[发明专利]基于深度学习的非接触式磁应力检测装置设计方法

权利要求书

1.基于深度学习的非接触式磁应力检测装置设计方法，其特征在于，包括以下步骤：

步骤1：获取多组元磁致伸缩材料的磁学参数及其在应力作用下的磁畴构型或磁力线分布图，建立深度学习数据库；

步骤2：创建深度学习网络架构，设置合适的损失函数和模型性能评估指标；

步骤3：将步骤1中建立的数据集随机划分为训练集和测试集，训练步骤2所构建的深度学习网络模型，优化模型参数，分析训练后的深度学习模型精确度及泛化能力；

步骤4：利用拍摄装置捕获材料在应力作用下的磁畴构型或磁力线分布图，通过步骤3训练优化后的深度学习模型识别所采集图像代表的应力值，实现实时检测。

2.根据权利要求1所述的基于深度学习的非接触式磁应力检测装置设计方法，其特征在于：所述步骤1中，具体分为以下步骤：

步骤1-1：通过实验测量、查找公开数据库或已发表文献途径，获取多组元磁致伸缩材料的磁学参数，包括交换劲度系数、饱和磁化强度、磁晶各向异性常数和饱和磁致伸缩系数；

步骤1-2：采用粉纹法、磁光效应法、磁力显微镜方法和X射线技术实验方法，获取多组元磁致伸缩材料在应力作用下的磁畴构型；或者通过微磁学和相场模拟计算方法获得材料磁畴构型；此外，利用磁极观察显示片，获取多组元磁致伸缩材料在应力作用下的磁力线分布图；

步骤1-3：利用步骤1-1获取的多组元磁致伸缩材料的磁学参数和步骤1-2获取的磁畴构型，建立深度学习数据集，其中将不同材料的磁学参数与其在应力作用下的磁畴构型或磁力线分布图作为特征，将不同图片对应的应力值作为标签。

3.根据权利要求1所述的基于深度学习的非接触式磁应力检测装置设计方法，其特征在于：所述步骤2中，具体分为以下步骤：

步骤2-1：创建多层卷积网络模块，并在每层卷积层后配置一个池化层，用于缩小特征维度，提取磁畴图或磁力线分布图中的关键特征；将所提取的图片特征构成张量a₁，并将该材料对应的磁学参数构建成张量a₂；

步骤2-2：设置张量拼接模块，将步骤2-1中提取的图片特征张量a₁与该材料磁学参数张量a₂进行拼接，构成新的张量a₃；

步骤2-3：构建恰当层数的全连接网络，根据a₃张量的元素个数设置输入层神经元个数；由于仅有一个预测目标，为此将输出层神经元个数设置为1；同时，为增加深度学习网络的非线性，在每个隐藏层之间都设有ReLu激活函数，其中ReLu函数表达式为f(x)＝max(0,x)；

步骤2-4：设置合适的损失函数：L1Loss主要衡量了预测值与真实值之间的平均绝对误差MAE，其对异常值具有较好的鲁棒性，但求解效率较低，网络收敛速度慢；平均绝对误差MAE被定义为

其中n为样本数量，f_i和y_i分别表示第i个样本的预测值和真实值；L2Loss主要通过计算预测值与真实值之间的均方误差MSE，在求解过程中其每个点连续可导，梯度下降计算更为便捷，但其对异常值十分敏感；均方误差MSE定义为

设置所需的模型评判指标，包括平均绝对误差、均方误差和决定系数。

4.根据权利要求1所述的基于深度学习的非接触式磁应力检测装置设计方法，其特征在于：所述步骤3中，具体分为以下步骤：

步骤3-1：将步骤1-3建立的深度学习数据集随机划分为训练集和测试集，选取数据集中70％的数据作为训练集，并用于对所构建的深度学习网络进行训练，调整模型的权重、偏置和学习率参数；

步骤3-2：利用数据库中剩余30％的数据建立测试集，用于测试深度学习网络的精确度和泛化能力；

步骤3-3：保存最终具有优异预测性能的深度学习网络模型。

5.根据权利要求1所述的基于深度学习的非接触式磁应力检测装置设计方法，其特征在于：所述步骤4中，具体分为以下步骤：

步骤4-1：通过粉纹法、磁光效应法、磁力显微镜方法获取在应力作用下材料的磁畴构型，或者通过安放磁极观察显示片，捕获材料在应力作用下的磁力线分布图；

步骤4-2：将步骤1-1获得的材料磁学参数和步骤4-1获取的图片信息输入至搭载步骤3-3深度学习网络的服务器中；通过所构建的网络识别图片对应的应力值，并由显示装置实时地显示当前材料所受应力大小，完成新型高性能非接触磁应力检测装置的设计。