公开(公告)号：CN119904427A

公开(公告)日：2025-04-29

申请号：CN202411973334.7

申请日：2024-12-30

Applicant: 同济大学

Inventor： 余建波 ,  张慧智

IPC: G06T7/00 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/0442 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明涉及一种基于多域特征融合网络的产品表面缺陷识别方法，设备及介质，将采集产品表面缺陷识别数据集得到的缺陷图像输入A‑ACN骨干网络的第一层网络，得到第一特征图；将缺陷图像输入峰值区域辅助特征学习模块，得到峰值特征图，并将峰值特征图与第一特征图相加，得到第二特征图；将第二特征图输入骨干网络的第二层网络，得到第三特征图，将第三特征图和缺陷图像分别输入多域混合注意力模块，得到第四特征图；将第四特征图输入骨干网络的第三层网络，并通过门控特征选择模块得到第五特征图；将第五特征图输入骨干网络的第四层网络和第五层网络，得到最终的输出缺陷类别。与现有技术相比，本发明具有精度高、泛化能力强和鲁棒性强等优点。

公开(公告)号：CN119861688A

公开(公告)日：2025-04-22

申请号：CN202411973333.2

申请日：2024-12-30

Applicant: 同济大学

Inventor： 余建波 ,  王陈瑁

IPC: G05B23/02

Abstract: 本发明涉及一种基于内省正交自编码器的过程故障检测方法，设备及介质，在目标制造过程测试集中采集待检测数据样本，并生成随机噪声，输入故障检测网络，在故障检测网络中，编码器通过数据样本和随机噪声，得到隐藏层的潜在特征；解码器根据潜在特征得到重构数据；计算数据样本和重构数据的平方预测误差，将平方预测误差与故障警告阈值比较，得到故障检测结果。通过在故障检测网络的内省正交训练模块中，对编码器模块和解码器模块进行内省训练更新网络参数，并加入负样本数据作为训练的数值。与现有技术相比，本发明具有准确性高、适应性强和鲁棒性等优点。

公开(公告)号：CN119618649A

公开(公告)日：2025-03-14

申请号：CN202411585293.4

申请日：2024-11-07

Applicant: 同济大学

Inventor： 余建波 ,  蒋子越

IPC: G01M13/045 ,  G06F18/10 ,  G06F18/25 ,  G06F18/241 ,  G06N3/045 ,  G06N3/0499 ,  G06N3/082

Abstract: 本发明涉及机械故障诊断技术领域，特别是一种基于多尺度多方向Log‑Gabor调制卷积的轴承故障诊断方法及系统，获取滚动轴承试验台的第一振动信号数据并对第一振动信号数据进行第一预处理得到第二振动信号数据；预设第一轴承故障检测模型并将第二振动信号数据输入第一轴承故障检测模型；根据第一轴承故障检测模型的输出进行轴承故障智能诊断。采用多尺度多方向Log‑Gabor滤波器调制卷积核，实现从振动信号中提取不同尺度和方向的特征，提高特征提取的全面性通过引入基于能量熵的特征融合机制，实现对不同尺度和方向特征的自适应加权，解决特征冗余问题；最终在复杂工况和强噪声环境下仍能保持较高的诊断准确率，本发明方法操作简单适用性强，可直接应用于工业现场。

公开(公告)号：CN118658023A

公开(公告)日：2024-09-17

申请号：CN202410678656.2

申请日：2024-05-29

Applicant: 同济大学

Inventor： 余建波 ,  黄再轩

IPC: G06V10/774 ,  G06V10/776 ,  G06V10/82 ,  G06N3/0475 ,  G06N3/045 ,  G06N3/084 ,  G06N3/094 ,  G06T7/00

Abstract: 本发明涉及一种基于Wasserstein GAN的带钢表面缺陷数据增强方法，该方法包括：预处理带钢表面缺陷图像数据；构建生成对抗网络的生成模型和判别模型；将图像输入生成对抗网络，对网络中的参数进行训练更新，得到训练好的生成模型；使用生成模型生成图像数据，对原始数据集补充。与现有技术相比，本发明能够生成与真实带钢表面缺陷图像样本相似的高质量数据，从而扩大了训练数据集，提高了分类模型的训练效率和对缺陷的识别性能。同时，缓解了原始数据集中存在的类别不平衡问题，有助于分类模型进行更全面的训练，提高了模型的泛化能力等优点。

公开(公告)号：CN118628436A

公开(公告)日：2024-09-10

申请号：CN202410583345.8

申请日：2024-05-11

Applicant: 同济大学

Inventor： 余建波 ,  黄再轩

IPC: G06T7/00 ,  G06N3/0464 ,  G06N3/084 ,  G06V10/80 ,  G06V10/44

Abstract: 本发明涉及一种基于多级特征融合的带钢表面缺陷检测方法和设备，该方法包括以下步骤：步骤S1，采集带钢表面图像，并预处理；步骤S2，将预处理后的图像输入训练好的带钢表面缺陷检测进行缺陷检测，得到缺陷检测结果；所述带钢表面缺陷检测模型基于多级特征融合，包括依次连接的初步特征提取模块和多级特征金字塔模块。与现有技术相比，本发明具有提升带钢表面不同尺寸大小缺陷的检测精度和提升检测速度等优点。

公开(公告)号：CN118608835A

公开(公告)日：2024-09-06

申请号：CN202410687508.7

申请日：2024-05-30

Applicant: 同济大学

Inventor： 余建波 ,  段劼

IPC: G06V10/764 ,  G06V10/82 ,  G06V10/44 ,  G06N3/0464 ,  G06N3/0495 ,  G06N3/082 ,  G06N3/084 ,  G06T7/00 ,  G01N21/88 ,  G01N21/95

Abstract: 本发明涉及半导体工业领域，尤其是涉及一种基于动态卷积的轻量化晶圆缺陷分类方法及电子设备，其中，该方法包括以下步骤：S1、选取公开的标记晶圆数据集作为原始数据集；S2、对所述原始数据集进行图像预处理；S3、搭建带有动态卷积核的轻量化神经网络模型；S4、使用经过预处理后的原始数据集对所述轻量化神经网络模型进行训练；S5、将待分类的晶圆数据集输入至训练完成的轻量化神经网络模型中，完成晶圆缺陷分类。与现有技术相比，本发明对输入的特征图像具有更高的适应性，在轻量化的同时具有较高的收敛速度与准确性等优点。

公开(公告)号：CN118428205A

公开(公告)日：2024-08-02

申请号：CN202410441959.2

申请日：2024-04-12

Applicant: 同济大学

Inventor： 余建波 ,  苗梦奇

IPC: G06F30/27 ,  G06F18/214 ,  G06F18/213 ,  G06F18/25 ,  G06F18/21 ,  G06N3/045 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/08 ,  G01R31/367 ,  G01R31/392 ,  G06F119/02

Abstract: 一种电池健康状态估计模型训练方法，包括如下步骤：获取若干电池的多传感信号数据，并将多传感信号数据进行处理形成源域数据集；通过EMD对源域数据集中的多传感信号数据进行分解，以获得IMF分量以及残差分量；对残差分量进行趋势性检验，并根据趋势性检验结果获得融合趋势信号；对IMF分量进行通道堆叠获得最终IMF信号；构建稠密循环卷积网络，将融合趋势信号及最终IMF信号输入到稠密循环卷积网络分别进行特征提取，以分别获得时序特征及局部振荡特征。该电池健康状态估计模型训练方法，实现了多种工况以及小子样条件下电池SOH估计，训练得到的模型适用性广，可以推广到不同的目标域，适用于多种不同电池工况，泛化能力强，预测的结果的准确性高。

公开(公告)号：CN118363336A

公开(公告)日：2024-07-19

申请号：CN202410476208.4

申请日：2024-04-19

Applicant: 同济大学 ,  上海工程技术大学

Inventor： 余建波 ,  商济麟

IPC: G05B19/042

Abstract: 本发明提供了一种工业过程批处理控制方法及系统，具有这样的特征，包括以下步骤：步骤S1，将第i‑n+1个批处理至第i个批处理的状态‑动作序列输入强化预测模型，得到第i个批处理的预测动作；步骤S2，根据预测动作执行第i个批处理；步骤S3，使i加1，判断i是否大于N，若是，则完成工业过程的控制，若否，则执行步骤S1。总之，本方法能够提高批处理控制的精度，降低用于批处理控制的模型的训练成本，并高效完成该模型的训练。

公开(公告)号：CN117877032A

公开(公告)日：2024-04-12

申请号：CN202311834080.6

申请日：2023-12-28

Applicant: 同济大学

Inventor： 余建波 ,  赵理想

IPC: G06V20/70 ,  G06V10/26 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/0895 ,  G06N3/096

Abstract: 本发明提供了一种基于双向裁剪粘贴的半监督金属表面缺陷语义分割方法，包括如下步骤：步骤S1，将缺陷图像划分为训练集与测试集，将训练集的训练缺陷图像进行预处理；步骤S2，使用有标签图像对教师网络进行预训练；步骤S3，产生伪标签；步骤S4，得到混合缺陷图像；步骤S5，得到混合标签，作为学生网络的监督信息；步骤S6，将混合缺陷图像输入到学生网络中进行训练，同时更新教师网络的权重参数；步骤S7，得到预测结果。本发明减少深度学习模型对于数据标注的需求，从而减少人力标注成本，使得深度学习模型在有限标注样本下能对金属表面缺陷进行准确检测。

公开(公告)号：CN117743929A

公开(公告)日：2024-03-22

申请号：CN202311761676.8

申请日：2023-12-20

Applicant: 同济大学 ,  龙门实验室

Inventor： 余建波 ,  蒋子越

IPC: G06F18/241 ,  G06F18/214 ,  G06N3/0464 ,  G06N3/0895 ,  G01M13/045

Abstract: 本发明提供了一种基于半监督学习的滚动轴承多任务小样本故障诊断方法，具有这样的特征，包括以下步骤：步骤S1，构建初始滚动轴承故障诊断模型；步骤S2，根据现有的振动信号小样本数据和标签构建训练数据集；步骤S3，根据训练数据集对初始滚动轴承故障诊断模型进行训练，得到滚动轴承故障诊断模型；步骤S4，采集故障滚动轴承的振动信号；步骤S5，将振动信号输入滚动轴承故障诊断模型，得到故障诊断结果。总之，本方法能够对滚动轴承进行故障诊断，并得到较高准确率的故障诊断结果。