发明实施例提供的数据识别模型训练方法，通过基于一维深度可分离卷 积的螺栓损伤识别方法，可以提高检测效率，且本检测方法对人员技术要求不 高，提高检测识别效率以及准确性。模型的将标准的卷积层替换成深度可分离 卷积卷积层，可以大幅提高模型的计算速度，较同层数的标准卷积网络模型分 类识别准确率有所提高，运算速度提高一倍。
22.根据第二方面，本发明实施例提供的数据识别方法，包括：
23.利用本发明第一方面任一实施方式中所述的数据识别模型训练方法对数据 识别模型进行训练，确定目标数据识别模型；
24.获取待识别螺栓的音频信号；
25.利用所述目标数据识别模型对所述音频信号进行分类识别，确定识别结果。
26.本发明实施例提供的数据识别方法，加快机器学习算法的训练速度；能自 动对所采集的待识别数据进行识别，能够提高工作效率。
27.根据第三方面，本发明实施例提供的数据识别模型训练装置，包括：
28.获取模块，用于对各个螺栓进行检测，以获取螺栓样本数据；
29.数据处理模块，用于对所述螺栓样本数据进行数据处理，确定目标数据集；
30.识别模块，用于利用所述目标数据集对数据识别模型进行训练，生成目标 数据识别模型。
31.根据第四方面，本发明实施例提供的数据识别装置，包括：
32.第一处理模块，用于利用如本发明第三方面所述的数据识别模型训练装置 对数据识别模型进行训练，确定目标数据识别模型；
33.第二处理模块，用于获取待识别螺栓的音频信号；
34.第三处理模块，用于利用所述目标数据识别模型对所述音频信号进行分类 识别，确定识别结果。
35.根据第五方面，本发明实施例提供了一种电子设备，包括：存储器和处理 器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机 指令，所述处理器通过执行所述计算机指令，从而执行第一方面或者第一方面 的任意一种实施方式中所述的数据识别模型训练方法，或者执行第二方面或者 第二方面的任意一种实施方式中所述的数据识别方法。
36.根据第六方面，本发明实施例提供了一种计算机可读存储介质，所述计算 机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行第一 方面或者第一方面的任意一种实施方式中所述的数据识别模型训练方法，或者 执行第二方面或者第二方面的任意一种实施方式中所述的数据识别方法
附图说明
37.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将 对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见 地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来 讲，在不付出创造性劳动的
前提下，还可以根据这些附图获得其他的附图。
38.图1是根据本发明实施例的数据识别模型训练方法的流程图；
39.图2是根据本发明优选实施例的7类螺栓损伤状态的螺栓试样示意图；
40.图3是根据本发明实施例的数据识别模型训练方法的另一流程图；
41.图4是根据本发明实施例的频谱图；
42.图5是根据本发明实施例的一维深度可分离卷积神经网络模型示意图；
43.图6是根据本发明实施例一维深度可分离卷积卷积层操作示意图；
44.图7是根据本发明实施例的数据识别方法的流程图；
45.图8是根据本发明实施例的待检测螺栓示意图；
46.图9是根据本发明实施例的数据识别模型训练装置的示意图；
47.图10是根据本发明实施例的数据识别装置的示意图；
48.图11是本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
49.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明 实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然， 所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中 的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实 施例，都属于本发明保护的范围。
50.随着深度学习技术的发展，人们可以通过使用深度学习的方法，有效地处 理数据识别等机器识别问题。在进行数据识别时，需要先训练数据识别模型， 基于数据识别模型进行数据识别。随着社会的发展，越来越多的设备离不开螺 纹进行固定以及连接，因此螺纹的安全性也越来越重要。现有螺栓缺陷检测技 术包括超声检测、磁粉检测、相控阵检测，此类检测技术需要对检测人员的技 术有严格的要求，且检测速度慢，尤其对于风电机组螺栓数量相当巨大，利用 现有方法检测效率低、准确性差。
51.在本实施例中提供了一种数据识别模型训练方法，可用于电子设备，例如 电脑、手机、平板电脑等。图1是根据本发明实施例的数据识别模型训练方法 的流程图，如图1所示，该流程包括如下步骤：
52.s11，对各个螺栓进行检测，以获取螺栓样本数据。
53.其中，利用现有技术手段获取螺栓样本数据，具体地获取手段可以利用现 有的任何手段，本实施例对获取手段不做任何限制。例如本实施例中，通过敲 击方式对螺栓进行检测，通过麦克风采集螺栓的敲击回声信号，以确定螺栓样 本数据，本实施例中的螺栓样本数据为音频信号。
54.具体地，利用敲击方式对螺栓进行检测，通过麦克风采集螺栓的敲击回声 信号，信号为音频信号。此处采用7类螺栓损伤状态的螺栓试样，分别设置0mm、 1mm、1.5mm、2mm、5mm、10mm、15mm刻槽，如图2所示。
55.s12，对螺栓样本数据进行数据处理，确定目标数据集。
56.本实施例中，对获取到的螺栓样本数据进行相应的数据处理，保证各个数 据的特征的有效性，最终确定目标数据集，以实现对数据识别模型的训练，保 证数据识别模型的准确性。
57.s13，利用目标数据集对数据识别模型进行训练，生成目标数据识别模型。
58.在实际应用中，利用现有技术构造数据识别模型，可以是现有的识别器或 者其他深度学习网络模型，只要能够实现数据识别即可，本实施例并不以此为 限。然后利用目标数据集对数据识别模型进行训练，生成目标数据识别模型， 以实现准确的数据识别。
59.本实施例提供的数据识别模型训练方法，通过基于一维深度可分离卷积的 螺栓损伤识别方法，可以提高检测效率，且本检测方法对人员技术要求不高， 提高检测识别效率以及准确性。模型的将标准的卷积层替换成深度可分离卷积 卷积层，可以大幅提高模型的计算速度，较同层数的标准卷积网络模型分类识 别准确率有所提高，运算速度提高一倍。
60.在另一实施例中，还提供了一种数据识别模型训练方法，如图3所示该流 程包括如下步骤：
61.s21，对各个螺栓进行检测，以获取螺栓样本数据。
62.详细参见步骤s11，本实施例不再赘述。
63.s22，对螺栓样本数据进行数据处理，确定目标数据集。
64.本实施例中，上述步骤s22具体还包括：
65.s221，对音频信号进行傅里叶变换，确定一维输入向量。
66.本实施例中，对音频信号进行傅里叶变换，确定频谱信号；将预设振幅的 频谱信号确定为一维输入向量。具体地对采集的音频信号进行傅里叶变换，频 谱图如图4所示。对傅里叶变换后的频谱信号取0到14000hz的振幅作为算法 的一维输入向量。需要说明的是，本实施例中仅以0到14000hz的振幅为例进 行说明，在实际应用中可以根据实际需要进行预设振幅的设置，本实施例并不 以此为限。
67.s222，对一维输入向量进行归一化处理，确定一维频率振幅向量。利用现 有的技术对一维输入向量进行归一化处理，确定一维频率振幅向量。本实施例 中只要能进行归一化处理即可，采用什么方式并不作任何限制。
68.s223，利用一维频率振幅向量与标签的关系，确定一维频率振幅向量对应 的标签，标签为音频信号对应螺栓的损伤状态。本实施例中的螺栓样本数据对 应的螺栓损伤状态是已知的，因此可以根据一维频率振幅向量确定对应的标签， 也就是音频信号对应螺栓的损伤状态。
69.s224，将各一维频率振幅向量和对应的标签组成目标数据集。
70.对每个向量作好标签后(标签为音频信号对应螺栓的损伤状态)，将各一 维向量和对应的标签组成一维频率振幅向量训练集。训练集样本量如表1所示。
71.表1各类损伤状态螺栓的训练集组成
72.bolt typetotal samplestrainingsamplestesting samples0mm slotted bolts10008002001mm slotted bolts10008002001.5mm slotted bolts10008002002mm slotted bolts10008002005mm slotted bolts100080020010mm slotted bolts1000800200
15mm slotted bolts1000800200
73.s23，利用目标数据集对数据识别模型进行训练，生成目标数据识别模型。
74.本实施例中，上述步骤s23具体还包括：
75.s231，构建一维深度可分离卷积模型，将一维深度可分离卷积模型确定为 数据识别模型。
76.本实施例中，自主设计搭建的一维深度可分离卷积神经网络模型，模型设 计结构如图5所示，模型的超参数设置如表2所示，本实施例中的模型将标准 的卷积层替换成深度可分离卷积卷积层，可以大幅提高模型的计算速度，较同 层数的标准卷积网络模型分类识别准确率有所提高，运算速度提高一倍。其中 一维深度可分离卷积卷积层操作如图6所示。
