[發(fā)明專利]一種風(fēng)險(xiǎn)等級(jí)的分類方法及模型訓(xùn)練方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202310084176.9
• 申請(qǐng)日: 2023-02-09
• 公開（公告）號(hào): CN115965822A
• 公開（公告）日: 2023-04-14
• 發(fā)明（設(shè)計(jì)）人: 劉斌;王福川;武梓涵;何璐瑤;楊理踐;任建;于慧;耿浩;廉正;王竹筠;高夢(mèng)真
• 申請(qǐng)（專利權(quán)）人: 沈陽工業(yè)大學(xué)
• 主分類號(hào): G06V10/764
• 分類號(hào): G06V10/764;G06V10/774;G06V10/26;G06Q10/04;G06Q10/0635;G06Q10/0639;G06F17/16
• 代理公司: 北京恒律知識(shí)產(chǎn)權(quán)代理有限公司 11416
• 代理人: 張琳麗

1.一種風(fēng)險(xiǎn)等級(jí)分類模型的訓(xùn)練方法，其特征在于，所述方法包括：

根據(jù)幅度參數(shù)和梯度參數(shù)對(duì)弱磁信號(hào)數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)等級(jí)劃分，得到標(biāo)簽數(shù)據(jù)；

將所述標(biāo)簽數(shù)據(jù)進(jìn)行圖像塊劃分，得到若干個(gè)圖像塊；

獲取風(fēng)險(xiǎn)等級(jí)分類網(wǎng)絡(luò)；所述風(fēng)險(xiǎn)等級(jí)分類網(wǎng)絡(luò)包括：多頭自注意力層和MLP分類層；

利用所述多頭自注意力層執(zhí)行如下步驟：

將每個(gè)圖像塊進(jìn)行線性投影，得到三個(gè)矩陣向量；所述三個(gè)矩陣向量包括：查詢矩陣、關(guān)鍵字矩陣和值矩陣；

針對(duì)每個(gè)圖像塊：

根據(jù)所述三個(gè)矩陣向量計(jì)算所述圖像塊與其他圖像塊的關(guān)聯(lián)程度得分；

將所述關(guān)聯(lián)程度得分除以縮放因子，得到縮放關(guān)聯(lián)程度得分；

利用Softmax函數(shù)對(duì)所述縮放關(guān)聯(lián)程度得分進(jìn)行歸一化運(yùn)算，得到歸一化得分；

將所述歸一化得分乘以值矩陣，得到權(quán)值矩陣；

將每個(gè)圖像塊的所述權(quán)值矩陣?yán)奂樱玫嚼奂訖?quán)值矩陣；

利用所述MLP分類層，計(jì)算所述累加權(quán)值矩陣的幅度參數(shù)和梯度參數(shù)；并根據(jù)所述累加權(quán)值矩陣的幅度參數(shù)和梯度參數(shù)對(duì)所述累加權(quán)值矩陣進(jìn)行風(fēng)險(xiǎn)等級(jí)分類，得到風(fēng)險(xiǎn)等級(jí)分類結(jié)果；

根據(jù)所述標(biāo)簽數(shù)據(jù)和所述風(fēng)險(xiǎn)等級(jí)分類結(jié)果利用交叉熵?fù)p失函數(shù)優(yōu)化所述風(fēng)險(xiǎn)等級(jí)分類網(wǎng)絡(luò)，得到風(fēng)險(xiǎn)等級(jí)分類模型。

2.根據(jù)權(quán)利要求1所述的風(fēng)險(xiǎn)等級(jí)分類模型的訓(xùn)練方法，其特征在于，在所述根據(jù)幅度參數(shù)和梯度參數(shù)對(duì)弱磁信號(hào)數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)等級(jí)劃分，得到標(biāo)簽數(shù)據(jù)之前，還包括：

利用管道弱磁檢測(cè)器對(duì)管道內(nèi)部進(jìn)行檢測(cè)，獲取管道應(yīng)力集中區(qū)的弱磁信號(hào)數(shù)據(jù)。

