卷积神经网络的超声波识别互感器缺陷方法及装置与流程

1.本发明涉及电流互感器缺陷识别技术领域，并且更具体地，涉及一种卷积神经网络的超声波识别互感器缺陷方法及装置。


背景技术：

2.为了对计量用互感器进行快速全覆盖式的预筛选，选取劣质概率较高的计量用互感器进一步通过全性能试验排查，提升计量用互感器的缺陷检出率和待投运计量用互感器的质量水平，本项目采用超声波这种快速无损检测的方法对互感器进行检测。
3.超声检测基本原理信号通常以波的形式出现，例如声波和电磁波等，超声波属于声波，其频率通常大于20khz，是介质中超声振动的传播所引起的呈波动形式的一种机械振动。超声波具有波长短、频率高以及能定向发射等特征，能在界面上产生反射、折射和波型变换。超声波能量与其频率二次方成正比，因此能量密度高、传播距离大、穿透能力强。
4.超声波在不同材料介质而组成的界面上所产生的反射和透射状况与材料的声阻抗关系密切。由于界面不同材料介质的弹性模量和密度不同，因此在该区域传播的超声波声阻抗也不同。反射波的强弱关键取决于界面两侧材料介质的声阻抗z1和z2，故尺寸一样但不同性质的缺陷，缺陷回波强度不同。空气的声阻抗远小于钢的声阻抗，对于固体材料中气孔、裂纹等含气体的缺陷，可近似认为声波在缺陷表面发生全反射。而超声检测就是根据超声波在器件内的回波情况来判断器件内是否有缺陷。
5.一般的超声检测研究是在结构较为简单及材料较为单一的器件上进行，波形较为规律，易于分析。下图为电流互感器切面示意图，其中灰色的环表示铁心，以铁心为中心对应的黑黄棕橙色区域分别为铁心塑料护壳、二次线圈、缓冲层以及环氧树脂，紫色区域为超声波发射及接收装置。可见电流互感器内部结构复杂，材料种类多，回波波形极其复杂，一般的分析方法已经不能适用。


技术实现要素：

6.电流互感器由于制造过程中的各种不确定因素，可能会产生各种缺陷，相关缺陷可以采用非接触非破坏性的超声波缺陷检测方法进行检测。不同的缺陷对应的超声波波形不同，因此可以针对超声波的波形对缺陷进行识别。但是通过人工的方式进行识别不仅准确率低而且非常低效。针对此问题，提出了本发明。本发明的实施例提供了一种卷积神经网络的超声波识别互感器缺陷方法及装置。
7.根据本发明实施例的一个方面，提供了一种卷积神经网络的超声波缺陷识别方法，包括：
8.利用超声波检测装置对电流互感器进行检测，采集对应不同缺陷下的超声波的波形数据；
9.应用傅里叶变换提取波形数据的频谱信息；
10.使用格拉姆角场算法将频谱信息生成对应不同缺陷类别的特征图像；
11.将生成的特征图像分成训练集和测试集，并将训练集输入卷积神经网络模型进行训练；
12.将测试集输入训练好的卷积神经网络模型，对特征图像中的缺陷特征进行提取和分类，确定超声波缺陷类型。
13.可选地，电流互感器的缺陷类型包括：气泡和裂缝。
14.可选地，使用格拉姆角场算法生成的特征图像为二维彩色图像。
15.可选地，训练好的卷积神经网络模型包括3个卷积层、2个池化层和2个全连接层；其中3个卷积层的卷积核大小均为2
×
2，卷积核个数分别为16，32，48；2个池化层的池化窗口大小为2
×
2，步幅为2；2个全连接层神经元个数为240和120；经过softmax分类器输出10种分类结果。
16.根据本发明实施例的另一个方面，提供了一种卷积神经网络的超声波缺陷识别装置，包括：
17.波形数据采集模块，用于利用超声波检测装置对电流互感器进行检测，采集对应不同缺陷下的超声波的波形数据；
18.频谱信息提取模块，用于应用傅里叶变换提取波形数据的频谱信息；
19.特征图像生成模块，用于使用格拉姆角场算法将频谱信息生成对应不同缺陷类别的特征图像；
20.模型训练模块，用于将生成的特征图像分成训练集和测试集，并将训练集输入卷积神经网络模型进行训练；
21.缺陷类型确定模块，用于将测试集输入训练好的卷积神经网络模型，对特征图像中的缺陷特征进行提取和分类，确定超声波缺陷类型。
22.可选地，电流互感器的缺陷类型包括：气泡和裂缝。
23.可选地，使用格拉姆角场算法生成的特征图像为二维彩色图像。
24.可选地，训练好的卷积神经网络模型包括3个卷积层、2个池化层和2个全连接层；其中3个卷积层的卷积核大小均为2
×
2，卷积核个数分别为16，32，48；2个池化层的池化窗口大小为2
×
2，步幅为2；2个全连接层神经元个数为240和120；经过softmax分类器输出10种分类结果。
