-
公开(公告)号：CN113378967B
公开(公告)日：2022-11-08
申请号：CN202110720189.1
申请日：2021-06-28
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明提出了一种基于卷积神经网络与迁移学习的结构健康监测多元数据异常诊断方法，将某大型结构A的多元监测数据由时间序列分段数据可视化处理，转换为时域响应图像，根据数据段对应的时域响应图像数据进行人工标记，选取带有人工标记的各种异常类型的样本组成数据集A；将数据集A输入至用于异常检测的卷积神经网络模型A中，训练好模型A；将某大型结构B的多元监测数据可视化，人工标记，组成数据集B；在模型A的基础上加入数据集B，进行迁移学习训练，提升分类模型的泛化性能，使卷积神经网络模型能够适应不同分布的数据，迁移学习训练好的模型作为多元数据异常检测器；本发明能够解决目前结构健康监测多元数据无检测方法等问题。
-
公开(公告)号：CN109978138A
公开(公告)日：2019-07-05
申请号：CN201910212148.4
申请日：2019-03-20
Applicant: 哈尔滨工业大学
Abstract: 本发明是基于深度强化学习的结构可靠度抽样方法。本发明针对现有技术在结构可靠度抽样算法方面的不足，利用深度强化学习算法，提出基于深度强化学习的结构可靠度抽样方法，该方法融合的计算机视觉和深度强化学习等技术，可实现抽样空间的智能观察，以及在结构失效面附近的重要区域智能选取样本，作为结构可靠度代理模型的训练样本。为了实现强化学习的结构可靠度抽样，采用深度神经网络作为强化学习中的机器。通过定义一个合适的奖赏，在训练更新机器的同时，可以实现在结构失效面附近的重要区域智能抽样。本发明具有很好的智能结构可靠度采样能力，具有高效性。
-
公开(公告)号：CN108520234B
公开(公告)日：2021-04-06
申请号：CN201810309626.9
申请日：2018-04-08
Applicant: 哈尔滨工业大学
IPC: G06K9/00
Abstract: 一种基于多种特征量的盲信号提取方法，本发明提出利用一种或多种特征量同时对盲信号进行提取，对传统盲源提取方法添加各种约束并进行改进。本发明的步骤为：一、利用可变或多种特征值添加约束对传统盲源提取算法进行改进。二、利用预定的各个特征量对初始权限量进行选择。三、利用初始权限量进行迭代计算得到提取结果。本发明采用多种特征量同时对一个信号进行约束提取，让盲源提取的过程不再局限于固定的特征量进行判断，而是变为可变特征量或多种特征量同时进行判断，泛用性较强，优化了盲源提取方法。
-
公开(公告)号：CN110782041A
公开(公告)日：2020-02-11
申请号：CN201910994657.7
申请日：2019-10-18
Applicant: 哈尔滨工业大学
Abstract: 本发明提出一种基于机器学习的结构模态参数识别方法，包括以下步骤：步骤一、将振动传感器收集到的数据进行初步滤波去噪处理；步骤二、将滤波后的数据输入设计的神经网络，设计目标函数，所述目标函数用于保证神经网络第三层的输出结果具有完全的独立性，使得神经网络的训练过程变为混叠信号的分离过程；步骤三、提取神经网络第三层的结果即为各阶模态响应，神经网络三四层之间的权重即为各阶振型系数；步骤四、对提取得到的模态响应进行功率谱变换求频率，利用对数衰减技术并进行曲线拟合得到阻尼比。本发明利用机器学习的方法实现了对监测数据的自动处理，网络自动化程度较高，分离速度较快。
-
公开(公告)号：CN110502965A
公开(公告)日：2019-11-26
申请号：CN201910560913.1
申请日：2019-06-26
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种基于计算机视觉人体姿态估计的施工安全帽佩戴监测方法，包括以下步骤：S100根据实时多人姿态估计算法模型OpenPose检测并输出图像中的所有个体的身体骨架姿态；S200根据深度学习目标检测算法模型YOLOv3检测出图像中的工人与安全帽，以两类矩形边框分别进行标识和输出；S300整合两种算法模型，根据两类矩形边框的交面比、以及安全帽矩形边框的对角线长度和人物面部中心点到安全帽中心点长度的比对，判断图中工人是否佩戴安全帽。本发明能够准确判断安全帽是否被正确佩戴，该方法逻辑流程清晰，检测速度快，对实时保障施工现场安全帽的有效佩戴，对维护施工人员的生命安全具有重要意义。
-
Patent Agency Ranking
公开(公告)号：CN108764601A
公开(公告)日：2018-11-06
申请号：CN201810290291.0
申请日：2018-04-03
Applicant: 哈尔滨工业大学
CPC classification number: G06Q10/0639 , G06N3/0454 , G06Q50/08
Abstract: 本发明提供一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法，是为了解决现有方法难以处理具有多种异常模式的情形，容易产生过处理和欠处理的问题，且人工专家干预的自动化程度低，成本昂贵的缺点而提出的，包括：将待诊断监测数据由时间序列数据通过数据可视化处理转换为时域响应图像数据和频域响应图像数据；根据同一个数据段对应的时域响应图像数据和频域响应图像数据组成双通道时频响应图；从双通道时频响应图中选取样本并标注样本的异常类型，构成训练集；将训练集输入至卷积神经网络模型中，将训练后的模型作为异常数据诊断器；将待诊断监测数据输入至异常数据诊断器中得到诊断结果。本发明适用于结构健康数据监测。
-
公开(公告)号：CN110502965B
公开(公告)日：2022-05-17
申请号：CN201910560913.1
申请日：2019-06-26
Applicant: 哈尔滨工业大学
IPC: G06V40/10 , G06V40/16 , G06V10/25 , G06V10/46 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于计算机视觉人体姿态估计的施工安全帽佩戴监测方法，包括以下步骤：S100根据实时多人姿态估计算法模型OpenPose检测并输出图像中的所有个体的身体骨架姿态；S200根据深度学习目标检测算法模型YOLOv3检测出图像中的工人与安全帽，以两类矩形边框分别进行标识和输出；S300整合两种算法模型，根据两类矩形边框的交面比、以及安全帽矩形边框的对角线长度和人物面部中心点到安全帽中心点长度的比对，判断图中工人是否佩戴安全帽。本发明能够准确判断安全帽是否被正确佩戴，该方法逻辑流程清晰，检测速度快，对实时保障施工现场安全帽的有效佩戴，对维护施工人员的生命安全具有重要意义。
-
公开(公告)号：CN110782041B
公开(公告)日：2022-08-02
申请号：CN201910994657.7
申请日：2019-10-18
Applicant: 哈尔滨工业大学
Abstract: 本发明提出一种基于机器学习的结构模态参数识别方法，包括以下步骤：步骤一、将振动传感器收集到的数据进行初步滤波去噪处理；步骤二、将滤波后的数据输入设计的神经网络，设计目标函数，所述目标函数用于保证神经网络第三层的输出结果具有完全的独立性，使得神经网络的训练过程变为混叠信号的分离过程；步骤三、提取神经网络第三层的结果即为各阶模态响应，神经网络三四层之间的权重即为各阶振型系数；步骤四、对提取得到的模态响应进行功率谱变换求频率，利用对数衰减技术并进行曲线拟合得到阻尼比。本发明利用机器学习的方法实现了对监测数据的自动处理，网络自动化程度较高，分离速度较快。
-
公开(公告)号：CN113378967A
公开(公告)日：2021-09-10
申请号：CN202110720189.1
申请日：2021-06-28
Applicant: 哈尔滨工业大学
Abstract: 本发明提出了一种基于卷积神经网络与迁移学习的结构健康监测多元数据异常诊断方法，将某大型结构A的多元监测数据由时间序列分段数据可视化处理，转换为时域响应图像，根据数据段对应的时域响应图像数据进行人工标记，选取带有人工标记的各种异常类型的样本组成数据集A；将数据集A输入至用于异常检测的卷积神经网络模型A中，训练好模型A；将某大型结构B的多元监测数据可视化，人工标记，组成数据集B；在模型A的基础上加入数据集B，进行迁移学习训练，提升分类模型的泛化性能，使卷积神经网络模型能够适应不同分布的数据，迁移学习训练好的模型作为多元数据异常检测器；本发明能够解决目前结构健康监测多元数据无检测方法等问题。
-
公开(公告)号：CN108764601B
公开(公告)日：2021-07-16
申请号：CN201810290291.0
申请日：2018-04-03
Applicant: 哈尔滨工业大学
Abstract: 本发明提供一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法，是为了解决现有方法难以处理具有多种异常模式的情形，容易产生过处理和欠处理的问题，且人工专家干预的自动化程度低，成本昂贵的缺点而提出的，包括：将待诊断监测数据由时间序列数据通过数据可视化处理转换为时域响应图像数据和频域响应图像数据；根据同一个数据段对应的时域响应图像数据和频域响应图像数据组成双通道时频响应图；从双通道时频响应图中选取样本并标注样本的异常类型，构成训练集；将训练集输入至卷积神经网络模型中，将训练后的模型作为异常数据诊断器；将待诊断监测数据输入至异常数据诊断器中得到诊断结果。本发明适用于结构健康数据监测。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.025 seconds)
