高通量压电系数检测的机器学习方法、系统及计算机介质

高通量压电系数检测的机器学习方法、系统及计算机介质
【技术领域】
1.本发明涉及人工智能技术领域，特别涉及一种高通量压电系数检测的机器学习方法、系统及计算机介质。


背景技术：

2.近年来，压电薄膜材料得到了广泛的应用，在指纹识别、测量、红外、安全报警、医疗保健、信息工程、办公自动化、海洋开发、地质勘探等技术领域均有广泛运用。其中，用于超声波指纹识别传感器的压电薄膜对于薄膜的各项技术指标如压电系数的数值及分布均有较高的要求。实现对薄膜各性能要求的检测极其耗费时间和人力成本，因此对压电系数测量的快速化、精准化提出了极高的要求。
3.现有压电系数检测设备大多采用手动检测方法，需要人工剥离薄膜进行检测，不仅会损坏薄膜增加生产和检测的成本，同时耗费人力成本且检测速度过慢。经过改造设计的无损检测设备，达到了无损检测的目的，但逐点检测的方法更适用于实验，针对工业生产检测，仍存在速度过慢的问题。


技术实现要素：

4.为提高压电系数检测效率，本发明提供了一种高通量压电系数检测的机器学习方法、系统及计算机介质。
5.本发明解决技术问题的方案是提供一种高通量压电系数检测的机器学习方法，包括以下步骤：提供一压电薄膜，获取压电薄膜中多个位置的样本点，对应所述样本点生成压电系数样本，该压电系数样本作为机器学习的输入数据；基于样本点边沿线建立坐标系，获取压电系数样本在坐标系中的坐标及压电系数值；以预设获取方式获取坐标系中的多个初始簇心及初始簇心坐标；基于压电系数样本的坐标，压电系数值，初始簇心及初始簇心坐标以预设分簇方式进行分簇，得到新簇心及新簇心坐标；以预设迭代方式使簇心收敛，得到收敛簇心及收敛簇心坐标；基于收敛簇心及收敛簇心坐标规划预设检测探头移动路径，该预设检测探头移动路径作为机器学习的输出数据。
6.优选地，所述初始簇心坐标与压电系数样本坐标相同或不同。
7.优选地，以预设获取方式获取初始簇心及初始簇心坐标具体包括如下步骤：基于预设目标优化率获取初始簇心数量；将初始簇心在所述坐标系中均匀随机分散，获取分散后的初始簇心坐标。
8.优选地，在以预设分簇方式进行分簇之前还包括设定分簇界定值，对初始簇心及初始簇心坐标进行分簇的预设分簇方式为按照如下公式进行：
[0009][0010]
其中，每个压电系数样本vi的坐标(xi,yi)，bi为该压电系数样本的压电系数，下标k为初始簇心数量，每个初始簇心坐标为(xk,yk)，ck为初始簇心的压电系数值，a
ik
为判断指标，a
ik
中的a为分簇界定值。
[0011]
优选地，对初始簇心及初始簇心坐标进行分簇需满足分簇条件，分簇条件包括如下判断过程：判断压电系数样本的压电系数与初始簇心压电系数之差是否在所述分簇界定值范围内，若在分簇界定值范围外，则等待迭代过程中的下一次分簇；若在分簇界定值范围内，则比较每一初始簇心对应判断指标的大小，获取判断指标中的最小值；对判断指标中最小值进行标记，将该最小值对应的初始簇心划入本次迭代的新簇中。
[0012]
优选地，以预设分簇方式对初始簇心及初始簇心坐标进行分簇具体包括如下步骤：以初始簇心为中心获取预设范围，以压电系数样本到最近初始簇心的距离为半径，获取标准差；基于初始簇心及压电系数样本，获取满足标准差的压电系数样本的集合，作为新的簇。
[0013]
优选地，以预设分簇方式对初始簇心及初始簇心坐标进行分簇还包括如下的新簇心确定步骤：遍历新簇中所有压电系数样本，使
[0014]
最小的点作为新簇心，其中，m为压电系数样本总数；或，遍历新簇中所有压电系数样本，计算理论簇心值令最接近理论簇心值的点作为新簇心，其中，m为压电系数样本总数。
[0015]
优选地，以预设迭代方式使簇心收敛，得到收敛簇心及收敛簇心坐标具体包括如下步骤：定义一个初始簇心坐标为初始样本，所有初始样本组成初始样本集，以预设分簇方式对初始样本集进行分簇得到的新簇心坐标集为一次数据；定义多个一次数据组成为集成数据，以集成数据作为新样本，在新样本中选取多个新初始簇心；基于选取的新初始簇心，重复上述分簇，获取新簇心及新簇心坐标的步骤，直到新初始簇心收敛，得到收敛簇心及收敛簇心坐标。
[0016]
本发明为解决上述技术问题还提供一种高通量压电系数的机器学习系统，用于实现如上所述的高通量压电系数检测的机器学习方法，包括信息获取模块：用于获取压电薄膜中多个位置的压电系数样本，机器学习的输入数据，压电系数样本在坐标系中的坐标及压电系数值，坐标系中的多个初始簇心及初始簇心坐标，分簇后的新簇心及新簇心坐标，收敛簇心与收敛簇心坐标，以及机器学习的输出数据；数据运算模块：用于基于样本点边沿线建立坐标系，以预设分簇方式对初始簇心及初始簇心坐标进行分簇，以预设迭代方式使簇心收敛，及基于收敛簇心及收敛簇心坐标规划预设检测探头移动路径。
[0017]
本发明为解决上述技术问题还提供一种存储介质，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上所述的高通量压电系数检测的机器学习方法。
[0018]
与现有技术相比，本发明的一种高通量压电系数检测的机器学习方法、系统及计算机介质具有以下优点：
[0019]
1、本发明的高通量压电系数检测的机器学习方法，包括以下步骤：提供一压电薄膜，获取压电薄膜中多个位置的样本点，对应所述样本点生成压电系数样本，该压电系数样本作为机器学习的输入数据；基于样本点边沿线建立坐标系，获取压电系数样本在坐标系中的坐标及压电系数值；以预设获取方式获取坐标系中的多个初始簇心及初始簇心坐标；基于压电系数样本的坐标，压电系数值，初始簇心及初始簇心坐标以预设分簇方式进行分
簇，得到新簇心及新簇心坐标；以预设迭代方式使簇心收敛，得到收敛簇心及收敛簇心坐标；基于收敛簇心及收敛簇心坐标规划预设检测探头移动路径，该预设检测探头移动路径作为机器学习的输出数据。簇心也即该簇中压电系数的均值，本发明的通过给定的样本，改良均值算法针对聚类所得簇划分，反映出簇内样本围绕中心压电系数检测点的紧密程度，找到簇内样本相似度极高的点做一次分簇，从而只需要检测初始簇心点而忽略其他相似特性的压电系数样本，达到简化检测的目的，减少检测的时间及人力成本，使检测效率大大提高。
[0020]
2、本发明的高通量压电系数检测的机器学习方法，以预设获取方式获取初始簇心及初始簇心坐标具体包括如下步骤：基于预设目标优化率获取初始簇心数量；将初始簇心在坐标系中均匀随机分散，获取分散后的初始簇心坐标。初始簇心数量根据算法所需要满足的优化目标设定，均匀随机分散是为了更高效的获取所有压电系数样本中相似的特性，从而便于进行分簇迭代，也使得步骤更简单，结果更可靠。
[0021]
3、本发明的高通量压电系数检测的机器学习方法，对初始簇心及初始簇心坐标进行分簇需满足分簇条件，分簇条件包括如下判断过程：判断压电系数样本的压电系数与初始簇心压电系数之差是否在所述分簇界定值范围内，若在分簇界定值范围外，则等待迭代过程中的下一次分簇；若在分簇界定值范围内，则比较每一簇心对应判断指标的大小，获取判断指标中的最小值；对判断指标中最小值进行标记，将该最小值对应的初始簇心划入本次迭代的新簇中。通过对压电系数样本的筛选，多次迭代后能使满足相同标准，也即相似度极高的压电系数样本进行同簇划分，判断指标代表误差范围，判断指标越小，代表误差越小，因此判断指标的最小值也即最精确的点作为新簇心，进行后续步骤的运算能减少运算误差，从而保证结果的可靠性及准确性。
[0022]
4、本发明的高通量压电系数检测的机器学习方法，以预设分簇方式对初始簇心及初始簇心坐标进行分簇具体包括如下步骤：以初始簇心为中心获取预设范围内压电系数样本与该初始簇心的标准差；基于初始簇心及压电系数样本，获取满足标准差的压电系数样本的集合，作为新的簇。初始簇心均匀分布在压电薄膜上，能基于该方法更快速的获取标准差，也即分簇依据，满足标准差的压电系数样本的集合则分到同一簇中。进一步提升分簇效率。
[0023]
5、本发明的高通量压电系数检测的机器学习方法，以预设迭代方式使簇心收敛，得到收敛簇心及收敛簇心坐标具体包括如下步骤：定义一个初始簇心坐标为初始样本，所有初始样本组成初始样本集，以预设分簇方式对初始样本集进行分簇得到的新簇心坐标集为一次数据；定义多个一次数据组成为集成数据，以集成数据作为新样本，在新样本中选取多个新初始簇心；基于选取的新初始簇心，重复上述分簇，获取新簇心及新簇心坐标的步骤，直到新初始簇心收敛，得到收敛簇心及收敛簇心坐标。通过该方法多次迭代使簇心收敛，从而获取最优的结果，同时降低运算需求，提高检测效率。
[0024]
6、本发明还提供一种高通量压电系数的机器学习系统，用于实现如上所述的高通量压电系数检测的机器学习方法，包括信息获取模块：用于获取压电薄膜中多个位置的压电系数样本，机器学习的输入数据，压电系数样本在坐标系中的坐标及压电系数值，坐标系中的多个初始簇心及初始簇心坐标，分簇后的新簇心及新簇心坐标，收敛簇心与收敛簇心坐标，以及机器学习的输出数据；数据运算模块：用于基于样本点边沿线建立坐标系，以预
设分簇方式对初始簇心及初始簇心坐标进行分簇，以预设迭代方式使簇心收敛，及基于收敛簇心及收敛簇心坐标规划预设检测探头移动路径。高通量压电系数的机器学习系统具有与上述高通量压电系数检测的机器学习方法相同的有益效果，在此不做赘述。
[0025]
7、本发明还提供一种存储介质，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述计算机程序时，实现如上所述的高通量压电系数检测的机器学习方法。存储介质具有与上述高通量压电系数检测的机器学习方法相同的有益效果，在此不做赘述。
【附图说明】
[0026]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0027]
图1是本发明第一实施例提供的一种高通量压电系数检测的机器学习方法的步骤流程图。
[0028]
图2是本发明第一实施例提供的一种高通量压电系数检测的机器学习方法中步骤s3的步骤流程图。
[0029]
图3是本发明第一实施例提供的一种高通量压电系数检测的机器学习方法之簇心与样本点数量关系图。
[0030]
图4是本发明第一实施例提供的一种高通量压电系数检测的机器学习方法中步骤s4的步骤流程图一。
[0031]
图5是本发明第一实施例提供的一种高通量压电系数检测的机器学习方法中步骤s4的步骤流程图二。
[0032]
图6是本发明第一实施例提供的一种高通量压电系数检测的机器学习方法之坐标系中簇的分布示意图。
[0033]
图7是本发明第一实施例提供的一种高通量压电系数检测的机器学习方法中步骤s5的步骤流程图。
[0034]
图8是本发明第一实施例提供的一种高通量压电系数检测的机器学习方法之预设检测探头的移动路径示意图。
[0035]
图9是本发明第二实施例提供的一种高通量压电系数的机器学习系统的示意图。
[0036]
图10是本发明第三实施例提供的一种存储介质的示意图。
[0037]
附图标识说明：
[0038]
1、高通量压电系数的机器学习系统；2、存储介质；
[0039]
11、信息获取模块；12、数据运算模块；21、存储器；22、处理器；23、计算机程序。
【具体实施方式】
[0040]
为了使本发明的目的，技术方案及优点更加清楚明白，以下结合附图及实施实例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0041]
请参阅图1，本发明第一实施例提供一种高通量压电系数检测的机器学习方法，包括以下步骤：
[0042]
s1：提供一压电薄膜，获取压电薄膜中多个位置的样本点，对应样本点生成压电系数样本，该压电系数样本作为机器学习的输入数据；
[0043]
s2：基于样本点边沿线建立坐标系，获取压电系数样本在坐标系中的坐标及压电系数值；
[0044]
s3：以预设获取方式获取坐标系中的多个初始簇心及初始簇心坐标；
[0045]
s4：基于压电系数样本的坐标，压电系数值，初始簇心及初始簇心坐标以预设分簇方式进行分簇，得到新簇心及新簇心坐标；
[0046]
s5：以预设迭代方式使簇心收敛，得到收敛簇心及收敛簇心坐标；
[0047]
s6：基于收敛簇心及收敛簇心坐标规划预设检测探头移动路径，该预设检测探头移动路径作为机器学习的输出数据。
[0048]
