CN109063589A - 基于神经网络的仪器设备在线监测方法及系统 - Google Patents
基于神经网络的仪器设备在线监测方法及系统 Download PDFInfo
- Publication number
- CN109063589A CN109063589A CN201810762360.3A CN201810762360A CN109063589A CN 109063589 A CN109063589 A CN 109063589A CN 201810762360 A CN201810762360 A CN 201810762360A CN 109063589 A CN109063589 A CN 109063589A
- Authority
- CN
- China
- Prior art keywords
- neural network
- instrument
- equipment
- similarity
- video
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于神经网络的仪器设备在线监测方法及系统,方法包含以下步骤:S1制作数据集,用于训练深度神经网络;S2采用深度神经网络模型,通过大量数据训练,使神经网络从数据中学习一个相似性度量方法;S3使用视频采集设备获取视频数据,送入服务器中的深度神经网络进行计算,通过神经网络输出的特征向量计算相似度,根据相似度是否符合预设条件来判别仪器设备是否在线。本发明具有训练效率高、收敛性强、建模精度高、检测效果好等优点,可以完成准确、高效的设备在线检查工作。
Description
技术领域
本发明涉及仪器设备管理的技术领域,特别涉及基于神经网络的仪器设备状态在线监测方法及系统。
背景技术
目前,对于部分持有小型贵重仪器设备的公司、单位,小型贵重仪器大都存放在固定位置,在日常应用中,设备会被公司内部员工或外部人员借用,一旦出现一些小型贵重仪器设备未按照仪器管理规范要求办理出借使用,而借方忘记归还或者设备管理者忘记登记借方的信息,就无法确定仪器设备是否存在以及是否被借出,严重时就会造成设备丢失,精密贵重设备的丢失就会给公司或单位的资产带来无谓的损失。
为了避免这种情况发生,需要规范仪器设备的出借制度,但是单一从人工制度进行监管容易造成遗漏,因此需要研究利用其他的技术手段实现仪器设备状态在线的自动监测,减少人工登记的监管。
深度学习技术人是对人工神经网络的研究,通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。该技术采用了深度神经网络模型,在检测准确率方面能达到良好的效果。深度神经网络模型通过大量数据进行训练,并经过反向传播算法更新网络参数,训练好的深度神经网络可以获得输入数据的特征和计算与目标的相似度。基于此技术,本发明提出了一种基于神经网络的仪器设备状态在线监测方法及系统。
发明内容
本发明所要解决的问题是对仪器设备在线情况进行实时监测,提出了一种基于神经网络的仪器设备状态在线监测方法。该方法使用前,需要训练一个深度神经网络模型,功能是用于提取特征并计算相似度。神经网络通过大量数据训练,计算损失函数后反向传播,更新网络参数,提高监测效果的准确性。在服务器内搭建已训练完成的神经网络,视频采集设备获取实时视频数据,经过数据预处理后与标准图像一起输入神经网络,神经网络输出特征向量,利用特征向量计算输入视频帧与标准图像的相似度s,若s低于设定的阈值,则说明仪器设备状态异常。通过计算相似度可已实现实时监测仪器设备是否在线功能。
为了达到上述目的,本发明采取以下技术方案。
一种基于神经网络的仪器设备在线监测方法,其特征在于,该方法包含以下步骤:
S1制作数据集,用于训练深度神经网络;
S2采用深度神经网络模型,通过大量数据训练,使神经网络从数据中学习一个相似性度量方法;
S3使用视频采集设备获取视频数据,送入服务器中的深度神经网络进行计算,通过神经网络输出的特征向量计算相似度,根据相似度是否符合预设条件来判别仪器设备是否在线。
作为一种优选的技术方案,所述步骤S2具体为:
搭建神经网络模型,本方案采用孪生卷积神经网络模型,构造了两个共享权值的卷积神经网络来处理成对的输入数据;
神经网络将输入数据(输入数据即视频数据被计算转换后的数据)映射到新的空间,形成输入在新空间中的表示;
将成对的训练数据输入神经网络,计算输出和训练数据标签之间的损失函数。这里可以采用对比损失函数,表示为:
其中y表示标签,d表示网络成对输出向量的欧式距离,margin表示设定的边界,一般取2;
计算网络的损失后,根据反向传播算法,更新网络中的各个参数;神经网络从数据中完成学习一个相似性度量方法用于度量去比较和匹配新的未知类别的样本。
作为一种优选的技术方案,所述步骤S3中神经网络输出的特征向量计算相似度,根据相似度是否符合预设条件来判别仪器设备是否在线具体为:
