申请/专利权人：广州科技职业技术大学

申请日：2023-11-30

公开（公告）日：2024-04-12

公开（公告）号：CN117876292A

主分类号：G06T7/00

分类号：G06T7/00;G06V10/25;G06V10/764;G06V10/82;G06V10/44;G06N3/0455;G06N3/0464;G06N3/0499;G06N3/08;G01L5/00

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明属于建筑道路工程应力检测技术领域，具体涉及一种建筑道路工程应力检测用Transformer模型，采集道路工程应力过程中N个样本数据X∈R，X＝[X1,X2,L,Xi,LXN]，其中m表示数据的变量数，N表示采集的样本总数，Xi表示数据X中第i个样本，i∈[1,N]，对X进行Z‑score标准化处理；将标准化处理后的数据使用全连接神经网络FullyConnectedNeuralNetwork,FC将X的m维映射至dmodel维，得到其中dmodel为神经网络隐藏层的维度；本发明通过多层卷积神经网络，该模型可以从深层次多尺度挖掘数据的局部信息，提高了特征的表达能力和检测的准确性，在Transformer模型中添加了位置编码，让模型能够利用序列的位置信息，提高了对应力数据的处理效果。

主权项：1.一种建筑道路工程应力检测用Transformer模型，其特征在于，该模型包括以下步骤：S1、采集道路工程应力过程中N个样本数据X∈R，X＝[X1,X2,L,Xi,LXN]，其中m表示数据的变量数，N表示采集的样本总数，Xi表示数据X中第i个样本，i∈[1,N]，对X进行Z-score标准化处理；S2、将标准化处理后的数据使用全连接神经网络FullyConnectedNeuralNetwork,FC将X的m维映射至dmodel维，得到其中dmodel为神经网络隐藏层的维度；然后进入多层卷积神经网络，通过对每层卷积神经网络设置不同大小的卷积核，从深层次多尺度挖掘数据的局部信息；S3、将捕获了局部信息的数据XConv融入Transformer模型，为了让模型利用序列的位置信息，在Transformer模型中添加了位置编码PositionalEncoding，PE，通过使用不同频率的正弦和余弦函数标记位置信息；S4、使用稀疏函数Sθ对注意力矩阵AM进行稀疏化操作，其做法是将注意力矩阵中相关性得分小于自适应参数θθ＝meanAM的值进行置零操作，使其不再参与后续的计算过程，以此达到消除噪声的目的；S5、使用Adam算法更新网络参数，保存达到预期检测效果的模型；S6、故障检测；S7、获取待测目标的图像信息，并对待测目标的图像信息进行预设第一处理；S8、将预设第一处理后的待测目标的图像信息通过CNNBackbone进行特征提取，得到待测目标的图像特征信息；S9、将待测目标的图像特征信息输入Transformer结构中进行预设第二处理，并输出N个目标队列；S10、通过检测前馈网络FNN将Transformer结构输出的目标队列解码成目标框坐标和分类标签，并建立联合检测模型。

全文数据：

权利要求：

百度查询： 广州科技职业技术大学 一种建筑道路工程应力检测用Transformer模型及系统

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