用于钨镧丝的检测装置及其检测方法与流程

1.本技术涉及智能检测领域，且更为具体地，涉及一种用于钨镧丝的检测装置及其检测方法。


背景技术：

2.目前，灯泡所使用的的钨丝均为添加了钾、铝、硅元素的掺杂钨丝。但上述钨丝存在着冷、热电阻小、光电性能差的缺点，在加工生成钨丝过程中，钨丝在旋锻和拉拔时会产生合金的硬化，其内部的应力增加，拉拔时易发生断裂，增加了生产的难度。合金的硬化及其内部的应力的存在导致生产的钨丝使用寿命较短，抗震性能较差，灯泡在使用后灯丝易发生下垂现。
3.针对上述技术问题，一些厂家选择在钨丝中加入镧元素，并通过改变镧元素添加方式来控制钨合金中镧元素含量、进而改变合金成分及其内部晶粒大小来提高钨镧丝的性能。在制得钨镧丝后，需要对钨镧丝的成型质量进行检测以确保其满足性能需求。
4.现有的钨镧丝的性能检测通过金属金相分析设备来实现，但金属金相分析设备的成本较高且对于技术人员的专业度要求较高，因为期待一种优化的用于钨镧丝的检测装置及其检测方法。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种用于钨镧丝的检测装置及其检测方法，通过基于gasf转换和基于转换器的编码器对声发射信号进行检测，进一步通过对声发射信号的检测来判断钨镧丝的材料成型质量和性能，提高对于钨镧丝性能检测的精准度。
6.根据本技术的一个方面，提供了一种用于钨镧丝的检测装置，其包括：
7.声发射信号采集单元，用于获取待检测钨镧丝的声发射信号；
8.信号域转换单元，用于对所述声发射信号进行格拉姆角和场转换以得到声发射信号gasf图像；
9.图像划分单元，用于将所述声发射信号gasf图像分为二维图像序列块；
10.线性嵌入单元，用于将所述二维图像序列块中各个二维图像块通过线性嵌入层以将所述各个二维图像块转化为一维嵌入向量以得到多个图像块特征向量；
11.上下文编码器单元，用于将所述多个图像块特征向量通过基于转换器的编码器以得到多个图像块上下文语义关联特征向量；
12.级联单元，用于将所述多个图像块上下文语义关联特征向量进行级联以得到分类特征向量；
13.检测结果生成单元，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待检测钨镧丝的成型质量是否满足预定要求。
14.在上述用于钨镧丝的检测装置中，所述图像划分单元，用于将所述声发射信号
gasf图像进行均匀划分得到的所述二维图像序列块。
15.在上述用于钨镧丝的检测装置中，所述线性嵌入单元，进一步用于使用所述线性嵌入层以可学习嵌入矩阵对所述二维图像序列块中各个二维图像块进行线性投影以得到所述多个图像块特征向量。
16.在上述用于钨镧丝的检测装置中，所述上下文编码器单元，进一步用于：将所述多个图像块特征向量排列为输入向量；将所述输入向量分别通过可学习嵌入矩阵转化为查询向量和关键向量；计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；将所述标准化自注意关联矩阵输入softmax激活函数进行激活以得到自注意力特征矩阵；以及，将所述自注意力特征矩阵与以所述多个图像块特征向量中各个图像块特征向量作为值向量分别进行相乘以得到所述多个图像块上下文语义关联特征向量。
17.在上述用于钨镧丝的检测装置中，所述检测结果生成单元，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得分类结果；
18.其中，所述公式为：o＝softmax{(w，b)|x}，其中，w为权重矩阵，b为偏置向量，x为分类特征向量。
19.在上述用于钨镧丝的检测装置中，还包括对所述线性嵌入层、所述基于转换器的编码器和所述分类器进行训练的训练模块。
20.在上述用于钨镧丝的检测装置中，所述训练模块，包括：训练数据采集单元，用于获取所述待检测钨镧丝的训练声发射信号以及待检测钨镧丝的成型质量是否满足预定要求的真实标签值；训练信号域转换单元，用于对所述训练声发射信号进行格拉姆角和场转换以得到训练声发射信号gasf图像；训练图像划分单元，用于将所述训练声发射信号gasf图像分为训练二维图像序列块；训练线性嵌入单元，用于将所述训练二维图像序列块中各个二维图像块通过所述线性嵌入层以将所述各个训练二维图像块转化为一维嵌入向量以得到多个训练图像块特征向量；训练上下文编码器单元，用于将所述多个训练图像块特征向量通过所述基于转换器的编码器以得到多个训练图像块上下文语义关联特征向量；训练级联单元，用于将所述多个训练图像块上下文语义关联特征向量进行级联以得到训练分类特征向量；分类损失单元，用于将所述训练分类特征向量通过分类器以得到分类损失函数值；以及，训练单元，用于以所述分类损失函数值作为损失函数值对所述线性嵌入层、所述基于转换器的编码器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，使用所述分类器在每次迭代更新前后的权重矩阵，对所述训练分类特征向量进行迭代。
21.在上述用于钨镧丝的检测装置中，在所述训练的每一轮迭代中，使用所述分类器在每次迭代更新前后的权重矩阵，以如下公式对所述训练分类特征向量进行迭代；
22.其中，所述公式为：
[0023][0024]
其中v是所述分类特征向量，m1和m2是分类器在每次迭代更新前后的权重矩阵，||
·
||0表示向量的零范数，表示按位置加和，表示向量相乘，表示按位置作差。
[0025]
根据本技术的另一方面，提供了一种钨镧丝的检测方法，其包括：
[0026]
获取待检测钨镧丝的声发射信号；
[0027]
对所述声发射信号进行格拉姆角和场转换以得到声发射信号gasf图像；
[0028]
将所述声发射信号gasf图像分为二维图像序列块；
[0029]
将所述二维图像序列块中各个二维图像块通过线性嵌入层以将所述各个二维图像块转化为一维嵌入向量以得到多个图像块特征向量；
[0030]
将所述多个图像块特征向量通过基于转换器的编码器以得到多个图像块上下文语义关联特征向量；
[0031]
将所述多个图像块上下文语义关联特征向量进行级联以得到分类特征向量；
[0032]
将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待检测钨镧丝的成型质量是否满足预定要求。
[0033]
与现有技术相比，本技术提供的一种用于钨镧丝的检测装置及其检测方法，其通过基于gasf转换和基于转换器的编码器对声发射信号进行检测，进一步通过对声发射信号的检测来判断钨镧丝的材料成型质量和性能，提高对于钨镧丝性能检测的精准度。
附图说明
[0034]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0035]
图1图示了根据本技术实施例的用于钨镧丝的检测装置的应用场景图；
[0036]
图2图示了根据本技术实施例的用于钨镧丝的检测装置的框图；
[0037]
图3图示了根据本技术实施例的用于钨镧丝的检测装置中训练模块的框图；
[0038]
图4图示了根据本技术实施例的用于钨镧丝的检测装置中推断模块的系统架构图；
[0039]
图5图示了根据本技术实施例的用于钨镧丝的检测装置中上下文编码过程的流程图；
[0040]
图6图示了根据本技术实施例的用于钨镧丝的检测装置中训练模块的系统架构图；
[0041]
图7图示了根据本技术实施例的钨镧丝的检测方法的流程图。
具体实施方式
[0042]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0043]
场景概述
[0044]
如上所述，现有的钨镧丝的性能检测通过金属金相分析设备来实现，但金属金相分析设备的成本较高且对于技术人员的专业度要求较高，因为期待一种优化的用于钨镧丝的检测装置及其检测方法。
[0045]
在本技术的技术方案中，考虑到声发射信号的产生是由于在金属加工中分子的晶格发生畸变、裂纹加剧以及材料在塑性变形时释放出的一种超高频应力波脉冲信号，因此，声发射弹性波能反映出材料或零部件的性质,因此在本技术的技术方案中，采用利用声发
射信号的检测方法来判断钨镧丝的材料成型质量和性能。
[0046]
也就是，通过声反射传感器采集待检测钨镧丝的声发射信号。然后，对所述声发射信号进行格拉姆角和场转换以得到声发射信号gasf图像。这里，格拉姆角场(gramian angular field，gaf)基于gram原理，它可将经典笛卡尔坐标系下的时间序列迁移到极坐标系上进行表示。gaf可很好地保留原始声发射时序信号的依赖性和相关性，具有和原始声发射信号相似的时序特质。gaf按照编码所用三角函数的不同可以得到格拉姆角和场(gramian angular sum field，gasf)和格拉姆角差场(gramian angular difference field，gadf)，gadf转换之后不可逆，因此，在本技术的技术方案中，选择可进行逆转换的gasf转换方式来进行声发射信号的编码。
[0047]
接着，将所述声发射信号gasf图像分为二维图像序列块。也就是，对所述gasf图像进行分块操作可以得到不重叠且尺寸固定的图像块，其中，各个图像块表示待检测钨镧丝的各个局部区域的声发射信号。然后，将所述二维图像序列块中各个二维图像块通过线性嵌入层以将所述各个二维图像块转化为一维嵌入向量以得到多个图像块特征向量，这里，所述线性嵌入层通过可学习嵌入矩阵将所述二维图像序列块中各个二维图像块线性投影为一维嵌入向量，所述一维嵌入向量表示待检测钨镧丝的各个局部区域的声发射信号的嵌入向量表示。
[0048]
接着，将所述多个图像块特征向量通过基于转换器的编码器以得到多个图像块上下文语义关联特征向量。也就是，基于transformer思想，利用转换器能够捕捉长距离上下文依赖的特性，对所述多个图像块特征向量中各个图像块特征向量进行基于全局的上下文语义编码以得到以所述多个图像块特征向量的整体语义关联为上下文背景的上下文语义关联特征表示，即，所述多个图像块上下文语义关联特征向量。应可以理解，在本技术的技术方案中，通过所述基于转换器的编码器可以捕捉所述钨镧丝的各个局部区域的声发射信号特征相对于所述钨镧丝的整体声发射信号特征的上下文语义关联特征表示。
[0049]
接着，在所述多个图像块上下文语义关联特征向量进行级联以得到分类特征向量后，将其通过分类器以得到分类结果，所述分类结果用于表示待检测钨镧丝的成型质量是否满足预定要求。
[0050]
综上，在本技术的技术方案中，以声发射信号作为探测信号，并以基于深度学习的人工智能技术来构建钨镧丝的检测模型来对所述声发射信号进行处理以得到所述钨镧丝的检测结果。
[0051]
特别地，在本技术的技术方案中，在将所述多个图像块上下文语义关联特征向量进行级联得到分类特征向量时，由于所述多个图像块上下文语义关联特征向量是从划分所述声发射信号gasf图像得到的多个二维图像序列块获得的，尽管通过基于转换器的编码器获取了单独的二维图像序列块的上下文表达，但由于每个二维图像序列块的分立式图像语义场景表达，所述多个图像块上下文语义关联特征向量之间的相关性仍然可能不高。因此，在将所述分类特征向量通过分类器进行分类时，分类器的权重矩阵相对于所述分类特征向量的级联特征表达的适配负担会较重，这影响了分类器的训练速度和分类特征向量的分类结果的准确性。
[0052]
因此，本技术的申请人考虑使用分类器迭代的场景相关优化来进行分类器的训练，具体为：
[0053][0054]
v是所述分类特征向量，m1和m2是分类器在每次迭代更新前后的权重矩阵，||
·
||0表示向量的零范数。
[0055]
这里，以分类器在迭代时权重矩阵的参数更新前后的场景点相关性的度量作为校正因数，来对所述分类特征向量v的类概率表示进行优化，以通过分类器的分类场景的分布相似性做出支持来对所述分类特征向量v进行相关性描述，以从所述分类特征向量v的角度提升分类器的权重矩阵的参数与所述分类特征向量v之间的适配性，从而提升分类器的训练速度和分类特征向量的分类结果的准确性。这样，提高对于钨镧丝性能检测的精准度。
[0056]
基于此，本技术提出了一种用于钨镧丝的检测装置，其包括：声发射信号采集单元，用于获取待检测钨镧丝的声发射信号；信号域转换单元，用于对所述声发射信号进行格拉姆角和场转换以得到声发射信号gasf图像；图像划分单元，用于将所述声发射信号gasf图像分为二维图像序列块；线性嵌入单元，用于将所述二维图像序列块中各个二维图像块通过线性嵌入层以将所述各个二维图像块转化为一维嵌入向量以得到多个图像块特征向量；上下文编码器单元，用于将所述多个图像块特征向量通过基于转换器的编码器以得到多个图像块上下文语义关联特征向量；级联单元，用于将所述多个图像块上下文语义关联特征向量进行级联以得到分类特征向量；检测结果生成单元，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待检测钨镧丝的成型质量是否满足预定要求。
