-
公开(公告)号：CN111242202A
公开(公告)日：2020-06-05
申请号：CN202010014758.6
申请日：2020-01-07
Applicant: 燕山大学
Abstract: 基于度量学习的车削加工刀具磨损状态监测方法，首先将采集刀具磨损图像进行预处理，再按比例随机分成训练集和测试集，且其训练集和测试集中都划分有支持集和测试样例集；建立非参数化神经网络模型结构，包括特征提取网络、距离度量函数、attention机制；初始化特征提取网络模型权重、偏差和学习率参数，构建激活函数；采用余弦距离函数作为距离度量函数；Attention机制使用softmax层结构；运用前向传播计算当前交叉熵损失，再通过后向传播计算其梯度；通过运行梯度下降法对权重和偏差进行优化，最后使用网络模型的学习参数对测试集进行预测和分类辨别，输出预测准确率。本发明具有算法实现简单、误差修正、刀具磨损状态分类准确率高、运行时间短和实时性强等特点。
-
Patent Agency Ranking
公开(公告)号：CN111242202B
公开(公告)日：2022-03-08
申请号：CN202010014758.6
申请日：2020-01-07
Applicant: 燕山大学
Abstract: 基于度量学习的车削加工刀具磨损状态监测方法，首先将采集刀具磨损图像进行预处理，再按比例随机分成训练集和测试集，且其训练集和测试集中都划分有支持集和测试样例集；建立非参数化神经网络模型结构，包括特征提取网络、距离度量函数、attention机制；初始化特征提取网络模型权重、偏差和学习率参数，构建激活函数；采用余弦距离函数作为距离度量函数；Attention机制使用softmax层结构；运用前向传播计算当前交叉熵损失，再通过后向传播计算其梯度；通过运行梯度下降法对权重和偏差进行优化，最后使用网络模型的学习参数对测试集进行预测和分类辨别，输出预测准确率。本发明具有算法实现简单、误差修正、刀具磨损状态分类准确率高、运行时间短和实时性强等特点。
-
公开(公告)号：CN110827260A
公开(公告)日：2020-02-21
申请号：CN201911068094.5
申请日：2019-11-04
Applicant: 燕山大学
IPC: G06T7/00 , G06T7/11 , G06T7/187 , G06T7/194 , G06T5/00 , G06T5/40 , G06K9/62 , G06N3/04 , G06N3/08 , G06N3/00
Abstract: 发明公开了一种基于LBP特征与卷积神经网络的布匹缺陷分类方法，属于缺陷分类方法，该方法将采集的样本图像随机按比例划分为训练集和验证集和测试集，分别进行图像预处理，然后对利用卷积神经模型自动提取样本图像中最优的特征向量与图像所计算的LBP特征向量进行权重融合，为支持向量机分类模型提供最终的支持向量，支持向量机利用带精英策略的趋磁细菌算法优化模型中的超参数，考虑了图像的LBP特征，提取完之后，仅需进行对卷积神经网络自动提取出的特征向量的权重添加即可，明显减少布匹背景的干扰，本发明对于布匹的花色没有要求，可以用于解决不同花色和单色的布匹缺陷检测问题，具有算法实现简单，并且分类的准确率高，运行效率高。
-
公开(公告)号：CN109543899A
公开(公告)日：2019-03-29
申请号：CN201811384644.X
申请日：2018-11-20
Applicant: 燕山大学
Abstract: 本发明公开了一种基于深度学习的二维轮廓排样定序方法，具体包括：获取排样历史大数据并预处理，对历史数据中所有已排样的零件进行标定得到排样顺序矩阵Y；提取每个已排样零件的几何特征，得到几何特征矩阵X；整理得到排样定序数据集PRD-T；建立深度学习模型Packing-Sort-Model；输入PRD-T数据集，训练得到能够输出待排样零件排样顺序的模型Packing-Sort-Model；提取待排样零件几何特征，得到待排样零件的几何特征矩阵A；将待排样零件的几何特征矩阵输入到已训练完成的深度学习模型中；计算得待排样零件的排样顺序矩阵B；按照排样顺序对待排样零件进行逐一靠接排样，完成排样。本发明能实现排样过程中待排零件的定序，排样效果好、效率高。
-
公开(公告)号：CN110827260B
公开(公告)日：2023-04-21
申请号：CN201911068094.5
申请日：2019-11-04
Applicant: 燕山大学
IPC: G06T7/00 , G06T7/11 , G06T7/187 , G06T7/194 , G06T5/00 , G06T5/40 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084 , G06N3/006 , G06N20/10
Abstract: 发明公开了一种基于LBP特征与卷积神经网络的布匹缺陷分类方法，属于缺陷分类方法，该方法将采集的样本图像随机按比例划分为训练集和验证集和测试集，分别进行图像预处理，然后对利用卷积神经模型自动提取样本图像中最优的特征向量与图像所计算的LBP特征向量进行权重融合，为支持向量机分类模型提供最终的支持向量，支持向量机利用带精英策略的趋磁细菌算法优化模型中的超参数，考虑了图像的LBP特征，提取完之后，仅需进行对卷积神经网络自动提取出的特征向量的权重添加即可，明显减少布匹背景的干扰，本发明对于布匹的花色没有要求，可以用于解决不同花色和单色的布匹缺陷检测问题，具有算法实现简单，并且分类的准确率高，运行效率高。
-
公开(公告)号：CN109543899B
公开(公告)日：2020-02-11
申请号：CN201811384644.X
申请日：2018-11-20
Applicant: 燕山大学
IPC: G16Z99/00
Abstract: 本发明公开了一种基于深度学习的二维轮廓排样定序方法，具体包括：获取排样历史大数据并预处理，对历史数据中所有已排样的零件进行标定得到排样顺序矩阵Y；提取每个已排样零件的几何特征，得到几何特征矩阵X；整理得到排样定序数据集PRD‑T；建立深度学习模型Packing‑Sort‑Model；输入PRD‑T数据集，训练得到能够输出待排样零件排样顺序的模型Packing‑Sort‑Model；提取待排样零件几何特征，得到待排样零件的几何特征矩阵A；将待排样零件的几何特征矩阵输入到已训练完成的深度学习模型中；计算得待排样零件的排样顺序矩阵B；按照排样顺序对待排样零件进行逐一靠接排样，完成排样。本发明能实现排样过程中待排零件的定序，排样效果好、效率高。
-
-
-
-
-
Search Results
6
records
(took 0.021 seconds)
