CN106599911A - 基于线性群和广义特征优化的浮法玻璃熔窑火焰识别方法 - Google Patents
基于线性群和广义特征优化的浮法玻璃熔窑火焰识别方法 Download PDFInfo
- Publication number
- CN106599911A CN106599911A CN201611104399.3A CN201611104399A CN106599911A CN 106599911 A CN106599911 A CN 106599911A CN 201611104399 A CN201611104399 A CN 201611104399A CN 106599911 A CN106599911 A CN 106599911A
- Authority
- CN
- China
- Prior art keywords
- matrix
- flame
- complete
- flame image
- variable
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本发明涉及一种基于线性群和广义特征优化的浮法玻璃熔窑火焰识别方法,属于先进制造、自动化和图像处理技术领域,其特征在于,针对玻璃熔窑恶劣生产环境(如粉尘、油污、高温等)下火焰图像所具有的大噪声、存在像素丢失和清晰度低等特点,提出一种基于线性群和广义特征优化的玻璃熔窑火焰识别方法。首先将不完备的玻璃熔窑火焰信息进行线性群变换,并利用矩阵完备方法对线性群变换后的不完备火焰信息进行恢复,从而得到完备的火焰图像;然后,将完备后的火焰图像信息映射到广义特征空间,在广义特征空间中根据近邻规则对火焰状态进行识别。本发明可有效应用于识别玻璃熔窑火焰,以优化玻璃熔窑燃烧状况。
Description
技术领域
本发明属于先进制造、自动化和图像处理技术领域,具体涉及在复杂及不恶劣生产环境下浮法玻璃熔窑火焰监控图像识别方法。
背景技术
目前针对带噪声的图像识别问题,有如下几类图像处理方法:基于偏微分方程的方法、基于变分的方法、基于像素块的方法;基于偏微分方程的和基于变分方法仅适用小范围的修复,而通常浮法玻璃熔窑内的火焰信息不完备的范围比较大,因此该类方法无法适应于该问题;基于像素块的方法需要不断迭代匹配图像受损区域与已知区域的相似度来得到最佳匹配块,从而进行填充,每一次填充都需要遍历整幅图像,导致计算复杂度很高,无法满足浮法玻璃企业对玻璃火焰识别的要求。
发明内容
针对玻璃熔窑恶劣生产环境(如粉尘、油污、高温等)下火焰图像所具有的大噪声、存在像素丢失和清晰度低等特点,本发明提出一种基于线性群和广义特征优化的玻璃熔窑火焰识别方法。该方法是在计算机上按如下步骤实现的:
步骤(1):初始化,设定如下基本变量
设定问题变量和算法参数:
pos:用来判断火焰每一层信息不完整的位置
mi:火焰图像的第i(i=1,2,3)层对应的行数
ni:火焰图像的第i(i=1,2,3)层对应的列数
U:奇异左正交矩阵
R:对角矩阵
V:奇异右正交矩阵
O:线性群矩阵
r:对变量奇异值分解所需的秩参数
tol:停止迭代的条件参数
Tmax:最大迭代数次
μ:正则参数
μmax:正则参数上限
τ:泰勒近似系数
α:矩阵V的共轭系数
β:矩阵U的共轭系数
ρ:用于对正则参数进行更新
xi:完备后的第i副火焰图像
X:完备后的火焰图像集合
θ:完备后的火焰图像集合的均值
θj:完备后的第j类火焰图像集合的均值
Nj:完备后的第j类火焰图像集合的数目
E:混合噪声矩阵
矩阵E的噪声变量
噪声矩阵元素
M:不完备矩阵
PΩ:采样矩阵
Sw:类内散度矩阵
SB:类间散度矩阵
W:特征矩阵变量
Wopt:广义特征优化矩阵
步骤(2):熔窑内部受干扰火焰图像信号通过高温视频电缆传输到工业监示器的视频输入接口,使熔窑的火焰图像在工业监视器上,然后截取工业监视器上被干扰的火焰图像作为方法的输入,将其分成红色通道、绿色通道和蓝色通道矩阵,每一通道矩阵对应一个观测到的不完备矩阵M,如果矩阵中的元素小于阈值pos,则将该元素标记为0;