[0057]
图1图示了根据本技术实施例的用于钨镧丝的检测装置的应用场景图。如图1所示，在该应用场景中，通过声发射传感器(例如，如图1中所示意的s1)获取待检测钨镧丝(例如，图1中的t)的声发射信号(即，声发射回波信号)。接着，将上述信号输入至部署有用于钨镧丝的检测算法的服务器(例如，图1中的s2)中，其中，所述服务器能够以所述钨镧丝的检测算法对上述输入的信号进行处理，以生成用于表示待检测钨镧丝的成型质量是否满足预定要求的分类结果。
[0058]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0059]
示例性系统
[0060]
图2图示了根据本技术实施例的用于钨镧丝的检测装置的框图。如图2所示，根据本技术实施例的用于钨镧丝的检测装置300包括推断模块，其中，所述推断模块包括：声发射信号采集单元310；信号域转换单元320；图像划分单元330；线性嵌入单元340；上下文编码器单元350；级联单元360；以及检测结果生成单元370。
[0061]
其中，所述声发射信号采集单元310，用于获取待检测钨镧丝的声发射信号；所述信号域转换单元320，用于对所述声发射信号进行格拉姆角和场转换以得到声发射信号gasf图像；所述图像划分单元330，用于将所述声发射信号gasf图像分为二维图像序列块；所述线性嵌入单元340，用于将所述二维图像序列块中各个二维图像块通过线性嵌入层以将所述各个二维图像块转化为一维嵌入向量以得到多个图像块特征向量；所述上下文编码器单元350，用于将所述多个图像块特征向量通过基于转换器的编码器以得到多个图像块上下文语义关联特征向量；所述级联单元360，用于将所述多个图像块上下文语义关联特征向量进行级联以得到分类特征向量；所述检测结果生成单元370，用于将所述分类特征向量
通过分类器以得到分类结果，所述分类结果用于表示待检测钨镧丝的成型质量是否满足预定要求。
[0062]
图4图示了根据本技术实施例的用于钨镧丝的检测装置中推断模块的系统架构图。如图4所示，在所述用于钨镧丝的检测装置300的系统架构中，在推断过程中，首先通过所述声发射信号采集单元310获取待检测钨镧丝的声发射信号；所述信号域转换单元320对所述声发射信号采集单元310获取的声发射信号进行格拉姆角和场转换以得到声发射信号gasf图像；其次，所述图像划分单元330将所述信号域转换单元320得到的声发射信号gasf图像分为二维图像序列块；接着，所述线性嵌入单元340将所述图像划分单元330生成的二维图像序列块中各个二维图像块通过线性嵌入层以将所述各个二维图像块转化为一维嵌入向量以得到多个图像块特征向量；然后，所述上下文编码器单元350将所述线性嵌入单元340得到的多个图像块特征向量通过基于转换器的编码器以得到多个图像块上下文语义关联特征向量；所述级联单元360将所述多个图像块上下文语义关联特征向量进行级联以得到分类特征向量；进而，所述检测结果生成单元370将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待检测钨镧丝的成型质量是否满足预定要求。
[0063]
具体地，在所述用于钨镧丝的检测装置300的运行过程中，所述声发射信号采集单元310，用于获取待检测钨镧丝的声发射信号。考虑到声发射信号的产生是由于在金属加工中分子的晶格发生畸变、裂纹加剧以及材料在塑性变形时释放出的一种超高频应力波脉冲信号，因此，声发射弹性波能反映出材料或零部件的性质,因此在本技术的技术方案中，可采用检测声发射信号的方法,来判断钨镧丝的某种状态来判断钨镧丝的材料成型质量和性能，更具体的，可通过声发射传感器来获取待检测钨镧丝的声发射信号，并通过相应信号分析可以判断材料或零部件的损伤发生或扩展。其中，所述声发射传感器，就是基于晶体元件的压电效应，应力波的传播实质是质点运动(横波、纵波、表面波等)，质点的运动传递到传感器的接触面的时候，带动压电陶瓷上的质子运动，从而对压电陶瓷产生压缩和拉伸的效果。进而转换为电压信号，送入信号处理器，完成应力波到电信号波的转变过程。
[0064]
具体地，在所述用于钨镧丝的检测装置300的运行过程中，所述信号域转换单元320，用于对所述声发射信号进行格拉姆角和场转换以得到声发射信号gasf图像。在本技术的技术方案中，格拉姆角场(gramian angular field，gaf)基于gram原理，它可将经典笛卡尔坐标系下的时间序列迁移到极坐标系上进行表示。gaf可很好地保留原始声发射时序信号的依赖性和相关性，具有和原始声发射信号相似的时序特质。gaf按照编码所用三角函数的不同可以得到格拉姆角和场(gramian angular sum field，gasf)和格拉姆角差场(gramian angular difference field，gadf)，gadf转换之后不可逆，因此，在本技术的技术方案中，选择可进行逆转换的gasf转换方式来进行声发射信号的编码。
[0065]
具体地，在所述用于钨镧丝的检测装置300的运行过程中，所述图像划分单元330，用于将所述声发射信号gasf图像分为二维图像序列块。也就是，将所述声发射信号gasf图像进行均匀划分得到的所述二维图像序列块，更具体的，对所述gasf图像进行分块操作可以得到不重叠且尺寸固定的图像块，其中，各个图像块表示待检测钨镧丝的各个局部区域的声发射信号。由此，基于所述声发射信号gasf图像的图像尺寸对所述gasf图像进行均匀划分以使得所述二维图像序列块中各个图像块之间的尺寸相等且相互直接不重叠，这样各个图像块所蕴含的信息量在一个相对稳定的范围内，利于后续的模型构建和数据处理。
[0066]
具体地，在所述用于钨镧丝的检测装置300的运行过程中，所述线性嵌入单元340，用于将所述二维图像序列块中各个二维图像块通过线性嵌入层以将所述各个二维图像块转化为一维嵌入向量以得到多个图像块特征向量。在本技术的技术方案中，将所述二维图像序列块中各个二维图像块通过线性嵌入层以将所述各个二维图像块转化为一维嵌入向量以得到多个图像块特征向量，这里，所述线性嵌入层通过可学习嵌入矩阵将所述二维图像序列块中各个二维图像块线性投影为一维嵌入向量，所述一维嵌入向量表示待检测钨镧丝的各个局部区域的声发射信号的嵌入向量表示。
[0067]
具体地，在所述用于钨镧丝的检测装置300的运行过程中，所述上下文编码器单元350，用于将所述多个图像块特征向量通过基于转换器的编码器以得到多个图像块上下文语义关联特征向量。应可以理解，将所述多个图像块特征向量通过基于转换器的编码器以得到多个图像块上下文语义关联特征向量。也就是，基于transformer思想，利用转换器能够捕捉长距离上下文依赖的特性，对所述多个图像块特征向量中各个图像块特征向量进行基于全局的上下文语义编码以得到以所述多个图像块特征向量的整体语义关联为上下文背景的上下文语义关联特征表示，即，所述多个图像块上下文语义关联特征向量。应可以理解，在本技术的技术方案中，通过所述基于转换器的编码器可以捕捉所述钨镧丝的各个局部区域的声发射信号特征相对于所述钨镧丝的整体声发射信号特征的上下文语义关联特征表示。
[0068]
图5图示了根据本技术实施例的用于钨镧丝的检测装置中上下文编码过程的流程图。如图5所示，在所述上下文编码过程中，包括：s210，将所述多个图像块特征向量排列为输入向量；s220，将所述输入向量分别通过可学习嵌入矩阵转化为查询向量和关键向量；s230，计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；s240，对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；s250，将所述标准化自注意关联矩阵输入softmax激活函数进行激活以得到自注意力特征矩阵；以及，s260，将所述自注意力特征矩阵与以所述多个图像块特征向量中各个图像块特征向量作为值向量分别进行相乘以得到所述多个图像块上下文语义关联特征向量。
[0069]
具体地，在所述用于钨镧丝的检测装置300的运行过程中，所述级联单元360和所述检测结果生成单元370，用于将所述多个图像块上下文语义关联特征向量进行级联以得到分类特征向量，进而，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待检测钨镧丝的成型质量是否满足预定要求。在本技术的技术方案中，如钨镧丝成型质量没有达标，在使用过程中，产生了变形，裂纹等情况，会以弹性波形的方式表现出来，会发射出范围较宽的频率，从次声频、声频到超声频，由于声发射检测技术的检测内容是电信号，因此，可根据其电信号的频率、声段等特征来检测出钨镧丝内部的缺陷变化。在本技术的一个具体示例中，所述检测结果生成单元，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得分类结果；
[0070]
其中，所述公式为：o＝softmax{(w，b)|x}，其中，w为权重矩阵，b为偏置向量，x为分类特征向量。
[0071]
应可以理解，在进行推断之前，需要对所述线性嵌入层、所述基于转换器的编码器和所述分类器进行训练。也就是说，在本技术的用于钨镧丝的检测装置中，还包括训练模块，用于对所述线性嵌入层、所述基于转换器的编码器和所述分类器进行训练。
[0072]
图3图示了根据本技术实施例的用于钨镧丝的检测装置中训练模块的框图。如图3所示，根据本技术实施例的用于钨镧丝的检测装置300，还包括训练模块，所述训练模块包括：训练数据采集单元3010；训练信号域转换单元3020；训练图像划分单元3030；训练线性嵌入单元3040；训练上下文编码器单元3050；训练级联单元3060；分类损失单元3070；以及训练单元3080。
[0073]
其中，所述训练数据采集单元3010，用于获取所述待检测钨镧丝的训练声发射信号以及待检测钨镧丝的成型质量是否满足预定要求的真实标签值；所述训练信号域转换单元3020，用于对所述训练声发射信号进行格拉姆角和场转换以得到训练声发射信号gasf图像；所述训练图像划分单元3030，用于将所述训练声发射信号gasf图像分为训练二维图像序列块；所述训练线性嵌入单元3040，用于将所述训练二维图像序列块中各个二维图像块通过所述线性嵌入层以将所述各个训练二维图像块转化为一维嵌入向量以得到多个训练图像块特征向量；所述训练上下文编码器单元3050，用于将所述多个训练图像块特征向量通过所述基于转换器的编码器以得到多个训练图像块上下文语义关联特征向量；所述训练级联单元3060，用于将所述多个训练图像块上下文语义关联特征向量进行级联以得到训练分类特征向量；所述分类损失单元3070，用于将所述训练分类特征向量通过分类器以得到分类损失函数值；以及，所述训练单元3080，用于以所述分类损失函数值作为损失函数值对所述线性嵌入层、所述基于转换器的编码器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，使用所述分类器在每次迭代更新前后的权重矩阵，对所述训练分类特征向量进行迭代。
[0074]
图6图示了根据本技术实施例的用于钨镧丝的检测装置中训练模块的系统架构图。如图6所示，在所述用于钨镧丝的检测装置300的系统架构中，在训练过程中，首先通过所述训练数据采集单元3010获取所述待检测钨镧丝的训练声发射信号以及待检测钨镧丝的成型质量是否满足预定要求的真实标签值；所述训练信号域转换单元3020对所述训练数据采集单元3010获取的训练声发射信号进行格拉姆角和场转换以得到训练声发射信号gasf图像；所述训练图像划分单元3030将所述训练信号域转换单元3020得到的训练声发射信号gasf图像分为训练二维图像序列块；其次，所述训练线性嵌入单元3040将所述训练图像划分单元3030得到的训练二维图像序列块中各个二维图像块通过所述线性嵌入层以将所述各个训练二维图像块转化为一维嵌入向量以得到多个训练图像块特征向量；接着，所述训练上下文编码器单元3050将所述训练线性嵌入单元3040生成的多个训练图像块特征向量通过所述基于转换器的编码器以得到多个训练图像块上下文语义关联特征向量；然后，所述训练级联单元3060将所述多个训练图像块上下文语义关联特征向量进行级联以得到训练分类特征向量；进而，所述分类损失单元3070将所述训练分类特征向量通过分类器以得到分类损失函数值；所述训练单元3080以所述分类损失函数值作为损失函数值对所述线性嵌入层、所述基于转换器的编码器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，使用所述分类器在每次迭代更新前后的权重矩阵，对所述训练分类特征向量进行迭代。
