CN110458838A - 一种故障类型的检测方法、装置、存储介质及设备 - Google Patents
一种故障类型的检测方法、装置、存储介质及设备 Download PDFInfo
- Publication number
- CN110458838A CN110458838A CN201910784177.8A CN201910784177A CN110458838A CN 110458838 A CN110458838 A CN 110458838A CN 201910784177 A CN201910784177 A CN 201910784177A CN 110458838 A CN110458838 A CN 110458838A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- fault type
- bilinearity
- network 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.)
- Pending
Links
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种故障类型的检测方法、装置、存储介质及设备,获取待检测图像,将待检测图像输入预设的双线性卷积网络模型,得到双线性卷积网络模型输出的检测结果。基于视频中的图像帧依次作为待检测图像的检测结果,确定对象的故障类型。双线性卷积网络模型输出的检测结果能够突出不同类型对象之间的区别信息、模糊同一类型对象之间的区别信息,又因为基于视频中的图像帧依次作为待检测图像的检测结果,确定对象的故障类型,所以依据视频中帧序列共同确定故障类型,更为贴近实际情况,综上所述,本申请提供的技术方案,确定的故障类型更为准确。
Description
技术领域
本申请涉及电子信息领域,尤其涉及一种故障类型的检测方法、装置、存储介质及设备。
背景技术
高炉冶炼是在高炉中把金属矿石还原成液态金属的一种冶金方法。在高炉冶炼过程中,高炉风口是可以直接观察到炉内局部冶炼状况的地方。风口窥视孔显示的图像能有效反映高炉的热制度、送风制度、燃料喷吹以及炉料与煤气流运动的情况。在实际中,高炉风口可能存在多种故障类型,例如,漏水、断煤、落大块、挂渣、休风等。如果高炉风口存在故障并且没有被及时发现处理,将会影响高炉的稳定生产,甚至造成重大安全事故。
目前国内部分高炉风口配备在线成像装置,可以采集风口的实时视频数据。工作人员能够通过风口的视频数据判定风口的工作状况。
可见,目前还是主要依靠人为观察,判定风口的工作状况。
发明内容
申请人在研究的过程中发现,依据视频数据,自动判定风口的工作状况的技术壁垒在于,不同工作状态的风口图像之间的类间差异小以及类内差异大,因此,自动判定的准确性不高。
本申请提供了一种高炉风口的故障类型检测方法、装置、存储介质及设备,目的在于提高自动检测高炉风口的故障类型的准确性。
为了实现上述目的,本申请提供了以下技术方案:
一种故障类型的检测方法,包括:
获取待检测图像,所述待检测图像由待检测的对象成像形成;
将所述待检测图像输入预设的双线性卷积网络模型,得到所述双线性卷积网络模型输出的所述待检测图像的检测结果,所述双线性卷积网络模型至少用于对所述待检测图像进行下采样,提取下采样结果的特征,得到第一特征数据,并至少依据所述第一特征,得到所述检测结果;
基于视频中的图像帧依次作为所述待检测图像的检测结果,确定所述对象的故障类型。
可选的,所述双线性卷积网络模型的一个分支网络为残差网络,所述残差网络的每个残差块中包括编码单元和解码单元,所述编码单元用于对目标数据进行下采样并提取下采样结果的特征,得到第一特征数据;所述解码单元用于将所述第一特征数据的维度恢复至所述目标数据的维度,得到第二特征数据;该残差块的输出数据通过至少对所述第二特征数据进行运算得到,所述目标数据依据所述待检测图像获取。
可选的,所述基于视频中的图像帧作为所述待检测图像的检测结果,确定所述对象的故障类型,包括:
从所述视频中选择作为所述待检测图像的图像帧;
在任意一帧待检测图像的检测结果表示目标故障类型的情况下,记录所述目标故障类型,以及该帧待检测图像之后的每帧待检测图像的故障类型,直至该帧待检测图像之后的第一预设数量的待检测图像的故障类型均被记录,得到故障类型序列,其中,所述目标故障类型为任意一种故障类型;
计算每个故障类型序列中占比大于预设阈值的故障类型,作为该故障序列对应的待检测图像的采集时间段内的故障类型。
可选的,所述双线性卷积网络模型的训练样本包括:
标注的第一类图像和标注的第二类图像;
所述第一类图像中的对象的故障类型与所述第二类图像中的对象的故障类型不同;
所述第一类型图像和\或所述第二类图像包括至少两幅不同的图像;
训练所述双线性卷积网络模型使用的损失函数包括:
差值与常数之和,所述差值为类间差异项与类内差异项之差;所述类间差异项为所述第一类图像的输出结果与所述第二类图像的输出结果之间的差异,所述类内差异项为属于相同类型的图像的输出结果之间的差异。
可选的,所述损失函数还包括:
图像的分类误差的均值,其中,任意一帧图像的分类误差为,该帧图像经所述双线性卷积网络模型输出的故障类型,与该帧图像标注的故障类型之间的差异。
可选的,所述训练样本的获取方式包括:
将预设图像输入目标模型,得到所述目标模型输出的重构图像;所述预设图像为包括所述对象的图像,所述目标模型以包括无故障对象的图像为训练样本,对预设图像重构模型训练得到;
计算所述预设图像与所述重构图像之间的重构误差;
从所述预设图像的重构误差中,确定重构误差最大值和重构误差最小值;
依据所述重构误差最大值、所述重构误差最小值,以及所述预设图像的重构误差,得到用于表征所述预设图像为故障图像的得分;
将得分大于预设阈值的预设图像,作为故障图像,标注后的所述故障图像为所述训练样本。
可选的,所述双线性卷积网络模型的另一个分支网络为:特征提取网络。
一种故障类型的检测装置,包括:
获取模块,用于获取待检测图像,所述待检测图像由待检测的对象成像形成;
检测模块,用于将所述待检测图像输入预设的双线性卷积网络模型,得到所述双线性卷积网络模型输出的所述待检测图像的检测结果,所述双线性卷积网络模型至少用于对所述待检测图像进行下采样,提取下采样结果的特征,得到第一特征数据;
确定模块,用于基于视频中的图像帧依次作为所述待检测图像的检测结果,确定所述对象的故障类型。
一种故障类型的检测设备,包括:
存储器和处理器;
所述存储器用于存储一个或多个程序;
所述处理器用于执行所述一个或多个程序,以使得所述目标识别设备实现上述故障类型的检测方法。
一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述故障类型的检测方法。
本申请所述的一种故障类型的检测方法及装置,获取待检测图像,将待检测图像输入预设的双线性卷积网络模型,得到双线性卷积网络模型输出的检测结果。基于视频中的图像帧依次作为待检测图像的检测结果,确定对象的故障类型。
因为双线性卷积网络模型用于对待检测图像的信息进行下采样并提取下采样结果的特征,得到第一特征数据,所以,能够扩大残差网络的接受域,而扩大接受域是增强特征语义表达的一种非常有效的方法,因此,提取到的第一特征数据能够更加强烈地表达待检测图像,从而增强了不同类型的对象的待检测图像的类间差异,且缩小了相同类型的对象的待检测图像的类内差异。又因为依据第一特征,得到检测结果,所以,双线性卷积网络模型输出的检测结果能够突出不同类型对象之间的区别信息、模糊同一类型对象之间的区别信息,又因为基于视频中的图像帧依次作为待检测图像的检测结果,确定对象的故障类型,所以相比于单独的图像而言,依据视频中帧序列共同确定故障类型,更为贴近实际情况,综上所述,本申请提供的技术方案,确定的故障类型更为准确。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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申请的一些实施例,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为本申请实施例公开的一种双线性卷积网络模型的结构示意图;
图2为本申请实施例公开的一种双线性卷积网络模型的训练过程示意图;
图3为本申请实施例公开的一种目标模型的结构示意图;
图4为本申请实施例公开的确定任意一帧预设图像是故障图像或无故障图像的过程示意图;
图5为本申请实施例公开的一种故障类型的检测方法的流程图;
图6为本申请实施例公开的一种故障类型的检测装置的结构示意图;
图7为本申请实施例公开的一种故障类型的检测系统的结构示意图。
具体实施方式
本申请实施例公开的技术方案,处理对象为由待检测的对象成像形成的图像,目的在于,依据包括待检测对象的图像,确定对象的故障类型。在以下实施例中,以对象为高炉风口为例进行说明。本申请所述的技术方案,也可以用于确定其它对象的故障类型,尤其适用于同种故障类型的对象的图像间的类内差异大,而不同故障类型的对象的图像间的类间差异小的场景。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1为本申请实施例提供的一种双线性卷积网络模型的结构示意图。
具体的,双线性卷积网络模型包括作为一个分支网络的残差网络、作为另一个分支网络的特征提取网络(图1中,以VGG-16网络为例)和分类模型(如softmax模型)。
具体的,残差网络可以为残差50层网络。其中,残差网络中的残差块的连接关系可以参见现有技术,这里不再赘述。
每个残差块的结构相同,其中,任意一个残差块包括:三个第一卷积单元(分别为第一个第一卷积单元、第二个第一卷积单元和第三个第一卷积单元)、编码单元、解码单元、第二卷积单元、第一相乘单元和相加单元。
其中,第一个第一卷积单元与编码单元连接,编码单元与解码单元连接,解码单元与第一相乘单元连接,第二个第一卷积单元与第二卷积单元连接,第二卷积单元与第一相乘单元连接,第一相乘单元与第三个第一卷积单元连接,第三个第一卷积单元与相加单元连接。
其中,编码单元包括下采样单元(以池化单元为例)和特征提取单元(以第二卷积单元为例),解码单元包括上采样单元和第一卷积单元。进一步的,图1中,第一卷积单元为1*1的卷积核,第二卷积单元为3*3的卷积核。
残差网络中,还包括与残差块中的第一个第一卷积单元以及第二个第一卷积单元相连的第三卷积单元(如7*7的卷积核)。
输入残差网络的图像的处理流程包括:输入图像经过第三卷积单元的卷积运算后,得到目标数据,目标数据输入第一个第一卷积单元,第一个第一卷积运算的运算结果输入编码单元,具体的,编码单元先对输入的数据进行下采样,再对下采样结果进行三维卷积运算,以提取下采样结果的特征,得到第一特征数据。第一特征数据输入解码单元,具体的,解码单元先对第一特征数据进行上采样,并对上采样得到数据进行一维卷积操作,以将第一特征数据的维度恢复至目标数据的维度,得到第二特征数据,第二特征数据输入第一相乘单元。
输入残差网络的图像,经过第三卷积单元的卷积运算后,还被输入第二个第一卷积单元,第二个第一卷积单元的卷积运算结果输入第二卷积单元,第二卷积单元的卷积运算结果输入第一相乘单元,第一相乘单元将两部分的输入数据(即解码单元和第二卷积单元的输出数据)进行相乘运算,相乘运算结果经过第三个第一卷积单元的卷积运算,第三个第一卷积单元的输出结果作为相加单元的输入。
同时输入图像经过第三卷积单元的卷积运算,卷积运算结果作为相加单元的输入数据,相加单元将两部分的输入数据(即第三个第一卷积单元和第三卷积单元的数据)进行相加,得到残差块的输出数据。
具体的,编码单元和解码单元的运算过程可表示为如下公式(1)所示:
M=μ(Fm(D(x),{Wm})) (1)
式中,M表示解码的单元的输出,μ表示上采样,Fm表示3*3卷积层,D(x)表示对x进行下采样,x表示输入编码单元的数据,{Wm}表示对D(x)进行卷积所使用的参数。在本实施例中,编码单元包含第一卷积操作的目的是产生一个显著的权重图,并且,第一卷积操作的通道尺寸为Cm,其中,Cm的计算公式如下公式(2)所示:
Cm=Cin/r (2)
式中,Cin表示输入特征的通道数,r表示本申请实施例设定的通道数取值。具体的,r的取值可以为2,当然,还可以为其他取值,本实施例不对r的取值作限定。
在本实施例的双线性卷积网络模型中,还包括:全局池化单元、取符号位单元和第二相乘单元。其中,残差网络的相加单元与全局池化单元连接,特征提取网络与取符号位单元连接,并且,全局池化单元与取符号位单元都与第二相乘单元连接,第二相乘单元与分类模型连接。
其中,全局池化单元用于对残差网络输出的数据进行全局池化操作,取符号位单元用于对特征提取网络输出的数据进行取符号位操作,第二相乘单元用于将全局池化单元的输出与取符号位单元的输出进行相乘,得到双线性卷积网络模型的特征向量,并将相乘结果输入分类模型,使得分类模型对特征向量进行分类。
上述残差网络中无论是卷积单元还是相加单元还是相乘单元,运算得到的数据都是特征图,特征图的参数包括:宽度(图2中采用W表示)、高度(图2中采用H表示)和通道数(图2中采用r表示),其中,宽度为输入图像的宽度、高度为输入图像的高度。
VGG-16网络包括五个顺序连接的卷积单元,具体的,VGG-16网络的具体结构为现有技术,这里不在赘述。以上以残差块的输入为第三卷积单元得到的结果为例进行说明,在实际中,其它残差块的输入可以不为第三卷积单元得到的结果,可以为其它残差块的输出等,即目标数据不为第三卷积单元得到的结果,但无论目标数据为何种,均由待检测图像运算得到。
本实施例提供的双线性卷积网络模型包括的残差网络的每个残差块中,包括编码单元和解码单元,因为编码模块用于对依据所述待检测图像获取的目标数据进行下采样并提取下采样结果的特征,得到第一特征数据,所以,能够扩大残差网络的接受域,而扩大接受域是增强特征语义表达的一种非常有效的方法,因此,提取到的第一特征数据能够更加强烈地表达待检测图像,从而增强了不同类型的待检测图像的类间差异,且缩小了相同类型的待检测图像的类内差异。又因为解码模块用于将第一特征数据的维度恢复至目标数据的维度,得到第二特征数据,而残差块的输出数据通过至少对第二特征数据进行运算得到,所以使得第一特征数据与其它数据能够进行运算得到残差块的输出,从而影响检测结果。综上所述,双线性卷积网络模型能够突出不同类型之间的区别信息、模糊同一类型之间的区别信息。经过实验验证,训练后的双线性卷积网络模型对于高炉风口刮渣故障、漏水故障以无故障三类较相似图像的识别效果有显著的提升。
此外,在残差网络中加入编码单元和解码单元,可以使得残差网络更加稳定,提高残差网络的平移不变性和尺度不变性。同时,编码单元和解码单元具有较强的可移植性。
需要说明的是,图1所示的双线性卷积网络模型中,残差块的具体接收为本申请改进的重点,其它部分的具体结构可以参见现有技术,这里不再赘述。
图2为本申请实施例提供的一种双线性卷积网络模型的训练过程示意图,包括以下步骤:
S201、获取训练样本。
在本步骤中,训练样本为经过标注的高炉风口图像,其中,标注是指标记图像中的高炉风口的故障的类型。
本实施例中,故障的类型包括:风口漏水、风口断煤、吹管损坏、风口落大块、风口挂渣、风口休风等。
S202、对训练样本进行预处理。
在本步骤中,对训练样本的预处理过程可以包括步骤A1~步骤A5:
A1、对训练样本中的每帧图像进行噪声水平估计,依据估计结果选取噪声水平小于预设噪声阈值的图像为第一处理图像。
A1的目的在于,选择噪声较低的图像,减低噪声的干扰,以提高模型的准确性。
A2、对第一处理图像进行高斯模糊处理,得到第二处理图像。
在本步骤中,对第一处理图像进行高斯模糊处理的目的是去除第一处理图像中的高斯白噪声,使得去除高斯白噪声后的图像更平滑。
A3、将第二处理图像的尺寸缩放到预设尺寸,得到第三处理图像。
在本步骤中,预设尺寸可以为512*512,当然,预设尺寸的取值还可以为其他取值,本实施例不对预设尺寸的具体取值作限定。
A4、将第三处理图像中各像素点的像素值归一化到预设区间,得到第四处理图像。
具体的,预设区间可以为[0,1],当然,在实际中,预设区间的取值还可以为其他取值,本实施例不对预设区间的取值作限定。
A5、分别更新第四处理图像中各图像的像素值,得到第五处理图像。
具体的,假设第四处理图像的宽度为w,高度为h,水平坐标为i,垂直坐标为j的像素点的灰度值为pij。
在本步骤中,分别更新第四处理图像中各图像的像素值的过程相同,为了描述方便,本实施例以第四处理图像中的任意一帧图像为例,介绍更新该帧图像的各像素点的像素值的过程,具体的,首先计算该帧图像均值和方差,然后依据均值和方差更新该帧图像中各像素点的像素值。
具体的,该帧图像的均值的计算方式如下公式(3)所示,该帧图像的方差的计算方式如下公式(4)所示。
式中,mean表示均值。
式中,std表示方差,mean表示公式(3)计算出的均值。
对该帧图像中各像素点的像素值进行的更新方式如下公式(5)所示。
pijnorm=(pij-mean)/std (5)
式中,pij表示该帧图像中的该像素点的像素值,pijnorm表示该像素点更新后的像素值,mean表示该帧图像的均值,std表示该帧图像的方差。
在本实施例中,将第五处理图像作为预处理后的训练样本,采用预处理后的训练样本对双线性卷积网络模型进行训练。
需要说明的是,在本实施例中,对于S301获取的训练样本进行预处理的各个处理动作间的先后顺序,除了可以采用本实施例A1~A5给出的处理动作间的顺序之外,还可以为其他顺序,本实施例不对处理动作的先后顺序作限定,只要包含A1~A5中的各个处理动作即可。A1~A5的具体实现方式,均可以参见现有技术,这里不再赘述。
S203、将预处理后的训练样本输入双线性卷积网络模型,对双线性卷积网络进行训练。
为了增强双线性卷积网络对故障类型的分类准确性,在本实施例中,每次输入双线性卷积网络的预处理后的训练样本包括从预处理后的图像中选择的图像P、图像n和图像r。
其中,图像P和图像r中的高炉风口的故障类型相同,图像n中的高炉风口的故障类型与图像P(和图像r)中高炉风口的图像类型不同。也就是说,训练样本至少包括标注的第一类图像和第二类图像,第一类图像中的对象的故障类型与第二类图像中的对象的故障类型不同。第一类型图像包括至少两幅不同的图像,或者,第二类图像包括至少两幅不同的图像。
需要说明的是,在本实施例中,图像P、图像n和图像r均可为多帧。在本实施例中,对于输入双线性卷积网络模型的任意一帧图像,双线性卷积网络模型的输出的检测结果指:该帧图像的故障类型为预设的故障类型中的某种故障类型以及为该种故障类型的概率值。在本实施例中,对双线性卷积网络模型训练所采用的损失函数如下公式(6)所示,即通过公式(6)计算计算损失函数值。
E=λsEs(r)+(1-λs)Et(r,p,n) (6)
式中,包括加号前后的两个计算项,E表示损失函数的值,Es(r)表示softmax分类误差,具体的,softmax分类误差的计算方式如下公式(7)所示:
式中,n为预设的故障类型的总数量,具体的,在本实施例中,预设的故障类型包括:风口漏水、风口断煤、吹管损坏、风口落大块、风口挂渣、风口休风等。yj表示第j类故障类型的标签值,具体的,yj的计算方式如下公式(8)所示。
式中,gt表示输入双线性卷积网络模型的训练图像中高炉风口标注的故障类型。
从公式(8)可以看出,第j类故障类型为gt的情况下,yj的取值为1,否则,yj的取值为0。
为了将双线性卷积网络模型输出的该帧图像的故障类型属于预设的多种故障类型中的每种故障类型的概率归一化到[0,1],本实施例通过以下公式(9)实现。
式中,pj oj表示双线性卷积网络模型输出该帧图像的故障类型为第j种故障类型的概率值,该概率值可能不属于[0,1]。ok表示双线性卷积网络得到的该帧图像的故障类型属于预设的多种故障类型中第k种故障类型的概率值,其中,k的可取值的数量为预设的多种故障类型中故障类型的总种数。例如,预设的多种故障类型有6种,则k的可取值的数量为6。
由于本实施例中训练双线性卷积网络模型的过程中,每次输入双线性卷积网络的图像是一个批次的图像,并且,可以计算得到该批次中每帧图像的Es(r)的取值,在本实施例中,将该批次中的各帧图像的Es(r)的取值的均值,作为该次训练过程中Es(r)的取值。
在本实施例中,Et(r,p,n)表示triplet误差,具体的计算方式如下公式(10)所示。
式中,f表示双线性卷积网络模型的特征提取函数,表示输入双线性卷积网络模型中的图像r,表示输入双线性卷积网络模型中的图像p,表示输入双线性卷积网络模型中的图像n,α表示一个常数。
在本实施例中,损失函数中包括triplet误差的目的为:让输入双线性卷积网络中的图像中,相同故障类型的图像间的距离尽可能的小,不同故障类型的图像间的距离尽可能的大,并且,让不同故障类型的图像间的距离和相同故障类型的图像间的距离间的最小间隔为α。
通过公式(10)可以得到该次训练过程中Et(r,p,n)的取值,因此,可以得到该次训练过程中的损失函数值。并通过该损失函数值对双线性卷积网络模型中的参数进行优化。对双线性卷积网络模型进行多次训练,得到训练后的双线性卷积网络模型,为了描述方便,本实施例将训练得到的双线性卷积网络模型称为预设的双线性卷积网络模型。
在本实施例中,对双线性卷积网络模型进行训练所使用的损失函数由两种误差(softmax分类误差和triplet误差构成,其中,softmax分类误差和triplet误差实现对双线性卷积网络模型在不同层次上的约束。具体的,softmax分类误差通过图像的类别信息,约束双线性卷积网络模型参数的优化方向是在图像真实故障类型上获取最大的响应。triplet误差则通过计算同种故障类型的图像间距离与不同故障类型的图像间的距离,增大网络对不同故障类型的图像的识别能力。
在本实施例中,对人工标注故障类型的图像进行预处理,使得预处理后的图像中各像素点的像素值采用预设方式进行了归一化,提高了预设的双线性卷积网络模型的对输入图像的泛化能力,使得后续采用预设的双线性卷积网络进行测试的过程中,避免由于测试的图像与训练样本中的图像的像素值不同,而导致测试图像的测试结果的准确性降低的问题。
图2所示的实施例中,获取的训练样本为人工标注的高炉风口的故障类型的图像,由于在实际中,图像采集装置对高炉风口所采集的用于选取训练样本的图像(简称预设图像)中,包括无故障高炉风口的图像(简称为无故障图像)的数量远远大于包括(有)故障高炉风口的图像(简称为有故障图像),即图像采集装置所采集的图像中大部分图像都是无故障图像,只有少部分的图像是故障图像。为了提高从预设图像中识别出故障图像的效率,在本实施例中,使用目标模型从预设图像中筛选出故障图像,再经由人工对故障图像进行故障类型的标注,得到训练样本。
具体的,在本实施例中,目标模型是将无故障图像作为训练样本对预设图像重构模型训练得到的。无故障图像送入预设图像重构模型中经过的运算如图3所示:对无故障图像进行多层运算,包括第一层、第二层、第三层和第四层运算。第三层和第四层的运算结果反馈至上一层,参与上一层的运算。
具体的,由上到下的各层运算分别为:
第一层运算:对无故障图像进行卷积运算(以Conv表示)。
第二层运算:对第一层的卷积结果进行2倍下采样,并将2倍下采样结果以及第三层反馈的数据经过卷积运算后,得到第二层结果。
第三层运算:对2倍下采样结果进行2倍下采样(即无故障图像的4倍下采样),并将4倍下采样结果以及第四层反馈的数据经过卷积运算后,得到第三层结果,并且,将4倍下采样结果的卷积结果进行2倍上采样后反馈至第二层运算。
第四层运算:对4倍下采样结果进行2倍下采样(即无故障图像的8倍下采样),并将8倍下采样结果经过卷积运算后,得到第四层结果,并且,将8倍下采样结果的卷积结果进行2倍上采样后反馈至第三层运算。
最终,将第二层、第三层以及第四层结果分别进行上采样,恢复至第一次运算结果的尺寸后,与第一层运算结果相加,并对相加结果进行卷积运算,得到输入图像的重构图像。
需要说明的是,具有上述图像重构功能的模型的具体结构可以参见现有技术,这里不再赘述,以上运算层的数量、上采样以及下采样的倍数仅为示例,实际中,可以依据需求设定,这里不做限定。
可见,预设模型经过一系列的下采样来提取特征,并且通过浅层特征和深层次特征在预设模型中的不断融合来丰富提取的特征,最后再和第一个卷积层得到的特征进行通道上的融合并反卷积重构原来的图像,得到重构图像。
在本实施例中,采用预设损失函数计算重构图像和原始图像(输入预设模型的图像)间的重构误差,为了描述方便,重构图像采用β表示,原始图像采用α表示。在本实施例中,重构误差为两个重构误差之和,其中,两个重构误差分别为第一损失误差和第二损失误差,其中,第一损失误差的表达式如下公式(11)所示,第二损失误差的表达式如下公式(12)所示。
式中,Lint(α,β)表示第一损失误差的取值。
式中,Lgd(α,β)表示第二损失误差的取值。
在本实施例中,对预设模型的训练过程中,通过叠加优化第一损失误差和第二损失误差来优化原始图像和重构图像间的差异性,得到训练后的模型,为了描述方便,将对预设模型训练完成后所得到的模型称为目标模型。因为目标模型的训练样本为无故障图像,所以,学习到的是输出与无故障图像差异最小的重构图像的功能。
所以,在输入目标模型的图像为故障图像的情况下,目标模型输出的重构图像之间的误差会增加。
进而,利用目标模型的上述原理,确定任意一帧预设图像是故障图像还是无故障图像的过程如图4所示,包括以下步骤:
S401、将该帧预设图像输入目标模型,得到目标模型输出的该帧预设图像的重构图像。
S402:计算输入图像与重构图像之间的重构误差。
S403、从每帧预设图像的重构误差中,确定重构误差最大值和重构误差最小值。
具体的,在本步骤中,将每帧预设图像的重构误差中的最大值作为重构误差最大值,将每帧预设图像的重构误差中的最小值作为重构误差最小值。
S404、依据重构误差最大值、重构误差最小值,以及该帧预设图像的重构误差,得到用于表征预设图像为故障图像的得分。
具体的,计算任意一帧预设图像的得分的表达式如下公式(13)所示:
式中,S(x)表示该帧预设图像的得分,e(x)表示该帧图像的第一损失误差和第二损失误差之和,minx e(x)表示重构误差最小值,maxx e(x)表示重构误差最大值。
S405、如果得分大于预设阈值的预设图像,确定该帧预设图像为故障图像。
在本实施例中,预设阈值的取值可以根据实际情况确定,本实施例不对预设阈值的具体取值作限定。
在实际中,预设图像中大多数图像为正常图像,少部分图像为故障图像,如果通过人工从预设图像筛选出故障图像,需要耗费较多的人力资源。因此,通过目标模型确定每帧预设图像是故障图像还是无故障图像,进而可以节省人力资源。
图5为本申请实施例提供的一种高炉风口故障类型的检测方法,包括以下步骤:
S501、获取待检测图像。
在本实施例中,在图像采集装置采集到高炉风口的视频后,可以按照视频中图像帧的先后顺序,将每隔20帧图像的一帧图像作为一帧待检测图像。
S502、对待检测图像进行预处理,得到预处理后的待检测图像。
具体的,在本步骤中,对待检测图像进行预处理的原理可以参考图2对应的实施例中的S202,这里不再赘述。
需要说明的是,本步骤不是本实施例必须执行的步骤,但是,经过本步骤的预处理,可以使得预处理后的待检测图像的质量得到提高,进而,使得后续基于本步骤提供的预处理后的待检测图像,得到高炉风口的故障类型的确定结果的准确性得到提高。
S503、将预处理后的待检测图像输入预设的双线性卷积网络模型,得到待检测图像的检测结果。
在本步骤中,预设的双线性卷积网络模型为图2对应的实施例对双线性卷积网络模型训练得到的双线性卷积网络模型。在本步骤中,检测结果为表示无故障的信息,或者,表示故障类型的信息。
S504、基于检测结果,确定高炉风口的故障类型。
在本步骤中,可以只要得到预处理后的待检测图像的检测结果为表示故障类型的消息的情况下,就确定高炉风口的故障类型为检测结果中的故障类型。
但是,由于与训练双线性卷积网络模型使用的静态训练样本相比,实际采集到的视频中的高炉风口的状态是多变且复杂的,尤其可能存在处于预设的故障类型中两种故障类型的中间状态的高炉风口的图像,因此,仅凭一帧图像的检测结果确定高炉风口的状态,跟高炉风口的实际状态的差距较大。
在本实施例中,为了提高确定出的高炉风口的故障类型的与实际情况的贴合度,即最终结果的准确性,本步骤的具体实现方式可以包括:
在任意一帧待检测图像的检测结果表示该帧图像中的高炉风口的故障类型(后续简称为待检测图像的故障类型)为任意一种故障类型的情况下,记录该故障类型,例如,使用标志位a0记录该故障类型,并记录该帧图像之后的每帧待检测图像的故障类型,不同的故障类型采用不同的标志位,直至记录完第一预设数量(例如30)帧的待检测图像的故障类型,例如,记录的标志位依次为a0、a0、a0、a1、a2、a0…..a0。
需要说明的是,对于任意一种故障类型,只要检测到,即记录标志位序列,以上述标志位序列为例,检测到第一种故障类型后,记录标志位a0,并记录后续的图像帧的标志位,在后续的图像帧的故障类型为第二故障类型的情况下,记录标志位a1,且从a1开始,记录该帧图像之后的每帧待检测图像的故障类型,不同的故障类型采用不同的标志位,直至记录完第一预设数量(例如30)帧的待检测图像的故障类型。
也就是说,按照上述方式,可以产生多个标志位序列(即故障类型序列),每个标志位序列的长度均为第一预设数量。
对于任意一个标志位序列,确定标志位序列中占比大于预设阈值例如80%的标志位,作为目标标志位,则目标标志位表示的故障类型,则为在该标志位序列对应的图像帧的采集时间段内的高炉风口的故障类型。其中,标志位序列对应的图像帧为,生成该标志为序列的全部图像帧。
需要说明的是,以上以标志位表示故障类型的方式仅为示例,也可以使用故障类型本身,这里不做限定。
在本实施例中,在确定出高炉风口存在预设的故障类型中的任意一种故障类型的情况下,可以以可视化界面显示、或者根据日期以统计报表的方式输出,并且,以可视化界面显示或者以统计报表的方式输出,都可以添加对输出事件的语音,以提示工作人员(例如,高炉看水工、喷煤工,以及高炉操作管理人员)处理应急事故,最大程度上降低事故损失。
图6为本申请实施例提供的一种故障类型的检测装置,包括:获取模块、检测模块和确定模块。
其中,获取模块用于获取待检测图像,待检测图像由待检测的对象成像形成。检测模块用于将待检测图像输入预设的双线性卷积网络模型,得到双线性卷积网络模型输出的所述待检测图像的检测结果,双线性卷积网络模型至少用于对所述待检测图像进行下采样,提取下采样结果的特征,得到第一特征数据。确定模块用于基于视频中的图像帧依次作为待检测图像的检测结果,确定对象的故障类型。
可选的,所述双线性卷积网络模型的一个分支网络为残差网络,残差网络的每个残差块中包括编码单元和解码单元,编码单元用于对目标数据进行下采样并提取下采样结果的特征,得到第一特征数据;解码单元用于将第一特征数据的维度恢复至目标数据的维度,得到第二特征数据;该残差块的输出数据通过至少对第二特征数据进行运算得到,目标数据依据所述待检测图像获取。
可选的,所述双线性卷积网络模型的另一个分支网络为:特征提取网络。例如VGG-16网络。
可选的,确定模块用于基于视频中的图像帧依次作为待检测图像的检测结果,确定对象的故障类型,包括:确定模块具体用于,从所述视频中选择作为所述待检测图像的图像帧;在任意一帧待检测图像的检测结果表示目标故障类型的情况下,记录所述目标故障类型,以及该帧待检测图像之后的每帧待检测图像的故障类型,直至该帧待检测图像之后的第一预设数量的待检测图像的故障类型均被记录,得到故障类型序列,其中,所述目标故障类型为任意一种故障类型;计算每个故障类型序列中占比大于预设阈值的故障类型,作为该故障序列对应的待检测图像的采集时间段内的故障类型。
可选的,所述双线性卷积网络模型的训练样本包括:标注的第一类图像和标注的第二类图像;所述第一类图像中的对象的故障类型与所述第二类图像中的对象的故障类型不同;所述第一类型图像和\或所述第二类图像包括至少两幅不同的图像。
可选的,训练所述双线性卷积网络模型使用的损失函数包括:差值与常数之和,所述差值为类间差异项与类内差异项之差;所述类间差异项为所述第一类图像的输出结果与所述第二类图像的输出结果之间的差异,所述类内差异项为属于相同类型的图像的输出结果之间的差异。
进一步的,损失函数还包括:图像的分类误差的均值,其中,任意一帧图像的分类误差为,该帧图像经所述双线性卷积网络模型输出的故障类型,与该帧图像标注的故障类型之间的差异。
可选的,所述装置还包括:训练样本获取模块,用于将预设图像输入目标模型,得到所述目标模型输出的重构图像;所述预设图像为包括所述对象的图像,所述目标模型以包括无故障对象的图像为训练样本,对预设图像重构模型训练得到;计算所述预设图像与所述重构图像之间的重构误差;从所述预设图像的重构误差中,确定重构误差最大值和重构误差最小值;依据所述重构误差最大值、所述重构误差最小值,以及所述预设图像的重构误差,得到用于表征所述预设图像为故障图像的得分;将得分大于预设阈值的预设图像,作为故障图像,标注后的所述故障图像为所述训练样本。
图6所示的装置,能够较为准确地确定待检测对象的故障类型。
图7为本申请实施例提供的一种故障类型的检测系统的结构示意图,包括:交换机、硬盘录像机、计算服务器、数据库服务器、备份服务器、WEB服务器、防火墙和终端。其中,交换机通过光纤和硬盘录像机连接,计算服务器、数据库服务器、备份服务器和WEB服务器通过交换机与硬盘录像机形成局域网,从而获取硬盘录像机实时采集的视频流,并对视频流进行相应的处理。
具体的,计算服务器中部署预处理程序和本申请实施例提供的高炉风口故障类型的检测程序,其中,预处理程序用于从获取的视频流中确定出待检测图像,以及对待检测图像进行预处理。高炉风口故障类型的检测程序用于对每帧待检测图像进行检测,得到检测结果,检测结果包括表示无故障的信息,或者,表示故障类型的信息,并依据检测结果确定高炉风口是否存在故障,以及在存在故障的情况下,确定高炉风口存在的故障类型。
数据库服务器用于提供用户数据、登陆日志、高炉风口检测结果的截图和从硬盘录像机获取的视频的存储。备份服务器用于数据备份,在数据库服务器出现故障的情况下,可以采用备份服务器,以保证高炉风口故障类型的诊断系统的正常运行。
WEB服务器可以通过局域网的方式将计算服务器得到的检测结果在网站上进行发布,同时,WEB服务器还提供应用程序接口,以供终端访问和实现对多个终端设备的管理。为了保证系统的安全性,在WEB服务器和终端间还配置有防火墙。
本申请实施例还公开了一种故障类型的检测设备,包括:存储器和处理器。所述存储器用于存储一个或多个程序,所述处理器用于执行所述一个或多个程序,以使得所述目标识别设备前述的故障类型的检测方法。
本申请实施例还公开了一种计算机可读介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行前述的故障类型的检测方法。
本申请实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算设备可读取存储介质中。基于这样的理解,本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一台计算设备(可以是个人计算机,服务器,移动计算设备或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种故障类型的检测方法,其特征在于,包括:
获取待检测图像,所述待检测图像由待检测的对象成像形成;
将所述待检测图像输入预设的双线性卷积网络模型,得到所述双线性卷积网络模型输出的所述待检测图像的检测结果,所述双线性卷积网络模型至少用于对所述待检测图像的信息进行下采样,提取下采样结果的特征,得到第一特征数据,并至少依据所述第一特征,得到所述检测结果;
基于视频中的图像帧依次作为所述待检测图像的检测结果,确定所述对象的故障类型。
2.根据权利要求1所述的方法,其特征在于,
所述双线性卷积网络模型的一个分支网络为残差网络,所述残差网络的每个残差块中包括编码单元和解码单元,所述编码单元用于对目标数据进行下采样并提取下采样结果的特征,得到第一特征数据;所述解码单元用于将所述第一特征数据的维度恢复至所述目标数据的维度,得到第二特征数据;该残差块的输出数据通过至少对所述第二特征数据进行运算得到,所述目标数据依据所述待检测图像获取。
3.根据权利要求1所述的方法,其特征在于,所述基于视频中的图像帧作为所述待检测图像的检测结果,确定所述对象的故障类型,包括:
从所述视频中选择作为所述待检测图像的图像帧;
在任意一帧待检测图像的检测结果表示目标故障类型的情况下,记录所述目标故障类型,以及该帧待检测图像之后的每帧待检测图像的故障类型,直至该帧待检测图像之后的第一预设数量的待检测图像的故障类型均被记录,得到故障类型序列,其中,所述目标故障类型为任意一种故障类型;
计算每个故障类型序列中占比大于预设阈值的故障类型,作为该故障序列对应的待检测图像的采集时间段内的故障类型。
4.根据权利要求1所述的方法,其特征在于,所述双线性卷积网络模型的训练样本包括:
标注的第一类图像和标注的第二类图像;
所述第一类图像中的对象的故障类型与所述第二类图像中的对象的故障类型不同;
所述第一类型图像和/或所述第二类图像包括至少两幅不同的图像;
训练所述双线性卷积网络模型使用的损失函数包括:
差值与常数之和,所述差值为类间差异项与类内差异项之差;所述类间差异项为所述第一类图像的输出结果与所述第二类图像的输出结果之间的差异,所述类内差异项为属于相同类型的图像的输出结果之间的差异。
5.根据权利要求4所述的方法,其特征在于,所述损失函数还包括:
图像的分类误差的均值,其中,任意一帧图像的分类误差为,该帧图像经所述双线性卷积网络模型输出的故障类型,与该帧图像标注的故障类型之间的差异。
6.根据权利要求4所述的方法,其特征在于,所述训练样本的获取方式包括:
将预设图像输入目标模型,得到所述目标模型输出的重构图像;所述预设图像为包括所述对象的图像,所述目标模型以包括无故障对象的图像为训练样本,对预设图像重构模型训练得到;
计算所述预设图像与所述重构图像之间的重构误差;
从所述预设图像的重构误差中,确定重构误差最大值和重构误差最小值;
依据所述重构误差最大值、所述重构误差最小值,以及所述预设图像的重构误差,得到用于表征所述预设图像为故障图像的得分;
将得分大于预设阈值的预设图像,作为故障图像,标注后的所述故障图像为所述训练样本。
7.根据权利要求1所述的方法,其特征在于,所述双线性卷积网络模型的另一个分支网络为:特征提取网络。
8.一种故障类型的检测装置,其特征在于,包括:
获取模块,用于获取待检测图像,所述待检测图像由待检测的对象成像形成;
检测模块,用于将所述待检测图像输入预设的双线性卷积网络模型,得到所述双线性卷积网络模型输出的所述待检测图像的检测结果,所述双线性卷积网络模型至少用于对所述待检测图像进行下采样,提取下采样结果的特征,得到第一特征数据;
确定模块,用于基于视频中的图像帧依次作为所述待检测图像的检测结果,确定所述对象的故障类型。
9.一种故障类型的检测设备,其特征在于,包括:
存储器和处理器;
所述存储器用于存储一个或多个程序;
所述处理器用于执行所述一个或多个程序,以使得所述目标识别设备实现权利要求1-7中任一项所述的故障类型的检测方法。
10.一种计算机可读介质,其特征在于,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行权利要求1-7中任一项所述的故障类型的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910784177.8A CN110458838A (zh) | 2019-08-23 | 2019-08-23 | 一种故障类型的检测方法、装置、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910784177.8A CN110458838A (zh) | 2019-08-23 | 2019-08-23 | 一种故障类型的检测方法、装置、存储介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110458838A true CN110458838A (zh) | 2019-11-15 |
Family
ID=68488812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910784177.8A Pending CN110458838A (zh) | 2019-08-23 | 2019-08-23 | 一种故障类型的检测方法、装置、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110458838A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079631A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车钩提杆脱落故障识别方法及系统 |
CN111815604A (zh) * | 2020-07-08 | 2020-10-23 | 讯飞智元信息科技有限公司 | 高炉风口监测方法、装置、电子设备和存储介质 |
CN111860429A (zh) * | 2020-07-30 | 2020-10-30 | 科大讯飞股份有限公司 | 高炉风口异常检测方法、装置、电子设备和存储介质 |
CN113923476A (zh) * | 2021-09-30 | 2022-01-11 | 支付宝(杭州)信息技术有限公司 | 一种基于隐私保护的视频压缩方法及装置 |
CN115410638A (zh) * | 2022-07-28 | 2022-11-29 | 南京航空航天大学 | 一种基于对比聚类的磁盘故障检测系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570477A (zh) * | 2016-10-28 | 2017-04-19 | 中国科学院自动化研究所 | 基于深度学习的车型识别模型构建方法及车型识别方法 |
CN107506695A (zh) * | 2017-07-28 | 2017-12-22 | 武汉理工大学 | 视频监控设备故障自动检测方法 |
WO2019031503A1 (ja) * | 2017-08-10 | 2019-02-14 | 株式会社ブリヂストン | タイヤ画像の認識方法及びタイヤ画像の認識装置 |
CN110009621A (zh) * | 2019-04-02 | 2019-07-12 | 广东工业大学 | 一种篡改视频检测方法、装置、设备及可读存储介质 |
-
2019
- 2019-08-23 CN CN201910784177.8A patent/CN110458838A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570477A (zh) * | 2016-10-28 | 2017-04-19 | 中国科学院自动化研究所 | 基于深度学习的车型识别模型构建方法及车型识别方法 |
CN107506695A (zh) * | 2017-07-28 | 2017-12-22 | 武汉理工大学 | 视频监控设备故障自动检测方法 |
WO2019031503A1 (ja) * | 2017-08-10 | 2019-02-14 | 株式会社ブリヂストン | タイヤ画像の認識方法及びタイヤ画像の認識装置 |
CN110009621A (zh) * | 2019-04-02 | 2019-07-12 | 广东工业大学 | 一种篡改视频检测方法、装置、设备及可读存储介质 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079631A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车钩提杆脱落故障识别方法及系统 |
CN111815604A (zh) * | 2020-07-08 | 2020-10-23 | 讯飞智元信息科技有限公司 | 高炉风口监测方法、装置、电子设备和存储介质 |
CN111815604B (zh) * | 2020-07-08 | 2023-07-28 | 讯飞智元信息科技有限公司 | 高炉风口监测方法、装置、电子设备和存储介质 |
CN111860429A (zh) * | 2020-07-30 | 2020-10-30 | 科大讯飞股份有限公司 | 高炉风口异常检测方法、装置、电子设备和存储介质 |
CN111860429B (zh) * | 2020-07-30 | 2024-02-13 | 科大讯飞股份有限公司 | 高炉风口异常检测方法、装置、电子设备和存储介质 |
CN113923476A (zh) * | 2021-09-30 | 2022-01-11 | 支付宝(杭州)信息技术有限公司 | 一种基于隐私保护的视频压缩方法及装置 |
CN113923476B (zh) * | 2021-09-30 | 2024-03-26 | 支付宝(杭州)信息技术有限公司 | 一种基于隐私保护的视频压缩方法及装置 |
CN115410638A (zh) * | 2022-07-28 | 2022-11-29 | 南京航空航天大学 | 一种基于对比聚类的磁盘故障检测系统 |
CN115410638B (zh) * | 2022-07-28 | 2023-11-07 | 南京航空航天大学 | 一种基于对比聚类的磁盘故障检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458838A (zh) | 一种故障类型的检测方法、装置、存储介质及设备 | |
TWI766618B (zh) | 關鍵點檢測方法、電子設備及電腦可讀儲存介質 | |
CN109271888A (zh) | 基于步态的身份识别方法、装置、电子设备 | |
CN109003390A (zh) | 一种商品识别方法、无人售货机及计算机可读存储介质 | |
CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
CN109800628A (zh) | 一种加强ssd小目标行人检测性能的网络结构及检测方法 | |
CN109085174A (zh) | 显示屏外围电路检测方法、装置、电子设备及存储介质 | |
CN108121945A (zh) | 一种多目标检测跟踪方法、电子设备及存储介质 | |
CN109978867A (zh) | 玩具外表质量检测方法及其相关设备 | |
CN110490902A (zh) | 应用于智慧城市的目标跟踪方法、装置、计算机设备 | |
CN109840503B (zh) | 一种确定种类信息的方法及装置 | |
CN108711148A (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN110472516A (zh) | 一种人物图像识别系统的构建方法、装置、设备及系统 | |
CN109740609A (zh) | 一种轨距检测方法及装置 | |
CN113343779B (zh) | 环境异常检测方法、装置、计算机设备和存储介质 | |
CN116229052B (zh) | 一种基于孪生网络的变电站设备状态变化检测方法 | |
CN112613569A (zh) | 图像识别方法、图像分类模型的训练方法及装置 | |
CN109087281A (zh) | 显示屏外围电路检测方法、装置、电子设备及存储介质 | |
CN115082752A (zh) | 基于弱监督的目标检测模型训练方法、装置、设备及介质 | |
Luo et al. | SMD anomaly detection: a self-supervised texture–structure anomaly detection framework | |
CN109242165A (zh) | 一种模型训练及基于模型训练的预测方法及装置 | |
Ling et al. | Using deep convolutional neural networks to detect rendered glitches in video games | |
CN117036843A (zh) | 目标检测模型训练方法、目标检测方法和装置 | |
CN110889338A (zh) | 无监督式的铁路道床异物检测、样本构造方法及装置 | |
CN109978868A (zh) | 玩具外表质量检测方法及其相关设备 |
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 | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20230414 |
|
AD01 | Patent right deemed abandoned |