CN108491931A - 一种基于机器学习提高无损检测精度的方法 - Google Patents
一种基于机器学习提高无损检测精度的方法 Download PDFInfo
- Publication number
- CN108491931A CN108491931A CN201810271658.4A CN201810271658A CN108491931A CN 108491931 A CN108491931 A CN 108491931A CN 201810271658 A CN201810271658 A CN 201810271658A CN 108491931 A CN108491931 A CN 108491931A
- Authority
- CN
- China
- Prior art keywords
- fft
- mem
- artificial intelligence
- machine learning
- basic model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000010801 machine learning Methods 0.000 title claims abstract description 20
- 238000009659 non-destructive testing Methods 0.000 title claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 33
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 31
- 238000003066 decision tree Methods 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 241001269238 Data Species 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 6
- 230000008676 import Effects 0.000 claims abstract description 4
- ALEWCKXBHSDCCT-FBXUGWQNSA-N [(2z,6z)-3,7,11-trimethyldodeca-2,6,10-trienyl] dihydrogen phosphate Chemical compound CC(C)=CCC\C(C)=C/CC\C(C)=C/COP(O)(O)=O ALEWCKXBHSDCCT-FBXUGWQNSA-N 0.000 claims description 39
- 230000007547 defect Effects 0.000 claims description 13
- 230000005284 excitation Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 230000002950 deficient Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 238000013477 bayesian statistics method Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于机器学习提高无损检测精度的方法,包括依次进行的以下步骤:A、建立人工智能基本模型,收集大量检测数据作为学习数据;B、将步骤A中收集的学习数据导入人工智能基本模型中进行训练;C、将需要分析的检测数据导入训练后的人工智能基本模型中,人工智能基本模型生成检测结果。本发明使用多个目标参数并结合被测物已知状态进行人工智能学习,利用贝叶斯网络和神经元网络作为基本模型进行建模,采用决策树方法进行分析,相比传统技术,提高了目标参数的利用,且采用人工智能判断,摒弃了传统的人为经验干预,有效的提高检测结果的精度。
Description
技术领域
本发明涉及一种检测方法,具体涉及一种基于机器学习提高无损检测精度的方法。
背景技术
近年来,大数据、人工智能等在社会、生产的各个方面得到了突飞猛进的发展和应用,并从以前的少数人的理论研究向大众化的应用逐渐转变,然而在工程无损检测行业还没一项与人工智能向结合的技术。
现有的工程无损检测技术在是利用信号激发装置和信号接收装置进行数据采集工作,再利用编好程序的软件对数据进行解析,得到所需的某一两个目标参数,检测人员根据判断标准再结合经验加以判断,给出结果。这种传统的数据解析及分析方法得到的结果存在一定缺陷,具体有一下两点:
软件只为得到某一两个目标参数而编程,除了目标参数,其他可用的参数不能参与结果的判断;某些分析结果需结合经验加以判断,不能做到判断结果精准化、自能化。
发明内容
本发明所要解决的技术问题是软件只为得到某一两个目标参数而编程,除了目标参数,其他可用的参数不能参与结果的判断;某些分析结果需结合经验加以判断,不能做到判断结果精准化、自能化,目的在于提供一种基于机器学习提高无损检测精度的方法,解决软件只为得到某一两个目标参数而编程,除了目标参数,其他可用的参数不能参与结果的判断;某些分析结果需结合经验加以判断,不能做到判断结果精准化、自能化的问题。
本发明通过下述技术方案实现:
一种基于机器学习提高无损检测精度的方法,包括依次进行的以下步骤:
A、建立人工智能基本模型,收集大量检测数据作为学习数据;
B、将步骤A中收集的学习数据导入人工智能基本模型中进行训练;
C、将需要分析的检测数据导入训练后的人工智能基本模型中,人工智能基本模型生成检测结果。
所述步骤A中收集大量检测数据作为学习数据的方法包括以下步骤:
A1、采集被测物,在被测物上标记检测点,使用信号激发装置激发信号,使信号在被测物内部传播;
A2、使用信号接收装置,沿步骤A1检测点逐点采集在结构物内部传播后的信号;
A3、利用现有解析软件将步骤A2采集到的信号进行充分的解析;
A4、对被测物进行分析,标记每个检测点的状态,将每个检测点的状态和步骤A2采集到的信号进行匹配后作为学习数据。
所述步骤A2中每个测点检测的信号包括9个参数:
T_FFT[0]、T_FFT[1]、T_FFT[2]:信号傅里叶变换后的振幅前3阶极值点;
T_MEM[0]、T_MEM[1]、T_MEM[2]:最大熵处理的幅前3阶极值点;
R_FFT[1]、R_FFT[2]:傅里叶变化后二阶、三阶振幅相对一阶极值点的相对振幅;
T_FstHfS:首波半波长。
所述步骤A4中检测点的状态class分为3类,包括健全SOUND、有缺陷DEFECT和过渡段UNCERTAIN。
所述步骤A中建立的人工智能基本模型采用贝叶斯网络模型。
所述贝叶斯网络模型采用一层贝叶斯网络模型,即检测点的状态class与T_FFT[0]、T_FFT[1]、T_FFT[2]、T_MEM[0]、T_MEM[1]、T_MEM[2]、R_FFT[1]、R_FFT[2]和T_FstHfS分连。
所述贝叶斯网络模型采用二层贝叶斯网络模型,即检测点的状态class与T_FFT[0]、T_FFT[1]、T_FFT[2]、T_MEM[0]、T_MEM[1]、T_MEM[2]、R_FFT[1]、R_FFT[2]和T_FstHfS分连后,T_FstHfS与T_FFT[1]连接,T_FFT[0]与R_FFT[1]连接,T_MEM[1]与T_MEM[2]连接,R_FFT[1]与R_FFT[2]连接。通过提供图形化的方法来表示和运算概率知识,贝叶斯网络克服了基于规则的系统所具有的许多概念上和计算上的困难。贝叶斯网络与统计技术相结合,使得其在数据分析方面拥有了许多优点,与规划挖掘、决策树、人工神经网络、密度估计、分类、回归和聚类等方法相比,贝叶斯网络的优点主要体现在:
贝叶斯网络使用图形的方法描述数据间的相互关系,语义清晰,易于理解。图形化的知识表示方法使得保持概率知识库的一致性和完整性变得容易,可以方便地针对条件的改变进行网络模块的重新配置;
贝叶斯网络易于处理不完备数据集。对于传统标准的监督学习算法而言必须知道所有可能的数据输入,如果缺少其中的某一输入就会对建立的模型产生偏差,贝叶斯网络的方法反映的是整个数据库中数据间的概率关系模型,缺少某一数据变量仍然可以建立精确的模型;
贝叶斯网络允许学习变量间的因果关系。在以往的数据分析中,一个问题的因果关系在干扰较多时,系统就无法做出精确的预测。而这种因果关系己经包含在贝叶斯网络模型中。贝叶斯方法具有因果和概率性语义,可以用来学习数据中的因果关系,并根据因果关系进行学习;
贝叶斯网络与贝叶斯统计相结合能够充分利用领域知识和样本数据的信息。贝叶斯网络用弧表示变量间的依赖关系,用概率分布表来表示依赖关系的强弱,将先验信息与样本知识有机结合起来,促进了先验知识和数据的集成,这在样本数据稀疏或数据较难获得的时候特别有效;
所述步骤A中建立的人工智能基本模型采用神经元网络模型,其中T_FFT[0]、T_FFT[1]、T_FFT[2]、T_MEM[0]、T_MEM[1]、T_MEM[2]、R_FFT[1]、R_FFT[2]和T_FstHfS为输入层,检测点的状态class为输出层,包括健全SOUND、有缺陷DEFECT和过渡段UNCERTAIN。BP神经网络具有任意复杂的模式分类能力和优良的多维函数映射能力,解决了简单感知器不能解决的异或和一些其他问题。从结构上讲,BP网络具有输入层、隐藏层和输出层;从本质上讲,BP算法就是以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小值。
所述步骤A中建立的人工智能基本模型采用决策树方法,决策树包括起始机会节点T_MEM[0],T_MEM[0]上连接有二层机会节点T_MEM[0]和T_FFT[0],二层机会节点T_MEM[0]上连接有终结点UNCERTAIN和SOUND,二层机会节点T_FFT[0]上连接有终结点UNCERTAIN和三层机会节点T_FFT[0],三层机会节点T_FFT[0]上连接有终结点UNCERTAIN和DEFECT。决策树是在已知各种情况发生概率的基础上,通过构成决策树来求取净现值的期望值大于等于零的概率,评价项目风险,判断其可行性的决策分析方法,是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干,故称决策树。在机器学习中,决策树是一个预测模型,他代表的是对象属性与对象值之间的一种映射关系。
本发明与现有技术相比,具有如下的优点和有益效果:
1、本发明一种基于机器学习提高无损检测精度的方法,分析目标参数多,判断精准,自动化程度高;
2、本发明一种基于机器学习提高无损检测精度的方法,采用决策树方法进行分析,相比传统技术,提高了目标参数的利用,且采用人工智能判断,摒弃了传统的人为经验干预,有效的提高检测结果的精度。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明一层贝叶斯网络模型示意图;
图2为本发明二层贝叶斯网络模型示意图;
图3为本发明神经元网络模型示意图;
图4为本发明决策树模型示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1
如图1所示,本发明一种基于机器学习提高无损检测精度的方法,包括依次进行的以下步骤:
A、建立人工智能基本模型,收集大量检测数据作为学习数据;
B、将步骤A中收集的学习数据导入人工智能基本模型中进行训练;
C、将需要分析的检测数据导入训练后的人工智能基本模型中,人工智能基本模型生成检测结果。
所述步骤A中收集大量检测数据作为学习数据的方法包括以下步骤:
A1、采集被测物,在被测物上标记检测点,使用信号激发装置激发信号,使信号在被测物内部传播;
A2、使用信号接收装置,沿步骤A1检测点逐点采集在结构物内部传播后的信号;
A3、利用现有解析软件将步骤A2采集到的信号进行充分的解析;
A4、对被测物进行分析,标记每个检测点的状态,将每个检测点的状态和步骤A2采集到的信号进行匹配后作为学习数据。
所述步骤A2中每个测点检测的信号包括9个参数:
T_FFT[0]、T_FFT[1]、T_FFT[2]:信号傅里叶变换后的振幅前3阶极值点;
T_MEM[0]、T_MEM[1]、T_MEM[2]:最大熵处理的幅前3阶极值点;
R_FFT[1]、R_FFT[2]:傅里叶变化后二阶、三阶振幅相对一阶极值点的相对振幅;
T_FstHfS:首波半波长。
所述步骤A4中检测点的状态class分为3类,包括健全SOUND、有缺陷DEFECT和过渡段UNCERTAIN。
所述步骤A中建立的人工智能基本模型采用贝叶斯网络模型。
所述贝叶斯网络模型采用一层贝叶斯网络模型,即检测点的状态class与T_FFT[0]、T_FFT[1]、T_FFT[2]、T_MEM[0]、T_MEM[1]、T_MEM[2]、R_FFT[1]、R_FFT[2]和T_FstHfS分连。
实施例2
如图2所示,本实施例与实施例1的区别在于,所述贝叶斯网络模型采用二层贝叶斯网络模型,即检测点的状态class与T_FFT[0]、T_FFT[1]、T_FFT[2]、T_MEM[0]、T_MEM[1]、T_MEM[2]、R_FFT[1]、R_FFT[2]和T_FstHfS分连后,T_FstHfS与T_FFT[1]连接,T_FFT[0]与R_FFT[1]连接,T_MEM[1]与T_MEM[2]连接,R_FFT[1]与R_FFT[2]连接。通过提供图形化的方法来表示和运算概率知识,贝叶斯网络克服了基于规则的系统所具有的许多概念上和计算上的困难。贝叶斯网络与统计技术相结合,使得其在数据分析方面拥有了许多优点,与规划挖掘、决策树、人工神经网络、密度估计、分类、回归和聚类等方法相比,贝叶斯网络的优点主要体现在:
贝叶斯网络使用图形的方法描述数据间的相互关系,语义清晰,易于理解。图形化的知识表示方法使得保持概率知识库的一致性和完整性变得容易,可以方便地针对条件的改变进行网络模块的重新配置;
贝叶斯网络易于处理不完备数据集。对于传统标准的监督学习算法而言必须知道所有可能的数据输入,如果缺少其中的某一输入就会对建立的模型产生偏差,贝叶斯网络的方法反映的是整个数据库中数据间的概率关系模型,缺少某一数据变量仍然可以建立精确的模型;
贝叶斯网络允许学习变量间的因果关系。在以往的数据分析中,一个问题的因果关系在干扰较多时,系统就无法做出精确的预测。而这种因果关系己经包含在贝叶斯网络模型中。贝叶斯方法具有因果和概率性语义,可以用来学习数据中的因果关系,并根据因果关系进行学习;
贝叶斯网络与贝叶斯统计相结合能够充分利用领域知识和样本数据的信息。贝叶斯网络用弧表示变量间的依赖关系,用概率分布表来表示依赖关系的强弱,将先验信息与样本知识有机结合起来,促进了先验知识和数据的集成,这在样本数据稀疏或数据较难获得的时候特别有效;
实施例3
