专利交易市场

本发明提供一种面向轴承故障识别的CNN模型可视化优化方法，具体实施步骤如下：首先，使用轴承故障试验台的振动加速度传感器采集测试轴承的不同状态下驱动端和风扇端的高频振动加速度信号数据；然后，对轴承振动加速度信号数据做预处理，并划分为训练集、测试集和验证集；接着，搭建轴承故障识别CNN模型，并初始化，将样本图像与标签作为训练样本来训练完整的卷积神经网络模型，并记录完整的卷积神经网络模型中各层相关参数和超参数信息；最后，将轴承故障识别CNN模型可视化，并对可视化模型结果进行分析评估，并依照优化方法优化模型结构。本发明使用了三种可视化的方法，同时得到了基于可视化的参数优化方法和基于可视化判断网络模型的方法。

本发明公开了一种基于卷积神经网络多尺度特征的管道缺陷检测方法，属于缺陷检测技术领域，包括以下步骤：S1：构建网络的输入端部分；S2：构建网络的主干网络部分；S3：构建网络的多尺度融合特征金字塔部分；S4：构建网络的损失函数；S5：构建网络的输出预测部分；S6：使用数据集对构建网络进行训练得到优先网络权重；S7：使用训练完成的检测网络来执行管道内缺陷图片检测的任务。将卷积神经网络作为缺陷检测的主要方法，实现检测过程的智能化以及实时性。