CN109800854A - 一种基于概率神经网络的复合绝缘子憎水性等级判定方法 - Google Patents
一种基于概率神经网络的复合绝缘子憎水性等级判定方法 Download PDFInfo
- Publication number
- CN109800854A CN109800854A CN201811531382.5A CN201811531382A CN109800854A CN 109800854 A CN109800854 A CN 109800854A CN 201811531382 A CN201811531382 A CN 201811531382A CN 109800854 A CN109800854 A CN 109800854A
- Authority
- CN
- China
- Prior art keywords
- layer
- sample
- hydrophobicity
- neural network
- composite insulator
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000012212 insulator Substances 0.000 title claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 36
- 239000002131 composite material Substances 0.000 title claims abstract description 27
- 210000002569 neuron Anatomy 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000009413 insulation Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000002860 competitive effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 239000012141 concentrate Substances 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 4
- 239000000203 mixture Substances 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 21
- 238000001514 detection method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 230000001537 neural effect Effects 0.000 description 6
- 150000001875 compounds Chemical class 0.000 description 4
- 238000003909 pattern recognition Methods 0.000 description 4
- 210000005036 nerve Anatomy 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000021317 sensory perception Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Insulators (AREA)
Abstract
本发明发明了一种基于概率神经网络的复合绝缘子憎水性等级判定方法。改进的形状因子法作为常用的复合绝缘子憎水性特征参数提取方法，将最大水珠(或水膜)的形状因子与最大水珠(或水膜)的面积相结合，使得绝缘子等级判定结果大大提高，总共由输入层、模式层、求和层和输出层这4层结构组成。学习过程相对简单，没有涉及到收敛方面的问题。输入层和求和层在学习之前就可以根据实际情况确定，只需要确定学习样本的个数就可以确定概率神经网络的结构。
Description
技术领域
本发明属于电力设备状态检测领域，具体涉及一种基于概率神经网络的复合绝缘子憎水性等级判定方法。
背景技术
模式识别作为信号处理和人工智能的一个重要分支，通常用来对文字、照片、图像以及声音等信息进行处理和判决分类。它借助计算机对物理量及其变化过程进行描 述、统计和分类，通过分析多维模式空间的分布特征，识别若干模式间的聚类情况， 从而对模式空间做出决策。随着科技的发展，模式识别不断地推动人工智能的发展， 逐渐在文字识别、指纹识别、医学诊断、工业产品检测及图像识别等领域得到广泛地 重视与应用。
常用的模式识别方法有模板匹配法(Template Matching)、结构模式识别法(Structure Pattern Recognition)、模糊模式识别法(Fuzzy Pattern Recognition)、 神经网络分类法(Neural Networks Classification)等[67]。模板匹配法是将已知的 对象作为模板，将待测物体与标准模板进行对比，看其跟哪个模板的匹配度更高，从 而确定待测物体的分类，但是该方法对计算机的要求较高，随着图像模板的增大，储 存量和运算量将呈几何级数上升；结构模式识别又称结构方法，是将一个模式根据分 层描述的方法不断细分为简单子模式的组合，最终得到树枝形的模式描述，该方法对 图像的抗干扰能力很强，识别方便，但是主要用于文字识别和遥感图像的分析；模糊 模式识别法是用隶属度函数作为模块和样品间的相似度的度量来反应整体的特性，主 要分为择近原则识别法、最大隶属原则识别法和模糊聚类法，虽然允许待测物体有一 定程度的畸变和干扰，但较难建立准确合理的隶属度函数；而神经网络分类法将以人 脑的大脑神经元网络为背景，通过一定的运行方式来模仿人的神经系统的动作过程， 到达分类、识别的目的，能有效地解决非线性、非正态分布的评价问题，因而在图像 模式识别领域得到广泛地应用。