3.根據(jù)權(quán)利要求1所述的風(fēng)險(xiǎn)等級(jí)分類模型的訓(xùn)練方法，其特征在于，所述根據(jù)幅度參數(shù)和梯度參數(shù)對(duì)弱磁信號(hào)數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)等級(jí)劃分，得到標(biāo)簽數(shù)據(jù)，具體包括：

將所述弱磁信號(hào)數(shù)據(jù)轉(zhuǎn)換為R*L的矩陣形式，得到采集矩陣；其中，R表示檢測(cè)器并行采集的弱磁信號(hào)數(shù)據(jù)，L表示沿檢測(cè)器運(yùn)行方向上采集點(diǎn)的數(shù)量；

將所述采集矩陣按照描點(diǎn)連線的方式進(jìn)行成像，得到曲線圖像；

計(jì)算所述曲線圖像的幅度參數(shù)和梯度參數(shù)；

根據(jù)所述幅度參數(shù)和所述梯度參數(shù)對(duì)所述曲線圖像進(jìn)行風(fēng)險(xiǎn)等級(jí)劃分，得到標(biāo)簽數(shù)據(jù)。

4.根據(jù)權(quán)利要求3所述的風(fēng)險(xiǎn)等級(jí)分類模型的訓(xùn)練方法，其特征在于，所述風(fēng)險(xiǎn)等級(jí)包括：正常應(yīng)力、異常應(yīng)力、風(fēng)險(xiǎn)應(yīng)力和危害應(yīng)力；

當(dāng)m₁＝1且m＝1時(shí)，劃分風(fēng)險(xiǎn)等級(jí)為正常應(yīng)力；其中，式中，m₁表示幅度參數(shù)，m表示梯度參數(shù)，K_smax表示最大梯度，K_save表示平均梯度，A_max表示最大磁場(chǎng)強(qiáng)度，表示平均磁場(chǎng)強(qiáng)度，表示傳感器采樣點(diǎn)間隔；

當(dāng)m₁＝1.2且m＝1.5時(shí)，劃分風(fēng)險(xiǎn)等級(jí)為異常應(yīng)力；

當(dāng)m₁＝1.5且m＝2，劃分風(fēng)險(xiǎn)等級(jí)為風(fēng)險(xiǎn)應(yīng)力；

當(dāng)m₁2且m3，劃分風(fēng)險(xiǎn)等級(jí)為危害應(yīng)力。

5.根據(jù)權(quán)利要求1所述的風(fēng)險(xiǎn)等級(jí)分類模型的訓(xùn)練方法，其特征在于，將所述標(biāo)簽數(shù)據(jù)進(jìn)行圖像塊劃分，得到若干個(gè)圖像塊，具體包括：

將所述標(biāo)簽數(shù)據(jù)劃分為若干個(gè)初級(jí)圖像塊；

將每個(gè)所述初級(jí)圖像塊線性映射到一維向量中，得到一維序列；

將所述一維序列與位置嵌入向量拼接，得到圖像塊。

6.根據(jù)權(quán)利要求1所述的風(fēng)險(xiǎn)等級(jí)分類模型的訓(xùn)練方法，其特征在于，根據(jù)所述標(biāo)簽數(shù)據(jù)和所述風(fēng)險(xiǎn)等級(jí)分類結(jié)果利用交叉熵?fù)p失函數(shù)優(yōu)化所述風(fēng)險(xiǎn)等級(jí)分類網(wǎng)絡(luò)，得到風(fēng)險(xiǎn)等級(jí)分類模型，具體包括：

根據(jù)所述標(biāo)簽數(shù)據(jù)和所述風(fēng)險(xiǎn)等級(jí)分類結(jié)果計(jì)算交叉熵；

根據(jù)所述交叉熵利用自適應(yīng)梯度算法優(yōu)化所述風(fēng)險(xiǎn)等級(jí)分類網(wǎng)絡(luò)，得到風(fēng)險(xiǎn)等級(jí)分類模型。