公开(公告)号：CN115935187A

公开(公告)日：2023-04-07

申请号：CN202211599722.4

申请日：2022-12-12

Applicant: 中国地质大学(武汉)

Inventor： 彭雷 ,  张子蕴 ,  戴光明 ,  王茂才 ,  宋志明 ,  陈晓宇

IPC: G06F18/214 ,  G06F18/241 ,  G06F17/16 ,  G06N3/084 ,  G06N3/0464

Abstract: 本发明公开了一种基于核敏感度对齐网络的变工况下机械故障诊断方法，该方法结合了全局域适应和子域适应构建了一种核敏感度对齐的子域自适应深度神经网络模型，在这个网络模型中，实现了局部最大平均差异(LocalMaximumMeanDiscrepancy，LMMD)作为子域自适应，以对齐条件分布。此外基于该模型，本发明还提出了一种核敏感度对齐的对抗性学习方法，以克服LMMD的缺点。与传统的对抗性域适应方法相比，本发明的核敏感度对齐(KernelSensitivityAlignment,KSA)的对抗性学习方法是空间位置敏感的，可以通过对样本特征之间的关系进行辨别来显著减少域偏移。本发明可以解决现有技术在变工况场景下，机械故障诊断准确率低的技术问题。

公开(公告)号：CN115935187B

公开(公告)日：2023-08-22

申请号：CN202211599722.4

申请日：2022-12-12

Applicant: 中国地质大学(武汉)

Inventor： 彭雷 ,  张子蕴 ,  戴光明 ,  王茂才 ,  宋志明 ,  陈晓宇

IPC: G06F18/214 ,  G06F18/241 ,  G06F17/16 ,  G06N3/084 ,  G06N3/0464

Abstract: 本发明公开了一种基于核敏感度对齐网络的变工况下机械故障诊断方法，该方法结合了全局域适应和子域适应构建了一种核敏感度对齐的子域自适应深度神经网络模型，在这个网络模型中，实现了局部最大平均差异(LocalMaximumMeanDiscrepancy，LMMD)作为子域自适应，以对齐条件分布。此外基于该模型，本发明还提出了一种核敏感度对齐的对抗性学习方法，以克服LMMD的缺点。与传统的对抗性域适应方法相比，本发明的核敏感度对齐(KernelSensitivityAlignment,KSA)的对抗性学习方法是空间位置敏感的，可以通过对样本特征之间的关系进行辨别来显著减少域偏移。本发明可以解决现有技术在变工况场景下，机械故障诊断准确率低的技术问题。

公开(公告)号：CN118334001A

公开(公告)日：2024-07-12

申请号：CN202410559445.7

申请日：2024-05-08

Applicant: 中国地质大学(武汉)

Inventor： 彭雷 ,  张子蕴 ,  戴光明 ,  王茂才 ,  宋志明 ,  陈晓宇

IPC: G06T7/00 ,  G06V10/764 ,  G06V10/26 ,  G06V20/70 ,  G06N3/0464 ,  G06N3/09

Abstract: 本发明提供了一种基于NMCDP框架的工业图像缺陷检测方法、设备及介质，涉及表面缺陷检测和计算机人工智能领域，方法包括：收集多标签工业缺陷图像并进行预处理，构建数据集；构建多通道区别池化的分类模型；训练分类模型，得到所有缺陷类别的类激活图；根据类激活图的真实的图像级标签来生成像素级伪标签；构建语义分割神经网络，借助像素级伪标签作为训练监督，训练语义分割神经网络；获取待检测的工业缺陷图像，通过训练后的语义分割神经网络对待检测的工业缺陷图像进行缺陷区域的分割。借助像素级伪标签作为训练监督，填补了多标签工业曲线图像的弱监督缺陷检测的技术空白，能够显著提升模型的实用性和检测效率。