CN109389170A - 一种基于3d卷积神经网络的渐变型工况预警方法 - Google Patents

一种基于3d卷积神经网络的渐变型工况预警方法 Download PDF

Info

Publication number
CN109389170A
CN109389170A CN201811176543.3A CN201811176543A CN109389170A CN 109389170 A CN109389170 A CN 109389170A CN 201811176543 A CN201811176543 A CN 201811176543A CN 109389170 A CN109389170 A CN 109389170A
Authority
CN
China
Prior art keywords
operating condition
early warning
convolutional neural
neural networks
gradation type
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
Application number
CN201811176543.3A
Other languages
English (en)
Other versions
CN109389170B (zh
Inventor
何岩峰
刘雅莉
邓嵩
王相
窦祥冀
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.)
Changzhou University
Original Assignee
Changzhou 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 Changzhou University filed Critical Changzhou University
Priority to CN201811176543.3A priority Critical patent/CN109389170B/zh
Publication of CN109389170A publication Critical patent/CN109389170A/zh
Application granted granted Critical
Publication of CN109389170B publication Critical patent/CN109389170B/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
    • G06F18/21—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
    • G06N3/04—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于3D卷积神经网络的渐变型工况预警方法，包括以下步骤：a、对符合训练要求的渐变型工况示功图集预处理后，组成表征渐变型工况变化过程的示功体；b、构建3D卷积神经网络以得到渐变型工况的特征描述；c、将示功体输入3D卷积神经网络进行训练；d、形成基于3D卷积神经网络的渐变型工况预警系统；e、把预警系统应用于对未知工况的判断，将实时获取的示功图集按时间顺序排列成示功体输入3D卷积神经网络，实现工况的分类与预测；f、扩充训练集完成对渐变型工况预警系统的学习与更新。本发明通过建立3D卷积神经网络识别示功体，从而可以识别油井生产过程中渐变型工况变化过程中的特征信息，实现对渐变型工况的识别和预测。