[0075]
特别地，在本技术的技术方案中，在将所述多个图像块上下文语义关联特征向量进行级联得到分类特征向量时，由于所述多个图像块上下文语义关联特征向量是从划分所述声发射信号gasf图像得到的多个二维图像序列块获得的，尽管通过基于转换器的编码器
获取了单独的二维图像序列块的上下文表达，但由于每个二维图像序列块的分立式图像语义场景表达，所述多个图像块上下文语义关联特征向量之间的相关性仍然可能不高。因此，在将所述分类特征向量通过分类器进行分类时，分类器的权重矩阵相对于所述分类特征向量的级联特征表达的适配负担会较重，这影响了分类器的训练速度和分类特征向量的分类结果的准确性。
[0076]
因此，本技术的申请人考虑使用分类器迭代的场景相关优化来进行分类器的训练，具体为：
[0077][0078]
v是所述分类特征向量，m1和m2是分类器在每次迭代更新前后的权重矩阵，||
·
||0表示向量的零范数。
[0079]
这里，以分类器在迭代时权重矩阵的参数更新前后的场景点相关性的度量作为校正因数，来对所述分类特征向量v的类概率表示进行优化，以通过分类器的分类场景的分布相似性做出支持来对所述分类特征向量v进行相关性描述，以从所述分类特征向量v的角度提升分类器的权重矩阵的参数与所述分类特征向量v之间的适配性，从而提升分类器的训练速度和分类特征向量的分类结果的准确性。这样，提高对于钨镧丝性能检测的精准度。
[0080]
综上，根据本技术实施例的用于钨镧丝的检测装置300被阐明，其通过基于gasf转换和基于转换器的编码器对声发射信号进行检测，进一步通过对声发射信号的检测来判断钨镧丝的材料成型质量和性能，提高对于钨镧丝性能检测的精准度。
[0081]
示例性方法
[0082]
图7图示了根据本技术实施例的钨镧丝的检测方法的流程图。如图7所示，根据本技术实施例的钨镧丝的检测方法，包括步骤：s110，获取待检测钨镧丝的声发射信号；s120，对所述声发射信号进行格拉姆角和场转换以得到声发射信号gasf图像；s130，将所述声发射信号gasf图像分为二维图像序列块；s140，将所述二维图像序列块中各个二维图像块通过线性嵌入层以将所述各个二维图像块转化为一维嵌入向量以得到多个图像块特征向量；s150，将所述多个图像块特征向量通过基于转换器的编码器以得到多个图像块上下文语义关联特征向量；s160，将所述多个图像块上下文语义关联特征向量进行级联以得到分类特征向量；s170，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待检测钨镧丝的成型质量是否满足预定要求。
[0083]
在一个示例中，在上述钨镧丝的检测方法中，所述步骤s130，包括：将所述声发射信号gasf图像进行均匀划分得到的所述二维图像序列块。
[0084]
在一个示例中，在上述钨镧丝的检测方法中，所述步骤s140，包括：使用所述线性嵌入层以可学习嵌入矩阵对所述二维图像序列块中各个二维图像块进行线性投影以得到所述多个图像块特征向量。
[0085]
在一个示例中，在上述钨镧丝的检测方法中，所述步骤s150，包括：将所述多个图像块特征向量排列为输入向量；将所述输入向量分别通过可学习嵌入矩阵转化为查询向量和关键向量；计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；将所述标准化自注意关联矩阵输入softmax激活函数进行激活以得到自注意力特征矩阵；以及，将所述自注意力特征矩阵与以所述多个图像块特征向量中各个图像块特征向量作为值向量分别
进行相乘以得到所述多个图像块上下文语义关联特征向量。
[0086]
在一个示例中，在上述钨镧丝的检测方法中，所述步骤s170，包括：使用所述分类器以如下公式对所述分类特征向量进行处理以获得分类结果；
[0087]
其中，所述公式为：o＝softmax{(w，b)|x}，其中，w为权重矩阵，b为偏置向量，x为分类特征向量。
[0088]
综上，根据本技术实施例的钨镧丝的检测方法被阐明，其通过基于gasf转换和基于转换器的编码器对声发射信号进行检测，进一步通过对声发射信号的检测来判断钨镧丝的材料成型质量和性能，提高对于钨镧丝性能检测的精准度。