如图3所示,本实施例与实施例1的区别在于,所述步骤A中建立的人工智能基本模型采用神经元网络模型,其中T_FFT[0]、T_FFT[1]、T_FFT[2]、T_MEM[0]、T_MEM[1]、T_MEM[2]、R_FFT[1]、R_FFT[2]和T_FstHfS为输入层,检测点的状态class为输出层,包括健全SOUND、有缺陷DEFECT和过渡段UNCERTAIN。BP神经网络具有任意复杂的模式分类能力和优良的多维函数映射能力,解决了简单感知器不能解决的异或和一些其他问题。从结构上讲,BP网络具有输入层、隐藏层和输出层;从本质上讲,BP算法就是以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小值。
实施例4
如图4所示,本实施例与实施例1的区别在于,所述步骤A中建立的人工智能基本模型采用决策树方法,决策树包括起始机会节点T_MEM[0],T_MEM[0]上连接有二层机会节点T_MEM[0]和T_FFT[0],二层机会节点T_MEM[0]上连接有终结点UNCERTAIN和SOUND,二层机会节点T_FFT[0]上连接有终结点UNCERTAIN和三层机会节点T_FFT[0],三层机会节点T_FFT[0]上连接有终结点UNCERTAIN和DEFECT。决策树是在已知各种情况发生概率的基础上,通过构成决策树来求取净现值的期望值大于等于零的概率,评价项目风险,判断其可行性的决策分析方法,是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干,故称决策树。在机器学习中,决策树是一个预测模型,他代表的是对象属性与对象值之间的一种映射关系。
实施例5
本实施例为实施例1、2、3的应用,包括以下步骤:
1、使用混凝土模型,明确模型不同位置的状态:有、无内部空洞;
2、采集共计111个数据用于训练,另外采集50个数据用于测试;
3、人工智能利用解析并赋予了明确状态的训练数据建立贝叶斯模型以及神经元网络建模;
4、利用已建模后的软件对50个测试数据进行解析,并给出结果如表1所示。
表1
其中,准确率(Accuracy)的计算方式如下:
其中,Pi为各测点的得分。SOUND、DEFECT和UNCERTAIN的实际和预测完全对应取1分,SOUND、DEFECT预测为UNCERTAIN,或者UNCERTAIN预测为SOUND、DEFECT取0.5分,其余取0分。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于机器学习提高无损检测精度的方法,其特征在于,包括依次进行的以下步骤:
A、建立人工智能基本模型,收集大量检测数据作为学习数据;
B、将步骤A中收集的学习数据导入人工智能基本模型中进行训练;
C、将需要分析的检测数据导入训练后的人工智能基本模型中,人工智能基本模型生成检测结果。
2.根据权利要求1所述的一种基于机器学习提高无损检测精度的方法,其特征在于,所述步骤A中收集大量检测数据作为学习数据的方法包括以下步骤:
A1、采集被测物,在被测物上标记检测点,使用信号激发装置激发信号,使信号在被测物内部传播;
A2、使用信号接收装置,沿步骤A1检测点逐点采集在结构物内部传播后的信号;
A3、利用现有解析软件将步骤A2采集到的信号进行充分的解析;
A4、对被测物进行分析,标记每个检测点的状态,将每个检测点的状态和步骤A2采集到的信号进行匹配后作为学习数据。
3.根据权利要求2所述的一种基于机器学习提高无损检测精度的方法,其特征在于,所述步骤A2中每个测点检测的信号包括9个参数:
T_FFT[0]、T_FFT[1]、T_FFT[2]:信号傅里叶变换后的振幅前3阶极值点;
T_MEM[0]、T_MEM[1]、T_MEM[2]:最大熵处理的幅前3阶极值点;
R_FFT[1]、R_FFT[2]:傅里叶变化后二阶、三阶振幅相对一阶极值点的相对振幅;
T_FstHfS:首波半波长。
4.根据权利要求3所述的一种基于机器学习提高无损检测精度的方法,其特征在于,所述步骤A4中检测点的状态class分为3类,包括健全SOUND、有缺陷DEFECT和过渡段UNCERTAIN。
5.根据权利要求4所述的一种基于机器学习提高无损检测精度的方法,其特征在于,所述步骤A中建立的人工智能基本模型采用贝叶斯网络模型。
6.根据权利要求5所述的一种基于机器学习提高无损检测精度的方法,其特征在于,所述贝叶斯网络模型采用一层贝叶斯网络模型,即检测点的状态class与T_FFT[0]、T_FFT[1]、T_FFT[2]、T_MEM[0]、T_MEM[1]、T_MEM[2]、R_FFT[1]、R_FFT[2]和T_FstHfS分连。
7.根据权利要求5所述的一种基于机器学习提高无损检测精度的方法,其特征在于,所述贝叶斯网络模型采用二层贝叶斯网络模型,即检测点的状态class与T_FFT[0]、T_FFT[1]、T_FFT[2]、T_MEM[0]、T_MEM[1]、T_MEM[2]、R_FFT[1]、R_FFT[2]和T_FstHfS分连后,T_FstHfS与T_FFT[1]连接,T_FFT[0]与R_FFT[1]连接,T_MEM[1]与T_MEM[2]连接,R_FFT[1]与R_FFT[2]连接。
8.根据权利要求4所述的一种基于机器学习提高无损检测精度的方法,其特征在于,所述步骤A中建立的人工智能基本模型采用神经元网络模型,其中T_FFT[0]、T_FFT[1]、T_FFT[2]、T_MEM[0]、T_MEM[1]、T_MEM[2]、R_FFT[1]、R_FFT[2]和T_FstHfS为输入层,检测点的状态class为输出层,包括健全SOUND、有缺陷DEFECT和过渡段UNCERTAIN。
9.根据权利要求4所述的一种基于机器学习提高无损检测精度的方法,其特征在于,所述步骤A中建立的人工智能基本模型采用决策树方法,决策树包括起始机会节点T_MEM[0],T_MEM[0]上连接有二层机会节点T_MEM[0]和T_FFT[0],二层机会节点T_MEM[0]上连接有终结点UNCERTAIN和SOUND,二层机会节点T_FFT[0]上连接有终结点UNCERTAIN和三层机会节点T_FFT[0],三层机会节点T_FFT[0]上连接有终结点UNCERTAIN和DEFECT。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810271658.4A CN108491931B (zh) | 2018-03-29 | 2018-03-29 | 一种基于机器学习提高无损检测精度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810271658.4A CN108491931B (zh) | 2018-03-29 | 2018-03-29 | 一种基于机器学习提高无损检测精度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108491931A true CN108491931A (zh) | 2018-09-04 |
CN108491931B CN108491931B (zh) | 2023-12-19 |
Family
ID=63316899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810271658.4A Active CN108491931B (zh) | 2018-03-29 | 2018-03-29 | 一种基于机器学习提高无损检测精度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108491931B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190272A (zh) * | 2018-09-13 | 2019-01-11 | 四川升拓检测技术股份有限公司 | 基于弹性波和机器学习的混凝土结构缺陷检测方法 |
CN109187772A (zh) * | 2018-10-29 | 2019-01-11 | 四川升拓检测技术股份有限公司 | 基于语音信号特征提取应用于冲击弹性波分析的方法 |
CN110082429A (zh) * | 2019-04-19 | 2019-08-02 | 四川升拓检测技术股份有限公司 | 一种结合机器学习的隧道衬砌无损检测的辅助判定方法 |
CN110231401A (zh) * | 2019-05-05 | 2019-09-13 | 四川升拓检测技术股份有限公司 | 一种测点间信息关联方法及土木结构无损检测方法 |
CN113705289A (zh) * | 2021-01-23 | 2021-11-26 | 深圳市玄羽科技有限公司 | 一种基于机器学习提高无损检测精度的方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100250148A1 (en) * | 2009-03-25 | 2010-09-30 | The Boeing Company | Deterministic nde system and method for composite damage assessment and repair |
CN103018338A (zh) * | 2012-12-05 | 2013-04-03 | 河海大学 | 一种基于声发射和神经网络的混凝土无损检测方法 |
CN103713043A (zh) * | 2014-01-07 | 2014-04-09 | 天津大学 | 基于贝叶斯网络的焊接缺陷巨磁电阻涡流检测方法 |
US20140100832A1 (en) * | 2012-10-09 | 2014-04-10 | The Boeing Company | Methods and systems for structural health monitoring |
CN104749249A (zh) * | 2015-03-23 | 2015-07-01 | 中国农业大学 | 一种基于超声波技术的检测种子净度的方法 |
CN105070299A (zh) * | 2015-07-01 | 2015-11-18 | 浙江天格信息技术有限公司 | 一种基于模式识别Hi-Fi音质检测方法 |
CN105929024A (zh) * | 2016-04-21 | 2016-09-07 | 安徽省(水利部淮河水利委员会)水利科学研究院 | 混凝土缺陷智能化检测与定量识别方法 |
US20160350919A1 (en) * | 2015-06-01 | 2016-12-01 | Virtual Radiologic Corporation | Medical evaluation machine learning workflows and processes |
CN107103000A (zh) * | 2016-02-23 | 2017-08-29 | 广州启法信息科技有限公司 | 一种基于关联规则与贝叶斯网络集成的推荐技术 |
-
2018
- 2018-03-29 CN CN201810271658.4A patent/CN108491931B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100250148A1 (en) * | 2009-03-25 | 2010-09-30 | The Boeing Company | Deterministic nde system and method for composite damage assessment and repair |
US20140100832A1 (en) * | 2012-10-09 | 2014-04-10 | The Boeing Company | Methods and systems for structural health monitoring |
CN103018338A (zh) * | 2012-12-05 | 2013-04-03 | 河海大学 | 一种基于声发射和神经网络的混凝土无损检测方法 |
CN103713043A (zh) * | 2014-01-07 | 2014-04-09 | 天津大学 | 基于贝叶斯网络的焊接缺陷巨磁电阻涡流检测方法 |
CN104749249A (zh) * | 2015-03-23 | 2015-07-01 | 中国农业大学 | 一种基于超声波技术的检测种子净度的方法 |
US20160350919A1 (en) * | 2015-06-01 | 2016-12-01 | Virtual Radiologic Corporation | Medical evaluation machine learning workflows and processes |
CN105070299A (zh) * | 2015-07-01 | 2015-11-18 | 浙江天格信息技术有限公司 | 一种基于模式识别Hi-Fi音质检测方法 |
CN107103000A (zh) * | 2016-02-23 | 2017-08-29 | 广州启法信息科技有限公司 | 一种基于关联规则与贝叶斯网络集成的推荐技术 |
CN105929024A (zh) * | 2016-04-21 | 2016-09-07 | 安徽省(水利部淮河水利委员会)水利科学研究院 | 混凝土缺陷智能化检测与定量识别方法 |
Non-Patent Citations (7)
Title |
---|
BIAO WU ET.AL: "A Bayesian approach for sparse flaw detection from noisy signals for ultrasonic NDT", 《NDT & E INTERNATIONAL》, pages 76 - 85 * |
刘国华: "声发射信号处理关键技术研究", 《中国博士学位论文全文数据库》 * |
刘国华: "声发射信号处理关键技术研究", 《中国博士学位论文全文数据库》, 15 August 2008 (2008-08-15), pages 128 - 140 * |
张立新: "《基于小波分析及神经网络的混凝土内部缺陷智能识别》", 30 June 2016, 西南交通大学出版社, pages: 17 - 21 * |
赵林度: "《大型机电系统故障诊断技术》", 31 October 2001, 中国石化出版社, pages: 6 - 8 * |
郭世明: "《机车检测与故障检测技术》", 30 April 2011, 中国铁道出版社, pages: 129 - 130 * |
陈秀琼: "基于贝叶斯网络的数据挖掘技术", 三明高等专科学校学报, no. 02, pages 47 - 52 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190272A (zh) * | 2018-09-13 | 2019-01-11 | 四川升拓检测技术股份有限公司 | 基于弹性波和机器学习的混凝土结构缺陷检测方法 |
CN109190272B (zh) * | 2018-09-13 | 2023-04-18 | 四川升拓检测技术股份有限公司 | 基于弹性波和机器学习的混凝土结构缺陷检测方法 |
CN109187772A (zh) * | 2018-10-29 | 2019-01-11 | 四川升拓检测技术股份有限公司 | 基于语音信号特征提取应用于冲击弹性波分析的方法 |
CN110082429A (zh) * | 2019-04-19 | 2019-08-02 | 四川升拓检测技术股份有限公司 | 一种结合机器学习的隧道衬砌无损检测的辅助判定方法 |
CN110082429B (zh) * | 2019-04-19 | 2022-02-22 | 四川升拓检测技术股份有限公司 | 一种结合机器学习的隧道衬砌无损检测的辅助判定方法 |
CN110231401A (zh) * | 2019-05-05 | 2019-09-13 | 四川升拓检测技术股份有限公司 | 一种测点间信息关联方法及土木结构无损检测方法 |
CN110231401B (zh) * | 2019-05-05 | 2021-10-26 | 四川升拓检测技术股份有限公司 | 一种测点间信息关联方法及土木结构无损检测方法 |
CN113705289A (zh) * | 2021-01-23 | 2021-11-26 | 深圳市玄羽科技有限公司 | 一种基于机器学习提高无损检测精度的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108491931B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108491931A (zh) | 一种基于机器学习提高无损检测精度的方法 | |
CN108038300B (zh) | 基于改进的隶属度函数结合神经网络的光纤状态评估方法 | |
CN108960303B (zh) | 一种基于lstm的无人机飞行数据异常检测方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN108399248A (zh) | 一种时序数据预测方法、装置及设备 | |
CN108664690A (zh) | 基于深度信念网络的多应力下长寿命电子器件可靠性寿命评估方法 | |
CN105608004A (zh) | 一种基于cs-ann的软件缺陷预测方法 | |
CN106338708A (zh) | 结合深度学习与递归神经网络的电能计量误差分析方法 | |
CN106656357B (zh) | 一种工频通信信道状态评估系统和方法 | |
CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和系统 | |
CN110222098A (zh) | 基于流数据聚类算法的电力大数据流异常检测 | |
CN110825583B (zh) | 一种针对云数据中心多指标融合的能效定性评估技术 | |
Li et al. | Predicting Software Quality by Optimized BP Network Based on PSO. | |
CN117540159A (zh) | 一种特高压换流变压器故障检测方法及装置 | |
CN117310361A (zh) | 一种基于智能感知和设备画像的配电网故障巡检定位方法 | |
CN115031794B (zh) | 一种多特征图卷积的新型气固两相流流量测量方法 | |
CN115618735A (zh) | 基于数字孪生的设施结构健康监测方法及相关装置 | |
CN115359197A (zh) | 一种基于空间自相关神经网络的地质曲面重构方法 | |
Yu et al. | Knowledge reasoning of transmission line component detection using CRITIC and TOPSIS approaches | |
CN114004170A (zh) | 基于有限测点的叶栅流场的重构方法 | |
Yuan et al. | Comparison of neural network and Kriging method for creating simulation-optimization metamodels | |
Wang et al. | Fault Detection Based on Causal Discovery and Graph Convolutional Network for Complex Mechatronic Systems | |
Wu | Application of BP Neural Network Algorithm in Solving Mathematical Modeling Optimization Problems | |
CN114841000B (zh) | 一种基于模态共有特征分离的软测量建模方法 | |
Yang et al. | A NSGA-II-based layout method for cable bundles with branches using machine learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |