[发明专利]一种基于超声波和深度学习的应力检测方法、装置及设备

权利要求书

1.一种基于超声波和深度学习的应力检测方法，其特征在于，包括：

接收待测样品的结构材料信息及超声波探测信号；

根据所述结构材料信息，确定对应的结构应力模型；

根据所述超声波探测信号，通过所述结构应力模型得到所述待测样品的应力信息；所述结构应力模型为通过预设的样本集训练得到的神经网络模型。

2.如权利要求1所述的基于超声波和深度学习的应力检测方法，其特征在于，所述结构应力模型的训练方法包括：

获取验证数据集，所述验证数据集包括多个样本超声波信号及与所述样本超声波信号一一对应的样本应力值；

将所述验证数据集作为待训练神经网络模型的输入量，得到与所述样本超声波信号一一对应的预测应力值；

根据所述样本应力值及所述预测应力值得到所述待训练神经网络模型的当前准确率；

判断所述当前准确率是否不小于目标准确率；

当所述当前准确率小于所述目标准确率时，更新所述输入量，得到校正数据集；所述校正数据集包括至少一个与所述输入量不同的样本超声波信号及对应的样本应力值；

将所述校正数据集作为所述待训练神经网络模型新的输入量，循环所述得到所述样本超声波信号一一对应的预测应力值至所述更新所述输入量，得到校正数据集的步骤，直至所述当前准确率不小于所述目标准确率，得到所述结构应力模型。

3.如权利要求2所述的基于超声波和深度学习的应力检测方法，其特征在于，所述根据所述样本应力值及所述预测应力值得到所述待训练神经网络模型的当前准确率包括：

分别计算各个所述样本超声波信号对应的所述样本应力值与所述预测应力值的差的绝对值；

确定所述绝对值小于预设的偏离值的超声波信号的数量，作为合格数量；

根据所述合格数量与所述输入量包括的样本超声波信号的总数量，得到所述待训练神经网络模型的当前准确率。

4.如权利要求2所述的基于超声波和深度学习的应力检测方法，其特征在于，所述待训练神经网络模型为YOLO v3模型。

5.一种基于超声波和深度学习的应力检测装置，其特征在于，包括：

接收模块，用于接收待测样品的结构材料信息及超声波探测信号；

模型确定模块，用于根据所述结构材料信息，确定对应的结构应力模型；

模型计算模块，用于根据所述超声波探测信号，通过所述结构应力模型得到所述待测样品的应力信息；所述结构应力模型为通过预设的样本集训练得到的神经网络模型。

6.如权利要求5所述的基于超声波和深度学习的应力检测装置，其特征在于，所述模型确定模块包括：

获取单元，用于获取验证数据集，所述验证数据集包括多个样本超声波信号及与所述样本超声波信号一一对应的样本应力值；

应力确定单元，用于将所述验证数据集作为待训练神经网络模型的输入量，得到与所述样本超声波信号一一对应的预测应力值；

准确率衡量单元，用于根据所述样本应力值及所述预测应力值得到所述待训练神经网络模型的当前准确率；

判断单元，用于判断所述当前准确率是否不小于目标准确率；

数据集更新单元，用于当所述当前准确率小于所述目标准确率时，更新所述输入量，得到校正数据集；所述校正数据集包括至少一个与所述输入量不同的样本超声波信号及对应的样本应力值；

循环单元，用于将所述校正数据集作为所述待训练神经网络模型新的输入量，循环所述得到所述样本超声波信号一一对应的预测应力值至所述更新所述输入量，得到校正数据集的步骤，直至所述当前准确率不小于所述目标准确率，得到所述结构应力模型。

7.如权利要求6所述的神经网络模型的训练装置，其特征在于，所述准确率衡量单元包括：

差值确定单元，用于分别计算各个所述样本超声波信号对应的所述样本应力值与所述预测应力值的差的绝对值；

统计单元，用于确定所述绝对值小于预设的偏离值的超声波信号的数量，作为合格数量；

准确率单元，用于根据所述合格数量与所述输入量包括的样本超声波信号的总数量，得到所述待训练神经网络模型的当前准确率。