CN110334651A - 一种基于迁移学习的变电站坐标校验方法 - Google Patents
一种基于迁移学习的变电站坐标校验方法 Download PDFInfo
- Publication number
- CN110334651A CN110334651A CN201910602558.XA CN201910602558A CN110334651A CN 110334651 A CN110334651 A CN 110334651A CN 201910602558 A CN201910602558 A CN 201910602558A CN 110334651 A CN110334651 A CN 110334651A
- Authority
- CN
- China
- Prior art keywords
- substation
- satellite image
- transfer learning
- power transformation
- model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013526 transfer learning Methods 0.000 title claims abstract description 26
- 238000012795 verification Methods 0.000 title abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000013508 migration Methods 0.000 claims abstract description 9
- 230000005012 migration Effects 0.000 claims abstract description 9
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims 12
- 238000013507 mapping Methods 0.000 claims 1
- 238000012216 screening Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 241000490229 Eucephalus Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000002645 vision therapy Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于迁移学习的变电站坐标校验方法，首先获取变电站卫星图像。从所述变电站卫星图像中筛选部分含有变电站的卫星图像，得到含变电站卫星图像，随机从所述变电站卫星图像中获取部分变电站的卫星图像，得到随机变电站卫星图像。根据含变电站卫星图像和随机变电站卫星图像创建训练集，之后在ImageNet数据集上获取预训练模型，将预训练模型上添加识别变电站所需的层后形成适用识别变电站的迁移学习模型，再通过训练集训练所述迁移学习模型得到可用于识别变电站图像的变电站识别模型，最后通过所述变电站识别模型判断变电站坐标的准确性。本申请的坐标校验方法能够有效筛选出小范围偏差的数据，显著提高变电站坐标的准确度。
Description
技术领域
本发明涉及图像识别技术领域，特别涉及一种基于迁移学习的变电站坐标校验方法。
背景技术
近几年，自然灾害频发。在后应急工作中，需要第一时间确定电网中的变电站有哪些在灾害波及范围内，以便展开后续的灾后应急工作。为了达到此目的，变电站的坐标数据就需要尽可能的精准。但在实际的工作中，一线人员录入的变电站数据存在数据不精准的问题，甚至有随意填写的情况存在。现有的变电站坐标校验方法通常采用地理方法来检测坐标的准确度，比如云南电网的变电站，理论上都处在云南境内。通过计算云南省的中心坐标与数据库中变电站坐标的距离，可以筛选出一部分有明显错误的坐标。但对于小范围偏差的数据，现有的变电站坐标校验方法并没有办法实现筛查。
发明内容
本发明的目的旨在克服现有技术存在的不足，提供了一种基于迁移学习的变电站坐标校验方法，能够精确的检测每一个变电站坐标对应的卫星图像中是否含有变电站。可以有效筛选出小范围偏差的数据，显著提高变电站坐标的准确度。
为了解决上述技术问题本发明提供一种基于迁移学习的变电站坐标校验方法，所述方法包括：
获取变电站卫星图像；
从所述变电站卫星图像中筛选部分含有变电站的卫星图像，得到含变电站卫星图像；
随机从所述变电站卫星图像中获取部分变电站的卫星图像，得到随机变电站卫星图像；
将所述含变电站卫星图像和所述随机变电站卫星图像组成训练集；
获取在ImageNet数据集上预先训练好的卷积神经网络的卷积基；
在所述卷积基上重新添加用于识别变电站的全链接层，构建迁移学习模型；
利用所述训练集训练所述迁移学习模型，得到变电站识别模型；
利用所述变电站识别模型判断变电站坐标是否准确。
优选的，所述获取变电站卫星图像包括：
利用爬虫技术调用谷歌地图API，将变电站坐标转换为对应地点的变电站卫星图像。
优选的，所述爬虫技术为多线程爬虫技术。
优选的，所述利用所述变电站识别模型判断变电站坐标是否准确包括：
根据所述变电站坐标获取对应地点的变电站卫星图像，得到坐标对应卫星图像；
利用所述变电站识别模型判断所述坐标对应卫星图像上是否存在变电站；
如果所述坐标对应卫星图像上存在变电站，则所述变电站坐标准确；
如果所述坐标对应卫星图像上不存在变电站，则所述变电站坐标不准确。
优选的，所述迁移学习模型为VGG16、VGG1、Xception、ResNet50、InceptionV3、InceptionResNetV2、MobileNet、以及NASNet中的任意一种。
优选的，所述迁移学习模型在Theano、Tensorflow以及VNTK中的任意一个为后端的Keras平台上构建和训练。
本申请实施例提供的技术方案的有益效果：获取变电站卫星图像；从所述变电站卫星图像中筛选部分含有变电站的卫星图像，得到含变电站卫星图像；随机从所述变电站卫星图像中获取部分变电站的卫星图像，得到随机变电站卫星图像；将所述含变电站卫星图像和所述随机变电站卫星图像组成训练集；获取在ImageNet数据集上预先训练好的卷积神经网络的卷积基；在所述卷积基上重新添加用于识别变电站的全链接层，构建迁移学习模型；利用所述训练集训练所述迁移学习模型，得到变电站识别模型；利用所述变电站识别模型判断变电站坐标是否准确。本申请首先根据现有的含变电站卫星图像和随机变电站卫星图像创建训练集，之后在ImageNet数据集上获取预训练模型，将预训练模型上添加识别变电站所需的层后形成适用识别变电站的迁移学习模型，再通过训练集训练所述迁移学习模型得到可用于识别变电站图像的变电站识别模型，最后通过所述变电站识别模型判断变电站坐标的准确性。本申请的坐标校验方法能够有效筛选出小范围偏差的数据，显著提高变电站坐标的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的基于迁移学习的变电站坐标校验方法的流程示意图；
图2为本申请实施例提供的获取变电站卫星图像的爬虫的框架示意图；
图3为本申请实施例提供的变电站识别模型的构件和训练流程示意图；
图4为本申请实施例提供的通过变电站识别模型判断变电站坐标是否准确的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，为本申请实施例提供的基于迁移学习的变电站坐标校验方法的流程示意图。所述方法包括：
步骤S101：获取变电站卫星图像。
其中，所述获取变电站卫星图像可以包括：利用爬虫技术调用谷歌地图API，将变电站坐标转换为对应地点的变电站卫星图像。所述爬虫技术还可以为多线程爬虫技术。如图2所示，具体的转换过程可以是：工作线程分为一个主盘(Master)和多个从盘(SlaveThreading模块)aster线程读取存变电站坐标的csv数据表格(Location.CSV)。将每一条变电站坐标数据，结合API的其他参数打包为一个任务(task)，并将task放入工作工作队列(workqueue)。多个Slave线程轮流向workqueue索取task，拿到task后，以task中的参数包为请求参数向谷歌工具集合(GoogleStaticMapAPI)发出GET请求，并将返回的变电站卫星图像存至本地数据库(Database)。变电站坐标为变电站在世界地图上的经纬度坐标。
步骤S102：从所述变电站卫星图像中筛选部分含有变电站的卫星图像，得到含变电站卫星图像；
步骤S103：随机从所述变电站卫星图像中获取部分变电站的卫星图像，得到随机变电站卫星图像；
步骤S102的获取含变电站卫星图像的过程可以是人工筛选出含有变电站的多张卫星图像，得到多张含变电站卫星图像用于组成训练模型的训练集。步骤S103的随机选取可以是人工筛选也可以是计算机程序随机选取。
步骤S104至步骤S107为本申请变电站识别模型的构建和训练过程，如图3所示，步骤S104：将所述含变电站卫星图像和所述随机变电站卫星图像组成训练集。首先可以将所述含变电站卫星图像和所述随机变电站卫星图像组合成数据集，再把数据集分为训练集、验证集以及测试集。步骤S105：获取在ImageNet数据集上预先训练好的卷积神经网络(预训练好的模型)的卷积基(用于提取特征的卷积基)。ImageNet是一个计算机视觉系统识别项目名称，是目前世界上图像识别最大的数据库。是美国斯坦福的计算机科学家，模拟人类的识别系统建立的。ImageNet就像一个网络一样，拥有多个Node(节点)。每一个node相当于一个item或者subcategory。ImageNet数据集实际上就是一个巨大的可供图像/视觉训练的图片库。ImageNet的结构基本上是金字塔型:目录->子目录->图片集。首先从ImageNet数据集上选取一种预训练模型，摘除预训练模型顶部用于实现分类的全链接层，保留其卷积基即得到预训练模型(预先训练号的卷积神经网络)的卷积基。
步骤S106：在所述卷积基上重新添加用于识别变电站的全链接层，构建迁移学习模型。步骤S106是在得到的预训练模型的卷积基的顶部再添加用于识别变电站所需的连接层后形成未经训练的迁移学习模型。其中，述迁移学习模型为VGG16、VGG1、Xception、ResNet50、InceptionV3、InceptionResNetV2、MobileNet、以及NASNet中的任意一种。步骤S107：利用所述训练集训练所述迁移学习模型，得到变电站识别模型(拥有变电站识别能力的模型)。所述迁移学习模型在Theano、Tensorflow以及VNTK中的任意一个为后端的Keras平台上构建和训练。
步骤S108：利用所述变电站识别模型判断变电站坐标是否准确。具体的，如图4所示，所述利用所述变电站识别模型判断变电站坐标是否准确包括：
根据所述变电站坐标获取对应地点的变电站卫星图像，得到坐标对应卫星图像；具体的首先从数据库中提取一条变电站坐标即待校验的变电站坐标数据，将该待校验的变电站坐标数据输入到爬虫，得到坐标对应卫星图像。
再利用所述变电站识别模型判断所述坐标对应卫星图像上是否存在变电站；
如果所述坐标对应卫星图像上存在变电站，则所述变电站坐标准确；
如果所述坐标对应卫星图像上不存在变电站，则所述变电站坐标不准确。
另外，如果判断出所述变电站坐标准确则继续判断下一条变电站坐标数据，如果判断出所述变电站坐标不准确则系统可以向相关人员发出警报提醒，告知相关人员变电站坐标存在错误，相关人员可以将不准确的变电站坐标删除或者通过修正程序进行修正。也可以通过本申请的到的变电站识别模型对修正后的变电站坐标进行校验，校验后仍然不准确则再次进行修正，直至系统告知变电站坐标准确。通过上述方式可以准确的识别偏差范围较小的数据，显著的提高变电站坐标的准确度。由于变电站的位置可能会发生改动，因此可以利用本申请的变电站坐标校验方法实时对变电站坐标数据进行校验，实时更新系统中的变电站坐标数据。
迁移学习是运用已存有的知识对不同但相关领域问题进行求解的新的一种机器学习方法。它放宽了传统机器学习中的两个基本假设，目的是迁移已有的知识来解决目标领域中仅有少量有标签样本数据甚至没有的学习问题。在传统分类学习中，为了保证训练得到的分类模型具有准确性和高可靠性，都有两个基本的假设：(1)用于学习的训练样本与新的测试样本满足独立同分布；(2)必须有足够可用的训练样本才能学习得到一个好的分类模型。但是，在实际应用中我们发现这两个条件往往无法满足。首先，随着时间的推移，原先可利用的有标签样本数据可能变得不可用，与新来的测试样本的分布产生语义、分布上的缺口。另外，有标签样本数据往往很缺乏，而且很难获得。这就引起了机器学习中另外一个重要问题，如何利用少量的有标签训练样本或者源领域数据，建立一个可靠的模型对具有不同数据分布的目标领域进行预测。本申请首先根据现有的含变电站卫星图像和随机变电站卫星图像创建训练集，之后在ImageNet数据集上获取预训练模型，将预训练模型上添加识别变电站所需的层后形成适用识别变电站的迁移学习模型，再通过训练集训练所述迁移学习模型得到可用于识别变电站图像的变电站识别模型，最后通过所述变电站识别模型判断变电站坐标的准确性。本申请的坐标校验方法能够有效筛选出小范围偏差的数据，显著提高变电站坐标的准确度。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (6)
1.一种基于迁移学习的变电站坐标校验方法，其特征在于，所述方法包括：
获取变电站卫星图像；
从所述变电站卫星图像中筛选部分含有变电站的卫星图像，得到含变电站卫星图像；
随机从所述变电站卫星图像中获取部分变电站的卫星图像，得到随机变电站卫星图像；
将所述含变电站卫星图像和所述随机变电站卫星图像组成训练集；
获取在ImageNet数据集上预先训练好的卷积神经网络的卷积基；
在所述卷积基上重新添加用于识别变电站的全链接层，构建迁移学习模型；
利用所述训练集训练所述迁移学习模型，得到变电站识别模型；
利用所述变电站识别模型判断变电站坐标是否准确。
2.如权利要求1所述的基于迁移学习的变电站坐标校验方法，其特征在于，所述获取变电站卫星图像包括：
利用爬虫技术调用谷歌地图API，将变电站坐标转换为对应地点的变电站卫星图像。
3.如权利要求2所述的基于迁移学习的变电站坐标校验方法，其特征在于，所述爬虫技术为多线程爬虫技术。
4.如权利要求1所述的基于迁移学习的变电站坐标校验方法，其特征在于，所述利用所述变电站识别模型判断变电站坐标是否准确包括：
根据所述变电站坐标获取对应地点的变电站卫星图像，得到坐标对应卫星图像；
利用所述变电站识别模型判断所述坐标对应卫星图像上是否存在变电站；
如果所述坐标对应卫星图像上存在变电站，则所述变电站坐标准确；
如果所述坐标对应卫星图像上不存在变电站，则所述变电站坐标不准确。
5.如权利要求1所述的基于迁移学习的变电站坐标校验方法，其特征在于，所述迁移学习模型为VGG16、VGG1、Xception、ResNet50、InceptionV3、InceptionResNetV2、MobileNet、以及NASNet中的任意一种。
6.如权利要求1所述的基于迁移学习的变电站坐标校验方法，其特征在于，所述迁移学习模型在Theano、Tensorflow以及VNTK中的任意一个为后端的Keras平台上构建和训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910602558.XA CN110334651B (zh) | 2019-07-05 | 2019-07-05 | 一种基于迁移学习的变电站坐标校验方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910602558.XA CN110334651B (zh) | 2019-07-05 | 2019-07-05 | 一种基于迁移学习的变电站坐标校验方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110334651A true CN110334651A (zh) | 2019-10-15 |
| CN110334651B CN110334651B (zh) | 2023-06-23 |
Family
ID=68144240
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910602558.XA Active CN110334651B (zh) | 2019-07-05 | 2019-07-05 | 一种基于迁移学习的变电站坐标校验方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110334651B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113095194A (zh) * | 2021-04-02 | 2021-07-09 | 北京车和家信息技术有限公司 | 图像分类方法、装置、存储介质及电子设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105426908A (zh) * | 2015-11-09 | 2016-03-23 | 国网冀北电力有限公司信息通信分公司 | 一种基于卷积神经网络的变电站属性分类方法 |
| CN105426825A (zh) * | 2015-11-09 | 2016-03-23 | 国网山东省电力公司烟台供电公司 | 一种基于航拍图像识别的电网地理接线图绘制方法 |
| CN105894041A (zh) * | 2016-04-26 | 2016-08-24 | 国网山东省电力公司经济技术研究院 | 基于高光谱遥感影像提取配电网系统中变电站信息的方法 |
| US20160379092A1 (en) * | 2015-06-26 | 2016-12-29 | Intel Corporation | System for building a map and subsequent localization |
| CN106504210A (zh) * | 2016-10-28 | 2017-03-15 | 国网四川省电力公司电力科学研究院 | 一种modis影像数据缺失修复方法 |
| CN108960143A (zh) * | 2018-07-04 | 2018-12-07 | 北京航空航天大学 | 一种高分辨率可见光遥感图像中的舰船检测深度学习方法 |
| CN109344774A (zh) * | 2018-10-08 | 2019-02-15 | 国网经济技术研究院有限公司 | 遥感影像中的火力发电站目标识别方法 |
| CN109696698A (zh) * | 2019-03-05 | 2019-04-30 | 湖南国科微电子股份有限公司 | 导航定位预测方法、装置、电子设备及存储介质 |
| CN109801219A (zh) * | 2019-01-11 | 2019-05-24 | 广州时空位置网科学技术研究院有限公司 | 面向在线地图叠加的gis数据校正方法及装置 |
-
2019
- 2019-07-05 CN CN201910602558.XA patent/CN110334651B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160379092A1 (en) * | 2015-06-26 | 2016-12-29 | Intel Corporation | System for building a map and subsequent localization |
| CN105426908A (zh) * | 2015-11-09 | 2016-03-23 | 国网冀北电力有限公司信息通信分公司 | 一种基于卷积神经网络的变电站属性分类方法 |
| CN105426825A (zh) * | 2015-11-09 | 2016-03-23 | 国网山东省电力公司烟台供电公司 | 一种基于航拍图像识别的电网地理接线图绘制方法 |
| CN105894041A (zh) * | 2016-04-26 | 2016-08-24 | 国网山东省电力公司经济技术研究院 | 基于高光谱遥感影像提取配电网系统中变电站信息的方法 |
| CN106504210A (zh) * | 2016-10-28 | 2017-03-15 | 国网四川省电力公司电力科学研究院 | 一种modis影像数据缺失修复方法 |
| CN108960143A (zh) * | 2018-07-04 | 2018-12-07 | 北京航空航天大学 | 一种高分辨率可见光遥感图像中的舰船检测深度学习方法 |
| CN109344774A (zh) * | 2018-10-08 | 2019-02-15 | 国网经济技术研究院有限公司 | 遥感影像中的火力发电站目标识别方法 |
| CN109801219A (zh) * | 2019-01-11 | 2019-05-24 | 广州时空位置网科学技术研究院有限公司 | 面向在线地图叠加的gis数据校正方法及装置 |
| CN109696698A (zh) * | 2019-03-05 | 2019-04-30 | 湖南国科微电子股份有限公司 | 导航定位预测方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| S. WANG等: "A method of target recognition from remote sensing images", 《 2009 IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS》 * |
| 祝思君: "基于深度学习的无人机遥感图像目标识别方法研究", 《中国优秀硕士学位论文全文数据库，2019年度》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113095194A (zh) * | 2021-04-02 | 2021-07-09 | 北京车和家信息技术有限公司 | 图像分类方法、装置、存储介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110334651B (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11270397B2 (en) | Automatic urban land identification system integrating business big data with building form | |
| CN107742093B (zh) | 一种红外图像电力设备部件实时检测方法、服务器及系统 | |
| CN107392901A (zh) | 一种用于输电线路部件智能自动识别的方法 | |
| US8312401B2 (en) | Method for smart defect screen and sample | |
| CN111553303A (zh) | 基于卷积神经网络的遥感正射影像密集建筑物提取方法 | |
| CN111598942A (zh) | 一种用于对电力设施仪表进行自动定位的方法及系统 | |
| CN109635748A (zh) | 高分辨率影像中道路特征的提取方法 | |
| CN114677522B (zh) | 基于建筑图斑和深度学习的建筑结构类型预测方法及系统 | |
| CN104361255B (zh) | 一种改进元胞自动机城市扩张模拟方法 | |
| CN110852243A (zh) | 一种基于改进YOLOv3的道路交叉口检测方法及装置 | |
| CN112084865A (zh) | 目标检测方法、装置、电子设备和存储介质 | |
| CN110334651A (zh) | 一种基于迁移学习的变电站坐标校验方法 | |
| CN112052342A (zh) | 基于在线测试结果大数据分析的学习路径推荐方法及系统 | |
| CN110986949A (zh) | 一种基于人工智能平台下的路径识别方法 | |
| CN112699736A (zh) | 一种基于空间注意力的桥梁支座病害识别方法 | |
| CN110942029B (zh) | 基于GIS技术和空间数据的地物检测Mask R-CNN模型训练方法 | |
| CN104299065A (zh) | 一种调度自动化主备系统间模型正确性校验的方法 | |
| CN111091343B (zh) | 一种教学资源检测方法及计算机存储介质 | |
| CN106815607A (zh) | 一种基于反距离权重插值反函数的等值线图像数据提取方法 | |
| CN117636125A (zh) | 一种基于C2f-Faster的YOLOv8n输电线路故障检测方法 | |
| CN116630787A (zh) | 一种垃圾桶满溢轻量化检测方法、设备及存储设备 | |
| US12020337B2 (en) | System and method for data validation and correction in a hydrocarbon exploration system | |
| CN113822148B (zh) | 一种基于卷积神经网络的轨道微小遗留物智能辨识方法 | |
| CN117216507B (zh) | 一种基于地理分区的深度神经网络模型可迁移性度量方法 | |
| CN118172674B (zh) | 一种居民房屋重置价值的遥感估算方法及其系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |