公开(公告)号：CN115496941A

公开(公告)日：2022-12-20

申请号：CN202211134484.X

申请日：2022-09-19

Applicant: 哈尔滨工业大学

Inventor： 徐阳 ,  李惠 ,  张楚傲

IPC: G06V10/764 ,  G06V10/762 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提出基于知识增强计算机视觉的结构健康诊断方法。所述方法具体包括：步骤一：构建结构健康诊断层级图像数据集；步骤二：构建知识增强计算机视觉识别网络模型；步骤三：训练知识增强计算机视觉识别网络模型，获得多类型场景、结构、构件及损伤图像的通用分割头；步骤四：移植通用分割头至预测网络模型，利用考虑多类型几何约束的损失函数训练至收敛。本发明通过自监督和对比学习实现，无需对图像进行标记，与传统人工标记和图像处理的方法相比，避免了繁琐的图像标注，节省了大量人工标注成本，提升了效率。

公开(公告)号：CN115496941B

公开(公告)日：2024-01-09

申请号：CN202211134484.X

申请日：2022-09-19

Applicant: 哈尔滨工业大学

Inventor： 徐阳 ,  李惠 ,  张楚傲

IPC: G06V10/764 ,  G06V10/762 ,  G06V10/82 ,  G06N3/096 ,  G06N3/084 ,  G06N3/0895 ,  G06N3/0464

Abstract: 本发明提出基于知识增强计算机视觉的结构健康诊断方法。所述方法具体包括：步骤一：构建结构健康诊断层级图像数据集；步骤二：构建知识增强计算机视觉识别网络模型；步骤三：训练知识增强计算机视觉识别网络模型，获得多类型场景、结构、构件及损伤图像的通用分割头；步骤四：移植通用分割头至预测网络模型，利用考虑多类型几何约束的损失函数训练至收敛。本发明通过自监督和对比学习实现，无需对图像进行标记，与传统人工标记和图像处理的方法相比，避免了繁琐的图像标注，节省了大量人工标注成本，提升了效率。(56)对比文件Kaiping Wang 等.Semi-supervisedmedical image segmentation via a tripled-uncertainty guided mean teacher modelwith contrastive learning《.Medical ImageAnalysis。.2022,1-14.Xiangde Luo 等.Semi-supervisedMedical Image Segmentation through Dual-task Consistency《.The Thirty-Fifth AAAIConference on Artificial Intelligence(AAAI-21)》.2021,8801-8809.