Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
专利交易 商标交易 积分商城 国际服务 IP管家助手 科技果 科技人才 会员权益 需求市场 关于龙图腾 更多
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 东北大学刘金海获国家专利权

东北大学刘金海获国家专利权

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

龙图腾网获悉东北大学申请的专利两阶段超声无损检测信号高精度识别方法获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN116046906B

龙图腾网通过国家知识产权局官网在2026-03-24发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202211343089.2,技术领域涉及:G01N29/44;该发明授权两阶段超声无损检测信号高精度识别方法是由刘金海;王立威;刘晓媛设计研发完成,并于2022-10-31向国家知识产权局提交的专利申请。

两阶段超声无损检测信号高精度识别方法在说明书摘要公布了:本发明提供一种两阶段超声无损检测信号高精度识别方法,采用两阶段方式将超声正常信号分类和异常信号检测工作分离,在保证正常信号分类准确率的同时解决了异常信号模式多样无法穷尽的问题,从而提高了超声无损检测信号的整体识别精度;采用对超声正常信号进行包络线特征提取与融合的方法,在保留超声信号的回波位置和强度特征的同时消除超声信号的幅值正负震荡现象,减小算法对单个值的敏感程度从而进一步降低正常信号回波特征时移及噪声干扰造成的影响。最后通过提取异常信号的局部相似度特征并对其增强,解决了异常信号模式多样无法穷尽的问题。

本发明授权两阶段超声无损检测信号高精度识别方法在权利要求书中公布了:1.一种两阶段超声无损检测信号高精度识别方法,其特征在于,包括: 步骤1:将超声无损检测信号标注为正常信号和异常信号,构建超声无损检测信号的数据集; 步骤2:构建超声无损检测正常信号分类模型,用于将超声信号分为三类,分别为:二次回波信号,三次回波信号和四次回波信号; 步骤3:构建超声无损检测异常信号检测模型,用于步骤2中生成的各个分类数据集中异常信号的检测; 所述步骤2包括: 步骤2.1:使用二次差分法提取超声信号的局部极大值点集LA和局部极小值点集LI; 步骤2.2:获得超声信号D的上包络线和下包络线; 步骤2.3:对上包络线EU、下包络线ED和输入信号D,利用n个独立3*3的卷积核进行融合; 步骤2.4:使用一维卷积神经网络作为融合后特征分类器,对样本集S2、S3、S4执行步骤2.1到步骤2.2,利用步骤2.2的输出结果对步骤2.3的n个独立卷积核和步骤2.4的一维卷积神经网络进行训练,最终生成超声无损检测正常信号分类模型; 步骤2.5:将待检测超声无损检测数据集G输入到步骤2.4中生成的超声无损检测正常信号分类模型中,输出待检测信号的三个类:二次回波数据集GS2、三次回波数据集GS3、四次回波数据集GS4;同时输出每个样本当前结果的概率,GS2中每个信号属于二次回波信号的概率为ps2,GS2中所有信号属于二次回波信号的概率共同构成概率向量PS2;GS3中每个信号属于三次回波信号的概率为ps3,GS3中所有信号属于三次回波信号的概率共同构成概率向量PS3;GS4中每个信号属于四次回波信号的概率为ps4,GS4中所有信号属于四次回波信号的概率共同构成概率向量PS4; 所述步骤3包括: 步骤3.1:针对二次回波数据集GS2、三次回波数据集GS3、四次回波数据集GS4;定义某一数据集GSv中的信号表示为,v=2或3或4,数据集GSv对应的概率为PSv,设置一个窗口,该窗口的宽度为wide,窗口起始位置为index=0,该窗口将会沿着超声信号的时间轴移动,移动步距为str; 步骤3.2:提取窗口内信号H的一个局部子信号h: 步骤3.3:提取数据集GSv中每个局部子信号,构成数据集GSv的局部子信号样本集,其中为局部子信号样本集中的一个子信号样本,m为样本数量; 步骤3.4:使用动态时间规整算法DTW提取局部子信号h和局部子信号样本集中每一个局部子信号样本的相似度,并对所有子信号样本的相似度取平均,作为输入信号H在当前窗口下的局部特征相似度lsindex; 步骤3.5:移动str个时间单位,将index更新为index+str,重复步骤3.2到步骤3.4,以提取不同位置的局部相似度特征,最终组成输入信号的H的局部特征相似度向量; ; 步骤3.6:利用概率为psv对信号的局部特征相似度进行增强,增强后局部相似度特征向量为; 步骤3.7:对于增强后的局部特征相似度使用一个两层的线性神经网络对其进行分类,使用数据集GSv和异常信号数据集S1进行训练,最终生成数据集GSv对应回波信号的超声无损检测异常信号检测模型FvA; 步骤3.8:重复执行步骤3.1至步骤3.7,分别构建针对二次回波数据集GS2、三次回波数据集GS3、四次回波数据集GS4的超声无损检测异常信号检测模型,v=2,3,4,用于检测各个数据集中的异常信号。

如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人东北大学,其通讯地址为:110819 辽宁省沈阳市和平区文化路3号巷11号;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。