CN111311022A - 发电量预测方法、装置、设备及计算机可读存储介质 - Google Patents
发电量预测方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111311022A CN111311022A CN202010174122.8A CN202010174122A CN111311022A CN 111311022 A CN111311022 A CN 111311022A CN 202010174122 A CN202010174122 A CN 202010174122A CN 111311022 A CN111311022 A CN 111311022A
- Authority
- CN
- China
- Prior art keywords
- satellite image
- predicted
- generation amount
- power generation
- wind power
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 184
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000013136 deep learning model Methods 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Wind Motors (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种发电量预测方法，包括：获取待预测卫星图像以及所述待预测卫星图像对应的第一拍摄参数，并获取所述待预测卫星图像对应的第一室外风力信息；将待预测卫星图像、所述第一拍摄参数以及所述第一室外风力信息输入发电量预测模型，以获得所述待预测卫星图像对应的风电站的发电量。本发明还公开了一种发电量预测装置、设备及计算机可读存储介质。本发明能够根据待预测卫星图像、第一拍摄参数以及第一室外风力信息准确预测该待预测卫星图像对应的风电站的发电量，提高了风电站发电量预测的准确性，由于卫星图像以及室外风力信息的获取便捷性，降低预测信息的获取成本，提升了风电站进行发电量预测的便捷性。
Description
技术领域
本发明涉及金融科技领域，尤其涉及一种发电量预测方法、装置、设备及计算机可读存储介质。
背景技术
随着经济的迅速发展，人类社会越来越重视能源问题，尤其是对太阳能以及风能等绿色能源的利用问题。据国家能源局公布的统计数据，我国风电累计并网容量18426万千瓦、全年发电量3660亿千瓦时，占全部发电量的5.2％。
在风电站的建设中，经常需要预估风电站能生产的有效的电量。目前，主要通过评估人员到实地去对风电站进行考察调研，从而获得风电站所生产电能的评估，造成风电站发电量评估的信息获取成本高、时效性低，导致风电站的发电量预测准确性较低。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种发电量预测方法、装置、设备及计算机可读存储介质，旨在解决现有风电站的发电量预测准确性较低的技术问题。
为实现上述目的，本发明提供一种发电量预测方法，所述发电量预测方法包括以下步骤：
获取待预测卫星图像以及所述待预测卫星图像对应的第一拍摄参数，并获取所述待预测卫星图像对应的第一室外风力信息；
将待预测卫星图像、所述第一拍摄参数以及所述第一室外风力信息输入发电量预测模型，以获得所述待预测卫星图像对应的风电站的发电量。
进一步地，所述发电量预测模型包括深度学习模型以及发电量回归模型，所述将待预测卫星图像、所述第一拍摄参数以及所述第一室外风力信息输入发电量预测模型，以获得所述待预测卫星图像对应的风电站的发电量的步骤包括：
将所述待预测卫星图像输入深度学习模型，以获得所述待预测卫星图像对应的多个第一目标矩形框信息，以及所述第一目标矩形框信息对应的第一目标框为风电机的概率，其中，所述第一目标矩形框信息包括所述待预测卫星图像中的风电机在所述待预测卫星图像中的位置以及大小；
将所述第一拍摄参数、所述第一室外风力信息、所述第一目标矩形框信息以及所述概率输入发电量回归模型，以获得所述待预测卫星图像对应的风电站的发电量。
进一步地，所述将所述待预测卫星图像输入深度学习模型的步骤之前，还包括：
获取卫星图像样本，并标注卫星图像样本所包括的目标风电机对应的第二目标矩形框信息，得到标注后的卫星图像样本，其中，所述第二目标矩形框信息包括所述目标风电机在所述卫星图像样本中的位置以及大小；
将标注后的卫星图像样本输入faster-rcnn深度学习模型，以获得所述深度学习模型。
进一步地，所述获取卫星图像样本，并标注卫星图像样本所包括的目标风电机对应的第二目标矩形框信息，得到标注后的卫星图像样本的步骤包括：
获取卫星图像样本对应的颜色直方图，并对所述颜色直方图进行归一化处理，得到归一化后的颜色直方图；
获取卫星图像样本所包括的目标风电机的实际地理位置信息；
基于所述实际地理位置信息以及归一化后的颜色直方图，对卫星图像样本进行标注，以获得标注后的卫星图像样本。
进一步地，所述将所述第一拍摄参数、所述第一室外风力信息、所述第一目标矩形框信息以及所述第一概率输入发电量回归模型的步骤之前，还包括：
获取所述卫星图像样本对应的第二拍摄参数，以及所述卫星图像样本中的各个卫星图像对应的第二室外风力信息，各个卫星图像所包括的风电机的实际发电量；
将所述第二拍摄参数、所述第二室外风力信息、所述第二目标矩形框信息以及所述实际发电量输入回归模型，以获得所述发电量回归模型。
