CN111210409B - 一种基于条件生成对抗网络的结构损伤识别方法 - Google Patents

一种基于条件生成对抗网络的结构损伤识别方法 Download PDF

Info

Publication number
CN111210409B
CN111210409B CN201911400349.3A CN201911400349A CN111210409B CN 111210409 B CN111210409 B CN 111210409B CN 201911400349 A CN201911400349 A CN 201911400349A CN 111210409 B CN111210409 B CN 111210409B
Authority
CN
China
Prior art keywords
structural
network
damage
response information
information
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.)
Active
Application number
CN201911400349.3A
Other languages
English (en)
Other versions
CN111210409A (zh
Inventor
张鹤
徐诚侃
林仁炜
周煜辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201911400349.3A priority Critical patent/CN111210409B/zh
Publication of CN111210409A publication Critical patent/CN111210409A/zh
Application granted granted Critical
Publication of CN111210409B publication Critical patent/CN111210409B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30132—Masonry; Concrete

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于条件生成对抗网络的结构损伤识别方法，在训练阶段，首先通过有限元计算或现场实测得到不同荷载下结构的结构响应响应以及对应的加载条件，并基于条件生产对抗网络模型训练两个深度神经网络G和D，训练完成之后，以现场测得的结构响应响应信息输入生成网络G，得到对应的加载条件。本发明可以通过数据驱动的方式高效地识别结构损伤，将有效解决工程健康监测中难以原位实时识别结构内部损伤问题。

