公开(公告)号：CN118968150A

公开(公告)日：2024-11-15

申请号：CN202411012654.6

申请日：2024-07-26

Applicant: 东北大学

Inventor： 唐立新 ,  刘畅 ,  张凯楠

IPC: G06V10/764 ,  G06V10/82 ,  G06N3/0475 ,  G06N3/045 ,  G06N3/094 ,  G06V10/44 ,  G06V10/774 ,  G06V10/54

Abstract: 本发明公开了一种基于多目标分形进化网络的金相组织识别方法，涉及钢铁材料图像识别领域。本发明基于分形维数偏差的数据迁移方法，将具有分形特征的织物纹理图像进行数据迁移，第一次扩充金相组织图像数据量；基于金相组织数据，通过生成对抗网络生成新数据进行第二次金相组织图像数据的扩充；将扩充后的数据输入分形网络对其训练实现金相组织识别，在训练过程中，采用多目标差分进化算法优化分形网络，得到帕累托最优解；最后，采用基于距离的方法确定Knee点，以获得金相组织识别模型，从而实现对实际应用时输入的金相组织图像进行金相组织识别。解决了金相组织识别难且数据量少，数据类型不平衡的问题，提高了金相组织识别准确率。

公开(公告)号：CN119068240A

公开(公告)日：2024-12-03

申请号：CN202411086279.X

申请日：2024-08-08

Applicant: 东北大学

Inventor： 唐立新 ,  刘畅 ,  张凯楠 ,  陶哲瑞

IPC: G06V10/764 ,  G06V10/82 ,  G06T7/00 ,  G06N3/082 ,  G06N3/086 ,  G06N3/126

Abstract: 本发明提供一种基于多目标进化深度学习的钢铁产品质量缺陷识别方法，涉及钢铁产品质量识别技术领域。该方法首先采用自动神经网络加深技术构建原始钢铁产品质量缺陷识别模型；然后采用多目标差分进化算法对得到的最佳原始钢铁产品质量缺陷识别模型进行剪枝处理，降低网络计算复杂度；接着，基于偏好向量从多目标差分进化算法剪枝处理后获取的帕累托前沿上确定偏好Knee解；最后根据获取的Knee解确定钢铁产品质量缺陷识别模型，并重新进行训练获得在测试数据集上对应的准确率，验证模型有效性。该方法成功摆脱了依靠人工经验定义网络结构，同时所获得的质量缺陷识别模型在识别准确率与模型复杂度方面表现出较理想的性能。

公开(公告)号：CN117133390A

公开(公告)日：2023-11-28

申请号：CN202311110636.7

申请日：2023-08-31

Applicant: 东北大学

Inventor： 唐立新 ,  刘畅 ,  张凯楠

IPC: G16C60/00 ,  C21D9/52 ,  C21D11/00 ,  C21D1/26 ,  G16C20/20 ,  G16C20/70 ,  G06F30/27 ,  G06N3/126 ,  G06N3/048 ,  G06N3/0455 ,  G06N3/0985 ,  G06F18/10 ,  G06F18/213 ,  G06F119/14

Abstract: 本发明提供一种基于进化学习的带钢多指标质量预测方法，涉及自动控制技术领域，本发明从实际连续退火生产过程中采集历史数据信息建立预测模型数据库，将连续退火过程相关信息作为历史数据集合，并依据碳当量的两种表示计算得出碳当量；对建立的数据库中的数据进行预处理得到处理后的标准训练数据集；然后建立深度稀疏自编码网络和极端梯度提升算法的两阶段模型与多目标优化算法相结合的连续退火过程的多指标质量预测模型。最后采用Knee点策略依据实际生产过程的偏好从多目标优化的帕累托最优解集中选取最优结果作为多指标质量预测模型的参数。本发明的多指标质量预测方法可以有效地应用于实际生产过程中，为操作人员及时掌握带钢质量情况提供依据。

公开(公告)号：CN117392450A

公开(公告)日：2024-01-12

申请号：CN202311382524.7

申请日：2023-10-24

Applicant: 东北大学

Inventor： 唐立新 ,  张凯楠 ,  刘畅

IPC: G06V10/764 ,  G06V10/77 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06V10/52 ,  G06V10/42 ,  G06V10/54 ,  G06N3/0455 ,  G06N3/086 ,  G06T7/00

Abstract: 本发明提供一种基于进化多尺度特征学习的钢铁材料质量解析方法，涉及钢铁材料缺陷图像识别技术领域。该方法首先建立钢铁材料质量表面缺陷样本库，然后构建基于进化多尺度特征学习的钢铁材料质量解析模型，并设置质量解析模型的初始超参数及结构参数；再采用Knee点策略选择多尺度特征学习的钢铁材料质量解析模型最佳性能时的相关参数值；最后利用测试数据集对优化过程生成的最优的多尺度特征学习的质量解析模型进行测试。该方法能够明显提高带钢表面缺陷识别结果的精度和鲁棒性，且模型参数量少及计算资源小，可以有效地应用于实际生产过程中，为操作人员及时掌握带钢质量情况提供依据，帮助钢铁企业提高产品质量，降低生产成本。