进一步地，所述将所述第二拍摄参数、所述第二室外风力信息、所述第二目标矩形框信息以及所述实际发电量输入回归模型，以获得所述发电量回归模型的步骤包括：
将所述第二拍摄参数、所述第二室外风力信息、所述第二目标矩形框信息以及所述实际发电量输入回归模型，以获取训练后的回归模型对应的回归损失函数值；
若所述回归损失函数值小于预设值，则将训练后的回归模型作为所述发电量回归模型。
进一步地，所述将待预测卫星图像、所述第一拍摄参数以及所述第一室外风力信息输入发电量预测模型，以获得所述待预测卫星图像对应的风电站的发电量的步骤之后，还包括：
确定所述待预测卫星图像所包括的待预测风电机的电机数量，以及各个待预测风电机之间的电量影响参数；
基于所述发电量、所述电机数量以及所述电量影响参数，确定各个待预测风电机的目标发电量。
进一步地，所述第一拍摄参数包括分辨率以及拍摄角度，所述获取待预测卫星图像以及所述待预测卫星图像对应的第一拍摄参数，并获取所述待预测卫星图像对应的第一室外风力信息的步骤包括：
获取待预测卫星图像以及所述待预测卫星图像对应的分辨率，并获取所述待预测卫星图像对应的卫星拍摄所述待预测卫星图像的拍摄角度；
通过移动终端或者风力检测传感器，获取所述待预测卫星图像对应的第一室外风力信息。
此外，为实现上述目的，本发明还提供一种发电量预测装置，所述发电量预测装置包括：
获取模块，用于获取待预测卫星图像以及所述待预测卫星图像对应的第一拍摄参数，并获取所述待预测卫星图像对应的第一室外风力信息；
预测模块，用于将待预测卫星图像、所述第一拍摄参数以及所述第一室外风力信息输入发电量预测模型，以获得所述待预测卫星图像对应的风电站的发电量。
此外，为实现上述目的，本发明还提供一种发电量预测设备，所述发电量预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的发电量预测程序，所述发电量预测程序被所述处理器执行时实现前述的发电量预测方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有发电量预测程序，所述发电量预测程序被处理器执行时实现前述的发电量预测方法的步骤。。
本发明通过获取待预测卫星图像以及所述待预测卫星图像对应的第一拍摄参数，并获取所述待预测卫星图像对应的第一室外风力信息；接着将待预测卫星图像、所述第一拍摄参数以及所述第一室外风力信息输入发电量预测模型，以获得所述待预测卫星图像对应的风电站的发电量，能够根据待预测卫星图像、第一拍摄参数以及第一室外风力信息准确预测该待预测卫星图像对应的风电站的发电量，提高了风电站发电量预测的准确性。同时，由于卫星图像以及室外风力信息的获取便捷性，降低预测信息的获取成本，提升了风电站进行发电量预测的便捷性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境至发电量预测设备的结构示意图；
图2为本发明发电量预测方法第一实施例的流程示意图；
图3为本发明发电量预测装置一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境至发电量预测设备的结构示意图。
本发明实施例发电量预测设备可以是PC，也可以是智能手机、平板电脑、电子书阅读器、MP3(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、便携计算机等具有显示功能的可移动式终端设备。
如图1所示，该发电量预测设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地，发电量预测设备还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。当然，发电量预测设备还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
本领域技术人员可以理解，图1中示出的发电量预测设备结构并不构成对发电量预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及发电量预测程序。
在图1所示的发电量预测设备中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的发电量预测程序。
在本实施例中，发电量预测设备包括：存储器1005、处理器1001及存储在所述存储器1005上并可在所述处理器1001上运行的发电量预测程序，其中，处理器1001调用存储器1005中存储的发电量预测程序时，并执行以下各个实施例中发电量预测方法的步骤。
本发明还提供一种发电量预测方法，参照图2，图2为本发明发电量预测方法第一实施例的流程示意图。
本实施例中，该发电量预测方法包括：
步骤S100，获取待预测卫星图像以及所述待预测卫星图像对应的第一拍摄参数，并获取所述待预测卫星图像对应的第一室外风力信息；
本实施例中，在需要对某个风电站进行发电量预测，通过卫星获取该风电站对应区域(待预测区域)的卫星图像，得到待预测卫星图像，同时获取该待预测卫星图像所对应的第一拍摄参数，该第一拍摄参数包括该待预测卫星图像的分辨率以及拍摄角度，分辨率即为卫星图像的像素-比例尺参数(地面分辨率或空间分辨率)，拍摄角度为卫星拍摄该待预测卫星图像时的对地角度。
而后，获取待预测卫星图像对应的第一室外风力信息，该第一室外风力信息为拍摄该待预测卫星图像时该风电站的待预测区域内的室外风力数据，具体的，可在待预测卫星图像对应的风电站的待预测区域设置风力检测传感器，通过该风力检测传感器获取该第一室外风力信息，或者，通过处于待预测卫星图像对应的风电站的待预测区域内，且设有风力检测传感器的移动终端(例如手机)获取该第一室外风力信息。
步骤S200，将待预测卫星图像、所述第一拍摄参数以及所述第一室外风力信息输入发电量预测模型，以获得所述待预测卫星图像对应的风电站的发电量。
在本实施例中，在获取到第一拍摄参数以及第一室外风力信息时，将待预测卫星图像、第一拍摄参数以及第一室外风力信息输入发电量预测模型，进行模型训练，得到待预测卫星图像对应的风电站的发电量，其中，发电量预测模型为已训练好的预测模型，进而能够根据待预测卫星图像、拍摄参数以及室外风力信息准确预测该待预测卫星图像对应的风电站的发电量，提高了风电站发电量预测的准确性。
本实施例仅依靠卫星图像以及室外风力信息就能对某一片区域风电站的发电量进行准确预测，而卫星图像以及室外风力信息便于获取，因此，提升了光伏电站发电量进行预测的便捷性，与现有技术相比，无需评估人员进行实地评估，降低预测信息的获取成本，提升了风电站进行发电量预测的便捷性，且能够实时对风电站进行发电量预测。
进一步地，在一实施例中，步骤S200之后，还包括：
步骤S300，确定所述待预测卫星图像所包括的待预测风电机的电机数量，以及各个待预测风电机之间的电量影响参数；
步骤S400，基于所述发电量、所述电机数量以及所述电量影响参数，确定各个待预测风电机的目标发电量。
本实施例中，先确定待预测卫星图像中的待预测风电机的电机数量，例如，通过将将待预测卫星图像、所述第一拍摄参数以及所述第一室外风力信息输入发电量预测模型，在获得待预测卫星图像对应的风电站的发电量的同时，获得待预测卫星图像所包括的待预测风电机的电机数量，以及各个待预测风电机之间的电量影响参数。
而后，基于所述发电量、所述电机数量以及所述电量影响参数，确定各个待预测风电机的目标发电量，例如，根据电机数量以及所述电量影响参数，分别确定各个待预测风电机在所述发电量中的发电比重，基于该发电比重以及发电量确定各个待预测风电机的目标发电量。
本实施例提出的发电量预测方法，通过获取待预测卫星图像以及所述待预测卫星图像对应的第一拍摄参数，并获取所述待预测卫星图像对应的第一室外风力信息；接着将待预测卫星图像、所述第一拍摄参数以及所述第一室外风力信息输入发电量预测模型，以获得所述待预测卫星图像对应的风电站的发电量，能够根据待预测卫星图像、第一拍摄参数以及第一室外风力信息准确预测该待预测卫星图像对应的风电站的发电量，提高了风电站发电量预测的准确性。同时，由于卫星图像以及室外风力信息的获取便捷性，降低预测信息的获取成本，提升了风电站进行发电量预测的便捷性。
基于第一实施例，提出本发明发电量预测方法的第二实施例，在本实施例中，发电量预测模型包括深度学习模型以及发电量回归模型，步骤S200包括：
步骤S210，将所述待预测卫星图像输入深度学习模型，以获得所述待预测卫星图像对应的多个第一目标矩形框信息，以及所述第一目标矩形框信息对应的第一目标框为风电机的概率，其中，所述第一目标矩形框信息包括所述待预测卫星图像中的风电机在所述待预测卫星图像中的位置以及大小；
步骤S220，将所述第一拍摄参数、所述第一室外风力信息、所述第一目标矩形框信息以及所述概率输入发电量回归模型，以获得所述待预测卫星图像对应的风电站的发电量。
需要说明的是，深度学习模型以及发电量回归模型均为已训练好的模型。
本实施例中，在获取到第一拍摄参数以及第一室外风力信息时，将所述待预测卫星图像输入深度学习模型，以通过深度学习模型对待预测卫星图像进行训练，得到待预测卫星图像对应的多个第一目标矩形框信息以及第一目标矩形框信息对应的第一目标框为风电机的概率，第一目标矩形框信息包括第一目标框在待预测卫星图像中的坐标、第一目标框的宽度以及第一目标框的高度，以表明第一目标框在待预测卫星图像中的位置以及大小，其中，坐标为第一目标框中某一预设位置的坐标，例如，该坐标为第一目标框的左上角/右上角/右下角/左下角/中心在待预测卫星图像中的坐标。
而后，将第一拍摄参数、第一室外风力信息、第一目标矩形框信息以及概率输入发电量回归模型，通过发电量回归模型进行训练，得到待预测卫星图像对应的风电站的发电量，进而准确得到待预测卫星图像对应的风电站(待预测卫星图像所包括的所有风电机)的发电量。
本实施例提出的发电量预测方法，通过将所述待预测卫星图像输入深度学习模型，以获得所述待预测卫星图像对应的多个第一目标矩形框信息，以及所述第一目标矩形框信息对应的第一目标框为风电机的概率，接着将所述第一拍摄参数、所述第一室外风力信息、所述第一目标矩形框信息以及所述概率输入发电量回归模型，以获得所述待预测卫星图像对应的风电站的发电量，能够准确得到待预测卫星图像对应的风电站的发电量，由于卫星图像以及室外风力信息的获取便捷性，降低预测信息的获取成本，提升了风电站进行发电量预测的便捷性，进一步提高了风电站发电量预测的准确性。
基于第二实施例，提出本发明发电量预测方法的第三实施例，在本实施例中，步骤S210之前，还包括：
步骤S230，获取卫星图像样本，并标注卫星图像样本所包括的目标风电机对应的第二目标矩形框信息，得到标注后的卫星图像样本，其中，所述第二目标矩形框信息包括所述目标风电机在所述卫星图像样本中的位置以及大小；
步骤S240，将标注后的卫星图像样本输入faster-rcnn深度学习模型，以获得所述深度学习模型。
本实施例中，在通过深度学习模型训练待预测卫星图像之前，需要对深度学习模型进行模型训练，因此，获取卫星图像样本，以用于训练深度学习模型，其中，卫星图像样本包括一个或多个卫星图像，该卫星图像样本为一个或多个风电站的卫星图像。
而后，标注卫星图像样本所包括的目标风电机对应的第二目标矩形框信息，得到标注后的卫星图像样本，第二目标矩形框信息包括所述目标风电机在所述卫星图像样本中的位置以及大小，第二目标矩形框信息包括第二目标矩形框信息对应的第二目标框的坐标、第二目标框的宽度以及第二目标框的高度，其中，第二目标框的坐标为第二目标框中某一预设位置的坐标，例如，该坐标为第二目标框的左上角/右上角/右下角/左下角/中心在卫星图像样本中的坐标。
而后，将标注后的卫星图像样本输入faster-rcnn深度学习模型，得到训练好的深度学习模型，具体的，将标注后的卫星图像样本输入faster-rcnn深度学习模型，faster-rcnn深度学习模型根据标注后的卫星图像样本预测卫星图像样本中所有风电机的最小外接矩形框，以及最小外接矩形框中包括风电机的预测概率，由于第二目标框中必然包括为风电机，因此将所有的最小外接矩形框以及对应的预测概率，与第二目标矩形框信息进行对比，即可得到本次训练所对应的损失函数值，将该损失函数值与预设函数值进行对比，若损失函数值小于或等于预设函数值，则将训练后的faster-rcnn深度学习模型作为深度学习模型；若损失函数值大于预设函数值，则将训练后的faster-rcnn深度学习模型作为faster-rcnn深度学习模型，并返回执行将标注后的卫星图像样本输入faster-rcnn深度学习模型的步骤，即通过更新后的faster-rcnn深度学习模型再次进行模型训练。
进一步地，在一实施例中，步骤S230包括：
步骤S231，获取卫星图像样本对应的颜色直方图，并对所述颜色直方图进行归一化处理，得到归一化后的颜色直方图；
步骤S232，获取卫星图像样本所包括的风电机的实际地理位置信息；
步骤S233，基于所述实际地理位置信息以及归一化后的颜色直方图，对卫星图像样本进行标注，以获得标注后的卫星图像样本。
需要说明的是，直方图作为一种简单有效的基于统计特性的特征描述子，在计算机视觉领域广泛使用。直方图的优点主要体现在两个方面：一是对于任意一个图像区域，直方图特征的提取简单方便；其二，直方图表征图像区域的统计特性，可以有效表示多模态的特征分布，并且本身具备一定的旋转不变性。然而传统的颜色直方图对光照变化敏感，同时目标区域内像素位置分布被完全忽略。颜色直方图是一种全局特征，描述了图像或图像区域所对应的景物的表面性质。
本实施例中，先获取卫星图像样本对应的颜色直方图，然后对颜色直方图进行归一化处理，得到归一化后的颜色直方图。
接着，获取卫星图像样本所包括的目标风电机的实际地理位置信息，具体的，通过已存在的各个风电站中风电机的实际地理位置，卫星图像样本的分辨率，以及拍摄卫星图像样本的卫星的拍摄角度，确定目标风电机的实际地理位置信息。
而后，基于所述实际地理位置信息以及归一化后的颜色直方图，对卫星图像样本进行标注，以获得标注后的卫星图像样本，具体的，通过labelme工具对卫星图像样本进行标注，得到标注后的卫星图像样本，标注后的卫星图像样本在的第二目标矩形框信息包括第二目标矩形框信息对应的第二目标框的坐标、第二目标框的宽度以及第二目标框的高度，进而实现卫星图像样本的准确标注。
本实施例提出的发电量预测方法，通过获取卫星图像样本，并标注卫星图像样本所包括的目标风电机对应的第二目标矩形框信息，得到标注后的卫星图像样本，其中，所述第二目标矩形框信息包括所述目标风电机在所述卫星图像样本中的位置以及大小；接着将标注后的卫星图像样本输入faster-rcnn深度学习模型，以获得所述深度学习模型，通过对faster-rcnn深度学习模型进行训练得到训练好的深度学习模型，提高深度学习模型训练待预测卫星图像的准确性，进一步提高了风电站发电量预测的准确性。
基于第三实施例，提出本发明发电量预测方法的第四实施例，在本实施例中，步骤S220之前，还包括
步骤S250，获取所述卫星图像样本对应的第二拍摄参数，以及所述卫星图像样本中的各个卫星图像对应的第二室外风力信息，各个卫星图像所包括的风电机的实际发电量；
步骤S260，将所述第二拍摄参数、所述第二室外风力信息、所述第二目标矩形框信息以及所述实际发电量输入回归模型，以获得所述发电量回归模型。
本实施例中，在通过发电量回归模型进行发电量预测之前，需要对发电量回归模型进行模型训练，因此，获取卫星图像样本对应的第二拍摄参数，卫星图像样本中的各个卫星图像对应的第二室外风力信息，以及各个卫星图像所包括的风电机的实际发电量，以用于训练发电量回归模型，其中，实际发电量为拍摄卫星图像样本的时刻所对应的实际发电量，第二室外风力信息与第一室外风力信息的获取方式类似。
而后，将第二拍摄参数、第二室外风力信息、第二目标矩形框信息以及实际发电量输入回归模型进行模型训练，以获得发电量回归模型。
具体的，步骤S260包括：
步骤S261，将所述第二拍摄参数、所述第二室外风力信息、所述第二目标矩形框信息以及所述实际发电量输入回归模型，以获取训练后的回归模型对应的回归损失函数值；
步骤S262，若所述回归损失函数值小于预设值，则将训练后的回归模型作为所述发电量回归模型。
本实施例中，通过将所述第二拍摄参数、所述第二室外风力信息、所述第二目标矩形框信息以及所述实际发电量输入回归模型，得到训练后的回归模型对应的回归损失函数值，具体的，先得到训练后的回归模型对应的预测发电量，训练后的回归模型根据预测发电量与实际发电量得到回归损失函数值。
若回归损失函数值小于预设值，则将训练后的回归模型作为所述发电量回归模型，若回归损失函数值大于或等于预设值，则将训练后的回归模型作为回归模型，并返回执行步骤S261，直至新的回归损失函数值小于预设值，完成发电量回归模型的训练。
本实施例提出的发电量预测方法，通过获取所述卫星图像样本对应的第二拍摄参数，以及所述卫星图像样本中的各个卫星图像对应的第二室外风力信息，各个卫星图像所包括的风电机的实际发电量；接着将所述第二拍摄参数、所述第二室外风力信息、所述第二目标矩形框信息以及所述实际发电量输入回归模型，以获得所述发电量回归模型，通过卫星图像样本进行训练得到发电量回归模型，提高发电量回归模型预测的准确性，进一步提高了风电站发电量预测的准确性。
