本申请涉及高温合金晶粒尺寸测量，特别是涉及一种基于改进gan的超声预测网络训练方法、高温合金晶粒尺寸超声预测方法及装置。
背景技术：
1、高温合金广泛应用于航空航天、军事等领域，具有耐高温、抗氧化和耐腐蚀等特性，高温合金制成的工件在长期的服役中受应力应变效应的影响，工件的性能会在服役中出现不同程度的变化，严重影响工件在服役期间的安全性。高温合金的微观组织结构能够反映材料的不同特性，通过预测微观组织结构可以得到工件性能变化，其中晶粒尺寸是微观组织结构中最具代表性的参数，对晶粒尺寸进行超声预测能有效避免工件在服役过程中出现故障。
2、由数据驱动的建模方法非常依赖原始样本的数量，原始样本集的规模对构建的超声预测模型预测精度影响大。但原始样本采集成本高昂，导致样本数量稀缺且分布不平衡，进而导致超声预测模型预测效果差，无法对晶粒尺寸做出准确的预测。
技术实现思路
1、本申请的目的是提供一种超声预测网络训练方法、晶粒尺寸超声预测方法及装置，能够提高晶粒尺寸超声预测模型的预测精度。
2、为实现上述目的，本申请提供了如下方案：
3、第一方面，本申请提供了一种超声预测网络训练方法，包括：
4、获取若干个原始样本；每一所述原始样本包括：高温合金试样的原始晶粒尺寸以及对应的原始超声特征参数；
5、利用所述原始超声特征参数训练生成对抗网络，得到生成对抗模型；所述生成对抗网络包括生成器、质量评价机制和判别器；所述质量评价机制用于判断虚拟差值是否超过预设阈值；当所述虚拟差值超过预设阈值时，将生成器生成的训练阶段超声特征参数删除；当所述虚拟差值不超过预设阈值时，将生成器生成的训练阶段超声特征参数输入判别器；所述虚拟差值为所述生成器生成的训练阶段超声特征参数与所述原始超声特征参数的差值；
6、利用生成对抗模型中的生成器，生成虚拟超声特征参数；
7、获取虚拟样本；所示虚拟样本包括：虚拟超声特征参数和虚拟晶粒尺寸；所述虚拟晶粒尺寸由所述虚拟超声特征参数输入机器学习算法模型获得；所述机器学习算法模型由所述原始晶粒尺寸和所述原始超声特征参数训练得到；
8、根据虚拟误差和真实误差的差值筛选所述虚拟样本，得到筛选样本；所述虚拟误差通过所述虚拟样本输入超声预测网络后的输出与所述虚拟晶粒尺寸确定；所述真实误差通过所述原始样本输入超声预测网络后的输出与所述原始晶粒尺寸确定；
9、利用所述筛选样本和所述原始样本训练超声预测网络，得到晶粒尺寸超声预测模型。
10、可选地，根据虚拟误差和真实误差的差值筛选所述虚拟样本，得到筛选样本，具体包括：
11、根据所述虚拟误差和真实误差计算模型性能改善率，计算公式为：其中，式中，eir为模型性能改善率，rmse1为将原始样本输入超声预测网络后的输出与原始晶粒尺寸之间的均方根误差，rmse2为将虚拟样本输入超声预测网络后的输出与虚拟晶粒尺寸之间的均方根误差，i表示第i个样本，yi1为原始样本，为将原始样本输入超声预测网络后的输出，yi2为虚拟样本，为将虚拟样本输入超声预测网络后的输出；
12、将模型性能改善率小于0的虚拟样本删除。
13、可选地，所述获取原始样本，具体包括：
14、获取高温合金试样的微观组织结构样貌图；所述微观组织结构样貌图通过金相实验获得；
15、利用图像处理方法计算所述微观组织结构样貌图中每个高温合金试样的晶粒面积；
16、根据所述晶粒面积计算每个高温合金试样的晶粒尺寸，得到原始晶粒尺寸；
17、获取高温合金试样的原始超声特征参数；所述超声特征参数包括：平均声速、衰减系数、非线性系数、一次底波频偏和二次底波频偏。
18、可选地，
19、所述虚拟差值的计算公式为：
20、
21、式中，η表示虚拟差值，m表示数据集p和q的属性数量，dkl表示两个概率分布之间的接近程度；i表示数据集中的第几个属性，pi、qi表示数据集p、q第i个属性的具体值。
22、可选地，在所述根据虚拟误差和真实误差的差值筛选所述虚拟样本，得到筛选虚拟样本之前，还包括：
23、采用k均值聚类算法获取所述原始样本中各个簇类的中心坐标；
24、计算每个虚拟样本到对应的簇类的中心坐标的平均距离；