步骤(3):假设待求的完备通道对应的矩阵为X,那么对变量X进行奇异值分解得到X=URV,其中R是对角矩阵,一共r个对角元素,U和V是单位正交矩阵;
步骤(4):基于上述步骤,所提出的正交群变换下方法相应的模型如下
其中表示矩阵的F范数平方和,得到奇异值分解是不唯一的,即对变量进行线性群变换得到
X=(UO)(ORO)(OV)
其中O是线性群,所以为了避免问题求解时陷入局部最优,在新的搜索空间中优化新的变量矩阵U,R和V,同时得到E的每个元素的闭式解
其中,为对角矩阵E的噪声变量;为噪声矩阵E元素;ρk是第k次迭代的阈值参数;
步骤(5):根据观测到的不完备图像M计算上述步骤中的变量U,R和V
步骤(5.1):模型初始化;令矩阵U,R和V为单位对角矩阵,初始化迭代次数i=1,停止迭代的条件参数tol>10-10,泰勒近似系数τ=0.5,共轭方向矩阵ξ=0;
步骤(5.2):根据如下公式计算
Gk=(UkRkVk-X/μ-E/ρ)
步骤(5.3):根据如下公式
Pk=UkRkVk+E-Gk/τ
步骤(5.4):计算矩阵乘积PkVk,将其和前一次的共轭方向线性相加,即根据公式
ηk=PkVk+αk-1ηk-1+Gk/ρ
计算变量V新的下降方向ηk;
步骤(5.5):计算矩阵乘积PkUk,将其和前一次的共轭方向线性相加,根据公式
ξk=PkUk+βk-1ξk-1+Gk/ρ
计算变量U新的下降方向ξk;
步骤(5.6):对变量V的共轭方向矩阵ηk进行分解,得到正交矩阵,将其赋值为新的变量Vk;
步骤(5.7):对变量U的共轭方向矩阵ξk进行分解,得到正交矩阵,将其赋值为新的变量Uk;
步骤(5.8):利用奇异值阈值收缩算子计算
得到Rk的闭式解,其中s1,…,sr是Pk的奇异值;
步骤(5.8):更新参数μk=min(ρμk,μmax);
步骤(5.9):若迭代次数达到最大迭代次数Tmax或者满足停止条件 则迭代终止,否则跳至5.2;
步骤(6):输出最终解X=URV作为完备后的火焰图像通道;
步骤(7):重复5.1-5.9,分别计算图像的每一个完备的通道;
步骤(8):将上述步骤得到完备通道合成为完备的火焰图像;
步骤(9):计算完备后的火焰图像集合X求均值和第j类完备后的火焰图像集合求均值
步骤(10):计算类内散度矩阵Sw和类间散度矩阵SB
SB=∑jNj(μi-μ)(μi-μ)T
步骤(11):计算广义特征优化矩阵Wopt
步骤(12):对X进行特征抽取得到新特征空间的样本集合WoptX,并根据近邻规则建立分类器;
步骤(13):对新到的火焰图像根据近邻规则在新的特征空间中进行识别,得到对应的状态,即过燃烧,正常燃烧,欠燃烧。
根据上述基于线性群和广义特征优化的玻璃熔窑火焰识别方法,本发明对现场采集到的玻璃熔窑火焰图像进行仿真实验,从仿真结果可看出,本发明可以很好的解决工业摄像机在复杂生产环境下的火焰图像识别问题。
附图说明
图1:基于线性群和广义特征优化的玻璃熔窑火焰识别方法流程图;
图2:不完备的火焰图像及其恢复结果。
具体实施方式
为了更好地理解本发明的技术方案,图1给出了本发明的方法流程。本发明的熔窑火焰识别方法依赖于相关数据采集系统,有工业摄像机和工业电视。本发明的实施方式如下:
步骤(1):熔窑内部受干扰火焰图像信号通过高温视频电缆传输到工业监示器的视频输入接口,使熔窑的火焰图像在工业监视器上,然后截取工业监视器上被干扰的火焰图像作为方法的输入,将其分成红色通道、绿色通道和蓝色通道矩阵,每一通道矩阵对应一个观测到的不完备矩阵M,如果矩阵中的元素小于阈值pos,则将该元素标记为0;
步骤(2):初始化,设定如下基本变量
设定算法相关参数:
tol:停止迭代的条件参数
Tmax:最大迭代数次
μ:正则参数
μmax:正则参数上限
τ:泰勒近似系数
α:矩阵V的共轭系数
β:矩阵U的共轭系数
ρ:用于对正则参数进行更新
E:混合噪声矩阵
步骤(3):假设待求的完备通道对应的矩阵为X,那么对变量X进行奇异值分解得到X=URV,其中R是对角矩阵,一共r个对角元素,U和V是单位正交矩阵;
步骤(4):基于上述步骤,所提出的正交群变换下方法相应的模型如下
其中表示矩阵的F范数平方和,得到奇异值分解是不唯一的,即对变量进行线性群变换得到
X=(UO)(ORO)(OV)
其中O是线性群,所以为了避免问题求解时陷入局部最优,在新的搜索空间中优化新的变量矩阵U,R和V,同时得到E的每个元素的闭式解
步骤(5):根据观测到的不完备图像M计算上述步骤中的变量U,R和V
步骤(5.1):模型初始化;令矩阵U,R和V为单位对角矩阵,初始化迭代次数i=1,停止迭代的条件参数tol>10-10,泰勒近似系数τ=0.5,共轭方向矩阵ξ=0;
步骤(5.2):根据如下公式计算
Gk=(UkRkVk-X/μ-E/ρ)
步骤(5.3):根据如下公式
Pk=UkRkVk+E-Gk/τ
步骤(5.4):计算矩阵乘积PkVk,将其和前一次的共轭方向线性相加,即根据公式
ηk=PkVk+αk-1ηk-1+Gk/ρ
计算变量V新的下降方向ηk;
步骤(5.5):计算矩阵乘积PkUk,将其和前一次的共轭方向线性相加,根据公式
ξk=PkUk+βk-1ξk-1+Gk/ρ
计算变量U新的下降方向ξk;
步骤(5.6):对变量V的共轭方向矩阵ηk进行分解,得到正交矩阵,将其赋值为新的变量Vk;
步骤(5.7):对变量U的共轭方向矩阵ξk进行分解,得到正交矩阵,将其赋值为新的变量Uk;
步骤(5.8):利用奇异值阈值收缩算子计算
得到Rk的闭式解,其中s1,…,sr是Pk的奇异值;
步骤(5.8):更新参数μk=min(ρμk,μmax);
步骤(5.9):若迭代次数达到最大迭代次数Tmax或者满足停止条件 则迭代终止,否则跳至5.2;
步骤(6):输出最终解X=URV作为完备后的火焰图像通道
步骤(7):重复5.1-5.9,分别计算图像的每一个完备的通道
步骤(8):将上述步骤得到完备通道合成为完备的火焰图像
步骤(9):计算完备后的火焰图像集合X求均值和第j类完备后的火焰图像集合求均值
步骤(10):计算类内散度矩阵Sw和类间散度矩阵SB
SB=∑jNj(μi-μ)(μi-μ)T
步骤(11):计算广义特征优化矩阵Wopt
步骤(12):对X进行特征抽取得到新特征空间的样本集合WoptX,并根据近邻规则建立分类器
步骤(13):对新到的火焰图像根据近邻规则在新的特征空间中进行识别,得到对应的状态,即过燃烧,正常燃烧,欠燃烧
基于线性群和广义特征优化的玻璃熔窑火焰识别方法的初始参数选择如下:令矩阵U,R和V为单位对角矩阵,停止迭代的条件参数tol>10-10,泰勒近似系数τ=0.5,U的共轭方向矩阵ξ为0矩阵,V的共轭方向矩阵η为0矩阵,正交矩阵Q为0矩阵,正则参数μ=0.5,用于对正则参数的ρ=1.45
根据上述所提出的基于线性群变换的玻璃熔窑火焰完备方法,本发明做了大量的仿真试验,运行的硬件环境为:Inter(R)CoreTM2Duo CPU,4.00GB RAM,操作系统为Windows7
实验一:由于火焰图像质量对识别的准确率的影响很大,所以我们首先对不完备的火焰图像进行恢复,从而为下一步的识别提供基础;我们对1584张不完备的火焰图像进行恢复;我们选出一些比较典型的例子,如图2所示,第一行是不完备的火焰图像,第二行表示根据我们算法得到恢复后的火焰图像,从这些例子中我们可以看到,我们的方法可以很好的对不完备的火焰图像进行恢复
实验二:火焰图像恢复之后,下一步是用我们的广义特征方法对它们进行识别,表1给出了不同的参数秩Rank在训练比率0.5和0.8下得到的识别结果;从中可以看出,当训练比率为0.8,秩Rank为15,近邻参数NN=5时,可以得到较高的识别率96.60%;
表1不同的参数秩Rank在训练比率0.5和0.8下得到的识别结果
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
Claims (3)
1.一种基于线性群和广义特征优化的浮法玻璃熔窑火焰识别方法,其特征在于,包括:
将不完备的玻璃熔窑火焰信息进行线性群变换,利用矩阵完备方法对线性群变换后的不完备火焰信息进行恢复,从而得到完备的火焰图像;