基于上述各个实施例，提出本发明发电量预测方法的第五实施例，在本实施例中，步骤S100包括：
步骤S110，获取待预测卫星图像以及所述待预测卫星图像对应的分辨率，并获取所述待预测卫星图像对应的卫星拍摄所述待预测卫星图像的拍摄角度；
步骤S120，通过移动终端或者风力检测传感器，获取所述待预测卫星图像对应的第一室外风力信息。
本实施例中，可在通过卫星获取待预测卫星图像时，获取该待预测卫星图像所对应的第一拍摄参数，即通过卫星获取待预测卫星图像对应的分辨率，并获取待预测卫星图像对应的卫星拍摄所述待预测卫星图像的拍摄角度。
接着，通过移动终端或者风力检测传感器，获取所述待预测卫星图像对应的第一室外风力信息，具体的，可在待预测卫星图像对应的风电站的待预测区域设置风力检测传感器，通过该风力检测传感器获取该第一室外风力信息，或者，通过处于待预测卫星图像对应的风电站的待预测区域内，且设有风力检测传感器的移动终端(例如手机)获取该第一室外风力信息。
本实施例提出的发电量预测方法，通过获取待预测卫星图像以及所述待预测卫星图像对应的分辨率，并获取所述待预测卫星图像对应的卫星拍摄所述待预测卫星图像的拍摄角度；接着通过移动终端或者风力检测传感器，获取所述待预测卫星图像对应的第一室外风力信息，能够通过卫星、移动终端或者风力检测传感器便捷的获取到进行发电量预测的所有参数，降低预测信息的获取成本，提升了风电站进行发电量预测的便捷性。
本发明实施例还提供一种发电量预测装置，参照图3，所述发电量预测装置包括：
获取模块100，用于获取待预测卫星图像以及所述待预测卫星图像对应的第一拍摄参数，并获取所述待预测卫星图像对应的第一室外风力信息；
预测模块200，用于将待预测卫星图像、所述第一拍摄参数以及所述第一室外风力信息输入发电量预测模型，以获得所述待预测卫星图像对应的风电站的发电量。
优选地，预测模块200还用于：
将所述待预测卫星图像输入深度学习模型，以获得所述待预测卫星图像对应的多个第一目标矩形框信息，以及所述第一目标矩形框信息对应的第一目标框为风电机的概率，其中，所述第一目标矩形框信息包括所述待预测卫星图像中的风电机在所述待预测卫星图像中的位置以及大小；
将所述第一拍摄参数、所述第一室外风力信息、所述第一目标矩形框信息以及所述概率输入发电量回归模型，以获得所述待预测卫星图像对应的风电站的发电量。
优选地，预测模块200还用于：
获取卫星图像样本，并标注卫星图像样本所包括的目标风电机对应的第二目标矩形框信息，得到标注后的卫星图像样本，其中，所述第二目标矩形框信息包括所述目标风电机在所述卫星图像样本中的位置以及大小；
将标注后的卫星图像样本输入faster-rcnn深度学习模型，以获得所述深度学习模型。
优选地，预测模块200还用于：
获取卫星图像样本对应的颜色直方图，并对所述颜色直方图进行归一化处理，得到归一化后的颜色直方图；
获取卫星图像样本所包括的目标风电机的实际地理位置信息；
基于所述实际地理位置信息以及归一化后的颜色直方图，对卫星图像样本进行标注，以获得标注后的卫星图像样本。
优选地，预测模块200还用于：
获取所述卫星图像样本对应的第二拍摄参数，以及所述卫星图像样本中的各个卫星图像对应的第二室外风力信息，各个卫星图像所包括的风电机的实际发电量；
将所述第二拍摄参数、所述第二室外风力信息、所述第二目标矩形框信息以及所述实际发电量输入回归模型，以获得所述发电量回归模型。
优选地，预测模块200还用于：
将所述第二拍摄参数、所述第二室外风力信息、所述第二目标矩形框信息以及所述实际发电量输入回归模型，以获取训练后的回归模型对应的回归损失函数值；
若所述回归损失函数值小于预设值，则将训练后的回归模型作为所述发电量回归模型。
优选地，发电量预测装置还包括：
确定所述待预测卫星图像所包括的待预测风电机的电机数量，以及各个待预测风电机之间的电量影响参数；
基于所述发电量、所述电机数量以及所述电量影响参数，确定各个待预测风电机的目标发电量。
优选地，获取模块100还用于：
获取待预测卫星图像以及所述待预测卫星图像对应的分辨率，并获取所述待预测卫星图像对应的卫星拍摄所述待预测卫星图像的拍摄角度；
通过移动终端或者风力检测传感器，获取所述待预测卫星图像对应的第一室外风力信息。
上述各程序模块所执行的方法可参照本发明发电量预测方法各个实施例，此处不再赘述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有发电量预测程序，所述发电量预测程序被处理器执行时实现如上所述的发电量预测方法的步骤。
其中，在所述处理器上运行的发电量预测程序被执行时所实现的方法可参照本发明发电量预测方法各个实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (11)
1.一种发电量预测方法，其特征在于，所述发电量预测方法包括以下步骤：
获取待预测卫星图像以及所述待预测卫星图像对应的第一拍摄参数，并获取所述待预测卫星图像对应的第一室外风力信息；
将待预测卫星图像、所述第一拍摄参数以及所述第一室外风力信息输入发电量预测模型，以获得所述待预测卫星图像对应的风电站的发电量。
2.如权利要求1所述的发电量预测方法，其特征在于，所述发电量预测模型包括深度学习模型以及发电量回归模型，所述将待预测卫星图像、所述第一拍摄参数以及所述第一室外风力信息输入发电量预测模型，以获得所述待预测卫星图像对应的风电站的发电量的步骤包括：
将所述待预测卫星图像输入深度学习模型，以获得所述待预测卫星图像对应的多个第一目标矩形框信息，以及所述第一目标矩形框信息对应的第一目标框为风电机的概率，其中，所述第一目标矩形框信息包括所述待预测卫星图像中的风电机在所述待预测卫星图像中的位置以及大小；
将所述第一拍摄参数、所述第一室外风力信息、所述第一目标矩形框信息以及所述概率输入发电量回归模型，以获得所述待预测卫星图像对应的风电站的发电量。
3.如权利要求1所述的发电量预测方法，其特征在于，所述将所述待预测卫星图像输入深度学习模型的步骤之前，还包括：
获取卫星图像样本，并标注卫星图像样本所包括的目标风电机对应的第二目标矩形框信息，得到标注后的卫星图像样本，其中，所述第二目标矩形框信息包括所述目标风电机在所述卫星图像样本中的位置以及大小；
将标注后的卫星图像样本输入faster-rcnn深度学习模型，以获得所述深度学习模型。
4.如权利要求3所述的发电量预测方法，其特征在于，所述获取卫星图像样本，并标注卫星图像样本所包括的目标风电机对应的第二目标矩形框信息，得到标注后的卫星图像样本的步骤包括：
获取卫星图像样本对应的颜色直方图，并对所述颜色直方图进行归一化处理，得到归一化后的颜色直方图；
获取卫星图像样本所包括的目标风电机的实际地理位置信息；
基于所述实际地理位置信息以及归一化后的颜色直方图，对卫星图像样本进行标注，以获得标注后的卫星图像样本。
5.如权利要求3所述的发电量预测方法，其特征在于，所述将所述第一拍摄参数、所述第一室外风力信息、所述第一目标矩形框信息以及所述第一概率输入发电量回归模型的步骤之前，还包括：
获取所述卫星图像样本对应的第二拍摄参数，以及所述卫星图像样本中的各个卫星图像对应的第二室外风力信息，各个卫星图像所包括的风电机的实际发电量；
将所述第二拍摄参数、所述第二室外风力信息、所述第二目标矩形框信息以及所述实际发电量输入回归模型，以获得所述发电量回归模型。
6.如权利要求5所述的发电量预测方法，其特征在于，所述将所述第二拍摄参数、所述第二室外风力信息、所述第二目标矩形框信息以及所述实际发电量输入回归模型，以获得所述发电量回归模型的步骤包括：
将所述第二拍摄参数、所述第二室外风力信息、所述第二目标矩形框信息以及所述实际发电量输入回归模型，以获取训练后的回归模型对应的回归损失函数值；
若所述回归损失函数值小于预设值，则将训练后的回归模型作为所述发电量回归模型。
7.如权利要求1所述的发电量预测方法，其特征在于，所述将待预测卫星图像、所述第一拍摄参数以及所述第一室外风力信息输入发电量预测模型，以获得所述待预测卫星图像对应的风电站的发电量的步骤之后，还包括：
确定所述待预测卫星图像所包括的待预测风电机的电机数量，以及各个待预测风电机之间的电量影响参数；
基于所述发电量、所述电机数量以及所述电量影响参数，确定各个待预测风电机的目标发电量。
8.如权利要求1至7任一项所述的发电量预测方法，其特征在于，所述第一拍摄参数包括分辨率以及拍摄角度，所述获取待预测卫星图像以及所述待预测卫星图像对应的第一拍摄参数，并获取所述待预测卫星图像对应的第一室外风力信息的步骤包括：
获取待预测卫星图像以及所述待预测卫星图像对应的分辨率，并获取所述待预测卫星图像对应的卫星拍摄所述待预测卫星图像的拍摄角度；
通过移动终端或者风力检测传感器，获取所述待预测卫星图像对应的第一室外风力信息。
9.一种发电量预测装置，其特征在于，所述发电量预测装置包括：
获取模块，用于获取待预测卫星图像以及所述待预测卫星图像对应的第一拍摄参数，并获取所述待预测卫星图像对应的第一室外风力信息；
预测模块，用于将待预测卫星图像、所述第一拍摄参数以及所述第一室外风力信息输入发电量预测模型，以获得所述待预测卫星图像对应的风电站的发电量。
10.一种发电量预测设备，其特征在于，所述发电量预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的发电量预测程序，所述发电量预测程序被所述处理器执行时实现如权利要求1至8中任一项所述的发电量预测方法的步骤。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有发电量预测程序，所述发电量预测程序被处理器执行时实现如权利要求1至8中任一项所述的发电量预测方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010174122.8A CN111311022B (zh) | 2020-03-12 | 2020-03-12 | 发电量预测方法、装置、设备及计算机可读存储介质 |
| PCT/CN2020/134034 WO2021179698A1 (zh) | 2020-03-12 | 2020-12-04 | 发电量预测方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010174122.8A CN111311022B (zh) | 2020-03-12 | 2020-03-12 | 发电量预测方法、装置、设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111311022A true CN111311022A (zh) | 2020-06-19 |
| CN111311022B CN111311022B (zh) | 2023-06-27 |
Family
ID=71145651
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010174122.8A Active CN111311022B (zh) | 2020-03-12 | 2020-03-12 | 发电量预测方法、装置、设备及计算机可读存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN111311022B (zh) |
| WO (1) | WO2021179698A1 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021179698A1 (zh) * | 2020-03-12 | 2021-09-16 | 深圳前海微众银行股份有限公司 | 发电量预测方法、装置、设备及计算机可读存储介质 |
| CN114759968A (zh) * | 2022-03-04 | 2022-07-15 | 广州爱浦路网络技术有限公司 | 通信卫星节能控制方法、计算机装置和存储介质 |
| JPWO2023079669A1 (zh) * | 2021-11-05 | 2023-05-11 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004019583A (ja) * | 2002-06-18 | 2004-01-22 | Tohoku Electric Power Co Inc | 風力発電における発電出力予測方法、発電出力予測装置及び発電出力予測システム |
| CA2667152A1 (en) * | 2008-05-30 | 2009-11-30 | General Electric Company | Method for wind turbine placement in a wind power plant |
| JP2012200097A (ja) * | 2011-03-22 | 2012-10-18 | Toshiba Corp | 発電設備制御装置、発電設備制御方法、発電設備制御プログラム、電力演算装置及び電力制御装置 |
| CN103489037A (zh) * | 2013-07-04 | 2014-01-01 | 清华大学 | 一种可发电风资源的预测方法 |
| WO2014155482A1 (ja) * | 2013-03-25 | 2014-10-02 | 中国電力株式会社 | 発電量予測装置、発電量予測方法、及びプログラム |
| JP2015222530A (ja) * | 2014-05-23 | 2015-12-10 | 清水建設株式会社 | 発電予測装置、発電予測方法、及びプログラム |
| JP2016136001A (ja) * | 2015-01-23 | 2016-07-28 | 中国電力株式会社 | 予測装置 |
| US20180336408A1 (en) * | 2017-05-18 | 2018-11-22 | International Business Machines Corporation | Mapping Wind Turbines and Predicting Wake Effects Using Satellite Imagery Data |
| CN110633862A (zh) * | 2019-09-20 | 2019-12-31 | 旻投(上海)数据科技有限公司 | 一种基于卫星云图的光功率预测算法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104598715B (zh) * | 2014-11-07 | 2018-12-11 | 国家电网公司 | 一种基于气候态风速预测的区域风电电量预测方法 |
| CN107204615B (zh) * | 2017-06-12 | 2020-02-28 | 郑州云海信息技术有限公司 | 一种实现功率预测的方法及系统 |
| CN109934378A (zh) * | 2018-12-30 | 2019-06-25 | 孙力勇 | 一种功率预测方法及装置 |
| CN110738127B (zh) * | 2019-09-19 | 2023-04-18 | 福建技术师范学院 | 基于无监督深度学习神经网络算法的安全帽识别方法 |
| CN111311022B (zh) * | 2020-03-12 | 2023-06-27 | 深圳前海微众银行股份有限公司 | 发电量预测方法、装置、设备及计算机可读存储介质 |
-
2020
- 2020-03-12 CN CN202010174122.8A patent/CN111311022B/zh active Active
- 2020-12-04 WO PCT/CN2020/134034 patent/WO2021179698A1/zh active Application Filing
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004019583A (ja) * | 2002-06-18 | 2004-01-22 | Tohoku Electric Power Co Inc | 風力発電における発電出力予測方法、発電出力予測装置及び発電出力予測システム |
| CA2667152A1 (en) * | 2008-05-30 | 2009-11-30 | General Electric Company | Method for wind turbine placement in a wind power plant |
| JP2012200097A (ja) * | 2011-03-22 | 2012-10-18 | Toshiba Corp | 発電設備制御装置、発電設備制御方法、発電設備制御プログラム、電力演算装置及び電力制御装置 |
| WO2014155482A1 (ja) * | 2013-03-25 | 2014-10-02 | 中国電力株式会社 | 発電量予測装置、発電量予測方法、及びプログラム |
| CN103489037A (zh) * | 2013-07-04 | 2014-01-01 | 清华大学 | 一种可发电风资源的预测方法 |
| JP2015222530A (ja) * | 2014-05-23 | 2015-12-10 | 清水建設株式会社 | 発電予測装置、発電予測方法、及びプログラム |
| JP2016136001A (ja) * | 2015-01-23 | 2016-07-28 | 中国電力株式会社 | 予測装置 |
| US20180336408A1 (en) * | 2017-05-18 | 2018-11-22 | International Business Machines Corporation | Mapping Wind Turbines and Predicting Wake Effects Using Satellite Imagery Data |
| CN110633862A (zh) * | 2019-09-20 | 2019-12-31 | 旻投(上海)数据科技有限公司 | 一种基于卫星云图的光功率预测算法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021179698A1 (zh) * | 2020-03-12 | 2021-09-16 | 深圳前海微众银行股份有限公司 | 发电量预测方法、装置、设备及计算机可读存储介质 |
| JPWO2023079669A1 (zh) * | 2021-11-05 | 2023-05-11 | ||
| WO2023079669A1 (ja) * | 2021-11-05 | 2023-05-11 | 三菱電機株式会社 | レーダ画像から関心領域を自動検出するための学習方法、及び自動検出装置 |
| JP7391278B2 (ja) | 2021-11-05 | 2023-12-04 | 三菱電機株式会社 | レーダ画像から関心領域を自動検出するための学習方法、及び自動検出装置 |
| CN114759968A (zh) * | 2022-03-04 | 2022-07-15 | 广州爱浦路网络技术有限公司 | 通信卫星节能控制方法、计算机装置和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111311022B (zh) | 2023-06-27 |
| WO2021179698A1 (zh) | 2021-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111210095B (zh) | 发电量预测方法、装置、设备及计算机可读存储介质 | |
| CN111311022B (zh) | 发电量预测方法、装置、设备及计算机可读存储介质 | |
| CN111476780A (zh) | 一种图像检测方法、装置、电子设备以及存储介质 | |
| CN109086761B (zh) | 图像处理方法和装置、存储介质、电子设备 | |
| US20150227817A1 (en) | Category Histogram Image Representation | |
| CN110910445B (zh) | 一种物件尺寸检测方法、装置、检测设备及存储介质 | |
| CN110852332A (zh) | 训练样本的生成方法、装置、存储介质及电子设备 | |
| CN112802126A (zh) | 一种标定方法、装置、计算机设备和存储介质 | |
| CN111563398A (zh) | 用于确定目标物的信息的方法和装置 | |
| CN113899367B (zh) | 无人机降落的定位方法、装置、计算机设备及存储介质 | |
| CN114612531A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
| CN109726726B (zh) | 视频中的事件检测方法及装置 | |
| CN113361384A (zh) | 人脸识别模型压缩方法、设备、介质及计算机程序产品 | |
| CN111476144B (zh) | 行人属性识别模型确定方法、装置及计算机可读存储介质 | |
| CN110717405B (zh) | 人脸特征点定位方法、装置、介质及电子设备 | |
| CN117314863A (zh) | 缺陷输出方法、装置、设备及存储介质 | |
| CN111680564A (zh) | 一种全天候行人重识别方法、系统、设备及存储介质 | |
| CN108174091B (zh) | 图像处理方法、装置、存储介质及电子设备 | |
| CN111709377A (zh) | 特征提取方法、目标重识别方法、装置及电子设备 | |
| CN116050763A (zh) | 基于gis与bim的智慧工地管理系统 | |
| CN115841575A (zh) | 关键点检测方法、装置、电子设备、存储介质和程序产品 | |
| CN113011497B (zh) | 图像比对方法和系统 | |
| CN115063473A (zh) | 物体高度的检测方法、装置、计算机设备、存储介质 | |
| CN114445778A (zh) | 一种计数方法及装置、电子设备和存储介质 | |
| CN113269730A (zh) | 图像处理方法、装置、计算机设备及存储介质 |
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 |