25.根据本发明实施例的另一个方面，还提供了一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述方法。
26.根据本发明实施例的另一个方面，还提供了一种电子设备，所述电子设备包括：
27.处理器；
28.用于存储所述处理器可执行指令的存储器；
29.所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述方法。
30.本发明所提出的卷积神经网络的超声波缺陷识别方法，借助机器视觉中图像分类算法的优势，可以提高辨识准确度，进一步降低缺陷类型辨识所需时间。在本发明中，应用快速傅里叶变换和格拉姆角场算法对获取的特征数据进行处理，获取对应电流互感器不同缺陷类型的特征图片。然后应用卷积神经网络对特征图片进行分类从而实现缺陷类型识别。与以往方法相比，本发明可以将人工智能算法中发展应用较为成熟的图像分类算法应
用到缺陷识别中，实现缺陷类型的准确快速辨识。
31.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
32.通过结合附图对本发明实施例进行更详细的描述，本发明的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与本发明实施例一起用于解释本发明，并不构成对本发明的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
33.图1是本发明一示例性实施例提供的卷积神经网络的超声波缺陷识别方法的流程示意图；
34.图2是本发明一示例性实施例提供的低压电磁式电流互感器三维模型的示意图；
35.图3是本发明一示例性实施例提供的缺陷识别算法流程图；
36.图4是本发明一示例性实施例提供的cnn训练过程准确率曲线的示意图；
37.图5是本发明一示例性实施例提供的cnn训练过程损失曲线的示意图；
38.图6是本发明一示例性实施例提供的卷积神经网络的超声波缺陷识别装置的结构示意图。
具体实施方式
39.下面，将参考附图详细地描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。
40.应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
41.本领域技术人员可以理解，本发明实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。
42.还应理解，在本发明实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。
43.还应理解，对于本发明实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。
44.另外，本发明中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本发明中字符“/”，一般表示前后关联对象是一种“或”的关系。
45.还应理解，本发明对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。
46.同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
47.以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
48.对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为说明书的一部分。
49.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
50.本发明实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。
51.终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
52.示例性方法
53.图1是本发明一示例性实施例提供的卷积神经网络的超声波缺陷识别方法的流程示意图。如图1所示，卷积神经网络的超声波缺陷识别方法包括：
54.s1：利用超声波检测装置对电流互感器进行检测，采集对应不同缺陷下的超声波的波形数据。
55.可选地，电流互感器的缺陷类型包括：气泡和裂缝。
56.s2：应用傅里叶变换提取波形数据的频谱信息。