步骤一,使用视频采集设备获取视频数据,送入服务器中的深度神经网络进行计算;
步骤二,深度神经网络通过计算输出视频数据的特征向量,利用特征向量计算与标准图像的相似度,通过相似度大小来判断仪器设备是否在线。
作为一种优选的技术方案,所述步骤一中,所述视频数据被转换为视频帧后送入到深度神经网络。
作为一种优选的技术方案,所述步骤二具体为:
深度神经网络计算视频帧与标准图像的相似度S;相似度S经归一化处理后,S的取值范围从0到1;当相似度低于预设阈值或落在预设阈值区间内,则判定仪器设备出现异常;当相似度大于预设阈值或落在预设阈值区间外,则判断仪器设备在线。
本发明还公开了一种基于神经网络的仪器设备在线监测系统,系统包括了:
视频采集装置,用于采集仪器设备所在的视频数据,并将视频数据处理为视频帧传输给服务器;
服务器,用于接收视频帧;
深度神经网络,搭建于服务器上,用于判断视频帧与标准图像相似度,判断相似度是否符合预设条件,如符合预设条件则仪器设备在线。
作为一种优选的技术方案,所述视频采集装置包括:
视频采集模块,用于采集仪器设备所在的视频数据;
视频帧格式化处理模块,用于将视频数据进行格式化处理得到视频帧;
动态调节模块,用于调节视频采集模块的拍摄角度以及根据环境调节网络摄像机的拍摄模式。
作为一种优选的技术方案,所述动态调节模块的根据环境调节网络摄像机的拍摄模式具体为:根据周围光强选择是否开启宽动态和曝光补偿中的一种或两种。
作为一种优选的技术方案,所述特定方式训练的深度神经网络,采用大量数据训练,具有提取特征和相似性检验的功能。
作为一种优选的技术方案,所述视频采集装置将实时视频数据转换为格式化的视频帧f(x,t),其中t表示时间,f()表示视频数据格式化函数;将格式化后的视频帧f(x,t)传送至服务器进行处理。
本发明与现有的监测设备在线方法相比,本发明的有益效果是:
1)采用深度学习技术,建立深度神经网络模型,并通过大量数据对深度神经网络模型进行训练,提高了检测准确率、检测效率。
2)采用了视频采集设备与深度神经网络结合,能够有效降低检查设备是否在线的人工成本,可以实现无人化监测仪器设备是否在线的功能。
3)一旦设备部署完毕,可以长时间高效工作,完成检测仪器设备是否在线功能。
附图说明
图1是基于神经网络的仪器设备状态在线监测的结构示意图。
图2是基于神经网络的仪器设备状态在线监测的深度神经网络模型示意图。
图3是基于神经网络的仪器设备状态在线监测的视频采集设备工作流程示意图。
图4是基于神经网络的仪器设备状态在线监测的相似度判别示意图。
具体实施方式
下面通过具体实施例对本发明的技术方案作进一步描述说明,使得本技术方案更加清楚、明白。
如果无特殊说明,本发明的实施例中所采用的原料均为本领域常用的原料,实施例中所采用的方法,均为本领域的常规方法。
实施例1
如图1-4所示,本实施例公开了一种基于神经网络的仪器设备在线监测方法,该方法包含以下步骤:
步骤一、制作数据集,用于训练深度神经网络;
为获得较高的监测准确率,深度神经网络需要经过大量的数据进行训练,通过大量数据的训练,可以获取数据的特征和计算与标准图像的相似度。为此,在搭建深度神经网络之前,需要制作一个完善的数据集,用于训练深度神经网络。
步骤二、采用深度神经网络模型,通过大量数据训练,使神经网络从数据中学习一个相似性度量方法;
本发明采用了深度神经网络模型,其功能是用于度量输入数据之间的相似性。该网络的特点是有两个输入,神经网络将输入映射到新的空间,形成输入在新空间中的表示。将成对的训练数据输入神经网络,计算输出和训练数据标签之间的损失函数,再根据反向传播算法,更新网络中的各个参数,可以使神经网络从数据中学习一个相似性度量方法,用这个学习出来的度量去比较和匹配新的未知类别的样本。
步骤三、将已训练的深度神经网络与相似度判别器相连,计算与标准图像的相似度,通过相似度大小来判断仪器设备是否在线;
训练完的神经网络输出数据的特征向量,通过计算输入数据与标准图像的特征向量可以得到输入数据与标准图像的相似度s,归一化后输入相似度判别器进行比较,若s低于设定的阈值或落在阈值区间内,则可判定仪器设备出现异常。通过计算、判别相似度,可以实现实时检测仪器设备是否在线的功能。
步骤四、使用视频采集设备获取视频数据,送入服务器中的深度神经网络进行计算,通过步骤三的神经网络输出的特征向量计算相似度的步骤来判别仪器设备是否在线。
在服务器上搭建已训练好的深度神经网络模型,通过视频采集设备获取小型贵重仪器设备所在处的实时视频数据。将处理好的视频数据输入服务器内已搭建好的深度神经网络,神经网络输出实时视频帧与目标图像的相似度,经过相似度判别器可以将相似度与设定的阈值比较,若低于设定的阈值或阈值区间,则判定仪器设备出现异常。通过上述方法,以实现监测仪器设备是否在线的功能。
本实施例中,视频数据被转换为视频帧f(x,t),其中t表示时间,f()表示视频数据格式化函数,格式化后的视频帧f(x,t)传送至服务器进行处理。