Description

一种基于3D卷积神经网络的渐变型工况预警方法
技术领域
本发明涉及油田井下渐变型工况故障识别技术领域，尤其是一种基于3D卷积神经网络的渐变型工况预警方法。
背景技术
传统的通过示功图判断井下工况的方法有：统计法、基于知识的模式识别法和人工神经网络法。随着近年来人工神经网络的快速发展，它在图像识别技术领域得到了越来越广泛的应用，其中表现最为出色的就是卷积神经网络。然而，常用的卷积神经网络为二维卷积核，即通过filter计算后得到的channel输出只包含高度维度与宽度维度，而不包含深度维度。因此2D卷积神经网络无法识别随时间维度逐渐发生变化的图像的特征。
油井井下生产过程中产生的故障按造成影响经历的时间不同，可分为突变型故障与渐变型故障，突变型故障主要是指抽油杆断脱、憋泵、卡泵、井壁坍塌等会造成前后连续的两张示功图出现明显图形变化的故障，可通过相邻时间的示功图的形变直接进行判断；而渐变型故障主要包括固定阀漏失、游动阀漏失、双漏失、油井出砂、油井结蜡以及泵筒磨损等，此类故障由于随着时间累积才会缓慢造成示功图的形变，因此无法被2D卷积神经网络在短时间内识别出来，而等到在示功图中表现出明显的工况特征时，已对油井生产能力造成了不可逆转的持久性伤害。
发明内容
本发明要解决的技术问题是：为了克服现有技术中之不足，解决上述渐变型工况识别存在的准确性差、预见性低等问题，本发明提供一种基于3D卷积神经网络的渐变型工况预警方法。
本发明解决其技术问题所采用的技术方案是：一种基于3D卷积神经网络的渐变型工况预警方法，包括以下步骤：
a、挑选符合训练要求的渐变型工况示功图图集，并对图集进行预处理，用处理后的示功图图集组成表征渐变型工况变化过程的示功体；
b、构建3D卷积神经网络用于得到渐变型工况的特征描述；
c、将示功体输入3D卷积神经网络进行训练，通过3D卷积操作核去提取示功体的时间和空间特征，并输出为特征序列；
d、在获取的特征上学习分类器，用于区分渐变型故障工况、突变型故障工况与正常工况，形成基于3D卷积神经网络的渐变型工况预警系统；
e、在把预警系统应用于对未知工况的判断时，只需将实时获取的示功图图集按时间顺序排列成示功体输入3D卷积神经网络，就能实现工况的分类与预测；
f、通过得到的工况识别结果扩充训练集完成对渐变型工况预警系统的学习与更新。
具体说，所述的3D卷积神经网络从时间和空间维度上操作，然后进行3D卷积，以捕捉从连续时间段内得到的连续变化信息。
进一步地，步骤a中，所述渐变型工况是指在故障工况发生之初，不会在短时间内出现示功图的突变，而是随着时间的累积才缓慢造成示功图形变的工况。该渐变型工况在经过一段时间变化后，才能逐渐在示功图中表现出显著的工况特征，例如固定阀漏失、游动阀漏失、双漏失、油井出砂、油井结蜡以及泵筒磨损等工况。
所述的示功体是指采集单口油井在渐变型工况状态下工作一段时间内所产生的所有示功图，组成示功图图集并进行预处理，将处理好的示功图图集按时间轴顺序从老到新堆叠，示功图的横纵坐标分别相对应，外边框相接，构建成一个三维立体结构图形。
上述的预处理过程包括筛选示功图、示功图归一化、时间轴缩放和插值拟合中的一种或几种的组合，以达到示功图采集点同步、清晰度与坐标轴统一、图像尺寸统一的要求。
在步骤b中，所构建的神经网络主要是基于3D卷积特征提取器构造了一个3D卷积神经网络，这个构架可以从连续时间内形成的示功图集所组成的示功体中产生多通道的信息，然后在每一个通道都分别地进行卷积和最大池化操作，最后将所有通道获得的信息组合起来得到最终的特征描述。
步骤d中，所述的预警系统由四个模块组成，包括：用于对收集的图集进行预处理的图像预处理模块；用于提取示功体训练集特征的神经网络训练模块；用于获得待检测工况示功体特征的特征提取模块；以及根据特征对比给出工况分类的分类模块。
步骤e中，所述预警系统的实际应用，是将预警系统应用于监测有杆泵井下作业情况，对油井的实时工况进行分析判断；当系统监测出所产生的工况符合渐变型工况的前期变化特征时，发出警报，提醒工作人员采取处理措施。
步骤f中，所述的预警系统的学习与更新过程包括：a、对系统产生的预警结果进行判断；b、将新检测出的渐变型工况示功图图集组成示功体添加到训练集中；c、用更新后的训练集继续训练基于3D卷积神经网络的渐变型工况预警系统；d、使得预警系统始终处在持续学习识别与循环强化更新的过程中。
本发明的有益效果是：本发明对油井井下生产过程中产生的故障，在处于渐变型故障发生的初期就可以被识别，并提出预警，使油井故障得到及时处理，保护了油井的生产能力，避免了不可逆转事故的发生，确保了油田经济高效生产；并且提出了3D卷积神经网络识别示功体概念，在传统的卷积神经网络二维识别示功图的基础上加入了时间维度，通过示功体可以提取渐变型故障逐渐变化的过程特征；同时，在工况识别的过程中还可以实现系统的强化与更新，使得预警系统随着使用的过程会得到越来越智能的判断结果。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明实施例提供的一种3D卷积神经网络模型的构架示意图。
图2是本发明实施例提供的预警系统通过三次卷积操作两次池化操作提取特征图的具体过程。
图3是本发明实施例提供的基于3D卷积神经网络的渐变型工况预警系统的流程图。
图4是本发明实施例提供的基于3D卷积神经网络的渐变型工况预警系统的结构示意图。
图5是本发明实施例提供的QTQ104-X7井结蜡示功图。
图6是本发明实施例提供的一种漏失工况示功体模型的主视结构图。
图7是本发明实施例提供的一种漏失工况示功体模型的俯视结构图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
如图1～图7所示，一种基于3D卷积神经网络的渐变型工况预警方法，该预警方法的技术方案如下：
首先挑选符合训练要求的渐变型工况示功图图集，即表征固定阀漏失、游动阀漏失、双漏失、油井出砂、油井结蜡以及泵筒磨损等渐变型工况变化过程的所有示功图所组成的图集，并对图集进行筛选、归一化、时间轴缩放等预处理，以达到示功图采集点同步，坐标轴统一等要求；然后将处理后的示功图图集按照时间轴从小到大的顺序排列，并且横纵坐标相对，边框相连，堆叠成描述渐变型工况变化过程的三维立体图形，即示功体。
构建3D卷积神经网络，并将示功体作为训练集对其进行训练。3D卷积神经网络的识别训练过程为：以堆叠多个连续示功图组成的示功体为训练集，然后在示功体中运用3D卷积核。在这个神经网络结构中，卷积层中的每一个特征map都是通过卷积上一层多个连续图片的同一位置的局部感受野所得到的。
3D卷积神经网络的构架包含一个输入层，三个卷积层，两个最大池化层和一个全连接层。卷积层在示功体中提取信息，产生三个channel的特征信息，它们分别是：灰度(gray)、X轴方向的梯度(gradient-x)、Y轴方向的梯度(gradient-y)。在卷积层下紧连着最大池化层，最大池化层对各个通道分别进行maxpooling处理，进而可以得到数目相同但是空间分辨率更低的特征maps，最终得到的特征序列是由三个通道得到的信息共同组成的。
特征图的计算公式如下：
其中：——卷积核对应的输出矩阵的对应位置元素的值；
tanh——激活函数，用于卷积层不用于池化层；
bij——偏倚系数；
w——卷积核的某个卷积核矩阵；
V——输入矩阵；
以现场QTQ104-X7井结蜡示功图为例，特征图提取过程如下：
输入层Input：以尺寸为50×40的图像作为输入组成示功体。
卷积层Convolution：
卷积操作：filter：kernel size:5×5×10，步长stride:1，padding＝0，
Conv1＝(input size+padding×2-kernel size)/stride+1，即大小为46×36。
提取三个通道信息：灰度为5，X轴方向的梯度为5，Y轴方向的梯度为10。则提取数量为：5+5+10＝20。
3D卷积核尺寸为3×3×10，其中3×3为空间维度，10为卷积的时间维度。则特征maps大小为((conv size-gradient-x)+1)×((conv size-gradient-y)+1)＝44×34，数量为((5-3)+1)×2+((10-3)+1)×1＝14。
池化层pooling：
池化层采用maxpooling操作，减少输入的大小，使神经网络能够专注于更重要的特征元素，所以特征maps数量不变，大小变为((conv size_x/2)×(conv size_y/2))＝22×17。同理可得第二层卷积层与池化层中的特征maps的大小与数量，最终通过池化操作将特征maps的大小确定为1×1。
在通过3D卷积神经网络提取特征后，接下来用softmax分类器学习获取的特征，可区分出渐变型故障工况、突变型故障工况与正常工况，从而形成3D卷积神经网络的渐变型工况预警系统。选用softmax分类器的原因在于，其分类模式是提供每种分类标签的“可能性”，可直观地看出分类的准确性，适用于同类型问题的种类区分。
在将预警系统应用于监测现场有杆泵井下作业情况时，只需将油井实时产生的示功图图集按时间顺序排列成示功体输入3D卷积神经网络，当系统监测出输入的信息符合渐变型故障工况的前期变化特征时，就会发出警报，提醒工作人员采取处理措施。
最后，根据预警结果可对预警系统进行强化学习与更新。具体过程为：当通过系统检测到出现渐变型故障工况并进行预警时，也将渐变型工况识别结果加入到训练集中，进行训练集的更新。用更新后的训练集继续训练预警系统，使得预警系统始终处于不断学习识别与循环强化更新的过程中。
所述的预警系统在结构上由四个模块组成，分别为：1、对收集的图集进行预处理的图像预处理模块，2、用于提取示功体训练集特征的神经网络训练模块，3、用于获得待检测工况示功体特征的特征提取模块，4、根据特征对比给出工况分类的分类模块。
本发明提出了一种3D卷积神经网络识别示功体的概念，这里的示功体是指用表征渐变型工况变化过程的示功图集按照时间轴从小到大的顺序，横纵坐标相对应，外边框相连所组成的三维立体图形，从而可以通过3D卷积神经网络识别渐变型工况变化过程中的特征信息，实现对渐变型工况的识别和预测。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (9)