不同于其他识别方法，人工神经网络不要求对待测物理有过多的了解和分析，它侧重于模拟人的形象思维、感知觉过程、自学习和分布式记忆过程，具有自学习、自 适应、分布式存储和大规模并行的能力，特别适用于处理条件复杂、不精确的信息处 理问题[68]。考虑复合绝缘子提取的特征参数之间存在叠加情况，本文采用概率神经 网络(Probabilistic Neural Network)对复合绝缘子中提取的特征参数进行训练，并 对网络中的扩展速度进行对比分析，然后将待识别的特征参数输入到已经训练好的网 络中。实验结果表明，该网络模型对各等级的复合绝缘子图像都有着较高的识别率， 满足复合绝缘子的实际应用要求。
发明内容
为了避免现有技术的不足之处，本发明发明了一种基于概率神经网络的复合绝缘子憎水性等级判定方法。
改进的形状因子法作为常用的复合绝缘子憎水性特征参数提取方法，将最大水珠(或水膜)的形状因子与最大水珠(或水膜)的面积相结合，使得绝缘子等级判定结 果大大提高，结合相关文献中对影响因素的分析，本发明最终选取3个特征参数作为 概率神经网络等级识别模型的输入向量，3个特征参数表达式分别如下所示：
K＝Smax/MN (2)
式中，fc代表最大水珠(或水膜)的形状因子，Smax为最大水珠(或水膜)的面积， l为最大水珠(或水膜)的周长；K代表最大水珠(或水膜)最大面积比，M和N分别 为图像的长和宽；V代表水珠(或水膜)的覆盖率，Na为识别出的水珠(或水膜)总数， Si为第i个水珠的面积。
传统的BP神经网络在训练复杂数据过程中容易陷入极小值，而且训练时间较长，而RBF神经网络虽然学习收敛迅速，能够逼近任意的非线性函数，但是难以反应隐含 层与输出层之间真正的映射关系，本文充分考虑到复合绝缘子憎水性特征参数中形状 因子的相似性，采用收敛迅速、逼近效果极好的概率神经网络用于识别憎水性等级。
由于复合绝缘子憎水性等级分为7类，因此该复合绝缘子憎水性识别模型属于7类分类问题。其算法的拓扑结构如附图1所示，总共由输入层、模式层、求和层和输 出层这4层结构组成。其主要功能如下：
(1)输入层：由于每个样品都有3个特征，因此输入层将有3个神经元，在输入层 计算输入向量与学习样本向量的差值，然后所得的向量差值送入模式层中， 该向量差值反应了两个向量间的接近程度，其绝对值的大小等于两个向量间的范氏距 离；
(2)模式层：学习样本有多少个就有多少神经元，本文对7个等级的复合绝缘子各选取20副图像作为样本，每个样本3个特征，总共140个学习样本，即模式层有140 个神经元。通过模式层先判断绝缘子哪些类别与输入向量相关，再集中相关度较高的 类别，然后将各类别的相识度输送至求和层。
(3)求和层：求和层的神经元数目等于类别的数目，即等于7。每个神经元对应着一个类别，通过竞争传递函数计算相识度进行决策。
(4)输出层：输出层用于对决策结果进行输出，概率值最大的一类的输出结果为1，其余输出皆为0。选取输出值中1所对应的类别作为识别结果，即可得到该复合绝缘子 的憎水性等级最有可能隶属于哪一级。
概率神经网络的计算速度与学习速度都非常地快，从模式层至求和层与求和层至输出层的权值皆为1.0，学习的时候对输入层至模式层的权值进行计算即可，而且学习 过程相对简单，没有涉及到收敛方面的问题。从附图1中可以看出，由于输入层和求 和层在学习之前就可以根据实际情况确定，因此只需要确定学习样本的个数就可以确 定概率神经网络的结构。
概率神经网络的学习算法的操作步骤附图2，具体可分为如下几部：
第一步：确定输入层，即有n个神经元，p个待测绝缘子样本，由于每个绝缘子有 3个特征参数，根据实际情况，这里n取3，p取7。然后对输入向量矩阵进行归一化 处理。
第二步：确定模式层，神经元的个数等于学习样本的个数m，本文选取7类绝缘子，每类20个样本，将其作为学习样本，则m＝140。将学习样本按照类别的顺序依次编号， 则编号1-20的神经元为第一类模式，编号21-40的神经元为第二类模式，以此类推， 将编号121-140的神经元作为第七类模式，各求和层单元仅与相对应地同类模式层神 经元相连接。将m个学习样本根据各自的特征参数组成一个m×n的矩阵，为了减小误 差，方便后面的数据处理，保证算法运行的收敛加快，对样本矩阵进行归一化处理。
第三步：计算待测样本矩阵与学习样本归一化矩阵中相应元素的欧式距离。
第四步：取标准差为0.1的高斯型函数，通过激活模式层中的径向基神经元得到初始概率矩阵。
第五步：由前文可知，m＝140，c＝7。那么总共将140个学习样本分为7类，每 类20个样本，为了方便计数，令k为每类学习样本数目，即k＝20，则可以在该网络的 求和层求解140个样本隶属于各类的初始概率之和。
第六步：求解第i个待识别的样本属于第j类的概率probij，并找出每行的最大概率， 求得每个待识别样品的类别。
概率神经网络首先通过模式层的径向基计算输入变量和训练样本向量间的距离，然后求和层根据距离向量计算每个模式出现的概率，最后输出层将竞争传递函数中概 率最大的元素输出为1，并将此输出作为一类憎水性等级；否则输出为0，作为其他憎 水性等级类别。
有益效果
本发明发明一种基于概率神经网络的复合绝缘子憎水性等级判定方法，提取了3个特征参数，并将其做为分类网络的输入向量，然后对概率神经网络的分类原理做了 具体分析，采用概率神经网络对复合绝缘子的憎水性分割图像进行等级识别，并对网 络中的扩展速度对学习网络的影响进行对比分析，然后将待识别的特征参数输入到已 经训练好的网络中。实验结果表明，训练后的概率神经网络能够准确地完成复合绝缘 子憎水性等级的判定，总识别率达94.8％，在实际运行检测中，憎水性等级判断准确率 能接近100％。。
附图说明
图1憎水性等级识别模型拓扑结构图
图2概率神经网络算法流程图
图3训练样本图
图4 PNN网络误差训练曲线
图5不同spread参数下的网络训练效果图
图6概率神经网络训练后的效果图
图7概率神经网络预测效果图
具体实施方式
现结合实施例、附图对本发明作进一步描述：
在拍摄的复合绝缘子憎水性样本图库中，将20组绝缘子图像作为样本，每组图像中有7副不同等级的憎水性图像，总共140副图像，其中2组训练样本图像如图3所 示，这些图像都是课题组在有限的绝缘子中，选取不同的拍摄角度、光照强度并进行 多次实验所采集到的。通过上文的提出的增强和分割方法进行特征提取，将特征参数 编辑成excel文档，然后将140个样本数据输入概率神经网络(PNN)中对网络进行训 练，图3中的14组样本数据如表1所示。
网络训练次数设定为1000次，训练目标为0.01，初始学习速率0.1，在PNN网络 训练中通常将扩展速度设为1.0，神经网络训练的误差曲线如图4所示，从图中可以看 出，由于输入的数据量较大，加上个别特征参数之间差距较小，神经网络在训练次数 达到329次时达到最优。
表1样本数据
在复合绝缘子憎水性图像特征参数中，由于HC1-HC3级绝缘子的最大面积比数值相差较小，范围值仅为0-10％；而HC4-HC5级绝缘子的最大面积比数值波动较大，达 到10％-80％，因此为了使部分径向基神经能够更好地响应输入向量，训练结果更接近 预期结果，将扩展速度Spread分别设为1.0、0.8、0.5、0.2、0.1进行对比，训练误差 如表2所示。
从表2中可以看出，误差主要集中于HC2等级的憎水性图像，随着扩展速度Spread的逐渐减少，HC2等级的误差数大幅下降，误差率在Spread＝0.2的时候达到最小值。
表2训练误差
由于扩展速度Spread不影响HC4-HC7级绝缘子图像的预期学习结果，为了方便观察，因此选取出HC1-HC3级绝缘子的网络训练效果图，如图5所示，通过对比训练样 本分类结果图像可知，随着Spread的减小，分类结果与预期结果间的误差逐渐减少， 当Spread等于0.2时，分类结果吻合度最好，当Spread继续减小时，分类结果与预期 结果间的误差逐渐增大。因此，本文将扩展速度Spread设为0.2对概率神经网络进行 训练，训练后的效果图如图6所示。
在对概率神经网络训练完成后，取30组样本作为待测试数据(每组样本中有7副不同等级的憎水性图像)，总共210组数据，将待测试数据进行数据归一化之后输入到 已经训练好的网络中，利用该网络对待测试的复合绝缘子憎水性等级进行分类，部分 绝缘子图像的概率神经网络预测效果图如图7所示。并分别利用改进的形状因子法、 基于多重分形的分类方法以及基于RBF神经网络的分类方法对归一化的特征参数进行 等级分类，不同分类方法的识别总结果如表3所示。
表3不同分类方法的识别结果
由统计结果可知，采用改进的形状因子法对憎水性图像进行分类，HC1-HC3级 图像因水珠形状均匀、边缘轮廓清晰，检测准确率较高，随着憎水性等级的提高，绝 缘子伞裙逐渐被水膜覆盖，检测准确率受到影响。采用多重分形方法对憎水性图像进 行分类，HC6-HC7级的憎水性图像识别率较高，如果将憎水性等级划分为三大类，分 级准确率可达90％-100％。基于RBF神经网络的憎水性等级判定，误判大多发生在相 邻等级范围，在复合绝缘子实际运行中有较好地检测结果。对憎水性图像采用本文算 法分割后再进行基于概率神经网络的等级判定能够提高憎水性等级识别率，其处理效 果很好，总识别率达94.8％。对HC1-HC3憎水性图像的检测，因水珠之间的状态差异 较小，特别是在最大面积比参数上波动较小，易造成训练网络的误差，因此检测准确 率相对较低，其中主要是由于HC2级绝缘子的特征参数与HC1和HC3的较为接近， 易被误判为HC1或HC3级，随着憎水性等级的提高，检测准确率有所提高。对于HC1 和HC3级别的复合绝缘子，由于在训练网络中就出现个别误差，因此检测准确率也略 有下降。由于该网络的误判主要发生在相邻等级之间，而在实际运行中，挂网运行的 绝缘子憎水性等级并非严格意义上的某个等级，因此，在实际运行检测中，基于概率 神经网络的憎水性等级判断准确率应该接近100％。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本 发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员 来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分 技术特征进行等同替换。凡在本发明的内容和原则之内，所作的任何修改、等同 替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于概率神经网络的复合绝缘子憎水性等级判定方法，其特征在于，步骤为：第一步：确定输入层，即有n个神经元，p个待测绝缘子样本，由于每个绝缘子有3个特征参数，根据实际情况，这里n取3，p取7；然后对输入向量矩阵进行归一化处理；
第二步：确定模式层，神经元的个数等于学习样本的个数m，本文选取7类绝缘子，每类20个样本，将其作为学习样本，则；将学习样本按照类别的顺序依次编号，则编号1-20的神经元为第一类模式，编号21-40的神经元为第二类模式，以此类推，将编号121-140的神经元作为第七类模式，各求和层单元仅与相对应地同类模式层神经元相连接；将个学习样本根据各自的特征参数组成一个的矩阵，为了减小误差，方便后面的数据处理，保证算法运行的收敛加快，对样本矩阵进行归一化处理；
第三步：计算待测样本矩阵与学习样本归一化矩阵中相应元素的欧式距离；
第四步：取标准差为0.1的高斯型函数，通过激活模式层中的径向基神经元得到初始概率矩阵；
第五步：由前文可知，，；那么总共将140个学习样本分为7类，每类20个样本，为了方便计数，令为每类学习样本数目，即，则可以在该网络的求和层求解140个样本隶属于各类的初始概率之和；
第六步：求解第个待识别的样本属于第类的概率，并找出每行的最大概率，求得每个待识别样品的类别。
2.根据权利要去1所述的一种基于概率神经网络的复合绝缘子憎水性等级判定方法，其特征在于，选取3个特征参数作为概率神经网络等级识别模型的输入向量，3个特征参数表达式分别如下所示：
K＝Smax/MN (2)
式中，fc代表最大水珠(或水膜)的形状因子，Smax为最大水珠(或水膜)的面积，l为最大水珠(或水膜)的周长；K代表最大水珠(或水膜)最大面积比，M和N分别为图像的长和宽；V代表水珠(或水膜)的覆盖率，Na为识别出的水珠(或水膜)总数，Si为第i个水珠的面积。
3.根据权利要去1所述的一种基于概率神经网络的复合绝缘子憎水性等级判定方法，其特征在于，输入层：由于每个样品都有3个特征，因此输入层将有3个神经元，在输入层计算输入向量与学习样本向量的差值，然后所得的向量差值送入模式层中，该向量差值反应了两个向量间的接近程度，其绝对值的大小等于两个向量间的范氏距离。
4.根据权利要去1所述的一种基于概率神经网络的复合绝缘子憎水性等级判定方法，其特征在于，模式层：学习样本有多少个就有多少神经元，本文对7个等级的复合绝缘子各选取20副图像作为样本，每个样本3个特征，总共140个学习样本，即模式层有140个神经元；通过模式层先判断绝缘子哪些类别与输入向量相关，再集中相关度较高的类别，然后将各类别的相识度输送至求和层。
5.根据权利要去1所述的一种基于概率神经网络的复合绝缘子憎水性等级判定方法，其特征在于，求和层：求和层的神经元数目等于类别的数目，即等于7；每个神经元对应着一个类别，通过竞争传递函数计算相识度进行决策。
6.根据权利要去1所述的一种基于概率神经网络的复合绝缘子憎水性等级判定方法，其特征在于，输出层：输出层用于对决策结果进行输出，概率值最大的一类的输出结果为1，其余输出皆为0；选取输出值中1所对应的类别作为识别结果，即可得到该复合绝缘子的憎水性等级最有可能隶属于哪一级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811531382.5A CN109800854A (zh) | 2018-12-14 | 2018-12-14 | 一种基于概率神经网络的复合绝缘子憎水性等级判定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811531382.5A CN109800854A (zh) | 2018-12-14 | 2018-12-14 | 一种基于概率神经网络的复合绝缘子憎水性等级判定方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109800854A true CN109800854A (zh) | 2019-05-24 |
Family
ID=66556727
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811531382.5A Pending CN109800854A (zh) | 2018-12-14 | 2018-12-14 | 一种基于概率神经网络的复合绝缘子憎水性等级判定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109800854A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111161236A (zh) * | 2019-12-27 | 2020-05-15 | 华南理工大学 | 复合绝缘子憎水性检测方法、装置、介质和设备 |
| CN111368702A (zh) * | 2020-02-28 | 2020-07-03 | 西安工程大学 | 基于YOLOv3网络的复合绝缘子憎水性等级识别方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103440495A (zh) * | 2013-07-31 | 2013-12-11 | 华北电力大学（保定） | 一种复合绝缘子憎水等级自动识别方法 |
| CN106407928A (zh) * | 2016-09-13 | 2017-02-15 | 武汉大学 | 基于雨滴识别的变压器复合绝缘子套管监测方法及系统 |
-
2018
- 2018-12-14 CN CN201811531382.5A patent/CN109800854A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103440495A (zh) * | 2013-07-31 | 2013-12-11 | 华北电力大学（保定） | 一种复合绝缘子憎水等级自动识别方法 |
| CN106407928A (zh) * | 2016-09-13 | 2017-02-15 | 武汉大学 | 基于雨滴识别的变压器复合绝缘子套管监测方法及系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111161236A (zh) * | 2019-12-27 | 2020-05-15 | 华南理工大学 | 复合绝缘子憎水性检测方法、装置、介质和设备 |
| CN111368702A (zh) * | 2020-02-28 | 2020-07-03 | 西安工程大学 | 基于YOLOv3网络的复合绝缘子憎水性等级识别方法 |
| CN111368702B (zh) * | 2020-02-28 | 2023-03-14 | 西安工程大学 | 基于YOLOv3网络的复合绝缘子憎水性等级识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106599797B (zh) | 一种基于局部并行神经网络的红外人脸识别方法 | |
| Liao et al. | Deep facial spatiotemporal network for engagement prediction in online learning | |
| Ghyar et al. | Computer vision based approach to detect rice leaf diseases using texture and color descriptors | |
| Novaković et al. | Evaluation of classification models in machine learning | |
| Peng et al. | A new approach for imbalanced data classification based on data gravitation | |
| CN103150580B (zh) | 一种高光谱图像半监督分类方法及装置 | |
| CN111126482B (zh) | 一种基于多分类器级联模型的遥感影像自动分类方法 | |
| CN110334565A (zh) | 一种显微镜病理照片的宫颈癌病变细胞分类系统 | |
| CN107133569A (zh) | 基于泛化多标记学习的监控视频多粒度标注方法 | |
| Zhou et al. | Convolutional neural networks based pornographic image classification | |
| Mukhopadhyay et al. | Learning dynamical systems in noise using convolutional neural networks | |
| CN107316053A (zh) | 一种布料图像快速匹配检索方法 | |
| Bi et al. | Dual-tree genetic programming for few-shot image classification | |
| AL-Allaf et al. | Pattern recognition neural network for improving the performance of iris recognition system | |
| Deng et al. | An imbalanced data classification method based on automatic clustering under-sampling | |
| CN109816030A (zh) | 一种基于受限玻尔兹曼机的图像分类方法及装置 | |
| CN110163130B (zh) | 一种用于手势识别的特征预对齐的随机森林分类系统及方法 | |
| CN109800854A (zh) | 一种基于概率神经网络的复合绝缘子憎水性等级判定方法 | |
| CN109740429A (zh) | 基于嘴角坐标平均值变化的笑脸识别方法 | |
| CN108257148A (zh) | 特定对象的目标建议窗口生成方法及其在目标跟踪的应用 | |
| Sooch et al. | Emotion Classification and Facial Key point detection using AI | |
| Qiu et al. | Automatic classification of power quality disturbances via weighted convolutional neural network | |
| Dongyao et al. | A method of detecting human body falling action in a complex background | |
| Kusrini et al. | Automatic Mango Leaf and Trunk Detection as Supporting Tool of Mango Pest Identifier (MPI) | |
| JP2020181265A (ja) | 情報処理装置、システム、情報処理方法及びプログラム |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190524 |
|
| WD01 | Invention patent application deemed withdrawn after publication |