Description

一种基于条件生成对抗网络的结构损伤识别方法
技术领域
本发明属于土木结构工程与计算机视觉的交叉领域，特别涉及一种基于条件生成对抗网络的结构损伤识别方法。
背景技术
结构损伤是土木结构物运营期的结构状态监测中的重要内容，直接决定了结构的安全性、耐久性。对于长期服役的结构物，如何高效地利用结构原位响应信息实时地识别结构内部损伤对结构运营期的结构状态监测有重要意义。
传统的结构损伤方法，通过建立物理模型并求解结构的控制方程，根据结构响应来得到结构损伤情况，但当结构较复杂或结构长期服役性能退化后，假设的物理模型往往不正确。
随着数据分析手段的进步以及以往大量工程数据的累积，用数据驱动的方式解决工程问题已得到了广泛应用。为解决传统力学方法不能准确识别性能退化后的结构损伤的问题，本发明应用深度学习实现了通过结构原位响应信息实时地识别结构损伤。
发明内容
为了解决如何高效地利用结构原位实时响应信息识别结构内部损伤的技术问题，本发明提供一种基于条件生成对抗网络的结构损伤识别方法，具体步骤如下：
一种基于条件生成对抗网络的结构损伤识别方法，包括以下步骤：
(1)首先通过有限元计算或现场实测得到固定荷载下不同程度损伤结构的结构响应信息，并根据颜色渐变条将结构响应信息及结构损伤情况分别绘制成图像，并进行分类、整理、配对，建立样本库。
(2)基于条件生成对抗网络模型，通过样本库训练两个深度神经网络：生成网络G和判断网络D。
(3)将生成模型输出的结构损伤信息图像，并通过像素值标定其中的损伤值。
(4)测试阶段，将现场测得的结构响应信息绘制成图像，输入步骤2中训练好的生成网络G，得到对应的结构损伤信息图像，并通过损伤信息图像中的像素值标定其中的损伤值。
进一步地，在基于条件生成对抗网络的结构损伤识别方法中，结构响应信息具体可以是：应力场、应变场、位移场、内力场。
进一步地，所述的步骤(1)中，得到结构响应信息的方法具体为：
在不知道结构内部情况时，通过布设大量密集的应变片，测得不同荷载条件下的结构响应，通过插值法得到对应的结构响应信息；
在知道结构内部情况时，通过有限元计算得到不同荷载条件下的结构响应，得到对应的结构响应信息。
进一步地，所述的步骤(1)中，根据颜色渐变条将其绘制成图像的方法具体为：根据颜色渐变条jet，将每一个位置的结构响应信息和损伤信息转化为对应的像素值，并进行绘制成图片。
进一步地，所述的步骤(2)中，生成网络G用来根据结构响应信息生成结构损伤信息，判断网络D用来区分输入的损伤信息是来自生成网络G还是真实的损伤信息，所述的条件生成对抗网络以结构响应信息为条件，其目标函数为：
Figure BDA0002347332030000021
其中，x来自数据库内的结构损伤图像，y表示结构响应信息；V(D,G)表示博弈问题中的价值函数，即需要优化的目标函数；x～pdata(x)表示x服从数据库内结构损伤图像分布pdata，
Figure BDA0002347332030000022
表示在pdata分布下求期望；x～pz(z)表示x服从先验分布pz，pz为[-1,1]内的均匀分布，即z为[-1，1]内随机采样的向量，
Figure BDA0002347332030000023
表示在pz分布下求期望；D(x|y)表示输入x在结构响应信息控制参数y的条件下经过判断网络D的输出；G(z|y)表示输入向量z在结构响应信息控制参数y的条件下经过生成网络G的输出图像；D(G(z|y))表示G(z|y)经过判断网络D的输出。
进一步地，所述的步骤(2)中，采用的生成网络G是一个U型网络，包含Encode和Decode两部分，Encode部分是一个卷积神经网络，通过八个卷积层从结构响应信息的图片中提取出特征，Decode部分是一个反卷积神经网络，通过八个反卷积层将Encode部分提取出的特征生成出结构损伤信息的图片。
进一步地，所述的步骤(2)中，采用的判断网络D中，首先将结构响应信息的图片(条件)及生成的结构损伤信息图片拼接在一起，再通过五个卷积层和一个全连接层的网络，最后得到判断网络D的输出。
进一步地，所述的步骤(3)中，标定G模型生产的结构损伤信息图像中结构损伤信息的方法具体为：根据颜色渐变条jet，将每一个位置的像素值转化为对应的损伤值。
本发明的有益效果是：
本发明应用深度学习能高效地识别结构损伤，将有效解决传统力学方法不能准确识别性能退化后的结构损伤的问题，进一步提高了土木工程结构运营期的结构状态监测的精度。同时得益于计算机视觉的发展，本发明的计算速度远远快于传统方法，因此可以根据结构原位实时响应信息，实现土木工程结构的实时损伤识别。此外，结构损伤识别具有不适定性的特点，即在测试荷载下一个结构响应对应对多种结构损伤的，本发明中通过建立样本库，以数据驱动的方式识别结构损伤，可以将出现损伤类型的概率包含在计算过程中，能在最大程度上减小根据原位结构响应实时识别损伤时的不适定性。综上所述，本发明能从识别精度、计算效率以及不适定三个方面改进了土木工程结构运营期的损伤识别。
附图说明
图1是条件生成对抗网络整体结构示意图；
图2是生成网络G网络结构图；
图3是判断网络D网络结构图；
图4是包含结构响应信息的样本图片；
图5是包含结构损伤信息的样本图片；
图6是输入结构响应信息后结构损伤识别的效果图，其中图6(a)是结构应力场云图，图6(b)是深度学习识别的损伤，图6(c)是真实的结构损伤。
具体实施方式
下面根据附图和优选实施例详细描述本发明，本发明的目的和效果将变得更加明白。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种基于条件生成对抗网络的结构损伤识别方法，应用了深度学习领域中的最新算法条件生成对抗网络，条件生成对抗网络被证明能高效地处理图像并生成图像。本发明应用深度学习领域中最新算法，能高效地识别结构损伤。
具体步骤如下：
(1)首先通过有限元计算或现场实测得到固定荷载下含不同程度损伤结构的结构响应信息，并根据测控条将结构响应信息及损伤信息分别绘制成图像，并进行分类、整理、配对，建立样本库。除应力场之外的结构响应信息具体可以是：应变场、位移场、内力场。而得到结构完整信息场的方法具体为：
①在不知道结构内部情况时，通过布设大量密集的应变片，测得不同荷载条件下的结构响应，通过插值法得到对应的完整结构响应信息；
②在知道结构内部情况时，通过有限元计算得到不同荷载条件下的结构响应，得到对应的完整结构响应场信息。
本次实施案例通过有限元计算得到3000组训练样本(如图4，图5所示)，并通过薄板加载实验得到含100个应变信息的验证样本50组。同时根据颜色渐变条jet，将每一个位置的结构响应信息转化为对应的像素值，并进行绘制成图片，并对图片进行归一化处理。
(2)基于条件生成对抗网络模型，通过样本库训练两个深度神经网络：生成网络G和判断网络D。
生成对抗网络(GAN)由G和D两个深度神经网络构成。生成网络G用来根据结构响应信息生成损伤信息，判断网络D用来区分输入的损伤信息是来自生成网络G还是真实的损伤信息，所述的条件生成对抗网络以结构响应信息为条件，其目标函数为：
Figure BDA0002347332030000041
其中，x来自数据库内的结构损伤图像，y表示结构响应信息；V(D,G)表示博弈问题中的价值函数，即需要优化的目标函数；x～pdata(x)表示x服从数据库内结构损伤图像分布pdata，
Figure BDA0002347332030000042
表示在pdata分布下求期望；x～pz(z)表示x服从先验分布pz，pz为[-1,1]内的均匀分布，即z为[-1，1]内随机采样的向量，
Figure BDA0002347332030000043
表示在pz分布下求期望；D(x|y)表示输入x在结构响应信息控制参数y的条件下经过判断网络D的输出；G(z|y)表示输入向量z在结构响应信息控制参数y的条件下经过生成网络G的输出图像；D(G(z|y))表示G(z|y)经过判断网络D的输出。
采用的生成网络G是一个U型网络，包含Encode和Decode两部分，Encode部分是一个卷积神经网络，通过八个卷积层从结构响应信息的图片中提取出特征，Decode部分是一个反卷积神经网络，通过八个反卷积层将Encode部分提取出的特征生成出结构损伤信息的图片。采用的判断网络D中，首先将结构响应信息的图片(条件)及生成的结构损伤信息图片拼接在一起，再通过五个卷积层和一个全连接层的网络，最后得到判断网络D的输出。
进一步地，训练得到的生成网络G能够根据有结构响应信息生成结构损伤信息，判断网络D用来判断生成的结构损伤信息正确与否。
采用的判断网络D中，首先将包含有限应力场信息的图片及生成的完整应力场的图片拼接在一起，再通过五个卷积层和一个全连接层的网络，最后得到判断网络D的输出。
(3)根据颜色渐变条jet，将生成模型输出的损伤信息图像中的每一个位置的像素值转化为对应的荷载值。
(4)测试阶段。将实验测得的50组验证样本的结构响应信息绘制成图像，输入步骤(2)中训练好的生成网络G，得到对应的结构损伤信息图像，并通过损伤信息图像中像素值标定其中的损伤大小值，效果如图6所示。图6(a)是结构在固定荷载下的应力响应信息，图6(b)是根据深度学习识别出的结构损伤信息，损伤程度根据颜色渐变条标定是29.8％，图6(c)是真实的结构损伤信息，损伤程度为30％。从图中可知，深度学习识别出的损伤位置、损伤程度都与真实损伤信息十分接近，说明该方法具有较高的识别精度。
本领域普通技术人员可以理解，以上所述仅为发明的优选实例而已，并不用于限制发明，尽管参照前述实例对发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内，所做的修改、等同替换等均应包含在发明的保护范围之内。

Claims (5)

1.一种基于条件生成对抗网络的结构损伤识别方法，其特征在于，包括以下步骤：
(1)首先通过有限元计算或现场实测得到固定荷载下不同损伤结构的结构响应信息，根据颜色渐变条将结构响应信息及结构损伤信息分别绘制成图像，并进行分类、整理、配对，建立样本库；
得到结构响应信息的方法具体为：
在不知道结构内部情况时，通过布设大量密集的应变片，测得不同荷载条件下的结构响应，通过插值法得到对应的完整结构响应信息；
在知道结构内部情况时，通过有限元计算得到同一荷载条件下的不同损伤结构的响应，得到对应的完整结构响应信息；
根据颜色渐变条将其绘制成图像的方法具体为：根据颜色渐变条jet，将每一个位置的结构响应信息或损伤大小转化为对应的像素值，并进行绘制成图片；
(2)基于条件生成对抗网络模型，通过样本库训练两个深度神经网络：生成网络G和判断网络D；
(3)将生成模型输出的结构损伤信息图像，并通过像素值标定其中的损伤值；
(4)测试阶段，将现场测得的结构响应信息绘制成图像，输入步骤(2)中训练好的生成网络G，得到对应的结构损伤信息图像，并通过结构损伤信息图像中的像素值标定其中的损伤值；
所述的步骤(2)中，生成网络G用来根据结构响应信息识别结构损伤，判断网络D用来区分输入的结构损伤信息是来自生成网络G还是真实的结构损伤信息，所述的条件生成对抗网络以结构响应信息为条件，其目标函数为：
Figure FDA0003700065320000011
其中，x来自数据库内的结构损伤图像，y表示结构响应信息；V(D,G)表示博弈问题中的价值函数，即需要优化的目标函数；x～pdata(x)表示x服从数据库内结构损伤图像分布pdata，
Figure FDA0003700065320000012
表示在pdata分布下求期望；x～pz(z)表示x服从先验分布pz，pz为[-1,1]内的均匀分布，即z为[-1，1]内随机采样的向量，
Figure FDA0003700065320000013
表示在pz分布下求期望；D(x|y)表示输入x在结构响应信息控制参数y的条件下经过判断网络D的输出；G(z|y)表示输入向量z在结构响应信息控制参数y的条件下经过生成网络G的输出图像；D(G(z|y))表示G(z|y)经过判断网络D的输出。
2.根据权利要求1所述的基于条件生成对抗网络的结构损伤识别方法，结构响应信息具体可以是：应力场、应变场、位移场、内力场。
3.根据权利要求1所述的基于条件生成对抗网络的结构损伤识别方法，其特征在于，所述的步骤(2)中，采用的生成网络G是一个U型网络，包含Encode和Decode两部分，Encode部分是一个卷积神经网络，通过八个卷积层从结构响应信息的图片中提取出特征，Decode部分是一个反卷积神经网络，通过八个反卷积层将Encode部分提取出的特征生成出结构损伤信息的图片。
4.根据权利要求1所述的基于条件生成对抗网络的结构损伤识别方法，其特征在于，所述的步骤(2)中，采用的判断网络D中，首先将结构响应信息的图片及生成的结构损伤信息图片拼接在一起，再通过五个卷积层和一个全连接层的网络，最后得到判断网络D的输出。
5.根据权利要求1所述的基于条件生成对抗网络的结构损伤识别方法，其特征在于，所述的步骤(3)中，标定G模型生产的结构荷载信息图像中结构损伤信息的方法具体为：根据颜色渐变条jet，将每一个位置的像素值转化为对应的结构损伤信息。
CN201911400349.3A 2019-12-30 2019-12-30 一种基于条件生成对抗网络的结构损伤识别方法 Active CN111210409B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911400349.3A CN111210409B (zh) 2019-12-30 2019-12-30 一种基于条件生成对抗网络的结构损伤识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911400349.3A CN111210409B (zh) 2019-12-30 2019-12-30 一种基于条件生成对抗网络的结构损伤识别方法

Publications (2)

Publication Number Publication Date
CN111210409A CN111210409A (zh) 2020-05-29
CN111210409B true CN111210409B (zh) 2022-08-23

Family

ID=70787670

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911400349.3A Active CN111210409B (zh) 2019-12-30 2019-12-30 一种基于条件生成对抗网络的结构损伤识别方法

Country Status (1)

Country Link
CN (1) CN111210409B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115186550B (zh) * 2022-07-11 2024-01-30 中南大学 一种基于应变场信息的地铁枕梁损伤识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109377448A (zh) * 2018-05-20 2019-02-22 北京工业大学 一种基于生成对抗网络的人脸图像修复方法
CN110046379A (zh) * 2019-03-04 2019-07-23 浙江大学 一种基于空间-频率信息的结构整体损伤识别方法
WO2019201177A1 (zh) * 2018-04-17 2019-10-24 江苏必得科技股份有限公司 列车部件裂纹损伤监测方法和系统
WO2019237846A1 (zh) * 2018-06-11 2019-12-19 腾讯科技（深圳）有限公司 图像处理方法、人脸识别方法、装置和计算机设备

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10049308B1 (en) * 2017-02-21 2018-08-14 A9.Com, Inc. Synthesizing training data
CN107292813B (zh) * 2017-05-17 2019-10-22 浙江大学 一种基于生成对抗网络的多姿态人脸生成方法
CN108171320B (zh) * 2017-12-06 2021-10-19 西安工业大学 一种基于生成式对抗网络的图像域转换网络和转换方法
CN108959794B (zh) * 2018-07-13 2023-04-07 北京航空航天大学 一种基于深度学习的结构频响动力学模型修正方法
CN109992827B (zh) * 2019-02-20 2023-08-22 深圳高速工程顾问有限公司 桥梁结构预警方法、装置、计算机设备和存储介质
CN110059384B (zh) * 2019-04-09 2023-01-06 同济大学 基于生成式对抗网络模拟人群跳跃荷载的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019201177A1 (zh) * 2018-04-17 2019-10-24 江苏必得科技股份有限公司 列车部件裂纹损伤监测方法和系统
CN109377448A (zh) * 2018-05-20 2019-02-22 北京工业大学 一种基于生成对抗网络的人脸图像修复方法
WO2019237846A1 (zh) * 2018-06-11 2019-12-19 腾讯科技（深圳）有限公司 图像处理方法、人脸识别方法、装置和计算机设备
CN110046379A (zh) * 2019-03-04 2019-07-23 浙江大学 一种基于空间-频率信息的结构整体损伤识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A Generative Adversarial Network Model for Simulating Various Types of Human-Induced Loads;Xiong, Jiecheng 等;《INTERNATIONAL JOURNAL OF STRUCTURAL STABILITY AND DYNAMICS》;20190831;第19卷(第8期);第V3：442-446页 *
含张力柔性管道的涡激振动计算方法;周威 等;《科技通报》;20190430;第35卷(第4期);第173-179页 *
基于深度信念网络的风机叶片结构损伤识别研究;顾桂梅 等;《甘肃农业大学学报》;20160831;第51卷(第04期);第134-138页 *
用于结构损伤位置识别的两种神经网络性能比较;张育智 等;《公路交通科技》;20071231;第24卷(第12期);第69-74页 *

Also Published As

Publication number Publication date
CN111210409A (zh) 2020-05-29

Similar Documents

Publication Publication Date Title
CN106950276B (zh) 一种基于卷积神经网络的管道缺陷深度的反演方法
CN108959794B (zh) 一种基于深度学习的结构频响动力学模型修正方法
CN111209620B (zh) 含裂纹结构剩余承载力及裂纹扩展路径的预测方法
CN107832789B (zh) 基于平均影响值数据变换的特征加权k近邻故障诊断方法
CN109815855B (zh) 一种基于机器学习的电子设备自动测试方法及系统
CN110780164A (zh) 基于yolo的绝缘子红外故障定位诊断方法及装置
CN111595541A (zh) 一种海量振动传递率数据卷积神经网络处理的多维结构损伤识别方法
CN111210409B (zh) 一种基于条件生成对抗网络的结构损伤识别方法
CN113486580B (zh) 在役风电机组高精度数值建模方法、服务端及存储介质
CN111241614B (zh) 基于条件生成对抗网络模型的工程结构荷载反演方法
CN111241725B (zh) 基于条件生成对抗网络的结构响应重构方法
CN111238927A (zh) 疲劳耐久性评测方法、装置、电子设备和计算机可读介质
WO2023085992A1 (en) Image analysis of cut flowers
CN112818455B (zh) 一种桥梁结构响应监测方法及系统
CN112836433B (zh) 高温合金晶粒尺寸识别模型的构建方法及尺寸识别方法
CN112949000B (zh) 基于卷积神经网络模型的构件残余应力反演方法
CN115222691A (zh) 图像缺陷检测方法、系统及相关装置
CN114742122A (zh) 设备故障诊断方法、装置、电子设备以及存储介质
CN110750876B (zh) 一种轴承数据模型训练及使用方法
CN114048762A (zh) 双注意力引导的旋转机械健康评估方法
CN108921278B (zh) 一种水表检定装置的台位差计算方法
CN113075289A (zh) 一种金属圆柱缺陷参数检测方法及系统
CN113344915B (zh) 一种输电线路关键部件缺陷检测方法及系统
CN116484921B (zh) 多物理量特征融合卷积神经网络的裂纹尺寸精准量化方法
JP7478000B2 (ja) ３ｄ画像データ解析装置

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