一种基于固态量子无损漏磁检测的缺陷识别方法及系统

技术领域

本发明属于量子检测技术领域，特别是一种基于固态量子无损漏磁检测的缺陷识别方法及系统。

背景技术

在众多工业应用和基础设施的健康监测领域，无损检测技术（NDT）扮演着至关重要的角色。无损检测允许检测人员在不破坏被检测对象的前提下，评估材料、组件或系统的物理状况，从而预防潜在的故障和事故。在各类无损检测技术中，漏磁检测因其操作简便和成本效益高而被广泛应用于金属结构的缺陷检测。

漏磁检测是一种基于磁性材料磁化后的磁场分布检测技术。当磁性材料（如钢铁）中存在裂纹或缺陷时，这些缺陷会导致局部磁场的畸变，即产生漏磁场。通过探测这些漏磁场的存在和特性，可以间接推断出材料内部的缺陷情况。

在水电站的安全运行中，水轮发电机转轮叶片是关键的承压构件之一，其健康状况直接影响到水电站的稳定性和效率。因此，对转轮叶片的无损检测需求尤为迫切。由于转轮叶片在长期运行中会受到水流冲击、腐蚀和材料疲劳等因素的影响，可能会产生微裂纹、腐蚀斑点等缺陷，这些缺陷若不及时发现和处理，可能导致叶片断裂，严重时甚至会造成机组事故和巨大的经济损失。针对上述挑战，水电站的漏磁检测技术需求不断提升。

尽管传统的漏磁检测技术在许多领域内已经取得了成功的应用，但它们仍面临着一系列的挑战和局限。首先，传统漏磁检测对于设备的表面准备和环境条件有较高的要求，这在一定程度上限制了其应用的灵活性和便捷性。其次，这些方法在检测深层次或微小裂纹时的灵敏度和准确性不足。最后，对于非铁磁性材料的缺陷检测能力极为有限。

发明内容

本发明的目的是提供一种基于固态量子无损漏磁检测的缺陷识别方法及系统，以解决现有技术中的不足，能够利用固态量子传感技术的独特优势，实现对材料内部缺陷的高精度识别和评估，不仅可以提高检测的灵敏度和准确性，还可以扩大漏磁检测技术的应用范围，为各种材料和结构的健康监测提供强有力的技术支持。

本申请的一个实施例提供了一种基于固态量子无损漏磁检测的缺陷识别方法，所述方法包括：

通过固态量子传感器捕获待测水电站结构部件中由于结构缺陷导致的漏磁场，其中，所述固态量子传感器包括金刚石NV色心漏磁探头，所述结构部件处于磁化饱和状态；

采集利用激光激发金刚石NV色心过程中电子从激发态跃迁回基态时释放的荧光信号，并通过光电探测器将所述荧光信号转换为电信号；

应用多通道锁相放大技术对所述电信号进行同步处理，并基于电信号强度与固态量子传感器中能级劈裂的关系建立漏磁场强度与裂纹尺寸之间的映射关系，以实现缺陷尺寸的识别。

可选的，所述固态量子传感器的制备方式包括：

获取单晶硅片或已有的金刚石片作为衬底，引入甲烷和氢气作为气源；

利用化学气相沉积法生长金刚石，其中，在生长过程中添加少量的氮气或含氮化合物，以在金刚石晶格中引入氮原子；

使用高能电子束照射新生长的金刚石层，并动态调整电子束参数，以最大化空位的产生；

对经电子束处理后的金刚石样品，在氩气或氮气环境下进行多级退火，得到包含NV色心的固态量子传感器，并利用光谱分析技术检测NV色心的浓度和分布质量。

可选的，所述采集利用激光激发金刚石NV色心过程中电子从激发态跃迁回基态时释放的荧光信号，包括：

利用波长为532 nm的激光器均匀照射到金刚石NV色心探头上，以使所述NV色心中的电子从基态激发到高能态，获得电子返回基态时释放的637 nm至800 nm的红色荧光，其中，所述红色荧光为探测漏磁场和裂纹大小的关键信号。

可选的，所述基于电信号强度与固态量子传感器中能级劈裂的关系建立漏磁场强度与裂纹尺寸之间的映射关系，以实现缺陷尺寸的识别，包括：

基于电信号的强度与能级劈裂的关系，构建漏磁场强度与裂纹尺寸之间的非线性映射模型，其中，所述模型能够学习和模拟漏磁场与裂纹尺寸之间的相互作用，在模型构建对应的训练过程中，所述模型的超参数利用遗传算法进行优化，并利用小波变换算法从时间-频率域提取电信号的多尺度特征，应用基于互信息的特征选择算法从多尺度特征中识别与裂纹尺寸预测最相关的信号特征；

将训练好的模型部署到实时监控系统中，以使所述监控系统实时接收来自水电站结构部件的、经过同步处理后的电信号数据，利用模型预测裂纹尺寸，并在检测到临界裂纹尺寸时自动发出预警。

可选的，所述构建漏磁场强度与裂纹尺寸之间的非线性映射模型，包括：

利用采集的漏磁场数据集作为训练数据，所述漏磁场数据集包括电信号特性及其对应的裂纹尺寸和漏磁场强度；

将二维小波变换应用到电信号上，分解所述电信号在不同尺度下的时间-频率特征，得到多尺度特征；

计算所述多尺度特征与裂纹尺寸之间的互信息量，其中，所述互信息量用于衡量两个变量间的相互依赖性；

利用基于互信息的特征选择算法，从多尺度特征中筛选用于对裂纹尺寸预测的特征子集；

构建基于深度多任务学习框架的混合神经网络模型，利用遗传算法优化映射模型的超参数；

利用所述超参数和所述特征子集训练所述混合神经网络模型，得到训练后的非线性映射模型。

本申请的又一实施例提供了一种基于固态量子无损漏磁检测的缺陷识别系统，所述系统包括：

捕获模块，用于通过固态量子传感器捕获待测水电站结构部件中由于结构缺陷导致的漏磁场，其中，所述固态量子传感器包括金刚石NV色心漏磁探头，所述结构部件处于磁化饱和状态；

采集模块，用于采集利用激光激发金刚石NV色心过程中电子从激发态跃迁回基态时释放的荧光信号，并通过光电探测器将所述荧光信号转换为电信号；

识别模块，用于应用多通道锁相放大技术对所述电信号进行同步处理，并基于电信号强度与固态量子传感器中能级劈裂的关系建立漏磁场强度与裂纹尺寸之间的映射关系，以实现缺陷尺寸的识别。

本申请的又一实施例提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项中所述的方法。

本申请的又一实施例提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项中所述的方法。

与现有技术相比，本发明提供的一种基于固态量子无损漏磁检测的缺陷识别方法，通过固态量子传感器捕获待测水电站结构部件中由于结构缺陷导致的漏磁场；采集利用激光激发金刚石NV色心过程中电子从激发态跃迁回基态时释放的荧光信号，并通过光电探测器将荧光信号转换为电信号；应用多通道锁相放大技术对电信号进行同步处理，并基于电信号强度与固态量子传感器中能级劈裂的关系建立漏磁场强度与裂纹尺寸之间的映射关系，以实现缺陷尺寸的识别，从而能够利用固态量子传感技术的独特优势，实现对材料内部缺陷的高精度识别和评估，不仅可以提高检测的灵敏度和准确性，还可以扩大漏磁检测技术的应用范围，为各种材料和结构的健康监测提供强有力的技术支持。

附图说明

图1为本发明实施例提供的一种基于固态量子无损漏磁检测的缺陷识别方法的计算机终端的硬件结构框图；

图2为本发明实施例提供的一种基于固态量子无损漏磁检测的缺陷识别方法的流程示意图；

图3为本发明实施例提供的一种基于固态量子无损漏磁检测的缺陷识别系统的结构示意图。

具体实施方式

下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

近年来，随着固态量子技术的迅猛发展，利用金刚石内部的氮-空位（NV）色心作为量子传感器，为漏磁检测提供了新的解决方案。NV色心传感器能够在室温条件下高灵敏度地探测到微弱的磁场变化，而且不受材料类型的限制，这使其成为检测各种材料中微小缺陷的理想工具。

虽然NV色心传感器在理论上具有优异的性能，但将其应用于实际的漏磁检测和缺陷识别中，仍面临着一系列技术挑战。例如，如何有效地从NV色心传感器捕获的信号中提取与缺陷特性相关的信息，以及如何建立精确的缺陷识别和大小评估模型等问题，都需要通过进一步的研究和技术创新来解决。

本发明实施例首先提供了一种基于固态量子无损漏磁检测的缺陷识别方法，该方法可以应用于电子设备，如计算机终端，具体如普通电脑等。

下面以运行在计算机终端上为例对其进行详细说明。图1为本发明实施例提供的一种基于固态量子无损漏磁检测的缺陷识别方法的计算机终端的硬件结构框图。如图1所示，计算机终端可以包括一个或多个（图1中仅示出一个）处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器104，可选地，上述计算机终端还可以包括用于通信功能的传输装置106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述计算机终端的结构造成限定。例如，计算机终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

存储器104可用于存储应用软件的软件程序以及模块，如本申请实施例中的基于固态量子无损漏磁检测的缺陷识别方法对应的程序指令/模块，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器（Network Interface Controller，NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频（Radio Frequency，RF）模块，其用于通过无线方式与互联网进行通讯。

参见图2，本发明的实施例提供了一种基于固态量子无损漏磁检测的缺陷识别方法，可以包括如下步骤：

S201，通过固态量子传感器捕获待测水电站结构部件中由于结构缺陷导致的漏磁场，其中，所述固态量子传感器包括金刚石NV色心漏磁探头，所述结构部件处于磁化饱和状态；具体的，一种实现方式可以包括：

步骤一：磁化饱和的实现 在开始漏磁场的检测之前，首先需要确保水电站结构部件达到磁化饱和状态。这一步骤是关键的，因为只有在材料磁化饱和的条件下，漏磁场才能准确反映结构缺陷。

1.选择合适的磁化设备：使用高强度的直流电磁铁，其设计必须能够覆盖整个待检测的结构部件。

2.磁化参数设置：调整电磁铁的电流和磁场方向，确保所有区域都能够达到磁饱和。通过实时监控磁场强度和部件的磁化响应，调整参数直至磁场均匀且强度足以使材料磁饱和。这一步骤可能需要多次调整磁场强度和部件位置，以确保磁化的均匀性。

步骤二：固态量子传感器的部署 部署固态量子传感器以捕获由结构缺陷引起的漏磁场，这一步骤涉及精确的传感器布局和定位。

1.传感器布局：根据结构部件的尺寸和预期的缺陷区域，规划金刚石NV色心漏磁探头的分布。传感器间的距离应该根据漏磁场的预计分布密度来设定。每个探头的位置和方向都应优化，以最大化捕获从缺陷区域泄露的磁场。

2.传感器定位：将NV色心漏磁探头固定在特定的支架上，并对准结构部件的表面。确保每个探头的方向和位置都能最大化捕获漏磁场。这些探头能够在不接触被测对象的情况下，高灵敏度地检测漏磁场。

步骤三：数据采集与初步分析 在结构部件磁饱和并部署了传感器后，开始捕获漏磁场数据，并进行初步的数据分析。将所有探头连接到数据采集系统，系统应能够同步记录来自各个探头的数据。这些数据将包括由NV色心探头检测到的磁场变化情况。

1.数据采集：开启数据采集系统，让NV色心漏磁探头通过其固有的光学系统检测漏磁场，记录探头捕获的磁场数据。NV色心由于其量子性质，对微小的磁场变化极为敏感，能够提供高精度的磁场测量数据。

2.初步分析：收集的数据首先经过初步的滤波和噪声削减处理，以清除环境干扰和设备本身可能产生的误差信号。

通过上述步骤，能够实现对水电站结构部件中因结构缺陷导致的漏磁场的高精度捕获。这种方法利用了固态量子技术的先进性，不仅提高了检测的灵敏度和准确性，还能够在不接触被检测对象的情况下进行，大大增强了应用的便捷性和实用性。

具体的，一种固态量子传感器的制备方式可以包括：

获取单晶硅片或已有的金刚石片作为衬底，引入甲烷和氢气作为气源；

可以选择适当的单晶硅片或现有的金刚石片作为衬底，这是整个制造过程的基础。衬底的质量直接影响到最终产品的性能，因此需要仔细选择：1.衬底材料选择：选择纯度高、晶体结构完整无缺陷的单晶硅片或金刚石片，确保其表面平滑、无杂质；2.表面处理：使用精密的机械抛光和化学蚀刻技术，去除衬底表面的微小瑕疵和杂质层，提高衬底的表面质量。

利用化学气相沉积法生长金刚石，其中，在生长过程中添加少量的氮气或含氮化合物，以在金刚石晶格中引入氮原子；

可以使用化学气相沉积法生长金刚石层，该方法允许精确控制金刚石的生长速率和掺杂过程：1.气源引入：在CVD反应室中引入甲烷和氢气作为主要的气源，设置合适的流量比和压力，以形成理想的生长环境；2.氮源添加：在生长过程中添加少量的氮气或含氮化合物（如氨气），以促进氮原子的掺杂。控制氮气的加入量，以实现NV色心的最佳浓度和分布。

使用高能电子束照射新生长的金刚石层，并动态调整电子束参数，以最大化空位的产生；

利用高能电子束对新生长的金刚石层进行照射，以在金刚石晶格中产生空位：1.电子束参数设置：调整电子束的能量和照射时间，以确保空位的均匀生成。这一步骤需要精确控制，过度或不足的照射均可能影响NV色心的质量；2.动态调整：在电子束照射过程中，根据实时监测的数据（如晶格损伤程度和掺杂效率），动态调整照射参数。

对经电子束处理后的金刚石样品，在氩气或氮气环境下进行多级退火，得到包含NV色心的固态量子传感器，并利用光谱分析技术检测NV色心的浓度和分布质量。

经电子束处理后的金刚石样品需要进行多级退火，以修复晶格损伤并促进NV色心的形成：1.退火环境设置：在控制的氩气或氮气环境下进行退火，以避免任何可能的氧化或其他化学反应；2.退火温度和时间：设置多级退火温度和时间，例如先在较低温度下长时间退火，后在较高温度下短时间退火，以优化NV色心的形成和分布。

最后，使用光谱分析技术检测NV色心的浓度和分布质量，确保每一批次的金刚石NV色心漏磁探头达到设计规格：1.光谱分析：采用光谱仪检测金刚石样品中NV色心的光学特性，如吸收和发射光谱，确保NV色心的活性和均匀性。2.质量控制：对照预设的质量标准，筛选合格的金刚石片，淘汰那些NV色心浓度低或分布不均的样品。

通过以上步骤，可以实现高质量、高性能的金刚石NV色心漏磁探头的制备，为基于固态量子无损漏磁检测的缺陷识别技术提供核心的传感元件。

S202，采集利用激光激发金刚石NV色心过程中电子从激发态跃迁回基态时释放的荧光信号，并通过光电探测器将所述荧光信号转换为电信号；

具体的，可以利用波长为532 nm的激光器均匀照射到金刚石NV色心探头上，以使所述NV色心中的电子从基态激发到高能态，获得电子返回基态时释放的637 nm至800 nm的红色荧光，其中，所述红色荧光为探测漏磁场和裂纹大小的关键信号。一种实现方式可以包括：

步骤一：激光激发系统的设置 为了激发金刚石NV色心，需要使用精确控制的激光系统。这个系统包括激光器、光束调整组件以及对激光进行精确聚焦的光学元件。

1.激光选择与调整：选择波长为532 nm的固态激光器作为光源，因为这个波长能高效地激发NV色心。通过光束扩展器和准直器调整激光光束，以保证光束均匀照射到所有NV色心探头上。

2.聚焦与均匀照射：使用透镜系统将激光聚焦到金刚石NV色心的表层，确保整个探头表面都能得到均匀的激光照射，最大化激发效率。

步骤二：荧光信号的捕获与初步过滤 激光激发NV色心后，会产生特定波长的荧光。此步骤涉及捕获这些荧光并进行初步的信号处理。

1.荧光捕获：使用带有特定波长通带滤光片（637 nm至800 nm）的光电探测器，只允许荧光信号通过，有效过滤掉其他波长的散射光或环境光干扰。

2.信号初步处理：将捕获到的荧光信号通过低噪声放大器进行初步放大，减少信号在传输过程中的衰减和噪声干扰，保证信号的清晰度和可用性。

步骤三：信号转换与同步处理 将荧光信号转换为电信号，这一转换涉及精确的光电转换以及信号的同步处理，确保信号的时间和强度准确无误地记录。

1.光电转换：使用高灵敏度的光电二极管或光电倍增管将捕获的荧光信号转换为电信号。这些设备能够将接收到的光信号准确转化为电流或电压信号。

2.同步处理：结合多通道锁相放大器，同步处理多个探头输出的电信号。锁相放大技术能够从高噪声背景中提取出有效信号，提高信号的信噪比。

通过上述步骤，可以有效地捕获和转换由NV色心在激光激发下产生的荧光信号，进而用于后续的数据处理和裂纹尺寸预测。这一过程的精确执行是实现高效和高准确度漏磁场检测的关键。

S203，应用多通道锁相放大技术对所述电信号进行同步处理，并基于电信号强度与固态量子传感器中能级劈裂的关系建立漏磁场强度与裂纹尺寸之间的映射关系，以实现缺陷尺寸的识别。

为了准确同步处理来自多个固态量子传感器的电信号，需要使用多通道锁相放大技术。这一技术能够有效地从噪声背景中提取出信号，提高信号的清晰度和可靠性。

1.锁相放大器配置：配置具有多个输入通道的锁相放大器，每个通道连接一个固态量子传感器的输出。这样可以保证同时处理来自不同探头的信号，增加系统的处理能力和效率。

2.参考信号同步：设置与激发激光相同频率的参考信号，以此为基准同步处理所有通道的信号。参考信号的同步确保了各通道信号的相位和频率与激光激发信号一致，从而提高数据的准确性和可比性。

具体的，可以基于电信号的强度与能级劈裂的关系，构建漏磁场强度与裂纹尺寸之间的非线性映射模型，其中，所述模型能够学习和模拟漏磁场与裂纹尺寸之间的相互作用，在模型构建对应的训练过程中，所述模型的超参数利用遗传算法进行优化，并利用小波变换算法从时间-频率域提取电信号的多尺度特征，应用基于互信息的特征选择算法从多尺度特征中识别与裂纹尺寸预测最相关的信号特征；将训练好的模型部署到实时监控系统中，以使所述监控系统实时接收来自水电站结构部件的、经过同步处理后的电信号数据，利用模型预测裂纹尺寸，并在检测到临界裂纹尺寸时自动发出预警。一种实现方式可以包括：

步骤一：构建和优化非线性映射模型 在这一步骤中，构建一个基于深度学习的非线性映射模型，该模型能够精确地映射电信号强度与能级劈裂之间的复杂关系，从而预测漏磁场强度和裂纹尺寸。

1.高级神经网络架构：采用混合神经网络，结合卷积神经网络（CNN）和循环神经网络（RNN）的优点。CNN用于处理信号的空间特征，而RNN处理信号随时间的动态变化。这种混合网络更适合处理具有时间依赖性和空间特征的信号数据。

2.动态学习率调整：实现一个自适应的学习率调整机制，根据模型在训练过程中的表现动态调整学习率。这可以通过使用基于性能的调度器来实现，例如，如果模型的验证误差开始增加，则降低学习率以避免过拟合。示例性的，一种构建方式具体可以包括：

构建一个基于多任务学习的混合神经网络模型，用于同时预测漏磁场强度和裂纹尺寸。多任务学习能够利用任务之间的相关性，提高模型的泛化能力和预测精度。

（1）模型架构设计 选择模型类型：采用深度多任务学习框架，具体实现为共享底层特征提取器和多个任务特定的输出层。底层特征提取器使用卷积神经网络（CNN）来处理输入的电信号数据，捕获局部特征和时间序列的依赖关系。输出层设计：为每个预测目标（漏磁场强度和裂纹尺寸）设计专门的输出层。这样做可以确保模型在学习通用特征的同时，也能专注于每个任务的特定需求。

（2）模型训练与正则化技术 数据准备：使用从实验和现场获取的数据集进行训练，包括电信号数据及其对应的漏磁场强度和裂纹尺寸。数据预处理包括归一化和去噪，以提高模型的学习效率。正则化策略：应用Dropout技术减少模型过拟合，特别是在网络的深层。此外，使用L2正则化来限制模型权重的大小，从而控制模型的复杂度。

（3）损失函数的自定义与优化 损失函数设计：构建一个复合损失函数，同时考虑漏磁场强度和裂纹尺寸的预测误差。使用加权求和的方式来平衡两个任务的损失，权重可以根据实际任务的重要性动态调整。优化算法选择：采用Adam优化器，因其自动调整学习率的能力，能够更好地处理不同规模的梯度，加快收敛速度。

（4）超参数的动态调整 学习率调整：实现一个基于性能反馈的学习率调整机制。如果模型的验证误差在连续几个周期内未改善，则自动降低学习率。 早停机制：设置早停机制来终止训练，防止过拟合。如果在验证集上的性能在连续设定周期内没有显著改进，则停止训练。

通过这些步骤，可以构建一个能够有效预测漏磁场强度和裂纹尺寸的高性能模型。该模型不仅考虑了单个预测任务的性能，而且通过多任务学习框架优化了整体的预测能力，是一种在高复杂性信号处理领域中不易想到的创新方法。

步骤二：复杂信号的多尺度特征提取与选择 使用小波变换结合机器学习技术提取电信号的时间-频率特征，这对于识别裂纹尺寸至关重要。

1.二维小波变换：应用二维小波变换而非传统的一维变换。这允许模型在处理信号的同时考虑信号的时间和频率分布，从而更好地捕获信号中的非线性和非平稳特性。

2.深度特征选择技术：不仅仅是传统的基于互信息的方法，在此基础上引入深度学习方法来进行特征选择。利用自编码器（Autoencoder）来学习和压缩信号特征，然后从压缩的特征中选择对预测裂纹尺寸最有信息量的特征。

步骤三：实时监控系统的高级集成与智能预警 将模型部署到实时监控系统中，并实现一个智能预警机制，及时响应潜在的裂纹危险。

1.集成边缘计算：在水电站的监控系统中集成边缘计算设备，允许数据在产生地进行初步处理，减少数据传输延迟，提高响应速度。模型在本地设备上运行，可以实时处理传感器数据，快速做出预测。

2.预警与自动调整：开发一个动态预警系统，不仅在检测到临界裂纹尺寸时触发预警，还可以根据裂纹发展的趋势自动调整监控参数，如调整传感器的采集频率或改变数据分析模型的运行频率。

通过上述步骤，可以显著提高水电站结构部件的监测效率和安全性，确保能够在裂纹形成的早期阶段就进行准确的检测和及时的干预。

并且，在实际应用中，一种构建漏磁场强度与裂纹尺寸之间的非线性映射模型的实现方式还可以包括：

利用采集的漏磁场数据集作为训练数据，所述漏磁场数据集包括电信号特性及其对应的裂纹尺寸和漏磁场强度；

其中，训练数据集可以为记录的历史数据集，包括电信号特性及其对应的裂纹尺寸和漏磁场强度，以训练模型去学习漏磁场强度与裂纹尺寸的关联关系。具体采集时，可以使用定制的金刚石NV色心传感器阵列，在水电站结构部件表面上多个点位同步采集漏磁场数据，确保获取空间分布上连续且全面的漏磁场信号。对采集到的漏磁场数据及其对应的裂纹尺寸和漏磁场强度进行处理，包括数据清洗、异常值检测和剔除，以及数据归一化处理，为后续分析准备一致性高、质量可靠的数据集。

将二维小波变换应用到电信号上，分解所述电信号在不同尺度下的时间-频率特征，得到多尺度特征；

其中，可以对电信号执行一种复数二维小波变换，这种变换在提供时间-频率信息的同时，也保留了信号的相位信息。相位信息是识别瞬态事件（如裂纹的发生）中重要的方面。通过这种变换，将电信号分解为多个尺度的小波系数，这些系数反映了原始信号在不同频率和时间点的细节和近似信息。

计算所述多尺度特征与裂纹尺寸之间的互信息量，其中，所述互信息量用于衡量两个变量间的相互依赖性；

其中，可以采用非线性动态系统理论中的延迟嵌入技术，通过构造多维相空间，来计算多尺度特征与裂纹尺寸之间的互信息量。这一技术提供了一种高度敏感的方法来揭示变量间复杂的相互依赖关系。

利用基于互信息的特征选择算法，从多尺度特征中筛选用于对裂纹尺寸预测的特征子集；

其中，可以利用基于互信息量和图论的特征选择方法，从多尺度特征中筛选用于裂纹尺寸预测的特征子集。在这种方法中，特征的选择不仅依赖于互信息量的大小，还考虑了特征间的拓扑结构，以挖掘出最有利于裂纹尺寸预测的特征组合。

构建基于深度多任务学习框架的混合神经网络模型，利用遗传算法优化映射模型的超参数；

其中，基于深度学习的多任务学习框架，构建一个混合神经网络模型。该模型包含多个子网络，每个子网络负责学习和预测特定范围内裂纹尺寸的映射关系，而共享层将负责捕捉裂纹特征与漏磁场强度之间的公共信息。例如利用一种复合的神经网络，集成卷积神经网络(CNN)用于捕获电信号的空间特征，以及递归神经网络(RNN)用于捕捉信号随时间的演变。这样的混合模型能更好地处理信号的时间依赖性和空间特征。

遗传算法是一种模拟生物进化过程的搜索算法，它利用自然选择、遗传组合和变异等机制来迭代地优化问题的解。在本步骤中，遗传算法被用于优化神经网络模型的超参数，例如学习率、隐藏层数量和神经元数目。将模型的超参数编码为遗传算法的染色体，定义适应度函数为模型在验证集上的预测性能，以此来评估染色体（超参数集）的优劣。通过遗传算法的选择、交叉和变异操作，产生新一代的超参数集，不断迭代优化，直到找到最优的超参数集或达到预设的迭代次数。

利用所述超参数和所述特征子集训练所述混合神经网络模型，得到训练后的非线性映射模型。

其中，可以采用交叉验证和监督学习方法来训练和验证模型的性能，在一个独立的验证数据集上评估模型的性能，根据预测结果调整模型的架构和参数，直到达到满意的准确度和泛化能力。

通过这个方法的实现，漏磁场强度与裂纹尺寸之间的非线性映射模型能够准确学习和模拟二者之间的复杂关系，从而提高对结构部件中裂纹的识别和预测能力。

可见，通过固态量子传感器捕获待测水电站结构部件中由于结构缺陷导致的漏磁场；采集利用激光激发金刚石NV色心过程中电子从激发态跃迁回基态时释放的荧光信号，并通过光电探测器将荧光信号转换为电信号；应用多通道锁相放大技术对电信号进行同步处理，并基于电信号强度与固态量子传感器中能级劈裂的关系建立漏磁场强度与裂纹尺寸之间的映射关系，以实现缺陷尺寸的识别，从而能够利用固态量子传感技术的独特优势，实现对材料内部缺陷的高精度识别和评估，不仅可以提高检测的灵敏度和准确性，还可以扩大漏磁检测技术的应用范围，为各种材料和结构的健康监测提供强有力的技术支持。

本发明的又一实施例提供了一种基于固态量子无损漏磁检测的缺陷识别系统，参见图3，所述系统可以包括：

捕获模块301，用于通过固态量子传感器捕获待测水电站结构部件中由于结构缺陷导致的漏磁场，其中，所述固态量子传感器包括金刚石NV色心漏磁探头，所述结构部件处于磁化饱和状态；

采集模块302，用于采集利用激光激发金刚石NV色心过程中电子从激发态跃迁回基态时释放的荧光信号，并通过光电探测器将所述荧光信号转换为电信号；

识别模块303，用于应用多通道锁相放大技术对所述电信号进行同步处理，并基于电信号强度与固态量子传感器中能级劈裂的关系建立漏磁场强度与裂纹尺寸之间的映射关系，以实现缺陷尺寸的识别。

可见，通过固态量子传感器捕获待测水电站结构部件中由于结构缺陷导致的漏磁场；采集利用激光激发金刚石NV色心过程中电子从激发态跃迁回基态时释放的荧光信号，并通过光电探测器将荧光信号转换为电信号；应用多通道锁相放大技术对电信号进行同步处理，并基于电信号强度与固态量子传感器中能级劈裂的关系建立漏磁场强度与裂纹尺寸之间的映射关系，以实现缺陷尺寸的识别，从而能够利用固态量子传感技术的独特优势，实现对材料内部缺陷的高精度识别和评估，不仅可以提高检测的灵敏度和准确性，还可以扩大漏磁检测技术的应用范围，为各种材料和结构的健康监测提供强有力的技术支持。

本发明实施例还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

具体的，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：

S201，通过固态量子传感器捕获待测水电站结构部件中由于结构缺陷导致的漏磁场，其中，所述固态量子传感器包括金刚石NV色心漏磁探头，所述结构部件处于磁化饱和状态；

S202，采集利用激光激发金刚石NV色心过程中电子从激发态跃迁回基态时释放的荧光信号，并通过光电探测器将所述荧光信号转换为电信号；

S203，应用多通道锁相放大技术对所述电信号进行同步处理，并基于电信号强度与固态量子传感器中能级劈裂的关系建立漏磁场强度与裂纹尺寸之间的映射关系，以实现缺陷尺寸的识别。

可见，通过固态量子传感器捕获待测水电站结构部件中由于结构缺陷导致的漏磁场；采集利用激光激发金刚石NV色心过程中电子从激发态跃迁回基态时释放的荧光信号，并通过光电探测器将荧光信号转换为电信号；应用多通道锁相放大技术对电信号进行同步处理，并基于电信号强度与固态量子传感器中能级劈裂的关系建立漏磁场强度与裂纹尺寸之间的映射关系，以实现缺陷尺寸的识别，从而能够利用固态量子传感技术的独特优势，实现对材料内部缺陷的高精度识别和评估，不仅可以提高检测的灵敏度和准确性，还可以扩大漏磁检测技术的应用范围，为各种材料和结构的健康监测提供强有力的技术支持。

本发明实施例还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。

具体的，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

具体的，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

S201，通过固态量子传感器捕获待测水电站结构部件中由于结构缺陷导致的漏磁场，其中，所述固态量子传感器包括金刚石NV色心漏磁探头，所述结构部件处于磁化饱和状态；

S202，采集利用激光激发金刚石NV色心过程中电子从激发态跃迁回基态时释放的荧光信号，并通过光电探测器将所述荧光信号转换为电信号；

S203，应用多通道锁相放大技术对所述电信号进行同步处理，并基于电信号强度与固态量子传感器中能级劈裂的关系建立漏磁场强度与裂纹尺寸之间的映射关系，以实现缺陷尺寸的识别。

具体的，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

可见，通过固态量子传感器捕获待测水电站结构部件中由于结构缺陷导致的漏磁场；采集利用激光激发金刚石NV色心过程中电子从激发态跃迁回基态时释放的荧光信号，并通过光电探测器将荧光信号转换为电信号；应用多通道锁相放大技术对电信号进行同步处理，并基于电信号强度与固态量子传感器中能级劈裂的关系建立漏磁场强度与裂纹尺寸之间的映射关系，以实现缺陷尺寸的识别，从而能够利用固态量子传感技术的独特优势，实现对材料内部缺陷的高精度识别和评估，不仅可以提高检测的灵敏度和准确性，还可以扩大漏磁检测技术的应用范围，为各种材料和结构的健康监测提供强有力的技术支持。

以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果，以上所述仅为本发明的较佳实施例，但本发明不以图面所示限定实施范围，凡是依照本发明的构想所作的改变，或修改为等同变化的等效实施例，仍未超出说明书与图示所涵盖的精神时，均应在本发明的保护范围内。