[发明专利]基于进化模糊最大最小神经网络的管道新缺陷识别方法在审
申请号: | 201910586223.3 | 申请日: | 2019-07-01 |
公开(公告)号: | CN110390355A | 公开(公告)日: | 2019-10-29 |
发明(设计)人: | 刘金海;马艳娟;臧东;曲福明;马大中;朱和贵 | 申请(专利权)人: | 东北大学 |
主分类号: | G06K9/62 | 分类号: | G06K9/62;G06N3/04;F17D5/00 |
代理公司: | 沈阳优普达知识产权代理事务所(特殊普通合伙) 21234 | 代理人: | 李晓光 |
地址: | 110169 辽*** | 国省代码: | 辽宁;21 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | 本发明公开一种基于进化模糊最大最小神经网络的管道新缺陷识别方法,在现有模型基础上能够进行继续训练,包括以下几个步骤:1)利用管道的原有标记样本建立源模型;2)在新测得到标记数据集合中筛选出新深度标记样本子集Dnew;3)在源模型基础上,利用新标记子集Dnew进行继续训练,建立新标记样本识别模型;4)利用已经训练好的新模型进行管道缺陷识别。本发明方法能够利用现有模型,适应新的深度缺陷尺寸,同时提供了一种进化的管道缺陷识别框架,能够实现网络的继续训练,避免了一旦有新的深度尺寸缺陷,就需要将所有样本进行重新训练的问题。 | ||
搜索关键词: | 进化 管道缺陷 缺陷识别 神经网络 新标记 源模型 模糊 标记数据 标记样本 尺寸缺陷 模型基础 深度标记 深度缺陷 样本识别 样本子集 子集 样本 集合 筛选 网络 | ||
【主权项】:
1.一种基于进化模糊最大最小神经网络的管道新缺陷识别方法,其特征在于:在现有模型基础上能够进行继续训练,包括以下几个步骤:1)利用管道的原有标记样本建立源模型;2)在新测得到标记数据集合中筛选出新深度标记样本子集Dnew;3)在源模型基础上,利用新标记子集Dnew进行继续训练,建立新标记样本识别模型;4)利用已经训练好的新模型进行管道缺陷识别。
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于东北大学,未经东北大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/patent/201910586223.3/,转载请声明来源钻瓜专利网。
- 上一篇:深度网络防御能力的预测方法及装置
- 下一篇:视觉词典生成方法及装置、存储介质