将完备后的火焰图像信息映射到广义特征空间,在广义特征空间中根据近邻规则对火焰状态进行识别。
2.根据权利要求1所述的方法,其特征在于,所述将不完备的玻璃熔窑火焰信息进行线性群变换,利用矩阵完备方法对线性群变换后的不完备火焰信息进行恢复,具体步骤如下:
步骤1:初始化,设定如下基本变量和算法参数:
pos:用来判断火焰每一层信息不完整的位置;
mi:火焰图像的第i(i=1,2,3)层对应的行数;
ni:火焰图像的第i(i=1,2,3)层对应的列数;
U:奇异左正交矩阵;
R:对角矩阵;
V:奇异右正交矩阵;
O:线性群矩阵;
r:对变量奇异值分解所需的秩参数;
tol:停止迭代的条件参数;
Tmax:最大迭代数次;
μ:正则参数;
μmax:正则参数上限;
τ:泰勒近似系数;
α:矩阵V的共轭系数;
β:矩阵U的共轭系数;
ρ:用于对正则参数进行更新;
xi:完备后的第i副火焰图像;
X:完备后的火焰图像集合;
θ:完备后的火焰图像集合的均值;
θj:完备后的第j类火焰图像集合的均值;
Nj:完备后的第j类火焰图像集合的数目;
E:混合噪声矩阵;
矩阵E的噪声变量;
噪声矩阵元素;
M:不完备矩阵;
PΩ:采样矩阵;
Sw:类内散度矩阵;
SB:类间散度矩阵;
W:特征矩阵变量;
Wopt:广义特征优化矩阵;
步骤2:将火焰图像信息分成红色通道、绿色通道和蓝色通道矩阵,每一通道矩阵对应一个观测到的不完备矩阵M,如果矩阵中的元素小于阈值pos,则将该元素标记为0;
步骤3:假设待求的完备通道对应的矩阵为X,对变量X进行奇异值分解得到X=URV,其中R是对角矩阵,一共r个对角元素,U和V是单位正交矩阵;
步骤4:基于上述步骤,所提出的正交群变换下方法相应的模型如下
其中表示矩阵的F范数平方和,得到奇异值分解是不唯一的,即对变量进行线性群变换得到
X=(UO)(ORO)(OV)
其中O是线性群,所以为了避免问题求解时陷入局部最优,在新的搜索空间中优化新的变量矩阵U,R和V,同时得到E的每个元素的闭式解;
其中,为对角矩阵E的噪声变量;为噪声矩阵E元素;ρk是第k次迭代的阈值参数;
步骤5:根据观测到的不完备图像M计算上述步骤中的变量U,R和V;
步骤5.1:模型初始化;令矩阵U,R和V为单位对角矩阵,初始化迭代次数i=1,停止迭代的条件参数tol>10-10,泰勒近似系数τ=0.5,共轭方向矩阵ξ=0;
步骤5.2:根据如下公式计算
Gk=(UkRkVk-X/μ-E/ρ)
步骤5.3:根据如下公式
Pk=UkRkVk+E-Gk/τ
步骤5.4:计算矩阵乘积PkVk,将其和前一次的共轭方向线性相加,即根据公式
ηk=PkVk+αk-1ηk-1+Gk/ρ
计算变量V新的下降方向ηk;
步骤5.5:计算矩阵乘积PkUk,将其和前一次的共轭方向线性相加,根据公式
ξk=PkUk+βk-1ξk-1+Gk/ρ
计算变量U新的下降方向ξk;
步骤5.6:对变量V的共轭方向矩阵ηk进行分解,得到正交矩阵,将其赋值为新的变量Vk;
步骤5.7:对变量U的共轭方向矩阵ξk进行分解,得到正交矩阵,将其赋值为新的变量Uk;
步骤5.8:利用奇异值阈值收缩算子计算
得到Rk的闭式解,其中s1,…,sr是Pk的奇异值;
步骤5.8:更新参数μk=min(ρμk,μmax);
步骤5.9:若迭代次数达到最大迭代次数Tmax或者满足停止条件 则迭代终止,否则跳至5.2;
步骤6:输出最终解X=URV作为完备后的火焰图像通道;
步骤7:重复5.1-5.9,分别计算图像的每一个完备的通道;
步骤8:将上述步骤得到完备通道合成为完备的火焰图像。
3.根据权利要求1所述的方法,其特征在于,所述将完备后的火焰图像信息映射到广义特征空间,在广义特征空间中根据近邻规则对火焰状态进行识别,具体步骤如下:
步骤1:计算完备后的火焰图像集合X求均值和第j类完备后的火焰图像集合求均值
步骤2:计算类内散度矩阵Sw和类间散度矩阵SB;
步骤3:计算广义特征优化矩阵Wopt;
步骤4:对X进行特征抽取得到新特征空间的样本集合WoptX,并根据近邻规则建立分类器;
步骤5:对新到的火焰图像根据近邻规则在新的特征空间中进行识别,得到对应的状态,即过燃烧,正常燃烧,欠燃烧。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611104399.3A CN106599911B (zh) | 2016-12-05 | 2016-12-05 | 基于线性群和广义特征优化的浮法玻璃熔窑火焰识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611104399.3A CN106599911B (zh) | 2016-12-05 | 2016-12-05 | 基于线性群和广义特征优化的浮法玻璃熔窑火焰识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106599911A true CN106599911A (zh) | 2017-04-26 |
CN106599911B CN106599911B (zh) | 2020-02-21 |
Family
ID=58595300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611104399.3A Active CN106599911B (zh) | 2016-12-05 | 2016-12-05 | 基于线性群和广义特征优化的浮法玻璃熔窑火焰识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106599911B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100986834B1 (ko) * | 2008-09-18 | 2010-10-08 | (주)플렛디스 | 화재 감지장치 및 그 방법 |
CN102538000A (zh) * | 2010-12-09 | 2012-07-04 | 财团法人工业技术研究院 | 燃烧火焰诊断方法 |
CN102646191A (zh) * | 2012-03-27 | 2012-08-22 | 重庆邮电大学 | 一种石油钻井伴生气燃烧火焰图像识别的方法 |
CN103077394A (zh) * | 2012-12-31 | 2013-05-01 | 天津大学 | 一种火焰燃烧稳定性自动监测方法 |
-
2016
- 2016-12-05 CN CN201611104399.3A patent/CN106599911B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100986834B1 (ko) * | 2008-09-18 | 2010-10-08 | (주)플렛디스 | 화재 감지장치 및 그 방법 |
CN102538000A (zh) * | 2010-12-09 | 2012-07-04 | 财团法人工业技术研究院 | 燃烧火焰诊断方法 |
CN102646191A (zh) * | 2012-03-27 | 2012-08-22 | 重庆邮电大学 | 一种石油钻井伴生气燃烧火焰图像识别的方法 |
CN103077394A (zh) * | 2012-12-31 | 2013-05-01 | 天津大学 | 一种火焰燃烧稳定性自动监测方法 |
Non-Patent Citations (2)
Title |
---|
PETER N. BELHUMEUR,ET AL.: "Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
ZHICHAO WANG,ET AL.: "Riemannian Alternative Matrix Completion for Image-Based Flame Recognition", 《IEEE》 * |
Also Published As
Publication number | Publication date |
---|---|
CN106599911B (zh) | 2020-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108985376B (zh) | 一种基于卷积-循环神经网络的回转窑序列工况识别方法 | |
CN110929622B (zh) | 视频分类方法、模型训练方法、装置、设备及存储介质 | |
CN110210539B (zh) | 多级深度特征融合的rgb-t图像显著性目标检测方法 | |
Tarkesh et al. | Comparison of six correlative models in predictive vegetation mapping on a local scale | |
CN110349185B (zh) | 一种rgbt目标跟踪模型的训练方法及装置 | |
US20230154177A1 (en) | Autoregression Image Abnormity Detection Method of Enhancing Latent Space Based on Memory | |
CN110796313B (zh) | 一种基于带权图卷积和项目吸引力模型的会话推荐方法 | |
CN110874590B (zh) | 基于适配器互学习模型的训练及可见光红外视觉跟踪方法 | |
CN108734095A (zh) | 一种基于3d卷积神经网络的动作检测方法 | |
GB2585261A (en) | Methods for generating modified images | |
CN113052218A (zh) | 工业过程的多尺度残差卷积与lstm融合性能评估方法 | |
CN111178319A (zh) | 基于压缩奖惩机制的视频行为识别方法 | |
CN116108917B (zh) | 一种无标记样本增强的半监督图神经网络方法 | |
CN108334941B (zh) | 一种基于生成式对抗网络的桥梁裂缝图像生成模型 | |
CN105118053A (zh) | 一种基于压缩感知的全参考图像质量客观评价方法 | |
US20230222643A1 (en) | Semantic deep learning and rule optimization for surface corrosion detection and evaluation | |
CN116012653A (zh) | 一种注意力残差单元神经网络高光谱图像分类方法及系统 | |
CN110070023B (zh) | 一种基于运动顺序性回归的自监督学习方法及装置 | |
US20230205952A1 (en) | Modeling method for soft measurement of temperature of blast furnace tuyere raceway | |
Eslamirad et al. | Data generative machine learning model for the assessment of outdoor thermal and wind comfort in a northern urban environment | |
CN111612803B (zh) | 一种基于图像清晰度的车辆图像语义分割方法 | |
CN106599911A (zh) | 基于线性群和广义特征优化的浮法玻璃熔窑火焰识别方法 | |
CN117095248A (zh) | 一种基于生成式卷积神经网络的熔炉火焰氧浓度监测方法 | |
CN116580279A (zh) | 基于混合自注意力机制的番茄病害检测方法及系统 | |
CN106960188A (zh) | 天气图像分类方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |