聲發射混凝土斷裂試樣的深度學習：回歸開始時間和故障類型分類

Question

如何將深度學習用於回歸和分類任務？

我面臨着混凝土試樣斷裂時的聲發射問題。 目的是自動找到起始時刻（聲發射開始的時間）和具有峰值的斜率，以確定裂縫的類型（模式 I 或模式 II 基於上角 RA）。

我已經嘗試使用區域 CNN 來處理使用 pytorch 的信號微調 Faster-RCNN 的圖像，但不幸的是，到目前為止結果並不出色。

我想根據一定的采樣頻率處理幅度數據的序列（時間序列），但它們的長度不同。 我該如何處理這個問題？

我可以制作一個 1D-CNN，它根據我可以在訓練示例上手動標記的監督點進行異常檢測嗎？

我有一定數量的錄音，我想利用這些錄音來訓練以 100Hz 采樣的 model。 在異常檢測的示例中，例如使用自動編碼器的時間序列異常檢測，他們使用相同的時間序列，並執行 window 滑動 1 個時間步長，以獲得大約 3700 來訓練他們的神經網絡。 相反，我有不同數量的錄音（時間序列），每個錄音都有一定的設定時間和不同的全局長度（以秒為單位）。 我該如何管理它？

我實際上需要信號開始的時刻和最大點來定義升角和分類裂縫類型。 我可以直接使用 CNN 進行分類，同時進行即時回歸任務嗎？

先感謝您！

Answer 1

我終於解決了，感謝@JonNordby 的基本建議，使用聲音事件檢測方法。 我們采用並改編了來自GitHub YashNita的代碼。

我根據下圖標記了數據：

然后，我采用了從計算輸入信號的頻譜圖中提取特征的方法：

最后我們能夠得到一個更精確的output對與Acoustic Emission Event檢測直接相關的Seismic Event Detection的識別，得到如下結果：

目前只完成了事件識別階段，但重新適應對破解模式I或模式II進行分類會很簡單。