1.一种电机磁瓦缺陷分类方法,其特征是,包括步骤如下:步骤1、构建UPM‑DenseNet定位分类模型,该UPM‑DenseNet定位分类模型由定位模型与分类模型组成;定位模型的输入端形成UPM‑DenseNet定位分类模型的输入端,定位模型的输出端连接分类模型的输入端,分类模型的输出端形成UPM‑DenseNet定位分类模型的输出端;
上述定位模型由5个下采样块、4个上采样块、1个定位预测层和1个输出层组成;在定位模型中,第一下采样块的输入端形成定位模型的输入端,第一下采样块的输出端连接第二下采样块的输入端,第二下采样块的输出端连接第三下采样块的输入端,第三下采样块的输出端连接第四下采样块的输入端,第四下采样块的输出端连接第五下采样块的输入端,第五下采样块的输出端连接第一上采样块的输入端,第一上采样块的输出端连接第二上采样块的输入端,第二上采样块的输出端连接第三上采样块的输入端,第三上采样块的输出端连接第四上采样块的输入端,第四上采样块的输出端连接定位预测层的输入端,定位预测层的输出端连接输出层的输入端,第一下采样块的输入端连接输出层的引出端,输出层的输出端形成定位模型的输出端;第一下采样块的引出端连接第一上采样块的引出端,第二下采样块的引出端连接第二上采样块的引出端,第三下采样块的引出端连接第三上采样块的引出端,第四下采样块的引出端连接第四上采样块的引出端,第五下采样块的引出端悬置;
上述分类模型由卷积层、瓶颈注意力机制层、最大池化层、4个带注意力机制的卷积块、
4个转换块和分类预测层组成;在分类模型中,卷积层的输入端形成分类模型的输入端,卷积层的输出端连接瓶颈注意力机制层的输入端,瓶颈注意力机制层的输出端连接最大池化层的输入端,最大池化层的输出端连接第一带注意力机制的卷积块的输入端,第一带注意力机制的卷积块的输出端连接第一转换块的输入端,第一转换块的输出端连接第二带注意力机制的卷积块的输入端,第二带注意力机制的卷积块的输出端连接第二转换块的输入端,第二转换块的输出端连接第三带注意力机制的卷积块的输入端,第三带注意力机制的卷积块的输出端连接第三转换块的输入端,第三转换块的输出端连接第四带注意力机制的卷积块的输入端,第四带注意力机制的卷积块的输出端连接第四转换块的输入端,第四转换块的输出端连接分类预测层的输入端,分类预测层的输出端形成分类模型的输出端;
步骤2、获取电机磁瓦训练样本集,该电机磁瓦训练样本集的每个训练样本包括对应的电机磁瓦表面灰度图、掩码图像和类别标签;
步骤3、利用电机磁瓦训练样本集分别对UPM‑DenseNet定位分类模型的定位模型和分类模型进行训练,即:将训练样本的电机磁瓦表面灰度图作为定位模型的输入,将训练样本的掩码图像作为定位模型的输出,对UPM‑DenseNet定位分类模型的定位模型进行训练,得到训练好的定位模型;同时,将训练样本的掩码图像作为分类模型的输入,将类别标签作为分类模型的输出,对UPM‑DenseNet定位分类模型的分类模型进行训练,得到训练好的分类模型;当定位模型和分类模型训练完成后,即得到训练好的UPM‑DenseNet定位分类模型;
步骤4、采集待检测电机磁瓦的电机磁瓦表面灰度图,并将该电机磁瓦表面灰度图送入到训练好的UPM‑DenseNet定位分类模型中,由此得到待检测电机磁瓦的类别标签。
2.根据权利要求1所述的一种电机磁瓦缺陷分类方法,其特征是,定位模型的每个下采样块由至少一个带注意力机制及标准化的卷积层和最大池化层组成;在下采样块中,所有带注意力机制及标准化的卷积层依次串联,第一个带注意力机制及标准化的卷积层的输入端形成下采样块的输入端,最后一个带注意力机制及标准化的卷积层的输出端分为两路:一路形成下采样块的引出端,另一路连接最大池化层的输入端,最大池化层的输出端形成下采样块的输出端;
每个带注意力机制及标准化的卷积层由卷积层、瓶颈注意力机制层、标准化层和激活层组成;在带注意力机制及标准化的卷积层中,卷积层的输入端形成带注意力机制及标准化的卷积层的输入端,卷积层的输出端瓶颈注意力机制层的输入端,瓶颈注意力机制层的输出端连接标准化层的输入端,标准化层的输出端连接激活层的输入端,激活层的输出端形成带注意力机制及标准化的卷积层的输出端。
3.根据权利要求1所述的一种电机磁瓦缺陷分类方法,其特征是,定位模型的每个上采样块由反卷积层、标准化层、激活层和至少一个带标准化的卷积层组成;在上采样块中,反卷积层的输入端形成上采样块的输入端,反卷积层的输出端连接标准化层的输入端,标准化层的输出端连接激活层的输入端;所有带标准化的卷积层依次串联,第一个带标准化的卷积层的输入端与激活层的输出端连接,最后一个带标准化的卷积层的输出端形成上采样块的输出端;
每个带标准化的卷积层由卷积层、标准化层和激活层组成;在带标准化的卷积层中,卷积层的输入端形成带标准化的卷积层的输入端,卷积层的输出端连接标准化层的输入端,标准化层的输出端连接激活层的输入端,激活层的输出端形成带标准化的卷积层的输出端。
4.根据权利要求1所述的一种电机磁瓦缺陷分类方法,其特征是,定位模型的定位预测层由卷积层和Sigmoid激活层组成;在定位预测层中,卷积层形成定位预测层的输入端,卷积层的输出端连接Sigmoid激活层的输入端,Sigmoid激活层的输出端形成定位预测层的输出端。
5.根据权利要求1所述的一种电机磁瓦缺陷分类方法,其特征是,定位模型的输出层由卷积层、阈值函数层、Tanh激活层、矩阵求积层和通道堆叠层组成;在输出层中,卷积层的输入端形成输出层的输入端,卷积层的输出端连接阈值函数层的输入端,阈值函数层的输出端连接Tanh激活层的输入端,Tanh激活层的输出端连接矩阵求积层的一端,矩阵求积层的另一端形成输出层的引出端,矩阵求积层的输出端连接通道堆叠层的一个输入端,卷积层的输入端连接通道堆叠层的另一个输入端,通道堆叠层的输出端形成输出层的输出端。
6.根据权利要求1所述的一种电机磁瓦缺陷分类方法,其特征是,分类模型的每个带注意力机制的卷积块由至少一个密集卷积层和瓶颈注意力机制层组成;在带注意力机制的卷积块中,所有密集卷积层依次串联,第一个密集卷积层的输入端形成带注意力机制的卷积块的输入端,最后一个密集卷积层的输出端连接瓶颈注意力机制层的输入端,瓶颈注意力机制层的输出端形成带注意力机制的卷积块的输出端;
每个密集卷积层由第一标准化层、第一激活层、第一卷积层、第二标准化层、第二激活层、第二卷积层和最大池化层组成;在密集卷积层中,第一标准化层的输入端形成密集卷积层的输入端,第一标准化层的输出端连接第一激活层的输入端,第一激活层的输出端连接第一卷积层的输入端,第一卷积层的输出端连接第二标准化层的输入端,第二标准化层的输出端连接第二激活层的输入端,第二激活层的输出端连接第二卷积层的输入端,第二卷积层的输出端连接最大池化层的输入端,最大池化层的输出端形成密集卷积层的输出端;
第一标准化层的输入端连接最大池化层的输出端。
7.根据权利要求1所述的一种电机磁瓦缺陷分类方法,其特征是,分类模型的每个转换块由标准化层、激活层、卷积层和平均池化层组成;在转换块中,标准化层的输入端形成转换块的输入端,标准化层的输出端连接激活层的输入端,激活层的输出端连接卷积层的输入端,卷积层的输出端连接平均池化层的输入端,平均池化层的输出端形成转换块的输出端。
8.根据权利要求1所述的一种电机磁瓦缺陷分类方法,其特征是,分类模型的分类预测层由标准化层、激活层、全局平均池化层和Softmax激活层组成;
在分类预测层中,标准化层的输入端形成分类预测层的输入端,标准化层的输出端连接激活层的输入端,激活层的输出端连接全局平均池化层的输入端,全局平均池化层的输出端连接Softmax激活层的输入端,Softmax激活层的输出端形成分类预测层的输出端。