公开(公告)号：CN117993512A

公开(公告)日：2024-05-07

申请号：CN202410153090.1

申请日：2024-02-04

Applicant: 燕山大学

Inventor： 刘福才 ,  乔越 ,  任亚雪

IPC: G06N7/02 ,  G06N7/08

Abstract: 本发明提供一种基于VFFRLS的混沌时间序列模糊预测方法，属于混沌系统技术领域，所述基于VFFRLS的混沌时间序列模糊预测方法包括构建混沌时间序列数据集、模糊模型前提参数辨识以及模糊模型结论参数辨识步骤，首先采用Mackey‑Glass系统生成混沌时间序列数据集，其次采用Gauss型隶属度函数进行模糊模型前提参数辨识，最后采用变遗忘因子递推最小二乘法作为结论参数辨识方法对混沌时间序列进行预测；引入变遗忘因子起权重作用来调整旧数据与新数据对参数估计结果的影响力，因此可以降低旧数据对估计结果的影响，减轻了数据饱和问题对参数估计精确性的影响，因此提高了混沌时间序列预测的精度。

公开(公告)号：CN117576067A

公开(公告)日：2024-02-20

申请号：CN202311635559.7

申请日：2023-12-01

Applicant: 燕山大学

Inventor： 温银堂 ,  刘奇 ,  张玉燕 ,  李闪闪 ,  胡亮 ,  任亚雪

IPC: G06T7/00 ,  G06V10/52 ,  G06V10/762 ,  G06V10/77 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明涉及一种基于改进YOLOv5的蜂窝状复合材料缺陷检测方法，步骤包括：获取蜂窝状复合材料的CT结构图，对结构图处理得到二维断层图，对二维断层图进行扩充并对扩充后的二维断层图进行缺陷标注，得到训练样本集和测试样本集；利用训练样本集对改进的YOLOv5网络模型中进行训练，得到训练后的改进YOLOv5模型；利用所述测试样本集对训练后的改进YOLOv5模型进行测试，当满足精度要求时，得到训练好的改进YOLOv5模型；获取待测蜂窝状复合材料的二维断层图，输入训练好的YOLOv5网络模型中，得到蜂窝状复合材料的缺陷识别结果。实现了一种基于改进YOLOV5的蜂窝状复合材料缺陷检测方法。

公开(公告)号：CN117437477A

公开(公告)日：2024-01-23

申请号：CN202311454143.5

申请日：2023-11-03

Applicant: 燕山大学

Inventor： 温银堂 ,  李闪闪 ,  张玉燕 ,  任亚雪 ,  刘奇

IPC: G06V10/764 ,  G06V10/82 ,  G06V10/44 ,  G06V10/80 ,  G06V10/26 ,  G06V10/25 ,  G06T7/00 ,  G06T7/11 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明涉及一种3D打印点阵结构的缺陷检测方法，属于3D打印缺陷检测技术领域，解决了现有技术无法描述缺陷在点阵结构体内的具体形貌细节特征的问题。本发明的方法包括：获取3D打印点阵结构样本件的二维断层图像数据以构建训练样本集；构建融合了注意力机制和BiFPN网络的改进的Mask RCNN模型；通过所述训练样本集对改进的Mask RCNN模型进行训练；获取待检测的3D打印点阵结构的二维断层图像数据以构建待检测数据集；将所述待检测数据集输入训练好的改进的Mask RCNN模型中，获取缺陷检测结果。本发明中，将Mask RCNN算法应用于3D打印点阵结构的缺陷检测，并通过改进Mask RCNN模型，能够同时实现对缺陷的检测、分类和分割，更加准确和全面进行缺陷分析。

公开(公告)号：CN117437476A

公开(公告)日：2024-01-23

申请号：CN202311454142.0

申请日：2023-11-03

Applicant: 燕山大学

Inventor： 温银堂 ,  李闪闪 ,  张玉燕 ,  任亚雪 ,  刘奇

IPC: G06V10/764 ,  G06V10/82 ,  G06V10/44 ,  G06V10/80 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08 ,  G06T7/00

Abstract: 本发明涉及一种3D打印点阵结构缺陷检测模型的训练方法，属于3D打印缺陷检测技术领域，解决了现有技术无法描述缺陷在点阵结构体内的具体形貌细节特征的问题。本发明的方法包括：获取3D打印点阵结构的二维断层图像数据；对二维断层图像数据进行预处理后将其划分为训练集和测试集；构建融合注意力机制和BiFPN网络的改进的Mask RCNN模型；从训练集中获取batch size大小的训练样本对改进的Mask RCNN模型进行训练；通过测试集对训练好的改进的Mask RCNN模型进行测试以检测模型精度，当模型精度满足要求时得到改进的Mask RCNN模型作为缺陷检测模型。本发明中，将改进的Mask RCNN模型应用于3D打印点阵结构的缺陷检测，并通过模型训练保证模型精度，从而实现了准确和全面进行缺陷分析。