本实施例中,深度神经网络,采用大量数据训练进行特定训练,获得提取特征和相似性检验的功能,为了实现相似度判定的目的。
本实施例中,深度神经网络计算视频帧与标准图像的相似度S;相似度S经归一化处理后,S的取值范围从0到1;当相似度S低于预设阈值或落在预设阈值区间内,则判定仪器设备出现异常;当相似度大于预设阈值或落在预设阈值区间外,则判断仪器设备在线。预设阈值及预设阈值区间都在S的取值范围内。
实施例2
与实施例1的方法对应的,本实施例公开了一种基于神经网络的仪器设备在线监测系统,监测系统包括了以下部分:
视频采集装置,用于采集仪器设备所在的视频数据,并将视频数据处理为视频帧传输给服务器;
服务器,用于接收视频帧;
深度神经网络,搭建于服务器上,用于判断视频帧与标准图像相似度,判断相似度是否符合预设条件,如符合预设条件则判定仪器设备在线。
本实施例中视频采集装置将实时视频数据转换为格式化的视频帧f(x,t),其中t表示时间,f()表示视频数据格式化函数;将格式化后的视频帧f(x,t)传送至服务器进行处理。
其中的视频采集装置包括:
视频采集模块,用于采集仪器设备所在的视频数据;
视频帧格式化处理模块,用于将视频数据进行格式化处理得到视频帧;
动态调节模块,用于调节视频采集模块的拍摄角度以及根据环境调节网络摄像机的拍摄模式,拍摄模式是指根据周围光强选择是否开启宽动态和曝光补偿等其他常规相机具备的一些自动调节功能。
本实施例中,深度神经网络计算视频帧与标准图像的相似度S;相似度S经归一化处理后,S的取值范围从0到1;当相似度低于预设阈值或落在预设阈值区间内,则判定仪器设备出现异常;当相似度大于预设阈值或落在预设阈值区间外,则判断仪器设备在线。具体可以为,预设一个小于1的阈值,当相似度大于该阈值,则判断仪器设备在线;但相似度小于该阈值,则判断仪器设备异常。预设一个阈值区间[a1,a2],a1<a2且a1、a2取值小于1,当相似度落在阈值区间[a1,a2]内则判断仪器设备异常,但相似度落在阈值区间[a1,a2]外则判断仪器设备在线。
以上为本发明的优选实施方式,并不限定本发明的保护范围,对于本领域技术人员根据本发明的设计思路做出的变形及改进,都应当视为本发明的保护范围之内。
Claims (10)
1.一种基于神经网络的仪器设备在线监测方法,其特征在于,该方法包含以下步骤:
S1制作数据集,用于训练深度神经网络;
S2采用深度神经网络模型,通过大量数据训练,使神经网络从数据中学习一个相似性度量方法;
S3使用视频采集设备获取视频数据,送入服务器中的深度神经网络进行计算,通过神经网络输出的特征向量计算相似度,根据相似度是否符合预设条件来判别仪器设备是否在线。
2.根据权利要求1所述的一种基于神经网络的仪器设备在线监测方法,其特征在于,所述步骤S2具体为:
神经网络将输入映射到新的空间,形成输入在新空间中的表示;
将成对的训练数据输入神经网络,计算输出和训练数据标签之间的损失函数,再根据反向传播算法,更新网络中的各个参数;
神经网络从数据中完成学习一个相似性度量方法用于度量去比较和匹配新的未知类别的样本。
3.根据权利要求1所述的一种基于神经网络的仪器设备在线监测方法,其特征在于,所述步骤S3中神经网络输出的特征向量计算相似度,根据相似度是否符合预设条件来判别仪器设备是否在线具体为:
步骤一,使用视频采集设备获取视频数据,送入服务器中的深度神经网络进行计算;
步骤二,深度神经网络通过计算输出视频数据的特征向量,利用特征向量计算与标准图像的相似度,通过相似度大小来判断仪器设备是否在线。
4.根据权利要求1所述的一种基于神经网络的仪器设备在线监测方法,其特征在于,所述步骤一中,所述视频数据被转换为视频帧后送入到深度神经网络。
5.根据权利要求4所述的一种基于神经网络的仪器设备在线监测方法,其特征在于,所述步骤二具体为:
深度神经网络计算视频帧与标准图像的相似度S;相似度S经归一化处理后,S的取值范围从0到1;当相似度低于预设阈值或落在预设阈值区间内,则判定仪器设备出现异常;当相似度大于预设阈值或落在预设阈值区间外,则判断仪器设备在线。
6.一种基于神经网络的仪器设备在线监测系统,其特征在于,系统包括:
视频采集装置,用于采集仪器设备所在的视频数据,并将视频数据处理为视频帧传输给服务器;
服务器,用于接收视频帧;
深度神经网络,搭建于服务器上,用于判断视频帧与标准图像相似度,判断相似度是否符合预设条件,如符合预设条件则判定仪器设备在线。
7.如权利要求6所述的一种基于神经网络的仪器设备在线监测方法,其特征在于,所述视频采集装置包括:
视频采集模块,用于采集仪器设备所在的视频数据;
视频帧格式化处理模块,用于将视频数据进行格式化处理得到视频帧;
动态调节模块,用于调节视频采集模块的拍摄角度以及根据环境调节网络摄像机的拍摄模式。
8.如权利要求7所述的基于神经网络的仪器设备在线监测系统,其特征在于,所述动态调节模块的根据环境调节网络摄像机的拍摄模式具体为:根据周围光强选择是否开启宽动态和曝光补偿中的一种或两种。
9.如权利要求6所述的基于神经网络的仪器设备在线监测系统,其特征在于,所述特定方式训练的深度神经网络,采用大量数据训练,具有提取特征和相似性检验的功能。
10.如权利要求6所述的基于神经网络的仪器设备在线监测系统,其特征在于:所述视频采集装置将实时视频数据转换为格式化的视频帧f(x,t),其中t表示时间,f()表示视频数据格式化函数;将格式化后的视频帧f(x,t)传送至服务器进行处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810762360.3A CN109063589A (zh) | 2018-07-12 | 2018-07-12 | 基于神经网络的仪器设备在线监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810762360.3A CN109063589A (zh) | 2018-07-12 | 2018-07-12 | 基于神经网络的仪器设备在线监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109063589A true CN109063589A (zh) | 2018-12-21 |
Family
ID=64816160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810762360.3A Pending CN109063589A (zh) | 2018-07-12 | 2018-07-12 | 基于神经网络的仪器设备在线监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109063589A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009001A (zh) * | 2019-03-11 | 2019-07-12 | 深兰科技(上海)有限公司 | 一种图像分类方法及装置 |
CN111751729A (zh) * | 2019-03-27 | 2020-10-09 | 大众汽车有限公司 | 用于确定车辆的可反复充电电池的状态的方法 |
CN111912361A (zh) * | 2019-05-07 | 2020-11-10 | 业纳工业计量德国公司 | 表面测量仪 |
CN114816961A (zh) * | 2022-05-16 | 2022-07-29 | 宝德计算机系统股份有限公司 | 一种服务器压力测试方法、装置及计算机存储介质 |
CN117838510A (zh) * | 2024-03-08 | 2024-04-09 | 深圳市艾利特医疗科技有限公司 | 一种体外反搏装置及体外反搏信号控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8065248B1 (en) * | 2006-06-22 | 2011-11-22 | Google Inc. | Approximate hashing functions for finding similar content |
CN102254395A (zh) * | 2011-06-07 | 2011-11-23 | 北京引创科技有限责任公司 | 基于智能视频分析的物品失窃检测与报警装置和方法 |
CN107291825A (zh) * | 2017-05-26 | 2017-10-24 | 北京奇艺世纪科技有限公司 | 一种视频中同款商品的检索方法和系统 |
CN107480178A (zh) * | 2017-07-01 | 2017-12-15 | 广州深域信息科技有限公司 | 一种基于图像与视频跨模态比对的行人重识别方法 |
CN108197605A (zh) * | 2018-01-31 | 2018-06-22 | 电子科技大学 | 基于深度学习的牦牛身份识别方法 |
-
2018
- 2018-07-12 CN CN201810762360.3A patent/CN109063589A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8065248B1 (en) * | 2006-06-22 | 2011-11-22 | Google Inc. | Approximate hashing functions for finding similar content |
CN102254395A (zh) * | 2011-06-07 | 2011-11-23 | 北京引创科技有限责任公司 | 基于智能视频分析的物品失窃检测与报警装置和方法 |
CN107291825A (zh) * | 2017-05-26 | 2017-10-24 | 北京奇艺世纪科技有限公司 | 一种视频中同款商品的检索方法和系统 |
CN107480178A (zh) * | 2017-07-01 | 2017-12-15 | 广州深域信息科技有限公司 | 一种基于图像与视频跨模态比对的行人重识别方法 |
CN108197605A (zh) * | 2018-01-31 | 2018-06-22 | 电子科技大学 | 基于深度学习的牦牛身份识别方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009001A (zh) * | 2019-03-11 | 2019-07-12 | 深兰科技(上海)有限公司 | 一种图像分类方法及装置 |
CN111751729A (zh) * | 2019-03-27 | 2020-10-09 | 大众汽车有限公司 | 用于确定车辆的可反复充电电池的状态的方法 |
CN111751729B (zh) * | 2019-03-27 | 2024-02-20 | 大众汽车有限公司 | 用于确定车辆的可反复充电电池的状态的方法 |
CN111912361A (zh) * | 2019-05-07 | 2020-11-10 | 业纳工业计量德国公司 | 表面测量仪 |
CN114816961A (zh) * | 2022-05-16 | 2022-07-29 | 宝德计算机系统股份有限公司 | 一种服务器压力测试方法、装置及计算机存储介质 |
CN117838510A (zh) * | 2024-03-08 | 2024-04-09 | 深圳市艾利特医疗科技有限公司 | 一种体外反搏装置及体外反搏信号控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109063589A (zh) | 基于神经网络的仪器设备在线监测方法及系统 | |
WO2022160771A1 (zh) | 基于自适应多尺度特征提取模型的高光谱图像分类方法 | |
CN108921051B (zh) | 基于循环神经网络注意力模型的行人属性识别网络及技术 | |
CN110728223A (zh) | 一种基于深度学习的安全帽佩戴识别方法 | |
CN111274860B (zh) | 一种基于机器视觉的在线自动烟叶等级分选的识别方法 | |
CN108319926A (zh) | 一种工地现场的安全帽佩戴检测系统及检测方法 | |
CN110598535B (zh) | 一种监控视频数据中使用的人脸识别分析方法 | |
CN109543679A (zh) | 一种基于深度卷积神经网络的死鱼识别方法及预警系统 | |
CN109614488B (zh) | 基于文本分类和图像识别的配网带电作业条件判别方法 | |
CN106997475B (zh) | 一种基于并行卷积神经网络的害虫图像识别方法 | |
CN107092926A (zh) | 基于深度学习的服务机器人物体识别算法 | |
CN106295565A (zh) | 基于大数据的监控事件识别及实时犯罪预测方法 | |
CN113838034B (zh) | 基于机器视觉的糖果包装表面缺陷快速检测方法 | |
CN110826453A (zh) | 一种通过提取人体关节点坐标的行为识别方法 | |
CN110675395A (zh) | 输电线路智能在线监测方法 | |
KR20180057785A (ko) | 영상분석을 통한 어류 개체수 측정 시스템 및 그 측정방법 | |
CN113869162A (zh) | 一种基于人工智能的违章识别方法及系统 | |
CN104063686A (zh) | 作物叶部病害图像交互式诊断系统与方法 | |
WO2023197496A1 (zh) | 一种机采棉脱叶效果综合评价指标监测与评价方法及系统 | |
CN116524674A (zh) | 基于多源数据融合的智能配电房火灾早期监测方法与系统 | |
CN108960142A (zh) | 基于全局特征损失函数的行人再识别方法 | |
CN112613438A (zh) | 一种便携式柑橘在线测产仪 | |
CN114627467A (zh) | 基于改进神经网络的水稻生育期识别方法及系统 | |
CN113627504B (zh) | 基于生成对抗网络的多模态多尺度特征融合目标检测方法 | |
CN108960169A (zh) | 基于计算机视觉的仪器设备状态在线监测方法及系统 |
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 |
Application publication date: 20181221 |
|
RJ01 | Rejection of invention patent application after publication |