需要说明的是，本发明具体实施例提供的高通量压电系数检测的机器学习方法适用于训练的压电系数样本和待检测的压电系数样本，训练的压电系数样本和待检测的压电系数样本需要在压电薄膜上具备相同的分布规律；且建立的坐标系为二维坐标系，用于直观获取平面上各样本点、压电系数样本、初始簇心、新簇心以及收敛簇心的坐标。
[0049]
在本实施例中使用高通量d33无损检测设备进行对样本点的无损检测，具体的，高通量是指以自动化操作执行实验过程，短时间内进行大量样本的检测。压电材料的d33系数是指：mems压电振动能量收集器采用d33工作模式时，应力为3方向，压电材料受到外界施加在3方向上的拉应力或压应力，其所产生的机械形变和电场方向均为3方向，即电压和应力都在3方向。3方向是指沿z轴方向作用的正应力。这里对检测设备不做限定，在本发明中高通量d33无损检测设备仅仅是满足预期效果的较佳设备之一，具体的检测设备以实际情况为准。
[0050]
此外，簇心也即该簇中压电系数的均值，可用初始均值向量表示，本发明通过给定的样本，改良均值算法针对聚类所得簇划分，反映出簇内样本围绕中心压电系数检测点的紧密程度，找到簇内相似度极高的压电系数样本做一次分簇，从而只需要检测初始簇心点而忽略其他相似特性的压电系数样本，达到简化检测的目的，减少检测的时间及人力成本，使检测效率大大提高。
[0051]
进一步的，请参阅图2及图3，以预设获取方式获取初始簇心及初始簇心坐标具体包括如下步骤：
[0052]
s31：基于预设目标优化率获取初始簇心数量；
[0053]
s32：将初始簇心在坐标系中均匀随机分散，获取分散后的初始簇心坐标。
[0054]
需要说明的是，初始簇心跟样本点的数量无关，与压电薄膜面积成正相关，簇心点的个数就是经过算法优化以后样本点的个数，具体的，初始簇心在二维空间位置上均匀分布。
[0055]
初始簇心的数量与目标优化率相关。可选的，当预设目标优化率也即检测速度优化为85％时，若此时有100个待测样本点，则初始簇心的个数取15个，经过该算法优化过后，就可以得知能够最大限度的代表整体的15个点的具体坐标，起到最精确的检测效果。
[0056]
可以理解地，初始簇心数量根据算法所需要满足的优化目标设定，均匀随机分散
是为了更高效的获取所有压电系数样本中相似的特性，从而便于进行分簇迭代，也使得步骤更简单，结果更可靠。
[0057]
具体的，初始簇心坐标与压电系数样本坐标相同或不同。
[0058]
可以理解地，压电系数样本可以看作待测样本点，初始簇心为随机获取的，因此可能出现重复的可能，如若排出重复的可能，反而会降低算法结果的可靠性。
[0059]
更具体的，请参阅图6，图中不同灰度的区域块代表一个簇，图中共显示出15个簇，每一个簇的面积以及包含压电系数样本的个数不完全相同。
[0060]
可以理解地，该方法能进一步提升分簇效率。
[0061]
具体的，在以预设分簇方式进行分簇之前还包括设定分簇界定值，对初始簇心及初始簇心坐标进行分簇的预设分簇方式为按照如下公式进行：
[0062][0063]
其中，每个压电系数样本vi的坐标(xi,yi)，bi为该压电系数样本的压电系数，下标k为初始簇心数量，每个初始簇心坐标为(xk,yk)，ck为初始簇心的压电系数值，a
ik
为判断指标，a
ik
中的a为分簇界定值。
[0064]
进一步的，请参阅图4，对初始簇心及初始簇心坐标进行分簇需满足分簇条件，分簇条件包括如下判断过程：
[0065]
s411：判断压电系数样本的压电系数与初始簇心压电系数之差是否在分簇界定值范围内，若在分簇界定值范围外，则等待迭代过程中的下一次分簇；
[0066]
s412：若在分簇界定值范围内，则比较每一簇心对应判断指标的大小，获取判断指标中的最小值；
[0067]
s42：对判断指标中最小值进行标记，将该最小值对应的初始簇心划入本次迭代的新簇中。
[0068]
需要说明的是，判断指标代表误差范围，判断指标越小，代表误差越小。
[0069]
可以理解地，通过对压电系数样本的筛选，多次迭代后能使满足相同标准，也即相似度极高的压电系数样本进行同簇划分，因此判断指标的最小值也即最精确的点作为新簇心，进行后续步骤的运算能减少运算误差，从而保证结果的可靠性及准确性。
[0070]
进一步的，请参阅图5，以预设分簇方式对初始簇心及初始簇心坐标进行分簇具体包括如下步骤：
[0071]
s43：以初始簇心为中心获取预设范围内压电系数样本与该初始簇心的标准差；
[0072]
s44：基于初始簇心及压电系数样本，获取满足标准差的压电系数样本的集合，作为新的簇。
[0073]
需要说明的是，初始簇心均匀分布在坐标系内，能基于该方法更快速的获取标准差，也即分簇依据，满足标准差的压电系数样本的集合则分到同一簇中。
[0074]
具体的，在本发明具体实施例中，以初始簇心为圆心，压电系数样本到初始簇心的距离为半径，获取圆形区域内的压电系数样本与初始初心的标准差。
[0075]
进一步的，以预设分簇方式对初始簇心及初始簇心坐标进行分簇还包括如下的新簇心确定步骤：
[0076]
遍历新簇中所有压电系数样本，使
[0077]
最小的点作为新簇心，其中，m为压电系数样本总数；
[0078]
或，遍历新簇中所有压电系数样本，计算理论簇心值令最接近理论簇心值的点作为新簇心，其中，m为压电系数样本总数。
[0079]
需要说明的是，在运用公式获取新簇心时，两种公式不能同时使用，也即新簇心的求取公式同时只能使用一种，避免公式混用，获取的新簇心标准不一，影响结果的准确性。
[0080]
进一步的，请参阅图7及图8，以预设迭代方式使簇心收敛，得到收敛簇心及收敛簇心坐标具体包括如下步骤：
[0081]
s51：定义一个初始簇心坐标为初始样本，所有初始样本组成初始样本集，以预设分簇方式对初始样本集进行分簇得到的新簇心坐标集为一次数据；
[0082]
s52：定义多个一次数据组成为集成数据，以集成数据作为新样本，在新样本中选取多个新初始簇心；
[0083]
s53：基于选取的新初始簇心，重复上述分簇，获取新簇心及新簇心坐标的步骤，直到新初始簇心收敛，得到收敛簇心及收敛簇心坐标；
[0084]
需要说明的是，在新样本中选取新初始簇心的方式也为坐标系中均匀随机分散并获取坐标，检测探头移动路径为设备检测探头在压电薄膜上的运动路径，运动路径与收敛簇心坐标有关，以此方法获取的移动路径为最高效的检测路径。
[0085]
具体的，检测探头的运动路径以建立的二维坐标系为准，先保证纵坐标不变，横坐标依次增大；再保证横坐标不变，纵坐标依次增大；再保证纵坐标不变，横坐标依次减小；再保证横坐标不变，纵坐标依次增大。此过程作为一个完整循环，也是检测探头路径规划的依据，具体再根据簇心坐标调整移动距离，从而形成适配整个坐标系的运动路径规划，以保证所有压电系数值、初始簇心、新簇心以及新初始簇心均能全分簇。
[0086]
可以理解地，通过该方法多次迭代使簇心收敛，从而获取最优的结果，同时降低运算需求，提高检测效率。
[0087]
进一步的，请参阅图9，本发明第二实施例提供一种高通量压电系数的机器学习系统1，用于实现如上所述的高通量压电系数检测的机器学习方法，包括信息获取模块11：用于获取压电薄膜中多个位置的压电系数样本，机器学习的输入数据，压电系数样本在坐标系中的坐标及压电系数值，坐标系中的多个初始簇心及初始簇心坐标，分簇后的新簇心及新簇心坐标，和收敛簇心及收敛簇心坐标，以及机器学习的输出数据；数据运算模块12：用于基于样本点边沿线建立坐标系，以预设分簇方式对初始簇心及初始簇心坐标进行分簇，以预设迭代方式使簇心收敛，及基于收敛簇心及收敛簇心坐标规划预设检测探头移动路径。
[0088]
高通量压电系数的机器学习系统具有与上述高通量压电系数检测的机器学习方法相同的有益效果，在此不做赘述。
[0089]
进一步的，请参阅图10，本发明第三实施例提供一种存储介质2，包括存储器21、处理器22及存储在存储器21上并可在处理器22上运行的计算机程序23，处理器22执行计算机程序23时，实现如上所述的高通量压电系数检测的机器学习方法。存储介质1具有与上述高
通量压电系数检测的机器学习方法相同的有益效果，在此不做赘述。
[0090]
可以理解地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(cpu)执行时，执行本技术的方法中限定的上述功能。需要说明的是，本技术所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本技术中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0091]
可以以一种或多种程序设计语言或其组合来编写用于执行本技术的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言诸如java、smalltalk、c++，还包括常规的过程式程序设计语言诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务端上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(lan)或广域网(wan)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0092]
在本发明所提供的实施例中，应理解，“与a对应的b”表示b与a相关联，根据a可以确定b。但还应理解，根据a确定b并不意味着仅仅根据a确定b，还可以根据a和/或其他信息确定b。
[0093]
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定特征、结构或特性可以以任意适合的方式结合在一个或多个实施例中。本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本发明所必须的。
[0094]
在本发明的各种实施例中，应理解，上述各过程的序号的大小并不意味着执行顺
序的必然先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0095]
在本发明的附图中的流程图和框图，图示了按照本技术各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方案中，方框中所标注的功能也可以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，在此基于涉及的功能而确定。需要特别注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0096]
与现有技术相比，本发明的一种高通量压电系数检测的机器学习方法、系统及计算机介质具有以下优点：
[0097]
1、本发明的高通量压电系数检测的机器学习方法，包括以下步骤：提供一压电薄膜，获取压电薄膜中多个位置的样本点，对应所述样本点生成压电系数样本，该压电系数样本作为机器学习的输入数据；基于样本点边沿线建立坐标系，获取压电系数样本在坐标系中的坐标及压电系数值；以预设获取方式获取坐标系中的多个初始簇心及初始簇心坐标；基于压电系数样本的坐标，压电系数值，初始簇心及初始簇心坐标以预设分簇方式进行分簇，得到新簇心及新簇心坐标；以预设迭代方式使簇心收敛，得到收敛簇心及收敛簇心坐标；基于收敛簇心及收敛簇心坐标规划预设检测探头移动路径，该预设检测探头移动路径作为机器学习的输出数据。簇心也即该簇中压电系数的均值，本发明的通过给定的样本，改良均值算法针对聚类所得簇划分，反映出簇内样本围绕中心压电系数检测点的紧密程度，找到簇内样本相似度极高的点做一次分簇，从而只需要检测初始簇心点而忽略其他相似特性的压电系数样本，达到简化检测的目的，减少检测的时间及人力成本，使检测效率大大提高。
[0098]
2、本发明的高通量压电系数检测的机器学习方法，以预设获取方式获取初始簇心及初始簇心坐标具体包括如下步骤：基于预设目标优化率获取初始簇心数量；将初始簇心在坐标系中均匀随机分散，获取分散后的初始簇心坐标。初始簇心数量根据算法所需要满足的优化目标设定，均匀随机分散是为了更高效的获取所有压电系数样本中相似的特性，从而便于进行分簇迭代，也使得步骤更简单，结果更可靠。
[0099]
3、本发明的高通量压电系数检测的机器学习方法，对初始簇心及初始簇心坐标进行分簇需满足分簇条件，分簇条件包括如下判断过程：判断压电系数样本的压电系数与初始簇心压电系数之差是否在所述分簇界定值范围内，若在分簇界定值范围外，则等待迭代过程中的下一次分簇；若在分簇界定值范围内，则比较每一簇心对应判断指标的大小，获取判断指标中的最小值；对判断指标中最小值进行标记，将该最小值对应的初始簇心划入本次迭代的新簇中。通过对压电系数样本的筛选，多次迭代后能使满足相同标准，也即相似度极高的压电系数样本进行同簇划分，判断指标代表误差范围，判断指标越小，代表误差越小，因此判断指标的最小值也即最精确的点作为新簇心，进行后续步骤的运算能减少运算误差，从而保证结果的可靠性及准确性。
[0100]
4、本发明的高通量压电系数检测的机器学习方法，以预设分簇方式对初始簇心及初始簇心坐标进行分簇具体包括如下步骤：以初始簇心为中心获取预设范围内压电系数样本与该初始簇心的标准差；基于初始簇心及压电系数样本，获取满足标准差的压电系数样本的集合，作为新的簇。初始簇心均匀分布在压电薄膜上，能基于该方法更快速的获取标准差，也即分簇依据，满足标准差的压电系数样本的集合则分到同一簇中。进一步提升分簇效率。
[0101]
5、本发明的高通量压电系数检测的机器学习方法，以预设迭代方式使簇心收敛，得到收敛簇心及收敛簇心坐标具体包括如下步骤：定义一个初始簇心坐标为初始样本，所有初始样本组成初始样本集，以预设分簇方式对初始样本集进行分簇得到的新簇心坐标集为一次数据；定义多个一次数据组成为集成数据，以集成数据作为新样本，在新样本中选取多个新初始簇心；基于选取的新初始簇心，重复上述分簇，获取新簇心及新簇心坐标的步骤，直到新初始簇心收敛，得到收敛簇心及收敛簇心坐标。通过该方法多次迭代使簇心收敛，从而获取最优的结果，同时降低运算需求，提高检测效率。
[0102]
6、本发明还提供一种高通量压电系数的机器学习系统，用于实现如上所述的高通量压电系数检测的机器学习方法，包括信息获取模块：用于获取压电薄膜中多个位置的压电系数样本，机器学习的输入数据，压电系数样本在坐标系中的坐标及压电系数值，坐标系中的多个初始簇心及初始簇心坐标，分簇后的新簇心及新簇心坐标，收敛簇心与收敛簇心坐标，以及机器学习的输出数据；数据运算模块：用于基于样本点边沿线建立坐标系，以预设分簇方式对初始簇心及初始簇心坐标进行分簇，以预设迭代方式使簇心收敛，及基于收敛簇心及收敛簇心坐标规划预设检测探头移动路径。高通量压电系数的机器学习系统具有与上述高通量压电系数检测的机器学习方法相同的有益效果，在此不做赘述。
[0103]
7、本发明还提供一种存储介质，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述计算机程序时，实现如上所述的高通量压电系数检测的机器学习方法。存储介质具有与上述高通量压电系数检测的机器学习方法相同的有益效果，在此不做赘述。
[0104]
以上对本发明实施例公开的一种高通量压电系数检测的机器学习方法、系统及计算机介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制，凡在本发明的原则之内所做的任何修改，等同替换和改进等均应包含本发明的保护范围之内。

技术特征：
1.一种高通量压电系数检测的机器学习方法，其特征在于：包括以下步骤：提供一压电薄膜，获取压电薄膜中多个位置的样本点，对应所述样本点生成压电系数样本，该压电系数样本作为机器学习的输入数据；基于样本点边沿线建立坐标系，获取压电系数样本在坐标系中的坐标及压电系数值；以预设获取方式获取坐标系中的多个初始簇心及初始簇心坐标；基于压电系数样本的坐标，压电系数值，初始簇心及初始簇心坐标以预设分簇方式进行分簇，得到新簇心及新簇心坐标；以预设迭代方式使簇心收敛，得到收敛簇心及收敛簇心坐标；基于收敛簇心及收敛簇心坐标规划预设检测探头移动路径，该预设检测探头移动路径作为机器学习的输出数据。2.如权利要求1所述的高通量压电系数检测的机器学习方法，其特征在于：所述初始簇心坐标与压电系数样本坐标相同或不同。3.如权利要求1所述的高通量压电系数检测的机器学习方法，其特征在于：以预设获取方式获取初始簇心及初始簇心坐标具体包括如下步骤：基于预设目标优化率获取初始簇心数量；将初始簇心在所述坐标系中均匀随机分散，获取分散后的初始簇心坐标。4.如权利要求1所述的高通量压电系数检测的机器学习方法，其特征在于：在以预设分簇方式进行分簇之前还包括设定分簇界定值，对初始簇心及初始簇心坐标进行分簇的预设分簇方式为按照如下公式进行：其中，每个压电系数样本v
i
的坐标(x
i
,y
i
)，b
i
为该压电系数样本的压电系数，下标k为初始簇心数量，每个初始簇心坐标为(x
k
,y
k
)，c
k
为初始簇心的压电系数值，a
ik
为判断指标，a
ik
中的a为分簇界定值。5.如权利要求4所述的高通量压电系数检测的机器学习方法，其特征在于：对初始簇心及初始簇心坐标进行分簇需满足分簇条件，分簇条件包括如下判断过程：判断压电系数样本的压电系数与初始簇心压电系数之差是否在所述分簇界定值范围内，若在分簇界定值范围外，则等待迭代过程中的下一次分簇；若在分簇界定值范围内，则比较每一簇心对应判断指标的大小，获取判断指标中的最小值；对判断指标中最小值进行标记，将该最小值对应的簇心划入本次迭代的新簇中。6.如权利要求4所述的高通量压电系数检测的机器学习方法，其特征在于：以预设分簇方式对初始簇心及初始簇心坐标进行分簇具体包括如下步骤：以初始簇心为中心获取预设范围内压电系数样本与该初始簇心的标准差；基于簇心及压电系数样本，获取满足标准差的压电系数样本的集合，作为新的簇。7.如权利要求5所述的高通量压电系数检测的机器学习方法，其特征在于：以预设分簇方式对初始簇心及初始簇心坐标进行分簇还包括如下的新簇心确定步骤：遍历新簇中所有压电系数样本，使最小的点作为新簇心，其中，m为压电系数样本总数；
或，遍历新簇中所有压电系数样本，计算理论簇心值令最接近理论簇心值的点作为新簇心，其中，m为压电系数样本总数。8.如权利要求1所述的高通量压电系数检测的机器学习方法，其特征在于：以预设迭代方式使簇心收敛，得到收敛簇心及收敛簇心坐标具体包括如下步骤：定义一个初始簇心坐标为初始样本，所有初始样本组成初始样本集，以预设分簇方式对初始样本集进行分簇得到的新簇心坐标集为一次数据；定义多个一次数据组成为集成数据，以集成数据作为新样本，在新样本中选取多个新初始簇心；基于选取的新初始簇心，重复上述分簇，获取新簇心及新簇心坐标的步骤，直到新初始簇心收敛，得到收敛簇心及收敛簇心坐标。9.一种高通量压电系数的机器学习系统，用于实现如权利要求1-8中任一项所述的高通量压电系数检测的机器学习方法，其特征在于：包括信息获取模块：用于获取压电薄膜中多个位置的压电系数样本，机器学习的输入数据，压电系数样本在坐标系中的坐标及压电系数值，坐标系中的多个初始簇心及初始簇心坐标，分簇后的新簇心及新簇心坐标，收敛簇心与收敛簇心坐标，以及机器学习的输出数据；数据运算模块：用于基于样本点边沿线建立坐标系，以预设分簇方式对初始簇心及初始簇心坐标进行分簇，以预设迭代方式使簇心收敛，及基于收敛簇心及收敛簇心坐标规划预设检测探头移动路径。10.一种存储介质，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时，实现如权利要求1-8中任一项所述的高通量压电系数检测的机器学习方法。

技术总结
本发明涉及人工智能技术领域，特别涉及一种高通量压电系数检测的机器学习方法、系统及计算机介质，本发明的高通量压电系数检测的机器学习方法。包括以下步骤：提供一压电薄膜，获取薄膜中多个位置的样本点，对应样本点生成压电系数样本作为机器学习的输入数据；基于样本点建立坐标系，获取压电系数样本在坐标系中的坐标及压电系数值；以预设获取方式获取坐标系中的多个初始簇心及初始簇心坐标；基于上述结果以预设分簇方式进行分簇，得到新簇心及新簇心坐标；以预设迭代方式使簇心收敛，得到收敛簇心及收敛簇心坐标；基于收敛簇心及收敛簇心坐标规划预设检测探头移动路径，并作为机器学习的输出数据。大幅提高检测效率。大幅提高检测效率。大幅提高检测效率。


技术研发人员：潘思怡 陈昭如 史航宇 邢天宇 王硕 钟乐黎 胡潇然
受保护的技术使用者：电子科技大学
技术研发日：2023.07.11
技术公布日：2023/9/23