CN109034227A - 一种输电线路外力破坏智能识别的方法 - Google Patents
一种输电线路外力破坏智能识别的方法 Download PDFInfo
- Publication number
- CN109034227A CN109034227A CN201810780162.XA CN201810780162A CN109034227A CN 109034227 A CN109034227 A CN 109034227A CN 201810780162 A CN201810780162 A CN 201810780162A CN 109034227 A CN109034227 A CN 109034227A
- Authority
- CN
- China
- Prior art keywords
- transmission line
- image
- hidden danger
- external force
- intelligent
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及输电线路隐患检测技术领域,尤其涉及一种输电线路外力破坏智能识别的方法,由建设输电线路外力破坏隐患库、无人机图像采集、隐患图像智能模式识别和识别结果推送四步组成。本发明通过基于计算机视觉和机器学习技术的人工智能图像识别技术,建设输电线路外力破坏隐患库,研发输电线路外力破坏智能图像识别系统,将无人机图像数据数字化,主动识别输电线路外力破坏隐患,并将隐患告警信息自动推送至维护人员,能减轻基层巡线人员的工作量,提高运行人员工作效率,大幅降低电网运营成本,提升电网的智能化管理技术水平,促进输电线路精益化管理的提升。
Description
技术领域
本发明涉及输电线路隐患检测技术领域,尤其涉及一种输电线路外力破坏智能识别的方法。
背景技术
目前利用无人机对输电线路进行输电线路外力破坏巡视已经成为输电线路日常巡检工作的一部分。利用无人飞机巡线,虽然无人机巡线可以减轻巡检班组的外业劳动强度,降低线路的运行维护成本,尤其是能有效发现较隐蔽的外力破坏隐患,但是目前巡视人员对无人机图像是人工判读,而无人机获取的繁多的图像信息也让图像判读、信息提取等工作的工作量倍增,大量的冗余数据信息也会影响巡视人员对输电线路外力破坏隐患判读识别的准确率。
发明内容
本发明的目的是通过基于计算机视觉和机器学习技术的人工智能图像识别技术,建设输电线路外力破坏隐患库,研发输电线路外力破坏智能图像识别系统,将无人机图像数据数字化,主动识别输电线路外力破坏隐患,并将隐患告警信息自动推送至维护人员,能减轻基层巡线人员的工作量,提高运行人员工作效率,大幅降低电网运营成本,提升电网的智能化管理技术水平,促进输电线路精益化管理的提升。
本发明的技术方案是;一种输电线路外力破坏智能识别的方法,包括以下步骤;
S1:建设输电线路外力破坏隐患库,输电线路外力破坏隐患库包括图像预处理、特征提取、特征建库三个环节;
图像预处理过程是采用图像增强将图像信息归一化,以便于后续处理工作;
特征提取的作用是提取出最能表征一个物体的特征信息,并将其转变成特征向量或矩阵的形式;
特征建库是将图像特征提取的结果通过卷积神经网络建立深度学习模型库,为隐患图像智能模式识别提供标准隐患库;
S2:使用采集设备对输电线路走廊进行智能图像获取;
S3:隐患图像智能模式识别;用从采集设备采集的智能图像的特征与隐患库中的特征信息进行比对,通过选择合适的分类器达到识别的目的;
S4:服务端通过B/S架构将智能识别结果推送到多源客户端。
进一步,步骤S1中的图像增强有两种方法,包括空间域法和频率域法;
空间域法是直接在空间域内对图像进行运算处理,分为两个方面:点运算和领域运算(局部运算),其中,点运算包括图像灰度变换、直方图均衡化和局部统计法等几种方法;领域运算包括图像平滑和图像锐化等几个方面;
频率域法则只在图像的某种变换域里对图像的变换值进行运算,例如对图像进行傅立叶变换,然后在变换域里对图像的频谱进行某种计算,最后把计算后的图像逆变换到空间域。频率域法通常分为高、低通滤波、频率带通和带阻滤波等。
进一步,步骤S1中特征提取的过程为;对原始数据进行交换,从若干特征中寻找出最有效的特征,比如设备的特殊形状、颜色、大小等特征信息,得到最能反应分类本质的特征,即最能表征一个物体的特征信息,将维数高的测量空间(原始数据组成的空间)转变为维数低的特征空间(分类识别赖以进行的空间),以降低后续处理过程的难度。这里的维数高低是以维度的数量作为界限,抓住最有效的特征,减少数量,就是降维的过程。
进一步,步骤S1中的卷积神经网络由一个或多个卷积层和顶端的全连通层(对应经典的神经网络)组成,同时也包括关联权重和池化层(pooling layer),这一结构使得卷积神经网络能够利用输入数据的二维结构,随着网络层数的增加,在二维空间中的感受域也得到扩展,因此与其他深度学习结构相比,卷积神经网络在图像识别方面能够给出更优的结果。
进一步,步骤S2中的采集设备包括带摄像头的无人机,通过使用无人机在相对于输电线路塔顶高度120米的空域内,对输电线路走廊进行智能图像获取,图像采样间隔3秒,无人机电量预警时,自动返航。
进一步,步骤S3中通过建立的深度学习模型库与无人机采集的输电线路走廊图像进行信息对比,其过程如下:从已知训练集里每个隐患的所属类别,寻求对应判别函数或判别准则,设计判决函数模型,然后根据训练集中的样品确定模型中的参数,便可将这模型用于判别,利用判别函数或判别准则去判别每个未知隐患点应该属于哪一类隐患,从而实现对线路走廊大型机具、山体滑坡、漂浮物的智能识别。其中,分类器利用的是结构化分类器,采用神经网络来实现。
进一步,步骤S4的B/S结构中,数据的查询、处理和表示都由服务端完成,在客户端只需运行客户自己的操作系统和通用的Web浏览器。和C/S结构的应用系统相比,B/S结构的客户端变得非常“瘦”,B/S具有统一的浏览器客户端软件,不仅节省了客户端软件开发的投入,减少维护客户端软件的时间与精力和客户培训等工作,也方便了用户的使用。同时B/S是一种跨平台的应用软件结构,支持TCP/IP协议的所有软硬件系统,一次开发,可以跨平台使用,减少了开发人员在客户端的工作量,使他们可以把注意力集中到怎样合理地组织信息、提供客户服务的服务端的编程工作上去。
服务端的作用是完成智能隐患库的计算、管理,以及智能模式识别和识别成果的分发,客户端的作用则是完成图像采集和隐患管理、现场辅助消除隐患。
本发明的有益效果是;本发明采用人工智能、云计算、B/S架构等移动互联网技术,通过构建一个分布式无人机输电线路外力破坏智能识别系统,实现无人机数据智能采集、数据智能分析,隐患自动预警,为电力企业提供高效、稳定、安全的输电线路智能巡检一体化解决方案。减轻基层巡线人员的工作量,提高运行人员工作效率,大幅降低电网运营成本,提升电网的智能化管理技术水平,促进输电线路精益化管理的提升。
附图说明
图1是本发明的流程图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明,不能理解为对本专利的限制。
实施例1:
本发明采用人工智能、云计算、B/S架构等移动互联网前沿技术,构建输电线路外力破坏智能识别隐患库和端加云的隐患智能识别预警系统。
智能识别作业流程如图1所示,由建设输电线路外力破坏隐患库、无人机图像采集、隐患图像智能模式识别和识别结果推送四步组成。智能识别隐患库和端加云的隐患智能识别预警系统设置在服务端,由服务端将结果发送到客户端。
一种输电线路外力破坏智能识别的方法,包括以下步骤;
S1:建设输电线路外力破坏隐患库,输电线路外力破坏隐患库包括图像预处理、特征提取、特征建库三个环节;
图像预处理过程是采用图像增强将图像信息归一化,以便于后续处理工作,图像增强有两种方法,包括空间域法和频率域法;空间域法是直接在空间域内对图像进行运算处理,分为两个方面:点运算和领域运算(局部运算),其中,点运算包括图像灰度变换、直方图均衡化和局部统计法等几种方法;领域运算包括图像平滑和图像锐化等几个方面;频率域法则只在图像的某种变换域里对图像的变换值进行运算,例如对图像进行傅立叶变换,然后在变换域里对图像的频谱进行某种计算,最后把计算后的图像逆变换到空间域。频率域法通常分为高、低通滤波、频率带通和带阻滤波等;
特征提取的作用是提取出最能表征一个物体的特征信息,并将其转变成特征向量或矩阵的形式,特征提取的过程为;对原始数据进行交换,从若干特征中寻找出最有效的特征,比如设备的特殊形状、颜色、大小等特征信息,得到最能反应分类本质的特征,即最能表征一个物体的特征信息,将维数高的测量空间(原始数据组成的空间)转变为维数低的特征空间(分类识别赖以进行的空间),以降低后续处理过程的难度。这里的维数高低是以维度的数量作为界限,抓住最有效的特征,减少数量,就是降维的过程;
特征建库是将图像特征提取的结果通过卷积神经网络建立深度学习模型库,为隐患图像智能模式识别提供标准隐患库,卷积神经网络由一个或多个卷积层和顶端的全连通层(对应经典的神经网络)组成,同时也包括关联权重和池化层(pooling layer),这一结构使得卷积神经网络能够利用输入数据的二维结构,随着网络层数的增加,在二维空间中的感受域也得到扩展,因此与其他深度学习结构相比,卷积神经网络在图像识别方面能够给出更优的结果。
S2:使用采集设备对输电线路走廊进行智能图像获取;采集设备包括带摄像头的无人机,通过使用无人机在相对于输电线路塔顶高度120米的空域内,对输电线路走廊进行智能图像获取,图像采样间隔3秒,无人机电量预警时,自动返航;
S3:隐患图像智能模式识别;用从无人机采集的智能图像的特征与隐患库中的特征信息进行比对,通过选择合适的分类器达到识别的目的;通过建立的深度学习模型库与无人机采集的输电线路走廊图像进行信息对比,其过程如下:从已知训练集里每个隐患的所属类别,寻求对应判别函数或判别准则,设计判决函数模型,然后根据训练集中的样品确定模型中的参数,便可将这模型用于判别,利用判别函数或判别准则去判别每个未知隐患点应该属于哪一类隐患,从而实现对线路走廊大型机具、山体滑坡、漂浮物的智能识别,其中,分类器利用的是结构化分类器,采用神经网络来实现;
S4:服务端通过B/S架构将智能识别结果推送到多源客户端,在B/S结构中,数据的查询、处理和表示都由服务端完成,在客户端只需运行客户自己的操作系统和通用的Web浏览器,和C/S结构的应用系统相比,B/S结构的客户端变得非常“瘦”,B/S具有统一的浏览器客户端软件,不仅节省了客户端软件开发的投入,减少维护客户端软件的时间与精力和客户培训等工作,也方便了用户的使用。同时B/S是一种跨平台的应用软件结构,支持TCP/IP协议的所有软硬件系统,一次开发,可以跨平台使用,减少了开发人员在客户端的工作量,使他们可以把注意力集中到怎样合理地组织信息、提供客户服务的服务端的编程工作上去。
服务端的作用是完成智能隐患库的计算、管理,以及智能模式识别和识别成果的分发,客户端的作用则是完成图像采集和隐患管理、现场辅助消除隐患。
利用PC作为服务器,在服务器建设输电线路外力破坏隐患库,同时通过B/S架构搭建服务端,使服务端在PC上运行,无人机对输电线路走廊进行智能图像获取,图像采样间隔3秒,无人机通过无线的方式将图片传输到PC,服务端的隐患图像智能模式识别系统用从无人机采集的智能图像的特征与输电线路外力破坏隐患库中的特征信息进行比对,选择神经网络作为分类器进行对图像的智能识别,PC上的服务端得到识别图像的隐患结果,其通过有线或无线的方式将识别的结果推送到客户端,可通过客户端监测到输电线路的隐患情况,辅助现场及时解决隐患。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (7)
1.一种输电线路外力破坏智能识别的方法,其特征在于,包括以下步骤;
S1:建设输电线路外力破坏隐患库,输电线路外力破坏隐患库包括图像预处理、特征提取、特征建库三个环节;
图像预处理过程是采用图像增强将图像信息归一化,以便于后续处理工作;
特征提取的作用是提取出最能表征一个物体的特征信息,并将其转变成特征向量或矩阵的形式;
特征建库是将图像特征提取的结果通过卷积神经网络建立深度学习模型库,为隐患图像智能模式识别提供标准隐患库;
S2:使用采集设备对输电线路走廊进行智能图像获取;
S3:隐患图像智能模式识别;用从采集设备采集的智能图像的特征与隐患库中的特征信息进行比对,通过选择合适的分类器达到识别的目的;
S4:服务端通过B/S架构将智能识别结果推送到多源客户端。
2.根据权利要求1所述的一种输电线路外力破坏智能识别的方法,其特征在于,步骤S1中的图像增强有两种方法,包括空间域法和频率域法;
空间域法是直接在空间域内对图像进行运算处理,分为两个方面:点运算和领域运算,其中,点运算包括图像灰度变换、直方图均衡化和局部统计法;领域运算包括图像平滑和图像锐化两个方面;
频率域法则只在图像的某种变换域里对图像的变换值进行运算,频率域法分为高、低通滤波、频率带通和带阻滤波。
3.根据权利要求1所述的一种输电线路外力破坏智能识别的方法,其特征在于,步骤S1中特征提取的过程为;对原始数据进行交换,从若干特征中寻找出最有效的特征,得到最能反应分类本质的特征,将维数高的测量空间转变为维数低的特征空间,以降低后续处理过程的难度。
4.根据权利要求1所述的一种输电线路外力破坏智能识别的方法,其特征在于,步骤S1中的卷积神经网络由一个或多个卷积层和顶端的全连通层组成,同时也包括关联权重和池化层,这一结构使得卷积神经网络能够利用输入数据的二维结构,随着网络层数的增加,在二维空间中的感受域也得到扩展,因此与其他深度学习结构相比,卷积神经网络在图像识别方面能够给出更优的结果。
5.根据权利要求1所述的一种输电线路外力破坏智能识别的方法,其特征在于,步骤S2中的采集设备包括带摄像头的无人机,通过使用无人机在相对于输电线路塔顶高度120米的空域内,对输电线路走廊进行智能图像获取,图像采样间隔3秒,无人机电量预警时,自动返航。
6.根据权利要求1所述的一种输电线路外力破坏智能识别的方法,其特征在于,步骤S3中通过建立的深度学习模型库与无人机采集的输电线路走廊图像进行信息对比,其过程如下:从已知训练集里每个隐患的所属类别,寻求对应判别函数或判别准则,设计判决函数模型,然后根据训练集中的样品确定模型中的参数,便可将这模型用于判别,利用判别函数或判别准则去判别每个未知隐患点应该属于哪一类隐患,从而实现对线路走廊大型机具、山体滑坡、漂浮物的智能识别。
7.根据权利要求1所述的一种输电线路外力破坏智能识别的方法,其特征在于,步骤S4的B/S结构中,数据的查询、处理和表示都由服务端完成,在客户端只需运行客户自己的操作系统和通用的Web浏览器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810780162.XA CN109034227A (zh) | 2018-07-16 | 2018-07-16 | 一种输电线路外力破坏智能识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810780162.XA CN109034227A (zh) | 2018-07-16 | 2018-07-16 | 一种输电线路外力破坏智能识别的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109034227A true CN109034227A (zh) | 2018-12-18 |
Family
ID=64643294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810780162.XA Pending CN109034227A (zh) | 2018-07-16 | 2018-07-16 | 一种输电线路外力破坏智能识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109034227A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754116A (zh) * | 2018-12-20 | 2019-05-14 | 国网北京市电力公司 | 输电线路的分析方法及装置 |
CN110543986A (zh) * | 2019-08-27 | 2019-12-06 | 广东电网有限责任公司 | 一种输电线路外部隐患智能监控系统及其监控方法 |
CN110990658A (zh) * | 2019-11-15 | 2020-04-10 | 西安交通大学 | 一种输电线路图像处理算法在嵌入式系统上实现的方法 |
CN111401146A (zh) * | 2020-02-26 | 2020-07-10 | 长江大学 | 一种无人机电力巡检方法、设备及存储介质 |
CN111711267A (zh) * | 2020-05-11 | 2020-09-25 | 浙江浙能电力股份有限公司萧山发电厂 | 一种燃气发电机组的智能巡检系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360429A (zh) * | 2011-09-26 | 2012-02-22 | 株洲南车时代电气股份有限公司 | 一种交通工具故障隐患排查方法及系统 |
CN103413150A (zh) * | 2013-06-28 | 2013-11-27 | 广东电网公司电力科学研究院 | 基于可见光影像对电力线路缺陷进行诊断的方法 |
CN104537788A (zh) * | 2015-01-16 | 2015-04-22 | 南京理工大学 | 一种高压输电线路防外破智能图像预警系统及方法 |
CN104751093A (zh) * | 2013-12-31 | 2015-07-01 | 阿里巴巴集团控股有限公司 | 用于获取宿主设备显示的图像识别码的方法和装置 |
CN104881820A (zh) * | 2015-06-08 | 2015-09-02 | 安徽中兴继远信息技术股份有限公司 | 一种利用智能手机的电力设备外破隐患排查系统及其控制方法 |
CN107563439A (zh) * | 2017-08-31 | 2018-01-09 | 湖南麓川信息科技有限公司 | 一种识别清洗食材图片的模型及识别食材类别的方法 |
CN108257114A (zh) * | 2017-12-29 | 2018-07-06 | 天津市万贸科技有限公司 | 一种基于深度学习的输电设备缺陷自动识别方法 |
-
2018
- 2018-07-16 CN CN201810780162.XA patent/CN109034227A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360429A (zh) * | 2011-09-26 | 2012-02-22 | 株洲南车时代电气股份有限公司 | 一种交通工具故障隐患排查方法及系统 |
CN103413150A (zh) * | 2013-06-28 | 2013-11-27 | 广东电网公司电力科学研究院 | 基于可见光影像对电力线路缺陷进行诊断的方法 |
CN104751093A (zh) * | 2013-12-31 | 2015-07-01 | 阿里巴巴集团控股有限公司 | 用于获取宿主设备显示的图像识别码的方法和装置 |
CN104537788A (zh) * | 2015-01-16 | 2015-04-22 | 南京理工大学 | 一种高压输电线路防外破智能图像预警系统及方法 |
CN104881820A (zh) * | 2015-06-08 | 2015-09-02 | 安徽中兴继远信息技术股份有限公司 | 一种利用智能手机的电力设备外破隐患排查系统及其控制方法 |
CN107563439A (zh) * | 2017-08-31 | 2018-01-09 | 湖南麓川信息科技有限公司 | 一种识别清洗食材图片的模型及识别食材类别的方法 |
CN108257114A (zh) * | 2017-12-29 | 2018-07-06 | 天津市万贸科技有限公司 | 一种基于深度学习的输电设备缺陷自动识别方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754116A (zh) * | 2018-12-20 | 2019-05-14 | 国网北京市电力公司 | 输电线路的分析方法及装置 |
CN110543986A (zh) * | 2019-08-27 | 2019-12-06 | 广东电网有限责任公司 | 一种输电线路外部隐患智能监控系统及其监控方法 |
CN110990658A (zh) * | 2019-11-15 | 2020-04-10 | 西安交通大学 | 一种输电线路图像处理算法在嵌入式系统上实现的方法 |
CN111401146A (zh) * | 2020-02-26 | 2020-07-10 | 长江大学 | 一种无人机电力巡检方法、设备及存储介质 |
CN111711267A (zh) * | 2020-05-11 | 2020-09-25 | 浙江浙能电力股份有限公司萧山发电厂 | 一种燃气发电机组的智能巡检系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034227A (zh) | 一种输电线路外力破坏智能识别的方法 | |
CN106650693B (zh) | 一种用于人脸比对的多特征融合识别算法 | |
Pan et al. | A smart mobile diagnosis system for citrus diseases based on densely connected convolutional networks | |
CN107346434A (zh) | 一种基于多特征及支持向量机的植物病虫害检测方法 | |
CN103839065A (zh) | 人群动态聚集特征提取方法 | |
CN109497990B (zh) | 一种基于典型相关分析的心电信号身份识别方法及系统 | |
CN103886305B (zh) | 面向基层治安、维稳及反恐的特异人脸搜索方法 | |
CN109145717A (zh) | 一种在线学习的人脸识别方法 | |
CN104866831B (zh) | 特征加权的人脸识别算法 | |
CN112200106A (zh) | 跨相机行人重识别与跟踪方法 | |
CN103942575A (zh) | 基于场景和马尔科夫逻辑网的智能行为分析系统及方法 | |
CN110781920B (zh) | 一种室内场景点云部件语义信息的识别方法 | |
Li et al. | An automatic tree skeleton extracting method based on point cloud of terrestrial laser scanner | |
CN107292314A (zh) | 一种基于cnn的鳞翅目昆虫种类自动鉴别方法 | |
CN109344842A (zh) | 一种基于语义区域表达的行人重识别方法 | |
CN110472649A (zh) | 基于多尺度分析和集成树模型的脑电情感分类方法及系统 | |
CN104537273B (zh) | 一种溺水模式智能推理系统及方法 | |
CN110048978A (zh) | 一种信号调制识别方法 | |
Chen et al. | Agricultural remote sensing image cultivated land extraction technology based on deep learning | |
CN109521873A (zh) | 基于协作式脑机接口控制系统及信号协作方法 | |
CN110503082A (zh) | 一种基于深度学习的模型训练方法以及相关装置 | |
CN108182218A (zh) | 一种基于地理信息系统的视频人物识别方法、系统及电子设备 | |
Zheng et al. | An efficient mobile model for insect image classification in the field pest management | |
CN110210321A (zh) | 基于多维尺度变换网络与分块加权法的欠样本人脸识别方法 | |
CN109214467A (zh) | 考虑分类器输出敏感度的变电作业人员着装鲁棒识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181218 |