1.一种基于3D卷积神经网络的渐变型工况预警方法，其特征是：包括以下步骤：
a、挑选符合训练要求的渐变型工况示功图图集，并对图集进行预处理，用处理后的示功图图集组成表征渐变型工况变化过程的示功体；
b、构建3D卷积神经网络用于得到渐变型工况的特征描述；
c、将示功体输入3D卷积神经网络进行训练，通过3D卷积操作核去提取示功体的时间和空间特征，并输出为特征序列；
d、在获取的特征上学习分类器，用于区分渐变型故障工况、突变型故障工况与正常工况，形成基于3D卷积神经网络的渐变型工况预警系统；
e、在把预警系统应用于对未知工况的判断时，只需将实时获取的示功图图集按时间顺序排列成示功体输入3D卷积神经网络，就能实现工况的分类与预测；
f、通过得到的工况识别结果扩充训练集完成对渐变型工况预警系统的学习与更新。
2.如权利要求1所述的基于3D卷积神经网络的渐变型工况预警方法，其特征是：所述的3D卷积神经网络从时间和空间维度上操作，然后进行3D卷积，以捕捉从连续时间段内得到的连续变化信息。
3.如权利要求1所述的基于3D卷积神经网络的渐变型工况预警方法，其特征是：步骤a中，渐变型工况是指在故障工况发生之初，不会在短时间内出现示功图的突变，而是随着时间的累积才缓慢造成示功图形变的工况。
4.如权利要求1所述的基于3D卷积神经网络的渐变型工况预警方法，其特征是：步骤a中，示功体是指采集单口油井在渐变型工况状态下工作一段时间内所产生的所有示功图，组成示功图图集并进行预处理，将处理好的示功图图集按时间轴顺序从老到新堆叠，示功图的横纵坐标分别相对应，外边框相接，构建成一个三维立体结构图形。
5.如权利要求4所述的基于3D卷积神经网络的渐变型工况预警方法，其特征是：步骤a中，所述的预处理过程包括筛选示功图、示功图归一化、时间轴缩放和插值拟合中的一种或几种的组合，以达到示功图采集点同步、清晰度与坐标轴统一、图像尺寸统一的要求。
6.如权利要求1所述的基于3D卷积神经网络的渐变型工况预警方法，其特征是：步骤b中，构建的神经网络主要是基于3D卷积特征提取器构造了一个3D卷积神经网络，这个构架可以从连续时间内形成的示功图集所组成的示功体中产生多通道的信息，然后在每一个通道都分别地进行卷积和最大池化操作，最后将所有通道获得的信息组合起来得到最终的特征描述。
7.如权利要求1所述的基于3D卷积神经网络的渐变型工况预警方法，其特征是：步骤d中，所述的预警系统由四个模块组成，包括：用于对收集的图集进行预处理的图像预处理模块；用于提取示功体训练集特征的神经网络训练模块；用于获得待检测工况示功体特征的特征提取模块；以及根据特征对比给出工况分类的分类模块。
8.如权利要求1所述的基于3D卷积神经网络的渐变型工况预警方法，其特征是：步骤e中，所述预警系统的实际应用，是将预警系统应用于监测有杆泵井下作业情况，对油井的实时工况进行分析判断；当系统监测出所产生的工况符合渐变型工况的前期变化特征时，发出警报，提醒工作人员采取处理措施。
9.如权利要求1所述的基于3D卷积神经网络的渐变型工况预警方法，其特征是：步骤f中，所述的预警系统的学习与更新过程包括：a、对系统产生的预警结果进行判断；b、将新检测出的渐变型工况示功图图集组成示功体添加到训练集中；c、用更新后的训练集继续训练基于3D卷积神经网络的渐变型工况预警系统；d、使得预警系统始终处在持续学习识别与循环强化更新的过程中。
CN201811176543.3A 2018-10-10 2018-10-10 一种基于3d卷积神经网络的渐变型工况预警方法 Active CN109389170B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811176543.3A CN109389170B (zh) 2018-10-10 2018-10-10 一种基于3d卷积神经网络的渐变型工况预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811176543.3A CN109389170B (zh) 2018-10-10 2018-10-10 一种基于3d卷积神经网络的渐变型工况预警方法

Publications (2)

Publication Number Publication Date
CN109389170A true CN109389170A (zh) 2019-02-26
CN109389170B CN109389170B (zh) 2021-11-02

Family

ID=65426779

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811176543.3A Active CN109389170B (zh) 2018-10-10 2018-10-10 一种基于3d卷积神经网络的渐变型工况预警方法

Country Status (1)

Country Link
CN (1) CN109389170B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110766192A (zh) * 2019-09-10 2020-02-07 中国石油大学(北京) 基于深度学习的钻井井漏预测系统及方法
CN111274912A (zh) * 2020-01-17 2020-06-12 常州大学 基于降噪示功图的有杆泵工况预警方法
CN112766301A (zh) * 2020-12-11 2021-05-07 南京富岛信息工程有限公司 一种采油机示功图相似性判断方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04273489A (ja) * 1991-02-28 1992-09-29 Canon Inc 光量制御装置
CN101551663A (zh) * 2009-05-08 2009-10-07 华东理工大学 一种裂解炉裂解反应的预警方法
CN108266178A (zh) * 2018-01-14 2018-07-10 常州大学 一种基于富信息示功图和dbn的有杆泵工况监测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04273489A (ja) * 1991-02-28 1992-09-29 Canon Inc 光量制御装置
CN101551663A (zh) * 2009-05-08 2009-10-07 华东理工大学 一种裂解炉裂解反应的预警方法
CN108266178A (zh) * 2018-01-14 2018-07-10 常州大学 一种基于富信息示功图和dbn的有杆泵工况监测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JASON P.C. CHIU: "Named Entity Recognition with Bidirectional LSTM-CNNs", 《HTTPS://ARXIV.ORG/ABS/1511.08308》 *
吴霄 等: "人工神经网络技术在油气田开发中的应用综述", 《数码设计》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110766192A (zh) * 2019-09-10 2020-02-07 中国石油大学(北京) 基于深度学习的钻井井漏预测系统及方法
CN110766192B (zh) * 2019-09-10 2022-09-09 中国石油大学(北京) 基于深度学习的钻井井漏预测系统及方法
CN111274912A (zh) * 2020-01-17 2020-06-12 常州大学 基于降噪示功图的有杆泵工况预警方法
CN112766301A (zh) * 2020-12-11 2021-05-07 南京富岛信息工程有限公司 一种采油机示功图相似性判断方法
CN112766301B (zh) * 2020-12-11 2024-04-12 南京富岛信息工程有限公司 一种采油机示功图相似性判断方法

Also Published As

Publication number Publication date
CN109389170B (zh) 2021-11-02

Similar Documents

Publication Publication Date Title
CN109670528B (zh) 面向行人重识别任务的基于成对样本随机遮挡策略的数据扩充方法
CN107506797A (zh) 一种基于深度神经网络和多模态影像阿尔兹海默病分类方法
CN103839065B (zh) 人群动态聚集特征提取方法
CN108932479A (zh) 一种人体异常行为检测方法
CN109765333A (zh) 一种基于GoogleNet模型的变压器故障诊断方法
CN109615604A (zh) 基于图像重构卷积神经网络的零件外观瑕疵检测方法
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
CN110084285A (zh) 基于深度学习的鱼类细粒度分类方法
CN107832835A (zh) 一种卷积神经网络的轻量化方法及装置
CN106874688A (zh) 基于卷积神经网络的智能化先导化合物发现方法
CN109389170A (zh) 一种基于3d卷积神经网络的渐变型工况预警方法
CN107423747A (zh) 一种基于深度卷积网络的显著性目标检测方法
CN111832615A (zh) 一种基于前景背景特征融合的样本扩充方法及系统
CN108629369A (zh) 一种基于Trimmed SSD的尿沉渣有形成分自动识别方法
CN112861931B (zh) 一种基于差异注意力神经网络的多级别变化检测方法、系统、介质及电子设备
CN107092884A (zh) 一种快速粗精级联行人检测方法
CN112766283B (zh) 一种基于多尺度卷积网络的两相流流型识别方法
CN109871875A (zh) 一种基于深度学习的建筑物变化检测方法
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
CN112766301B (zh) 一种采油机示功图相似性判断方法
CN109543672A (zh) 基于稠密特征金字塔网络的物体检测方法
CN117292148B (zh) 一种基于定向钻探及测试数据的隧道围岩级别评估方法
CN110288257A (zh) 一种深度超限示功图学习方法
CN106022352A (zh) 基于支持向量机的潜油柱塞泵故障诊断方法
CN113298817A (zh) 一种准确率高的遥感图像语义分割方法

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