-
公开(公告)号：CN117197538A
公开(公告)日：2023-12-08
申请号：CN202311031417.X
申请日：2023-08-16
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/82 , G06V10/776 , G06V10/774 , G06T7/00 , G06N3/0464 , G06N3/047 , G06N3/084
Abstract: 本发明提出一种基于高斯分布权重采样的贝叶斯卷积神经网络结构表观损伤识别方法。所述方法包括根据需求建模高斯分布权重采样的贝叶斯卷积神经网络；结构表观损伤图片标准化处理；表观损伤视觉识别及损伤视觉识别结果可靠度的判定等。本发明所述方法利用多结构，多角度的表观损伤图片数据训练贝叶斯卷积神经网络模型，提出模型应用的标准条件。所训练的模型可以完成结构表观损伤视觉识别并给出模型对于识别结果的置信度，从而判断模型结果的可靠性。此外，该方法考虑了图片采集质量不统一，图片存在遮挡与光照等因素引起的不确定性，为评估结构安全提供鲁棒性建议。
-
公开(公告)号：CN116165274B
公开(公告)日：2023-11-14
申请号：CN202310129979.1
申请日：2023-02-17
Applicant: 哈尔滨工业大学
IPC: G01N29/04 , G01N29/44 , G06F18/2135 , G06F18/2136 , G06F17/18
Abstract: 本发明提出基于贝叶斯全局稀疏概率主成分分析的城市轨道损伤识别方法。所述方法首先预处理对齐过车振动数据，使其全局特征更加明显，便于主成分分析识别，然后采用贝叶斯全局稀疏概率主成分分析求解全局稀疏模式，即选择哪些数据与全局特征相关。由于损伤特征的非全局性，全局稀疏模式是一个损伤敏感指标，可将与全局特征相关的数据判别为无损状态，其余数据对应可能发生的轨道损伤，从而实现本发明无监督轨道损伤识别的目标。本发明无需高成本的损伤诊断数据标注，且具有全局性、实时性等优点，能够及时发现、有效检测隐蔽或不明显损伤，为探索实现全时全域轨道智能诊断和评估提供了新途径，对城市轨道运维具有很好的参考价值。
-
公开(公告)号：CN116124902B
公开(公告)日：2023-08-18
申请号：CN202310054298.3
申请日：2023-02-03
Applicant: 哈尔滨工业大学
Abstract: 本发明提出一种基于贝叶斯不确定性量化对超声导波损伤定位精度的诊断方法。所述方法包括对于对测量信号的前处理、导波损伤定位稀疏问题的构造与求解和算法损伤定位精度的判定等。本发明所述方法采用多任务复数层次稀疏贝叶斯模型对基于超声导波的损伤定位问题进行了求解，利用不同传感器数据个数下多任务复数层次稀疏贝叶斯模型给出的不确定性指标的变化趋势来诊断损伤定位的结果是否足够精确。此外，多任务复数层次稀疏贝叶斯模型能根据数据来估计模型中超参数，使得该方法中贝叶斯模型中给出的不确定性量化指标更加客观，从而能够更加可靠地对损伤定位的结构是否足够精确进行诊断。
-
公开(公告)号：CN115700494A
公开(公告)日：2023-02-07
申请号：CN202211127267.8
申请日：2022-09-16
Applicant: 哈尔滨工业大学 , 中铁第四勘察设计院集团有限公司 , 中国铁建股份有限公司
IPC: G06F16/215 , G06N3/042 , G06N3/047 , G06N3/048 , G06N3/0495 , G06N3/0985 , G06N5/04
Abstract: 本发明提出一种基于贝叶斯推理的轨道交通监测数据清洗方法及系统。所述方法包括稀疏贝叶斯极限学习机模型的训练、根据模型划分数据集实现异常概率的计算、异常值的迭代求解识别等。本发明所述方法通过训练好的稀疏贝叶斯极限学习机模型为基准，并通过计算数据点的预测误差划分规律数据集和可疑数据集，进而计算可疑数据集中数据点的异常概率来更新数据集，最终不断迭代识别异常值。本发明所述方法通过计算数据点的异常概率，可以做到量化数据点的异常程度，通过循环往复不断迭代从而达到数据清洗的目的，能够为轨道交通结构健康监测领域提供一种有效的数据预处理手段。
-
公开(公告)号：CN114485417B
公开(公告)日：2022-12-13
申请号：CN202210016940.4
申请日：2022-01-07
Applicant: 哈尔滨工业大学
Abstract: 本发明提出了一种基于深度循环神经网络光流估计模型的结构振动位移识别方法及系统，所述方法包括基于土木工程结构振动数据集的深度循环神经网络光流估计模型学习、结构振动位移识别过程、结合降噪自编码器对识别结果的校正以及结构振动位移识别全过程系统化的封装。该方法能够有效解决传统位移传感器在应用背景下的稀疏布置、质量负载、人为参与以及成本昂贵等实际问题。相比于其他应用深度神经网络的结构振动位移识别方法，通过共享权重和GRU迭代更新器的网络架构设计，本发明能实现更有效率且更精准的识别效果，且具有模型参数轻量，泛化能力强的优势。系统化的流程封装也使得本发明在土木工程结构振动领域的实际应用场景下更加便捷。
-
Patent Agency Ranking
公开(公告)号：CN114970239A
公开(公告)日：2022-08-30
申请号：CN202210469070.6
申请日：2022-04-29
Applicant: 哈尔滨工业大学
IPC: G06F30/23 , G06F30/27 , G06N3/04 , G06N3/08 , G06N7/00 , G06F111/04 , G06F111/08
Abstract: 本发明提出一种基于贝叶斯系统识别和启发式深度强化学习的多类型监测数据测点布置方法、设备及介质。涉及结构健康监测和随机振动领域。首先，根据工程结构设计信息并依据动力学和随机振动理论建立多类型测点布置的目标函数，随后利用基于深度强化学习及启发式思想的多类型监测数据测点布置优化算法对结构监测数据测点布置进行优化得到最终布置方案。本发明结合了深度强化学习和启发式思想，用于离散的测点优化布置问题，能够较好避免陷入局部最优问题，获得良好的优化效果，可以为多类型监测数据的测点优化布置提供有效的决策支持。此外，该优化算法亦可用于其他类似组合优化问题。
-
公开(公告)号：CN114485417A
公开(公告)日：2022-05-13
申请号：CN202210016940.4
申请日：2022-01-07
Applicant: 哈尔滨工业大学
Abstract: 本发明提出了一种基于深度循环神经网络光流估计模型的结构振动位移识别方法及系统，所述方法包括基于土木工程结构振动数据集的深度循环神经网络光流估计模型学习、结构振动位移识别过程、结合降噪自编码器对识别结果的校正以及结构振动位移识别全过程系统化的封装。该方法能够有效解决传统位移传感器在应用背景下的稀疏布置、质量负载、人为参与以及成本昂贵等实际问题。相比于其他应用深度神经网络的结构振动位移识别方法，通过共享权重和GRU迭代更新器的网络架构设计，本发明能实现更有效率且更精准的识别效果，且具有模型参数轻量，泛化能力强的优势。系统化的流程封装也使得本发明在土木工程结构振动领域的实际应用场景下更加便捷。
-
公开(公告)号：CN113837007B
公开(公告)日：2022-04-12
申请号：CN202110971025.6
申请日：2021-08-23
Applicant: 哈尔滨工业大学
Abstract: 本发明提出了一种基于桥梁监控视频中车辆匹配深度学习的桥梁荷载分布识别方法，所述方法首先进行目标车辆图像的获得及车辆荷载信息关联，然后利用基于HardNet深度学习描述符的图像匹配方法实现不同监控视频图像中的车辆识别，最后对给定时刻的所有位置监控视野中的车辆进行识别，结合目标车辆图像附加的车辆荷载信息，实现桥梁上的车辆荷载识别。本发明的图像匹配过程在各种监控场景下都能很好地建立车辆图像间的点特征对应关系，对于不同监控视频图像间存在的亮度、视角以及尺度变化都有着很好的鲁棒性，从而使得本方法能够有效应对复杂多变的实际监控场景的挑战，稳定识别桥上的车辆荷载。
-
公开(公告)号：CN113837007A
公开(公告)日：2021-12-24
申请号：CN202110971025.6
申请日：2021-08-23
Applicant: 哈尔滨工业大学
Abstract: 本发明提出了一种基于桥梁监控视频中车辆匹配深度学习的桥梁荷载分布识别方法，所述方法首先进行目标车辆图像的获得及车辆荷载信息关联，然后利用基于HardNet深度学习描述符的图像匹配方法实现不同监控视频图像中的车辆识别，最后对给定时刻的所有位置监控视野中的车辆进行识别，结合目标车辆图像附加的车辆荷载信息，实现桥梁上的车辆荷载识别。本发明的图像匹配过程在各种监控场景下都能很好地建立车辆图像间的点特征对应关系，对于不同监控视频图像间存在的亮度、视角以及尺度变化都有着很好的鲁棒性，从而使得本方法能够有效应对复杂多变的实际监控场景的挑战，稳定识别桥上的车辆荷载。
-
公开(公告)号：CN119785098A
公开(公告)日：2025-04-08
申请号：CN202411901724.3
申请日：2024-12-23
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/26 , G06V10/80 , G06V10/82 , G06N5/04 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/08
Abstract: 本发明提出基于多模态大模型的土木工程结构表观损伤诊断方法。该方法包括结构表观损伤多模态数据统一表征与对齐融合，基于多模态思维链的结构损伤识别推理方法，多模态数据集构建与大模型微调，对土木工程结构损伤识别和特征描述。本发明使用多模态大模型完成对结构损伤图像的向量编码并与文本编码特征对齐，通过调用计算机视觉模型生成损伤语义分割图作为视觉思维链，并通过构造微调数据集形成语言思维链，由预训练大语言模型完成对多模态信息编码的推理和结构损伤诊断的生成。该方法使用多模态大模型为底座并融合多模态思维链推理方法，使得模型能够通过自然语言进行人机交互，高效诊断各类结构损伤，提高结构损伤诊断模型的泛化能力和准确性。
-
-
-
-
-
-
-
-
-
Search Results
67
records
(took 0.032 seconds)
