申请/专利权人：青岛理工大学

申请日：2023-06-02

公开（公告）日：2024-06-28

公开（公告）号：CN116758394B

主分类号：G06V10/82

分类号：G06V10/82;G06V10/764;G06V10/40;G06V10/26;G06N3/0464;G06N3/0455;G06N3/048;G06N3/0475;G06N3/094

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2024.06.14#著录事项变更;2023.10.03#实质审查的生效;2023.09.15#公开

摘要：本发明公开了一种基于深度学习对无铆钉铆接接头成形截面的预测方法，包括：步骤一、采集条件信息；步骤二、建立基于CNN且带有残差块的条件生成对抗网络的预测模型，基于CNN且带有残差块的条件生成对抗网络的预测模型包括：生成器和判别器，生成器的第1、3、5、7、9层均为卷积残差块，第2、4、6、8层均为转置残差块，第10层为激活函数层；步骤三、以训练数据集对基于CNN且带有残差块的条件生成对抗网络的预测模型进行训练获得深度学习网络模型；步骤四、将随机噪声和条件信息输入深度学习网络模型中，获得无铆钉铆接接头成形的截面图像。本发明具有大幅度缩短预测时间、提高精确度和消除网格划分及时间步长的特点。

主权项：1.一种基于深度学习对无铆钉铆接接头成形截面的预测方法，其特征在于，包括如下步骤：步骤一、采集条件信息：冲头位移、上板厚度、下板厚度、下模直径和凹槽深度；步骤二、建立基于CNN且带有残差块的条件生成对抗网络的预测模型；其中，所述基于CNN且带有残差块的条件生成对抗网络的预测模型包括：生成器和判别器；所述生成器的第1、3、5、7、9层均为卷积残差块，第2、4、6、8层均为转置残差块，第10层为激活函数层，且所述生成器的目标函数为： 式中，VG为生成器G的最小二乘损失，Ec,z为条件信息为c且随机噪声为z时的期望，DGc,z,c为判别器D给出生成数据Gc,z和条件信息为c是真实数据的概率，λ为正则化系数，FG为正则化项；所述转置残差块包括平行设置的转置卷积调整通道和依次连接的转置卷积层、批标准化层和整流层；所述转置卷积调整通道的卷积核尺寸为1×1，所述转置卷积层的卷积核尺寸为3×3；步骤三、以训练数据集对所述基于CNN且带有残差块的条件生成对抗网络的预测模型进行训练获得深度学习网络模型；步骤四、将随机噪声和条件信息输入所述深度学习网络模型中，获得无铆钉铆接接头成形的截面图像。

全文数据：

权利要求：

百度查询： 青岛理工大学 一种基于深度学习对无铆钉铆接接头成形截面的预测方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD