[发明专利]一种数据识别模型训练方法、数据识别方法及装置

说明书

本发明公开一种数据识别模型训练方法、数据识别方法及装置，数据识别模型训练方法包括：对各个螺栓进行检测，以获取螺栓样本数据；对螺栓样本数据进行数据处理，确定目标数据集；利用目标数据集对数据识别模型进行训练，生成目标数据识别模型。本发明通过基于一维深度可分离卷积的螺栓损伤识别方法，可以提高检测效率，且本检测方法对人员技术要求不高，提高检测识别效率以及准确性。

技术领域

本发明涉及数据处理技术领域，具体涉及一种数据识别模型训练方法、数 据识别方法及装置。

背景技术

随着深度学习技术的发展，人们可以通过使用深度学习的方法，有效地处 理数据识别等机器识别问题。随着社会的发展，越来越多的设备离不开螺纹进 行固定以及连接，因此螺纹的安全性也越来越重要。现有螺栓缺陷检测技术包 括超声检测、磁粉检测、相控阵检测，此类检测技术需要对检测人员的技术有 严格的要求，且检测速度慢，尤其对于风电机组螺栓数量相当巨大，利用现有 方法检测效率低、准确性差。

发明内容

有鉴于此，本发明实施例提供了一种数据识别模型训练方法、数据识别方 法及装置，解决了现有技术中数据识别模型检测效率和准确率差的问题。

根据第一方面，本发明实施例提供了一种数据识别模型训练方法，包括：

对各个螺栓进行检测，以获取螺栓样本数据；

对所述螺栓样本数据进行数据处理，确定目标数据集；

利用所述目标数据集对数据识别模型进行训练，生成目标数据识别模型。

本发明实施例提供的数据识别模型训练方法，通过基于一维深度可分离卷 积的螺栓损伤识别方法，可以提高检测效率，且本检测方法对人员技术要求不 高，提高检测识别效率以及准确性。

结合第一方面，在第一方面第一实施方式中，所述螺栓样本数据为音频信 号。

结合第一方面第一实施方式，在第一方面第二实施方式中，所述对所述螺 栓样本数据进行数据处理，确定目标数据集，包括：

对所述音频信号进行傅里叶变换，确定一维输入向量；

对所述一维输入向量进行归一化处理，确定一维频率振幅向量；

利用所述一维频率振幅向量与标签的关系，确定一维频率振幅向量对应的 标签，所述标签为音频信号对应螺栓的损伤状态；

将各一维频率振幅向量和对应的标签组成目标数据集。

结合第一方面，在第一方面第三实施方式中，所述利用所述目标数据集对 数据识别模型进行训练，生成目标数据识别模型，包括：

构建一维深度可分离卷积模型，将所述一维深度可分离卷积模型确定为所 述数据识别模型；

通过所述目标数据集对所述数据识别模型进行参数优化，以确定目标识别 模型。

结合第一方面第二实施方式，在第一方面第四实施方式中，所述对所述音 频信号进行傅里叶变换，确定一维输入向量，包括：

对所述音频信号进行傅里叶变换，确定频谱信号；

将预设振幅的所述频谱信号确定为所述一维输入向量。

本发明实施例提供的数据识别模型训练方法，通过基于一维深度可分离卷 积的螺栓损伤识别方法，可以提高检测效率，且本检测方法对人员技术要求不 高，提高检测识别效率以及准确性。模型的将标准的卷积层替换成深度可分离 卷积卷积层，可以大幅提高模型的计算速度，较同层数的标准卷积网络模型分 类识别准确率有所提高，运算速度提高一倍。

根据第二方面，本发明实施例提供的数据识别方法，包括：