25、将第一距离大于平均距离的虚拟样本删除；所述第一距离为虚拟样本到对应的簇类的中心坐标的距离。
26、可选地，所述晶粒尺寸超声预测网络为：
27、
28、式中，f(x)表示预测的晶粒尺寸，k表示决策树的个数，x表示输入的超声特征参数。
29、第二方面，本申请提供了一种晶粒尺寸超声预测方法，包括：
30、获取待测晶粒的超声特征参数；
31、将所述超声特征参数输入晶粒尺寸超声预测模型，得到待测晶粒的晶粒尺寸；所述晶粒尺寸超声预测模型由上述任一项所述的超声预测网络训练方法训练得到。
32、第三方面，本申请提供了一种计算机设备，包括：存储器、处理器以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以实现上述任一项所述的超声预测网络训练方法或晶粒尺寸超声预测方法。
33、第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上上任一项所述的超声预测网络训练方法或晶粒尺寸超声预测方法。
34、第五方面，本申请提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上上任一项所述的超声预测网络训练方法或晶粒尺寸超声预测方法。
35、根据本申请提供的具体实施例，本申请公开了以下技术效果：
36、本申请提供了一种超声预测网络训练方法、晶粒尺寸超声预测方法及装置，采用改进gan生成虚拟样本扩展样本集规模，并且在传统gan中引入质量预测机制以提高生成虚拟样本的质量；在传统生成对抗网络中加入质量预测机制，用于判断虚拟差值是否超过预设阈值；当超过预设阈值时，将生成器生成的虚拟超声特征参数删除；当不超过预设阈值时，将生成器生成的虚拟超声特征参数输入判别器；其中，虚拟差值为所述生成器生成的虚拟超声特征参数与所述原始超声特征参数的差值；在生成虚拟样本之后再根据虚拟误差和真实误差的差值进行筛选保证样本的平衡分布；虚拟误差为将虚拟样本输入超声预测网络后的输出与虚拟晶粒尺寸之间的误差，真实误差为将原始样本输入超声预测网络后的输出与原始晶粒尺寸之间的误差。本申请通过在改进gan生成虚拟样本来扩展样本集规模的同时，引入质量预测机制以提高生成虚拟样本的质量，并通过筛选机制，即根据虚拟误差和真实误差的差值，筛选所述虚拟样本，得到筛选样本，保证了样本的平衡分布，从而解决了现有技术中所面临的样本数量稀缺且分布不平衡所导致超声预测模型预测效果差的问题，能够对晶粒尺寸做出准确的预测。
1.一种超声预测网络训练方法，其特征在于，所述超声预测网络训练方法包括：
2.根据权利要求1所述的超声预测网络训练方法，其特征在于，所述根据虚拟误差和真实误差的差值筛选所述虚拟样本，得到筛选样本，具体包括：
3.根据权利要求1所述的超声预测网络训练方法，其特征在于，所述获取原始样本，具体包括：
4.根据权利要求1所述的超声预测网络训练方法，其特征在于，
5.根据权利要求1所述的超声预测网络训练方法，其特征在于，在所述根据虚拟误差和真实误差的差值筛选所述虚拟样本，得到筛选虚拟样本之前，还包括：
6.根据权利要求1所述的超声预测网络训练方法，其特征在于，所述晶粒尺寸超声预测网络为：
7.一种晶粒尺寸超声预测方法，其特征在于，所述晶粒尺寸超声预测方法包括：
8.一种计算机设备，包括：存储器、处理器以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以实现权利要求1-6中任一项所述的超声预测网络训练方法或权利要求7所述的晶粒尺寸超声预测方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-6中任一项所述的超声预测网络训练方法或权利要求7所述的晶粒尺寸超声预测方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-6中任一项所述的超声预测网络训练方法或权利要求7所述的晶粒尺寸超声预测方法。
