公开(公告)号：CN113436169A

公开(公告)日：2021-09-24

申请号：CN202110711857.4

申请日：2021-06-25

Applicant: 东北大学

Inventor： 彭玉怀 ,  郝悦 ,  王文茜 ,  王晨路 ,  吴菁晶

IPC: G06T7/00 ,  G06T7/10 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供一种基于半监督语义分割的工业设备表面裂纹检测方法及系统。本发明包括如下步骤：获取设备表面带裂纹的原始图片，进行像素级别的缺陷标注；将原始图片输入进深度卷积生成对抗网络进行训练，获得不带标签训练集；构建半监督语义分割网络SE‑Net，将带标签训练集和不带标签训练集输入进SE‑Net进行监督学习与无监督学习相结合的训练；生成器生成裂纹分割图像，鉴别器SE‑DNet对分割结果进行鉴别，判断输入属于标记图像还是SE‑GNet生成的图像；将待检测样本图像输入到训练好的SE‑GNet网络进行裂纹检测，得到对应输出的裂纹检测结果。本发明在工业设备裂纹数据集不充足的情况下，显著提高了网络的拟合能力，减轻了人工标注工作量。

公开(公告)号：CN113347638A

公开(公告)日：2021-09-03

申请号：CN202110527019.1

申请日：2021-05-14

Applicant: 东北大学

Inventor： 彭玉怀 ,  王雨昕 ,  张国梁 ,  王晨路 ,  吴菁晶

IPC: H04W16/14 ,  H04W16/10 ,  H04B17/382 ,  H04B17/391

Abstract: 本发明公开一种认知工业物联网动态协作频谱预测与感知方法，步骤为：认知用户获取IEEE 802.11物理层标准所规定信道在过去K个时隙内的信道状态信息CSI；将上述所有信道的CSI分别输入信道预测模型，该模型由LSTM‑CNN网络构成；对于空闲概率大于p的信道，认知用户感知这些信道并判断信道的被占用情况；认知用户将判决结果发送到位于SDN控制器的聚合中心；聚合中心将各认知用户的判决结果进行数据融合，利用权重分配网络得到最终判决结果。本发明方法可实现信道的预筛选，节约信道感知过程的能量消耗，通过聚合中心融合多用户协作的感知结果，大幅提高信道预测和感知精度，更加适应复杂的射频环境。

公开(公告)号：CN118629094A

公开(公告)日：2024-09-10

申请号：CN202411088015.8

申请日：2024-08-09

Applicant: 东北大学

Inventor： 彭玉怀 ,  栗媛 ,  刘娜 ,  冯程 ,  朱一飞 ,  王晨路 ,  焦明海

IPC: G06V40/20 ,  G06V10/22 ,  G06V10/30 ,  G06V10/74 ,  G06V10/82 ,  G06N3/0442 ,  G06N3/09

Abstract: 本发明提供了一种面向虚实结合一体化仿真的数据同化方法及系统，涉及电数字数据处理技术领域，包括：分别对UWB或RTK设备收集的实时位置坐标数据，以及多个摄像机捕捉到的RGB人物图像数据进行数据预处理，得到真实世界中人体的位姿信息；将位姿信息输入至基于双层LSTM神经网络模型的状态估计模型中进行未来位姿状态估计，得到预测位姿信息；基于预测位姿信息和真实世界中人体的位姿信息，通过集合卡尔曼滤波进行状态校正，得到校正位姿状态；将校正位姿状态和位姿信息作为状态估计模型的输入，得到下一时刻的预测位姿信息。本发明能够利用实时观测数据与预测数据，通过数据预处理、状态估计、状态更新等方法实现高可信度的虚实结合仿真实验。

公开(公告)号：CN113762277B

公开(公告)日：2024-05-24

申请号：CN202111055699.8

申请日：2021-09-09

Applicant: 东北大学

Inventor： 彭玉怀 ,  王文茜 ,  郭钰 ,  王晨路 ,  吴菁晶

IPC: G06V10/30 ,  G06V10/80 ,  G06V10/774 ,  G06V10/82 ,  G06N3/088 ,  G06N3/0475 ,  G06N3/0455 ,  G06N3/094 ,  G06N3/098

Abstract: 本发明涉及一种基于Cascade‑GAN的多波段红外图像融合方法，首先，通过将采集到的包括短波、中波、长波在内的针对同一场景的多波段红外图像沿通道进行连接，得到的三通道图像作为级联生成对抗网络模型Cascade‑GAN的训练数据集，利用训练好的去噪生成对抗网络模型DnGAN生成去噪图像，提高图像信噪比；然后将去噪后的图像输入融合生成对抗网络FuGAN，通过该融合网络的生成器GFu与其判别器DFu之间的对抗博弈进行高质量图像融合；级联网络通过建立总损失函数，利用FuGAN输出结果指导DnGAN的训练，通过提高FuGAN的输出质量来改善DnGAN的融合效果，从而获得高质量融合图像。本发明与传统融合方法相比，基于深度学习的融合方法具有更高的鲁棒性，并且具有较佳的融合效果，能够充分改善融合精度。

公开(公告)号：CN112633476B

公开(公告)日：2023-09-22

申请号：CN202011554128.4

申请日：2020-12-24

Applicant: 东北大学

Inventor： 彭玉怀 ,  王晨路 ,  赵灿 ,  尹少芊 ,  刘鑫渤 ,  王雨昕 ,  张国梁 ,  吴菁晶

IPC: G06N3/0442 ,  F02B77/08

Abstract: 本发明涉及一种发动机状态监测方法、系统、设备及介质，其方法包括：首先，将发动机各个传感器采集的数据按照因果关系或空间位置进行排序，作为输入序列；其次，构建长短时记忆神经网络；接着，构建具有分支结构的长短时记忆神经网络；最后，通过具有分支结构的长短时记忆神经网络对发动机的进行状态监测与预测，其输出序列为各种状态类型。本发明针对时间序列输入中存在的各项输入维度不匹配的问题，每一个输入表示的是某一个固定传感器在固定时间内获取的数据，其长度是固定的，该方法可以解决时间序列维度不同的问题，同时因为数据是按照空间序列、因果关系排序的，它加强输入序列之间的关系，进而提高预测精度。