[发明专利]基于图神经网络的智能检测方法

说明书

本发明提供了一种基于图神经网络的智能检测方法，其包括如下步骤：采集数据、预处理、搭建网络模型、预训练和迁移学习、预测和抽检验证以完善整个预测系统；相比于人工检测，本发明提高了部件检测的准确率以及效率，减少了人为因素对检测的干预，降低了人工成本和检测成本。相比于传统机器学习方法，图神经网络不要求数据的组成形式必须具有良好的空间关系，即具有排列齐整的矩阵形式，其可以接受非结构化输入的特点显著提升了模型的表达能力。相比于卷积神经网络方法，图神经网络可以更好地学习各元素的逻辑关系，从而提高模型的泛化能力。在网络的学习过程中，每个节点负责传播自身的信息以及综合邻居节点的信息，从而学习掌握数据的逻辑范式。

技术领域

本发明属于智能检测技术领域，具体涉及一种基于图神经网络的智能检测方法。

背景技术

部件检测是工业化流水线中必不可少的一个环节。目前加工流程、装配流程以及传输流程均已达到全自动化的标准。但检测流程由于其特殊性，还未能达到全自动化的标准。

为保证产品质量，每一件部件出厂前都需要经过严格的功能测试。目前车间的调试设备多具有自动化或半自动化执行调试过程的功能，但调试结果仍需要人工判断。

以电梯牵引马达这类部件的智能检测为例，目前部件检测存在以下问题：

(1)人工判断调试结果耗时较长，且容易产生误判和漏判现象。

(2)培养合格的检测人员需要耗费大量的时间成本以及经济成本。

(3)调试信息没有记录和保存的过程，不具有可追溯性和可维护性。

近年来，图神经网络在社交网络、知识图谱、分子结构识别等领域得到广泛应用。图神经网络可以直接根据图中各节点的依赖关系进行建模的特点使其相较于传统的方法，能够更好地分析节点之间的关系。由于适用于部件检测，其各检测指标之间也具有依赖关系，故设想是否可以将图神经网络用于部件检测领域。然而，将图神经网络应用于部件检测结果预测存在以下问题和困难：

(1)深度网络需要大量的标注样本才能达到良好的训练效果。由于检测过程不可避免的会有破坏性检测的存在，因此，采集足够多的检测样本就需要破坏同样数量的部件，将造成极大的损失。

(2)目前提出的图神经网络架构多用于节点分类的任务，故此类架构更注重节点的局部相关性，即加大邻接关系的权重。而部件检测是整体分类任务，网络需要最终输出一个部件合格的可能性，需要综合考虑全局信息和局部信息。

发明内容

本发明的目的在于克服现有技术的不足以提供一种基于图神经网络的智能检测技术。该技术适用于电梯牵引马达这类部件的智能检测，能够直接提高电梯牵引马达这类部件检测的准确率和效率，并间接减少调试人员的学习成本和电梯牵引马达部件的测试成本。

为达到上述目的，本发明的解决方案是：

一种基于图神经网络的智能检测方法，包括步骤如下：

(1)、采集数据

电梯牵引马达这类部件的检测数据由硬件工具采集得到，得到的各项检测指标及检测结果为原始数据。

(2)、预处理

对原始数据进行清洗并转换成网络模型可以处理的标准格式数据，提供给步骤四。

(3)、搭建网络模型

本发明网络模型整体包括对抗生成网络和图神经网络，所述图神经网络又包括输入层、若干特征图层、若干全连接层、迁移学习层、SoftMax输出层。所述对抗生成网络输出连接至图神经网络中的输入层。