CN110398650A - 基于k-邻近SMOTE和深度学习的变压器故障诊断方法 - Google Patents
基于k-邻近SMOTE和深度学习的变压器故障诊断方法 Download PDFInfo
- Publication number
- CN110398650A CN110398650A CN201910717685.4A CN201910717685A CN110398650A CN 110398650 A CN110398650 A CN 110398650A CN 201910717685 A CN201910717685 A CN 201910717685A CN 110398650 A CN110398650 A CN 110398650A
- Authority
- CN
- China
- Prior art keywords
- training
- test
- sample
- data
- coding rate
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- 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
Abstract
本发明公开了一种基于k‑邻近SMOTE和深度学习的变压器故障诊断方法,包括对初始不平衡样本集做预处理、DNN神经网络训练、诊断测试步骤。本发明在进行插值前,先对少数类样本进行聚类,以聚类划分的区域进行插值,避免了在插入数据的过程中由于存在泛化性而导致数据分布边缘化以及模糊正负类边界的问题;生成的插值在簇心和原始少数类样本点的连线上,这样就不会存在数据分布边缘化的情况,改善了诊断效果。
Description
技术领域
本发明涉及一种变压器故障诊断方法,尤其涉及一种基于k-邻近SMOTE和深度学习的变压器故障诊断方法,属于供电技术领域。
背景技术
变压器故障是变压器本身及其应用环境综合作用和长期积累的结果,故障的特征量多种多样,故障特征量与故障机理间的联系也错综复杂,给建立变压器故障诊断模型造成了很大的困难。
在变压器故障诊断中,由于变压器故障是小概率事件,非正常状态变压器真实分布非常少,同时存在变压器故障案例报告记录信息不全面和案例库中记录信息不全的问题,故障表征数据是非均衡分布的,简称为非均衡数据集。由于非均衡数据集的类别数量分布极端不均衡,会极大地影响分类任务的分析预测,模型会偏向于多数类进行判断,使得故障诊断结果错误。
非均衡数据集的类别数量分布极端不均衡,在机器学习模型进行分类任务的分析预测,会出现过拟合、欠拟合等问题,极大降低了机器学习模型的准确性和鲁棒性。
合成少数类过采样技术(Synthetic Minority Oversampling Technique,SMOTE)是基于随机过采样的改进,通过线性插值的方法来生成新的少数类样本,添加到原始数据集中,在一定程度上避免了欠采样中出现的过拟合问题。
但SMOTE自身也存在着以下问题。第一,SMOTE在确定近邻值k时存在一定的盲目性,k是超参数,即人为规定的一个参数,k是一个经验值,所以在进行近邻选择时存在着一定的主观性,可能会导致采样效果很差。第二,在进行SMOTE过采样之后,容易产生数据分布边缘化,改变了非均衡数据集的数据分布,从而产生模糊正负类边界的问题。若原样本点在少数类样本的边界,则可能会引起新插值对象向多数类样本靠近,进而改变了原始非均衡数据集的分布,从而模糊了正负类样本的边界。
随着计算机技术和人工智能理论的快速发展,逐渐出现了专家系统、机器学习、深度学习等智能技术,为电力变压器智能故障诊断开辟了新的途径。
发明内容
本发明要解决的技术问题是提供一种基于k-邻近SMOTE和深度学习的变压器故障诊断方法。
为解决上述技术问题,本发明采用的技术方案是:
一种基于k-邻近SMOTE和深度学习的变压器故障诊断方法,包括以下步骤:
步骤1:对初始不平衡样本集做预处理:
步骤1-1:计算油色谱溶解气体样本集的CH4/H2、C2H2/C2H4、C2H4/C2H6、C2H2/(C1+C2)、H2/(H2+C1+C2)、C2H4/(C1+C2)、CH4/(C1+C2)、C2H6/(C1+C2)、(CH4+C2H4)/(C1+C2)的,得到无编码比值,其中C1是以CH4为代表的一阶碳氢化合物,C2是以C2H6、C2H2、C2H4为代表的二阶碳氢化合物;
步骤1-2:按比例划分样本集,得到无编码比值的训练数据和无编码比值的测试数据;
(x_train,y_train)number=ζN (1)
(x_test,y_test)number=(1-ζ)N (2)
其中(x_train,y_train)number为训练样本数量,(x_test,y_test)number为测试样本数量,N为样本集总数量,为(1,0)的随机数;
步骤1-3:少数类样本中无编码比值的训练数据进行新样本合成,得到均衡的训练样本集:
xinew=xi+ζ(xin-xi) (3)
其中,xi为无编码比值的训练数据中少数类样本中的点,xin为xi的k个近邻点中的点,xinew为均衡的训练样本集中的点,为一个0到1之间的随机数;
步骤1-4:无编码比值的测试数据不进行处理,作为诊断测试的输入;
步骤2:DNN神经网络训练,包括以下步骤:
步骤2-1:均衡的训练样本集作为特征量输入DNN神经网络,DNN神经网络开始特征学习和训练,均衡的训练集的输入信号由9个属性描述,输入信号的9个属性分别是CH4/H2、C2H2/C2H4、C2H4/C2H6、C2H2/(C1+C2)、H2/(H2+C1+C2)、C2H4/(C1+C2)、CH4/(C1+C2)、C2H6/(C1+C2)、(CH4+C2H4)/(C1+C2)。9种气体产期速率比值;输出信号为7维实值向量;输出信号的7维实值向量分别为变压器正常状态以及局部放电、火花放电、电弧放电、低温过热、中温过热和高温过热故障状态;
步骤2-2:通过误差信号的反向传播和梯度下降法,不断修改、更新各层神经元的阈值θi′←θi+Δθi以及连接权重wi′←wi+Δwi,使误差值达到最小,过程如下:
对于训练集(xk,yk),神经网络的输出为
神经网络在上的均方误差为:
给定学习率η∈(0,1):
令第i个神经元的输入为βi:
步骤3:诊断测试:
将无编码比值测试数据作为特征量输入已训练好的DNN神经网络;输出模型的性能度量表,性能度量表包括故障类型、准确率(P)、召回率(R)、F1分数以及宏F1分数。
采用上述技术方案所取得的技术效果在于:
1、本发明在进行插值前,先对少数类样本进行聚类,以聚类划分的区域进行插值,避免了在插入数据的过程中由于存在泛化性而导致数据分布边缘化以及模糊正负类边界的问题;
2、本发明生成的插值在簇心和原始少数类样本点的连线上,这样就不会存在数据分布边缘化的情况;
3、本发明将k-邻近SMOTE和DNN结合使用,改善了诊断效果。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明的流程图;
图2是本发明实施例1中k-means SMOTE前CH4/(C1+C2)的分布散点图;
图3是本发明实施例1中k-means SMOTE后(CH4/(C1+C2)的分布散点图。
具体实施方式
实施例1:
一种基于k-邻近SMOTE和深度学习的变压器故障诊断方法,包括以下步骤:
步骤1:对初始不平衡样本集做预处理:
步骤1-1:计算油色谱溶解气体样本集的CH4/H2、C2H2/C2H4、C2H4/C2H6、C2H2/(C1+C2)、H2/(H2+C1+C2)、C2H4/(C1+C2)、CH4/(C1+C2)、C2H6/(C1+C2)、(CH4+C2H4)/(C1+C2)的,得到无编码比值,其中C1是以CH4为代表的一阶碳氢化合物,C2是以C2H6、C2H2、C2H4为代表的二阶碳氢化合物;
步骤1-2:按比例划分样本集,得到无编码比值的训练数据和无编码比值的测试数据;
(x_train,y_train)number=ζN (1)
(x_test,y_test)number=(1-ζ)N (2)
其中(x_train,y_train)number为训练样本数量,(x_test,y_test)number为测试样本数量,N为样本集总数量,ζ为(1,0)的随机数;
步骤1-3:少数类样本中无编码比值的训练数据进行新样本合成,得到均衡的训练样本集:
xinew=xi+ζ(xin-xi) (3)
其中,xi为无编码比值的训练数据中少数类样本中的点,xin为xi的k个近邻点中的点,k个近邻点为离xi最近的k个少数类样本点,通过欧式距离排列得到的,xinew为均衡的训练样本集中的点,ζ为一个0到1之间的随机数;
步骤1-4:无编码比值的测试数据不进行处理,作为诊断测试的输入;
步骤2:DNN神经网络训练,包括以下步骤:
步骤2-1:均衡的训练样本集作为特征量输入DNN神经网络,DNN神经网络开始特征学习和训练,均衡的训练集的输入信号由9个属性描述,输入信号的9个属性分别是CH4/H2、C2H2/C2H4、C2H4/C2H6、C2H2/(C1+C2)、H2/(H2+C1+C2)、C2H4/(C1+C2)、CH4/(C1+C2)、C2H6/(C1+C2)、(CH4+C2H4)/(C1+C2)。9种气体产期速率比值;输出信号为7维实值向量;输出信号的7维实值向量分别为变压器正常状态以及局部放电、火花放电、电弧放电、低温过热、中温过热和高温过热故障状态;
步骤2-2:通过误差信号的反向传播和梯度下降法,不断修改、更新各层神经元的阈值θi′←θi+Δθi以及连接权重wi′←wi+Δwi,使误差值达到最小,过程如下:
对于训练集(xk,yk),神经网络的输出为
神经网络在上的均方误差为:
给定学习率η∈(0,1):
令第i个神经元的输入为βi:
步骤3:诊断测试:
将无编码比值测试数据作为特征量输入已训练好的DNN神经网络;输出模型的性能度量表,性能度量表包括故障类型、准确率(P)、召回率(R)、F1分数以及宏F1分数。
k-邻近SMOTE算法的基本原理是:首先,找到所有少数类样本,用k-邻近算法对少数类样本进行聚类,使少数类样本分为k个簇并记录每个簇的簇中心;然后针对每个簇的样本点,找到其与簇中心的连线,在该连线上进行线性插值。
K-近邻算法是一个通过采用计算不同特征值之间的距离来完成分类的机器学习算法。他的基本思想是:存在一个样本数据集合,也称作训练样本集,并且样本集中每个数据都存在标签,即我们知道样本集中每一数据与所属分类的对应关系。输入没有标签的新数据后,将新数据的每个特征与样本集中数据对应的特征进行比较,然后算法提取样本集中特征最相似数据(最近邻)的分类标签。
相比SMOTE算法,k-邻近SMOTE算法具有如下两个优势,一是新生成的样本点更加符合真实少数类样本点的特征,二是新生成的样本点更趋近于簇心,而不会趋近正样本点,从而避免了模糊正负样本边界的问题。
在测试数据集上进行测试,使用k-邻近SMOTE方法对变压器的9个特征量进行合成采样,k-邻近SMOTE前后训练样本数据的分布情况对比如表1所示。
经过k-邻近SMOTE之后,每种故障类型的样本数由原来几十个上升至与正常样本数相同,从而实现了训练样本数据分布的均衡化。以CH4/(C1+C2)为例,k-meansSMOTE前的分布散点图如图2所示,图3是k-meansSMOTE后的CH4/(C1+C2)数据分布散点图,灰度不同对应不同的故障类型,其中0、1、2、3、4、5、6分别代表变压器正常以及局部放电、火花放电、电弧放电、低温过热、中温过热和高温过热故障。对比图2和图3得,新生成的数据大部分处于某一个区域,都位于原始数CH4/(C1+C2)的范围内,偏差较小,符合真实数据的分布。
然后使用DNN进行变压器故障诊断,将进行k-邻近SMOTE之后的无编码比值训练数据作为特征量输入DNN,DNN网络开始进行特征学习,根据初始连接权重和阈值开始训练,低层特征属性逐渐转化为高层特征属性,通过误差信号的反向传播和梯度下降法,不断修改、更新各层神经元的阈值以及连接权重,使误差值达到最小,模型参数不断优化,满足迭代停止条件,得到训练好的DNN网络。
实际使用中,将无编码比值测试数据作为特征量输入已训练好的DNN神经网络,该方法输出变压器的故障类型和各项参数。
表1
Claims (1)
1.一种基于k-邻近SMOTE和深度学习的变压器故障诊断方法,其特征在于:包括以下步骤:
步骤1:对初始不平衡样本集做预处理:
步骤1-1:计算油色谱溶解气体样本集的CH4/H2、C2H2/C2H4、C2H4/C2H6、C2H2/(C1+C2)、H2/(H2+C1+C2)、C2H4/(C1+C2)、CH4/(C1+C2)、C2H6/(C1+C2)、(CH4+C2H4)/(C1+C2)的,得到无编码比值,其中C1是以CH4为代表的一阶碳氢化合物,C2是以C2H6、C2H2、C2H4为代表的二阶碳氢化合物;
步骤1-2:按比例划分样本集,得到无编码比值的训练数据和无编码比值的测试数据;
(x_train,y_train)number=ζN (1)
(x_test,y_test)number=(1-ζ)N (2)
其中(x_train,y_train)number为训练样本数量,(X_test,y_test)number为测试样本数量,N为样本集总数量,ζ为(1,0)的随机数;
步骤1-3:少数类样本中无编码比值的训练数据进行新样本合成,得到均衡的训练样本集:
xinew=xi+ζ(xin-xi) (3)
其中,xi为无编码比值的训练数据中少数类样本中的点,xin为xi的k个近邻点中的点,xinew为均衡的训练样本集中的点,ζ为一个0到1之间的随机数;
步骤1-4:无编码比值的测试数据不进行处理,作为诊断测试的输入;
步骤2:DNN神经网络训练,包括以下步骤:
步骤2-1:均衡的训练样本集作为特征量输入DNN神经网络,DNN神经网络开始特征学习和训练,均衡的训练集的输入信号由9个属性描述,输入信号的9个属性分别是CH4/H2、C2H2/C2H4、C2H4/C2H6、C2H2/(C1+C2)、H2/(H2+C1+C2)、C2H4/(C1+C2)、CH4/(C1+C2)、C2H6/(C1+C2)、(CH4+C2H4)/(C1+C2)。9种气体产期速率比值;输出信号为7维实值向量;输出信号的7维实值向量分别为变压器正常状态以及局部放电、火花放电、电弧放电、低温过热、中温过热和高温过热故障状态;
步骤2-2:通过误差信号的反向传播和梯度下降法,不断修改、更新各层神经元的阈值θi′←θi+△θi以及连接权重wi←wi+Δwi,使误差值达到最小,过程如下:
对于训练集(xk,yk),神经网络的输出为
神经网络在上的均方误差为:
给定学习率η∈(0,1):
令第i个神经元的输入为βi:
步骤3:诊断测试:
将无编码比值测试数据作为特征量输入已训练好的DNN神经网络;输出模型的性能度量表,性能度量表包括故障类型、准确率(P)、召回率(R)、F1分数以及宏F1分数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910717685.4A CN110398650B (zh) | 2019-08-05 | 2019-08-05 | 基于k-邻近SMOTE和深度学习的变压器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910717685.4A CN110398650B (zh) | 2019-08-05 | 2019-08-05 | 基于k-邻近SMOTE和深度学习的变压器故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110398650A true CN110398650A (zh) | 2019-11-01 |
CN110398650B CN110398650B (zh) | 2023-02-03 |
Family
ID=68327526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910717685.4A Active CN110398650B (zh) | 2019-08-05 | 2019-08-05 | 基于k-邻近SMOTE和深度学习的变压器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110398650B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612078A (zh) * | 2020-05-25 | 2020-09-01 | 中国人民解放军军事科学院国防工程研究院 | 一种基于条件变分自动编码器的变压器故障样本增强方法 |
CN111832664A (zh) * | 2020-07-31 | 2020-10-27 | 华北电力大学(保定) | 基于Borderline SMOTE的电力变压器故障样本均衡化和故障诊断方法 |
CN111931568A (zh) * | 2020-06-30 | 2020-11-13 | 青岛科技大学 | 一种基于增强式学习的人体跌倒检测方法及系统 |
CN112132225A (zh) * | 2020-09-28 | 2020-12-25 | 天津天地伟业智能安全防范科技有限公司 | 一种基于深度学习的数据增强方法 |
CN112989207A (zh) * | 2021-04-27 | 2021-06-18 | 武汉卓尔数字传媒科技有限公司 | 一种信息推荐方法及装置、电子设备、存储介质 |
CN113066540A (zh) * | 2021-03-19 | 2021-07-02 | 新疆大学 | 一种油浸式变压器非平衡故障样本预处理方法 |
CN113408707A (zh) * | 2021-07-05 | 2021-09-17 | 哈尔滨理工大学 | 一种基于深度学习的网络加密流量识别方法 |
CN114528921A (zh) * | 2022-01-20 | 2022-05-24 | 江苏大学 | 一种基于lof算法与混合采样的变压器故障诊断方法 |
CN116499748A (zh) * | 2023-06-27 | 2023-07-28 | 昆明理工大学 | 基于改进smote和分类器的轴承故障诊断方法、系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875783A (zh) * | 2018-05-09 | 2018-11-23 | 西安工程大学 | 一种面向不平衡数据集的极限学习机变压器故障诊断方法 |
CN109871862A (zh) * | 2018-12-28 | 2019-06-11 | 北京航天测控技术有限公司 | 一种基于合成少数类过采样和深度学习的故障预测方法 |
CN109886288A (zh) * | 2019-01-07 | 2019-06-14 | 中国电力科学研究院有限公司 | 一种用于电力变压器的状态评价方法及装置 |
-
2019
- 2019-08-05 CN CN201910717685.4A patent/CN110398650B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875783A (zh) * | 2018-05-09 | 2018-11-23 | 西安工程大学 | 一种面向不平衡数据集的极限学习机变压器故障诊断方法 |
CN109871862A (zh) * | 2018-12-28 | 2019-06-11 | 北京航天测控技术有限公司 | 一种基于合成少数类过采样和深度学习的故障预测方法 |
CN109886288A (zh) * | 2019-01-07 | 2019-06-14 | 中国电力科学研究院有限公司 | 一种用于电力变压器的状态评价方法及装置 |
Non-Patent Citations (4)
Title |
---|
VIET TRA等: "Improving Diagnostic Performance of a Power Transformer Using an Adaptive Over-Sampling Method for Imbalanced Data", 《IEEE TRANSACTIONS ON DIELECTRICS AND ELECTRICAL INSULATION》 * |
YI CUI等: "Improvement of Power Transformer Insulation Diagnosis Using Oil Characteristics Data Preprocessed by SMOTEBoost Technique", 《IEEE TRANSACTIONS ON DIELECTRICS AND ELECTRICAL INSULATION》 * |
廖伟涵等: "基于四阶段预处理与GBDT的油浸式变压器故障诊断方法", 《电网技术》 * |
陶新民等: "基于精简集支持向量机的变压器故障检测方法", 《高电压技术》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612078A (zh) * | 2020-05-25 | 2020-09-01 | 中国人民解放军军事科学院国防工程研究院 | 一种基于条件变分自动编码器的变压器故障样本增强方法 |
CN111931568A (zh) * | 2020-06-30 | 2020-11-13 | 青岛科技大学 | 一种基于增强式学习的人体跌倒检测方法及系统 |
CN111832664A (zh) * | 2020-07-31 | 2020-10-27 | 华北电力大学(保定) | 基于Borderline SMOTE的电力变压器故障样本均衡化和故障诊断方法 |
CN112132225A (zh) * | 2020-09-28 | 2020-12-25 | 天津天地伟业智能安全防范科技有限公司 | 一种基于深度学习的数据增强方法 |
CN113066540A (zh) * | 2021-03-19 | 2021-07-02 | 新疆大学 | 一种油浸式变压器非平衡故障样本预处理方法 |
CN112989207A (zh) * | 2021-04-27 | 2021-06-18 | 武汉卓尔数字传媒科技有限公司 | 一种信息推荐方法及装置、电子设备、存储介质 |
CN113408707A (zh) * | 2021-07-05 | 2021-09-17 | 哈尔滨理工大学 | 一种基于深度学习的网络加密流量识别方法 |
CN114528921A (zh) * | 2022-01-20 | 2022-05-24 | 江苏大学 | 一种基于lof算法与混合采样的变压器故障诊断方法 |
CN116499748A (zh) * | 2023-06-27 | 2023-07-28 | 昆明理工大学 | 基于改进smote和分类器的轴承故障诊断方法、系统 |
CN116499748B (zh) * | 2023-06-27 | 2023-08-29 | 昆明理工大学 | 基于改进smote和分类器的轴承故障诊断方法、系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110398650B (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110398650A (zh) | 基于k-邻近SMOTE和深度学习的变压器故障诊断方法 | |
Roffo et al. | Infinite latent feature selection: A probabilistic latent graph-based ranking approach | |
CN108051660A (zh) | 一种变压器故障组合诊断模型建立方法及诊断方法 | |
Xiao et al. | Based on grid-search and PSO parameter optimization for Support Vector Machine | |
Li et al. | A Bayesian optimization AdaBN-DCNN method with self-optimized structure and hyperparameters for domain adaptation remaining useful life prediction | |
Baraldi et al. | Classifier-ensemble incremental-learning procedure for nuclear transient identification at different operational conditions | |
CN106339416A (zh) | 基于网格快速搜寻密度峰值的数据聚类方法 | |
CN111898690B (zh) | 一种电力变压器故障分类方法及系统 | |
Tang et al. | Variable predictive model class discrimination using novel predictive models and adaptive feature selection for bearing fault identification | |
Chen et al. | Aero-engine remaining useful life prediction method with self-adaptive multimodal data fusion and cluster-ensemble transfer regression | |
CN108171012A (zh) | 一种基因分类方法与装置 | |
Ghosh et al. | The class imbalance problem in deep learning | |
CN109359668A (zh) | 一种航空发动机多故障并发诊断方法 | |
Ghanavati et al. | An effective integrated method for learning big imbalanced data | |
CN110263834A (zh) | 一种新能源电能质量异常值的检测方法 | |
CN114609994A (zh) | 基于多粒度正则化重平衡增量学习的故障诊断方法及装置 | |
CN109063418A (zh) | 疾病预测分类器的确定方法、装置、设备及可读存储介质 | |
Lee et al. | Nested support vector machines | |
CN116452542A (zh) | 一种基于神经监督决策树的gis局部放电缺陷诊断方法 | |
Tutek et al. | Toward practical usage of the attention mechanism as a tool for interpretability | |
Naik et al. | A global-best harmony search based gradient descent learning FLANN (GbHS-GDL-FLANN) for data classification | |
CN114925938A (zh) | 一种基于自适应svm模型的电能表运行状态预测方法、装置 | |
Gao et al. | Incremental prediction model of disk failures based on the density metric of edge samples | |
CN111950652A (zh) | 一种基于相似度的半监督学习数据分类算法 | |
Çetinkaya et al. | Performance comparison of most recently proposed evolutionary, swarm intelligence, and physics-based metaheuristic algorithms for retinal vessel segmentation |
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 |