57.在本发明实施例中，傅里叶变换(fft)为一种常用的信号变换方法，其可以将时域中的信号变换到频域中进行分析，提取原始信号中频域信息。其变换过程为使用不同的正弦信号对原始信号中包含的不同成分进行分析，应用傅里叶变换，可以将任意一个信号分解为无数个不同频率的正弦信号的和。
58.对于任一周期性电压或电流信号f(t)，均可以表示为周期为t的函数：
59.f(t)＝f(t+kt)(k＝0,1,2,...)(1)
60.等式(1)的傅里叶级数即可以表示为：
[0061][0062]
等式(2)中，a0为直流分量，ω为基波角频率，n为谐波次数，an和bn分别为n次谐波的正弦相系数和余弦项系数。
[0063]
根据欧拉公式：
[0064][0065]
可将(2)式变换转化为(4)式：
[0066][0067]
上式中
[0068]
对于基波角频率为ω的连续函数f(t)，当其满足狄里克莱条件且绝对可积，其傅里叶变换可表示为：
[0069][0070]
在数学分析中，应用傅里叶变换分析的信号均为连续的。但现代信号处理系统中存储的为离散信号，而对离散信号进行分析需要应用离散傅里叶变换。对于现代信号处理系统中存储的离散信号f(n)，当其采样点数为n时，离散傅里叶变换公式为：
[0071][0072]
公式(6)中，f(n)为原始离散信号，n为离散信号采样点数，f(k)为原始信号经离散傅里叶变换后的频谱。
[0073]
获取原始的故障信号并应用fft生成对应频谱信息。
[0074]
s3：使用格拉姆角场算法将频谱信息生成对应不同缺陷类别的特征图像。
[0075]
可选地，使用格拉姆角场算法生成的特征图像为二维彩色图像。
[0076]
在本发明实施例中，获取原始的故障信号并应用fft生成对应频谱信息后，即可应用格拉姆角场(gaf)算法将频谱信息生成对应不同故障类型的图片。gaf生成图片具体过程为：对于给定一个由实际观测值组成的一维序列x＝(x1,x2,
…
,xn)，该序列中xi(i＝1,2,
…
,n)对应时间为ti，时间间隔为1/n。使用该序列中最大、最小值将其缩放至[-1,1]中，具体缩放公式为：
[0077][0078]
将缩放后的序列的值映射为角度ψi，将其对应的时间戳ti映射为半径r，这样就可以在极坐标系中重新将缩放后的时间序列表示出来，如公式(8)所示。
[0079][0080]
式中n为调节极坐标径向跨度的常数因子。
[0081]
将一维信号映射到极坐标系后，我们可以很容易地利用角度视角，通过考虑每个点之间的三角函数差来识别不同时间间隔内的时间相关性。即应用三角函数生成gaf矩阵：
[0082][0083]
由于gaf矩阵中元素取值范围均为[-1,1]，需要通过式(10)将gaf矩阵中每个元素的值缩放到0～255之间，使其对应图像的像素数据，从而得到二维图像。
[0084]
i(j,k)＝int(127.5(g(j,k)+1))(10)
[0085]
式中，i(j,k)为生成的图像中第j(j＝1,2,
…
,n)行，第k(k＝1,2,
…
,n)列的像素值。int为取整函数，g(j,k)为gaf矩阵的第j行、第k列元素的值。
[0086]
从而，运用fft获取频谱信息和利用gaf生成对应不同缺陷类别的二维彩色图像，可以有效提升cnn分类准确率。
[0087]
s4：将生成的特征图像分成训练集和测试集，并将训练集输入卷积神经网络模型进行训练。
[0088]
可选地，训练好的卷积神经网络模型包括3个卷积层、2个池化层和2个全连接层；其中3个卷积层的卷积核大小均为2
×
2，卷积核个数分别为16，32，48；2个池化层的池化窗口大小为2
×
2，步幅为2；2个全连接层神经元个数为240和120；经过softmax分类器输出10种分类结果。
[0089]
在本发明实施例中，典型的卷积神经网络(cnn)一般包含卷积层、池化层、全连接层和输出层。当对大量图片进行分类时，cnn可以通过卷积层和池化层对输入图片进行特征提取映射和降低维度，最后经过全连接层和输出层输出分类结果。
[0090]
本发明使用的cnn以lenet-5为基础进行扩展，在基础lenet-5网络中增加一个卷积层，最终网络有3个卷积层，2个池化层，2个全连接层。3个卷积层的卷积核大小均为2
×
2，卷积核个数分别为16，32,48；2个池化层的池化窗口大小为2
×
2，步幅为2；2个全连接层神经元个数为240和120；最后经过softmax输出10种分类结果。上述cnn结构如表1所示。
[0091]
表1cnn结构
[0092][0093]
s5：将测试集输入训练好的卷积神经网络模型，对特征图像中的缺陷特征进行提取和分类，确定超声波缺陷类型。
[0094]
下面结合本发明的最优实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0095]
本专利以低压电磁电流互感器为例进行研究，建立了如图2所示三维几何模型。
[0096]
图2为电流互感器切面示意图，其中灰色的环表示铁心，以铁心为中心对应的黑黄棕橙色区域分别为铁心塑料护壳、二次线圈、缓冲层以及环氧树脂，紫色区域为超声波发射及接收装置。可见电流互感器内部结构复杂，材料种类多，回波波形极其复杂，一般的分析方法已经不能适用。
[0097]
如图3所示，该方案包括以下步骤：
[0098]
步骤1、利用实验或仿真获得电流互感器不同缺陷下的超声波波形。
[0099]
步骤2、将步骤1获取的超声波波形应用快速傅里叶变换获得频谱信息。
[0100]
步骤3、使用gaf将步骤2生成的频谱信息生成对应不同缺陷类别的二维彩色图像。
[0101]
步骤4、将步骤3的图像样本分成训练集和测试集，并将训练集cnn模型进行训练，完成网络训练并保存网络模型；
[0102]
步骤5、将步骤4中的测试集输入训练结束的cnn模型中进行测试，cnn模型对缺陷特征进行自适应的提取和分类，从而进行缺陷判别；
[0103]
步骤6、采集不同缺陷情况下的超声波波形，重复上述步骤1～5。
[0104]
为了保证训练的cnn能够进行准确分类，训练数据必须包含线路不同缺陷的超声波数据。通过仿真或实验的方法可以获取训练数据，利用cnn实现多分类时，输出层采softmax函数，最终输出结果为0和1组成的一维向量，如表2所示。
[0105]
表2不同缺陷对应的分类结果
[0106][0107]
采用cnn对超声波数据获取窗口内的频谱信息经gaf生成的图片进行分类训练，共设置4轮训练，每30次迭代进行一次测试集验证，因此共有120次训练迭代过程。训练过程中具体分类准确率和损失曲线如图4和图5所示。
[0108]
由图4和5可以看出，训练过程中cnn收敛速度非常快，在第10次迭代时训练集分类准确率已接近100％，损失同样降至0.1左右；而到达第40次迭代以后，训练集分类准确率已稳定至100％，损失同样接近于0。而对于每30次迭代进行的一次测试集验证，其分类结果准确率均保持在100％，损失同样接近于0。且由图5可以看出，fft-gaf-cnn的缺陷类型识别模型对于电流互感器不同缺陷分类效果保持良好分类性能。
[0109]
从而，本发明借助机器视觉中图像分类算法的优势，可以提高辨识准确度，进一步降低缺陷类型辨识所需时间。在本发明中，应用快速傅里叶变换和格拉姆角场算法对获取的特征数据进行处理，获取对应电流互感器不同缺陷类型的特征图片。然后应用卷积神经网络对特征图片进行分类从而实现缺陷类型识别。与以往方法相比，本发明可以将人工智能算法中发展应用较为成熟的图像分类算法应用到缺陷识别中，实现缺陷类型的准确快速辨识。
[0110]
示例性装置
[0111]
图6是本发明一示例性实施例提供的卷积神经网络的超声波缺陷识别装置的结构示意图。如图6所示，本实施例所提出的卷积神经网络的超声波缺陷识别装置包括：
[0112]
波形数据采集模块，用于利用超声波检测装置对电流互感器进行检测，采集对应不同缺陷下的超声波的波形数据；
[0113]
频谱信息提取模块，用于应用傅里叶变换提取波形数据的频谱信息；
[0114]
特征图像生成模块，用于使用格拉姆角场算法将频谱信息生成对应不同缺陷类别
的特征图像；
[0115]
模型训练模块，用于将生成的特征图像分成训练集和测试集，并将训练集输入卷积神经网络模型进行训练；
[0116]
缺陷类型确定模块，用于将测试集输入训练好的卷积神经网络模型，对特征图像中的缺陷特征进行提取和分类，确定超声波缺陷类型。
[0117]
可选地，电流互感器的缺陷类型包括：气泡和裂缝。
[0118]
可选地，使用格拉姆角场算法生成的特征图像为二维彩色图像。
[0119]
可选地，训练好的卷积神经网络模型包括3个卷积层、2个池化层和2个全连接层；其中3个卷积层的卷积核大小均为2
×
2，卷积核个数分别为16，32，48；2个池化层的池化窗口大小为2
×
2，步幅为2；2个全连接层神经元个数为240和120；经过softmax分类器输出10种分类结果。
[0120]
本发明的实施例的卷积神经网络的超声波缺陷识别装置与本发明的另一个实施例的卷积神经网络的超声波缺陷识别方法相对应，在此不再赘述。
[0121]
以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。
[0122]
本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0123]
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0124]
可能以许多方式来实现本公开的方法和装置。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
[0125]
还需要指出的是，在本公开的系统、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0126]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

技术特征：
1.一种卷积神经网络的超声波缺陷识别方法，其特征在于，包括：利用超声波检测装置对电流互感器进行检测，采集对应不同缺陷下的超声波的波形数据；应用傅里叶变换提取波形数据的频谱信息；使用格拉姆角场算法将频谱信息生成对应不同缺陷类别的特征图像；将生成的特征图像分成训练集和测试集，并将训练集输入卷积神经网络模型进行训练；将测试集输入训练好的卷积神经网络模型，对特征图像中的缺陷特征进行提取和分类，确定超声波缺陷类型。2.根据权利要求1所述的方法，其特征在于，电流互感器的缺陷类型包括：气泡和裂缝。3.根据权利要求1所述的方法，其特征在于，使用格拉姆角场算法生成的特征图像为二维彩色图像。4.根据权利要求1所述的方法，其特征在于，训练好的卷积神经网络模型包括3个卷积层、2个池化层和2个全连接层；其中3个卷积层的卷积核大小均为2
×
2，卷积核个数分别为16，32，48；2个池化层的池化窗口大小为2
×
2，步幅为2；2个全连接层神经元个数为240和120；经过softmax分类器输出10种分类结果。5.一种卷积神经网络的超声波缺陷识别装置，其特征在于，包括：波形数据采集模块，用于利用超声波检测装置对电流互感器进行检测，采集对应不同缺陷下的超声波的波形数据；频谱信息提取模块，用于应用傅里叶变换提取波形数据的频谱信息；特征图像生成模块，用于使用格拉姆角场算法将频谱信息生成对应不同缺陷类别的特征图像；模型训练模块，用于将生成的特征图像分成训练集和测试集，并将训练集输入卷积神经网络模型进行训练；缺陷类型确定模块，用于将测试集输入训练好的卷积神经网络模型，对特征图像中的缺陷特征进行提取和分类，确定超声波缺陷类型。6.根据权利要求5所述的装置，其特征在于，电流互感器的缺陷类型包括：气泡和裂缝。7.根据权利要求5所述的装置，其特征在于，使用格拉姆角场算法生成的特征图像为二维彩色图像。8.根据权利要求5所述的装置，其特征在于，训练好的卷积神经网络模型包括3个卷积层、2个池化层和2个全连接层；其中3个卷积层的卷积核大小均为2
×
2，卷积核个数分别为16，32，48；2个池化层的池化窗口大小为2
×
2，步幅为2；2个全连接层神经元个数为240和120；经过softmax分类器输出10种分类结果。9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-4任一所述的方法。10.一种电子设备，其特征在于，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述
权利要求1-4任一所述的方法。

技术总结
本发明实施例公开了一种卷积神经网络的超声波识别互感器缺陷方法及装置，其中方法包括：利用超声波检测装置对电流互感器进行检测，采集对应不同缺陷下的超声波的波形数据；应用傅里叶变换提取波形数据的频谱信息；使用格拉姆角场算法将频谱信息生成对应不同缺陷类别的特征图像；将生成的特征图像分成训练集和测试集，并将训练集输入卷积神经网络模型进行训练；将测试集输入训练好的卷积神经网络模型，对特征图像中的缺陷特征进行提取和分类，确定超声波缺陷类型。确定超声波缺陷类型。确定超声波缺陷类型。


技术研发人员：卢冰 周峰 雷民 殷小东 姜春阳 陈习文 金淼 聂高宁 王斯琪 王欢 王旭 齐聪 郭子娟 付济良 余雪芹 高克俭 郭鹏 刘俊 朱赤丹 赵世杰
受保护的技术使用者：国家电网有限公司
技术研发日：2022.12.29
技术公布日：2023/9/7