77.表2一维深度可分离卷积神经网络模型超参数设置
[0078][0079]
在螺栓真实敲击音频信号数据集上，对比标准卷积神经网络模型和一维深 度可分离卷积神经网络模型。评价结果如表3所示，各优化器条件下一维深度可 分离卷积神经网络模型均优于标准卷积神经网络模型。
[0080]
表3各优化器条件下模型在真实螺栓敲击音频信号数据集上的评价对比表
[0081][0082]
在表3中，acc,p,r,f1表示卷积神经网络常用的评价指标precision(p)、 recall(r)、accuracy(acc)和f1 score(f1)。模型的整体性能通过accuracy和f1 来衡量。指标越高，模型的分类识别能力越好。精确度是指系统确定为“正确
”ꢀ
的样本与实际正确的样本的比例。召回指的是真实样本被认为是“真实”的比例。 四个评价指标的计算公式如(1)、(2)、(3)、(4)所示。
[0083][0084][0085][0086][0087]
具体地，标准一维卷积神经网络模型的结构、超参数以及卷积操作过程都 是现有技术，本实施例中不具体说明。
[0088]
s232，通过目标数据集对数据识别模型进行参数优化，以确定目标识别模 型。其中在一维频率振幅向量训练集上对开发设计的一维深度可分离卷积模型 进行训练，得到模型参数。
[0089]
本实施例中提供的一种数据识别模型训练方法，通过基于一维深度可分离 卷积的螺栓损伤识别方法，可以提高检测效率，且本检测方法对人员技术要求 不高，提高检测识别效率以及准确性。模型的将标准的卷积层替换成深度可分 离卷积卷积层，可以大幅提高模型的计算速度，较同层数的标准卷积网络模型 分类识别准确率有所提高，运算速度提高一倍。
[0090]
在本实施例中还提供了一种数据识别方法，如图7所示包括如下步骤：
[0091]
步骤s31：利用如上述实施例中的数据识别模型训练方法对数据识别模型 进行训练，确定目标数据识别模型；
[0092]
详细参见步骤s11-s13，本实施例不再赘述。
[0093]
步骤s32：获取待识别螺栓的音频信号。本实施例中，待检测螺栓设置三 种，分别是3mm、5mm、10mm刻槽，如图8所示。
[0094]
步骤s33：利用目标数据识别模型对音频信号进行分类识别，确定识别结 果。
[0095]
本实施例中，分别将一维振幅向量输入到开发设计的一维深度可分离卷积 模型中，调用训练好的参数对待测螺栓的损伤状态进行分类识别，模型输出即 为螺栓的近似损伤状态。
[0096]
具体地，对检测识别结果进行分析，对三类待测螺栓各采集100个敲击音 频信号，
把每个信号输入模型，统计输出结果如表4所示，可发现模型对待测 螺栓的检测准确率高，且可对螺栓3mm刻槽有效识别，符合现场螺栓检测要求。
[0097]
表4待测螺栓音频信号经模型后输出结果
[0098][0099]
本实施例中提供的一种数据识别方法，加快机器学习算法的训练速度；能 自动对所采集的待识别数据进行识别，能够提高工作效率。
[0100]
在本实施例中还提供了一种数据识别模型训练装置，如以下所使用的，术 语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的 装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能 并被构想的。
[0101]
本发明公开了数据识别模型训练装置，如图9所示，包括：
[0102]
获取模块1，用于对各个螺栓进行检测，以获取螺栓样本数据；详细操作 流程详见上述方法实施例中的相应步骤。
[0103]
数据处理模块2，用于对螺栓样本数据进行数据处理，确定目标数据集； 详细操作流程详见上述方法实施例中的相应步骤。
[0104]
识别模块3，用于利用目标数据集对数据识别模型进行训练，生成目标数 据识别模型；详细操作流程详见上述方法实施例中的相应步骤。
[0105]
本发明实施例提供的数据识别模型训练装置，通过基于一维深度可分离卷 积的螺栓损伤识别方法，可以提高检测效率，且本检测方法对人员技术要求不 高，提高检测识别效率以及准确性。模型的将标准的卷积层替换成深度可分离 卷积卷积层，可以大幅提高模型的计算速度，较同层数的标准卷积网络模型分 类识别准确率有所提高，运算速度提高一倍。
[0106]
本发明公开了数据识别装置，如图10所示，包括：
[0107]
第一处理模块01，用于利用如上述数据识别模型训练装置对数据识别模型 进行训练，确定目标数据识别模型；详细操作流程详见上述方法实施例中的相 应步骤。
[0108]
