CN106599911B - 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 PDF

Info

Publication number
CN106599911B
CN106599911B CN201611104399.3A CN201611104399A CN106599911B CN 106599911 B CN106599911 B CN 106599911B CN 201611104399 A CN201611104399 A CN 201611104399A CN 106599911 B CN106599911 B CN 106599911B
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.)
Active
Application number
CN201611104399.3A
Other languages
English (en)
Other versions
CN106599911A (zh
Inventor
刘民
王至超
董明宇
张亚斌
刘涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Qingneng Power Technology Co Ltd
Tsinghua University
Original Assignee
Qingdao Qingneng Power Technology Co Ltd
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao Qingneng Power Technology Co Ltd, Tsinghua University filed Critical Qingdao Qingneng Power Technology Co Ltd
Priority to CN201611104399.3A priority Critical patent/CN106599911B/zh
Publication of CN106599911A publication Critical patent/CN106599911A/zh
Application granted granted Critical
Publication of CN106599911B publication Critical patent/CN106599911B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

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
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
Figure BDA0001171058390000023
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
Figure BDA0001171058390000021
其中
Figure BDA0001171058390000031
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
Figure BDA0001171058390000032
的闭式解
Figure BDA0001171058390000033
其中，为对角矩阵E的噪声变量；
Figure BDA0001171058390000035
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
Figure BDA0001171058390000041
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
Figure BDA0001171058390000042
Figure BDA0001171058390000043
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
Figure BDA0001171058390000044
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
Figure BDA0001171058390000046
SB＝∑jNj(μi-μ)(μi-μ)T
步骤(11)：计算广义特征优化矩阵Wopt
Figure BDA0001171058390000047
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
Figure BDA0001171058390000051
其中
Figure BDA0001171058390000052
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
Figure BDA0001171058390000061
的闭式解
Figure BDA0001171058390000062
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
Figure BDA0001171058390000063
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
Figure BDA0001171058390000065
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
Figure BDA0001171058390000071
和第j类完备后的火焰图像集合求均值
Figure BDA0001171058390000072
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
Figure BDA0001171058390000074
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
Figure BDA0001171058390000081
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 (2)

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；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；
Figure FDA0002130461720000011
矩阵E的噪声变量；
Figure FDA0002130461720000012
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
Figure FDA0002130461720000021
其中
Figure FDA0002130461720000022
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
Figure FDA0002130461720000023
的闭式解；
Figure FDA0002130461720000024
其中，
Figure FDA0002130461720000025
为对角矩阵E的噪声变量；
Figure FDA0002130461720000026
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
Figure FDA0002130461720000031
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
Figure FDA0002130461720000032
Figure FDA0002130461720000033
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。
2.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
Figure FDA0002130461720000035
步骤2：计算类内散度矩阵Sw和类间散度矩阵SB；
Figure FDA0002130461720000036
步骤3：计算广义特征优化矩阵Wopt；
Figure FDA0002130461720000041
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xi含义为：完备后的第i副火焰图像；参数Nj含义为：完备后的第j类火焰图像集合的数目；参数μ含义为：正则参数；参数w含义为：特征矩阵变量。
CN201611104399.3A 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 Active CN106599911B (zh)

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 CN106599911A (zh) 2017-04-26
CN106599911B true 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)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
Title
Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection;Peter N. Belhumeur，et al.;《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》;19970731;第19卷(第7期);第711-720页 *
Riemannian Alternative Matrix Completion for Image-Based Flame Recognition;Zhichao Wang，et al.;《IEEE》;20160707;第2490-2503页 *

Also Published As

Publication number Publication date
CN106599911A (zh) 2017-04-26

Similar Documents

Publication Publication Date Title
CN107273872B (zh) 用于图像或视频中行人重识别的深度判别网络模型方法
Li et al. Convergent learning: Do different neural networks learn the same representations?
CN112801881B (zh) 一种高分辨率高光谱计算成像方法、系统及介质
CN107636691A (zh) 用于识别图像中的文本的方法和设备
CN105760835A (zh) 一种基于深度学习的步态分割与步态识别一体化方法
CN113674140A (zh) 一种物理对抗样本生成方法及系统
CN106056607A (zh) 一种基于鲁棒主成分分析的监控图像背景建模方法
WO2024027095A1 (zh) 基于双rgb图像融合的高光谱成像方法、系统及介质
CN103226831B (zh) 利用分块布尔运算的图像匹配方法
CN111062410B (zh) 基于深度学习的星型信息桥气象预测方法
CN113705641B (zh) 基于富上下文网络的高光谱图像分类方法
CN110175506B (zh) 基于并行降维卷积神经网络的行人重识别方法及装置
CN112926485A (zh) 一种少样本水闸图像分类方法
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
CN105760865A (zh) 一种能够提高比对正确率的人脸图像识别方法
CN115861076A (zh) 基于矩阵分解网络的无监督高光谱图像超分辨率方法
CN107578445B (zh) 基于卷积特征谱的图像可判别区域提取方法
Shit et al. An encoder‐decoder based CNN architecture using end to end dehaze and detection network for proper image visualization and detection
CN113378672A (zh) 基于改进YOLOv3的输电线缺陷多目标检测方法
CN106599911B (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
CN105956606A (zh) 一种基于不对称变换的行人再标识方法
CN113343810B (zh) 基于时序多样性与相关性的行人重识别模型训练和识别方法与装置
CN112446245A (zh) 一种基于运动边界小位移的高效运动表征方法及装置
CN115578325A (zh) 一种基于通道注意配准网络的图像异常检测方法
CN111951183B (zh) 基于近端交替惩罚算法的低秩全变分高光谱图像修复方法

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