[发明专利]使用深度学习进行部分辨识和损伤表征有效
申请号: | 201910031194.4 | 申请日: | 2019-01-14 |
公开(公告)号: | CN110046641B | 公开(公告)日: | 2023-05-02 |
发明(设计)人: | L.F.贝尔图切利;K.K.雷迪;K.G.洛儿 | 申请(专利权)人: | 奥的斯电梯公司 |
主分类号: | G06F18/241 | 分类号: | G06F18/241;G06F18/214 |
代理公司: | 中国专利代理(香港)有限公司 72001 | 代理人: | 姜冰;张金金 |
地址: | 美国康*** | 国省代码: | 暂无信息 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 使用 深度 学习 进行 部分 辨识 损伤 表征 | ||
1.一种识别运输系统的一部分的方法,所述方法包括:
捕获运输系统的真实数据;
捕获所述运输系统的合成数据;
执行域自适应以在所述合成数据和所述真实数据之间进行桥接;
响应于所述真实数据、所述合成数据和所述桥接自适应来确定监督深度学习模型;
响应于所述真实数据、所述合成数据和所述桥接自适应来确定无监督深度学习模型;
使用相机捕获所述运输系统的一部分的图像;
使用所述监督深度学习模型和所述无监督深度学习模型至少之一以及所述图像对所述运输系统的所述部分进行分类;
在移动计算装置上显示所述部分的分类;
响应于所述部分的所述分类和最近邻近者确定重建误差;以及
使用递归架构和特征提取模块响应于所述重建误差来确定对所述部分的损坏量。
2.如权利要求1所述的方法,其中:
监督深度学习模型还包括深度学习模型。
3.如权利要求1所述的方法,其中分类还包括:
响应于所述图像和所述监督深度学习模型而确定所述部分的分类。
4.如权利要求1所述的方法,其中分类还包括:
使用所述无监督深度学习模型来提取所述图像的低维表示;
将所述图像的所述低维表示与所述真实数据和所述合成数据的渲染二者中的至少一者进行比较;以及
确定所述部分的分类的最近邻近者。
5.如权利要求1所述的方法,其中:
利用无监督特征提取来提取所述图像的低维表示。
6.如权利要求1所述的方法,其中:
传感器可操作地包括在所述移动计算装置内。
7.如权利要求1所述的方法,其中:
传感器可操作地附接到所述移动计算装置。
8.一种存储有指令的计算机可读介质,所述指令在由处理器执行时使得所述处理器执行包括以下操作的操作:
捕获运输系统的真实数据;
捕获所述运输系统的合成数据;
执行域自适应以在所述合成数据和所述真实数据之间进行桥接;
响应于所述真实数据、所述合成数据和所述桥接自适应来确定监督深度学习模型;
响应于所述真实数据、所述合成数据和所述桥接自适应来确定无监督深度学习模型;
使用传感器捕获所述运输系统的一部分的图像;
使用所述监督深度学习模型和所述无监督深度学习模型至少之一以及所述图像对所述运输系统的所述部分进行分类;
在移动计算装置上显示所述部分的分类;
响应于所述部分的所述分类和最近邻近者确定重建误差;以及
使用递归架构和特征提取模块响应于所述重建误差来确定对所述部分的损坏量。
9.如权利要求8所述的计算机可读介质,其中:
监督深度学习模型还包括深度学习模型。
10.如权利要求8所述的计算机可读介质,其中分类还包括:
响应于所述图像和所述监督深度学习模型而确定所述部分的分类。
11.如权利要求8所述的计算机可读介质,其中分类还包括:
使用所述无监督深度学习模型来提取所述图像的低维表示;
将所述图像的所述低维表示与所述真实数据和所述合成数据的渲染二者中的至少一者进行比较;以及
确定所述部分的分类的最近邻近者。
12.如权利要求8所述的计算机可读介质,其中:
利用无监督特征提取来提取所述图像的低维表示。
13.如权利要求8所述的计算机可读介质,其中:
所述传感器可操作地包括在所述移动计算装置内。
14.如权利要求8所述的计算机可读介质,其中:
所述传感器可操作地附接到所述移动计算装置。
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奥的斯电梯公司,未经奥的斯电梯公司许可,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/pat/books/201910031194.4/1.html,转载请声明来源钻瓜专利网。