第二处理模块02，用于获取待识别螺栓的音频信号；详细操作流程详见上 述方法实施例中的相应步骤。
[0109]
第三处理模块03，用于利用目标数据识别模型对音频信号进行分类识别， 确定识别结果；详细操作流程详见上述方法实施例中的相应步骤。
[0110]
本发明实施例提供的数据识别装置，加快机器学习算法的训练速度；能自 动对所采集的待识别数据进行识别，能够提高工作效率。
[0111]
本发明实施例还提供一种电子设备，请参阅图11，图11是本发明可选实 施例提供的一种电子设备的结构示意图，如图11所示，该电子设备可以包括： 至少一个处理器601，例如cpu(central processing unit，中央处理器)，至少 一个通信接口603，存储器604，至少一个通信总线602。其中，通信总线602 用于实现这些组件之间的连接通信。其中，通信接口603可以包括显示屏 (display)、键盘(keyboard)，可选通信接口603还可以包括标准的
有线接 口、无线接口。存储器604可以是高速ram存储器(random access memory， 易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)， 例如至少一个磁盘存储器。存储器604可选的还可以是至少一个位于远离前述 处理器601的存储装置。其中处理器601可以结合图9或者图10所描述的装置， 存储器604中存储应用程序，且处理器601调用存储器604中存储的程序代码， 以用于执行上述任一方法步骤。
[0112]
其中，通信总线602可以是外设部件互连标准(peripheral componentinterconnect，简称pci)总线或扩展工业标准结构(extended industry standardarchitecture，简称eisa)总线等。通信总线602可以分为地址总线、数据总线、 控制总线等。为便于表示，图11中仅用一条粗线表示，但并不表示仅有一根总 线或一种类型的总线。
[0113]
其中，存储器604可以包括易失性存储器(英文：volatile memory)，例 如随机存取存储器(英文：random-access memory，缩写：ram)；存储器也 可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英 文：flash memory)，硬盘(英文：hard disk drive，缩写：hdd)或固态硬盘 (英文：solid-state drive，缩写：ssd)；存储器604还可以包括上述种类的存 储器的组合。
[0114]
其中，处理器601可以是中央处理器(英文：central processing unit，缩写： cpu)，网络处理器(英文：network processor，缩写：np)或者cpu和np 的组合。
[0115]
其中，处理器601还可以进一步包括硬件芯片。上述硬件芯片可以是专用 集成电路(英文：application-specific integrated circuit，缩写：asic)，可编程 逻辑器件(英文：programmable logic device，缩写：pld)或其组合。上述pld 可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写： cpld)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写： fpga)，通用阵列逻辑(英文：generic array logic,缩写：gal)或其任意组 合。
[0116]
可选地，存储器604还用于存储程序指令。处理器601可以调用程序指令， 实现如本技术图实施例中所示的方法。
[0117]
本发明实施例还提供了一种非暂态计算机存储介质，计算机存储介质存储 有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的方 法。其中，存储介质可为磁碟、光盘、只读存储记忆体(read-only memory， rom)、随机存储记忆体(random access memory，ram)、快闪存储器(flashmemory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid-state drive， ssd)等；存储介质还可以包括上述种类的存储器的组合。
[0118]
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离 本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入 由所附权利要求所限定的范围之内。