一种基于卷积神经网络的TFDS故障图像自动识别方法

发明专利有效专利

申请号：
CN201610561060.X
IPC分类号：G01M13/00;G01M17/08;G06K9/62
申请日期：
2016-07-15
申请人：
北京航空航天大学

基础信息

权利要求

说明书

PDF全文

法律信息

引证文献

著录项信息

专利名称	一种基于卷积神经网络的TFDS故障图像自动识别方法
申请号	CN201610561060.X	申请日期	2016-07-15
法律状态	授权	申报国家	暂无
公开/公告日	2016-12-14	公开/公告号	CN106226050A
优先权	暂无	优先权号	暂无
主分类号	G01M13/00 ? IPC结构图谱： G 物理 G0 仪器 G01 测量；测试 G01M 机器或结构部件的静或动平衡的测试；其他类目中不包括的结构部件或设备的测试 G01M13/00 机械部件的测试	IPC分类号	G;0;1;M;1;3;/;0;0;;;G;0;1;M;1;7;/;0;8;;;G;0;6;K;9;/;6;2查看分类表>
申请人	北京航空航天大学	申请人地址	北京市海淀区学院路37号变更专利地址、主体等相关变化，请及时变更，防止失效
权利人	北京航空航天大学	当前权利人	北京航空航天大学
发明人	孙军华;肖钟雯
代理机构	北京科迪生专利代理有限责任公司	代理人	成金玉;卢纪

摘要

本发明公开了一种基于卷积神经网络的TFDS故障图像自动识别方法，该方法基于深度学习理论，由一个二级级联的卷积神经网络模型构成：第一级为多类易故障区域同步定位的网络模型，结合多故障区域的空间相互位置关系约束，实现多故障目标区域同步精确定位；第二级为故障判别网络模型，对第一级定位的区域实现故障和非故障的判断。本发明提供的TFDS多类故障同步自动识别方法无需针对不同故障分别设计识别方法，借助深度学习中的卷积神经网络理论，通过学习训练的方式自适应地抽取特征，能够对多故障进行同步定位和故障判断，且具有高效性和强鲁棒性。

序号	公开(公告)号	公开(公告)日	申请日	专利名称	申请人
该专利没有引用任何外部专利数据！

序号	公开(公告)号	公开(公告)日	申请日	专利名称	申请人
该专利没有被任何外部专利所引用！

我浏览过的专利

专利服务由北京酷爱智慧知识产权代理公司提供