CN111323228B - 一种基于时间序列映射与卷积神经网络的故障诊断方法 - Google Patents
一种基于时间序列映射与卷积神经网络的故障诊断方法 Download PDFInfo
- Publication number
- CN111323228B CN111323228B CN202010200757.0A CN202010200757A CN111323228B CN 111323228 B CN111323228 B CN 111323228B CN 202010200757 A CN202010200757 A CN 202010200757A CN 111323228 B CN111323228 B CN 111323228B
- Authority
- CN
- China
- Prior art keywords
- neural network
- fault
- fault diagnosis
- dimensional
- mapping
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于时间序列映射与卷积神经网络的故障诊断方法,包括:采集石化旋转机组的故障数据样本,并对所述故障数据样本进行存储;通过EMT390数据管理系统将所述故障数据样本以csv文件格式导出;将所述故障数据样本进行一维数据映射,得到一维时间序列;对所述一维时间序列进行映射,得到二维图片;对所述二维图片进行故障识别训练,得到故障诊断神经网络模型;将待检测的石化旋转机组的振动数据输入所述故障诊断神经网络模型中,获取所述待检测的石化旋转机组的故障诊断结果。通过本发明,不需要对原始数据做过多的预处理,可以高效迅速的实现故障诊断。
Description
技术领域
本发明涉及故障诊断领域,特别涉及一种基于时间序列映射与卷积神经网络的故障诊断方法。
背景技术
旋转机组传动系统的复杂性以及工作条件的多样性使得旋转机组振动信号具有非平稳和非线性的特点,各种激励源产生的信号模糊、混杂、多耦合,导致故障冲击特征常被淹没在强背景信号与噪声中而难以识别,尤其是旋转机组轴承早期损伤的微弱冲击特征,更是不易提取。当石化旋转机组在恶劣环境如风、雨、高噪声、高压、高温、有毒有害气体、设备腐蚀等环境下运行时,如何有效地从传感器采集到的观测信号中提取出所期望的故障特征信息,是制约旋转机组故障诊断的瓶颈,使得依据频域分析法为主流技术的各类诊断方法往往束手无策,如何高效迅速实现故障诊断,是石化旋转机组故障诊断领域的难点问题。
发明内容
本发明提供一种基于时间序列映射与卷积神经网络的故障诊断方法,不需要对原始数据做过多的预处理,可以高效迅速的实现故障诊断。
根据本发明的一个方面,提供了一种基于时间序列映射与卷积神经网络的故障诊断方法,包括以下步骤:
采集石化旋转机组的故障数据样本,并对所述故障数据样本进行存储;
通过EMT390数据管理系统将所述故障数据样本以csv文件格式导出;
将所述故障数据样本进行一维数据映射,得到一维时间序列;
对所述一维时间序列进行映射,得到二维图片;
对所述二维图片进行故障识别训练,得到故障诊断神经网络模型;
将待检测的石化旋转机组的振动数据输入所述故障诊断神经网络模型中,获取所述待检测的石化旋转机组的故障诊断结果。
优选地,对所述一维时间序列进行映射,得到二维图片,包括以下步骤:
对所述一维时间序列进行归一化处理,并将归一化之后的数据分为训练集组和测试集组;
采用python环境分别对所述训练集组和测试集组进行时间序列的映射;
通过定义Gram矩阵依次算出所述训练集组和测试集组中每组的角度;
将每组的角度经过定义生成类Gram矩阵;
采用python环境将类Gram矩阵生成二维图片。
优选地,所述二维图片的分辨率为512*512。
优选地,对所述二维图片进行故障识别训练,得到故障诊断神经网络模型,包括以下步骤:
对所述二维图片中包含的训练集组部分进行故障识别训练,得到初始故障诊断神经网络模型;
将所述二维图片中包含的测试集组部分输入所述初始故障诊断神经网络模型中进行测试;
如果测试结果合格,则将所述初始故障诊断神经网络模型确定为故障诊断神经网络模型。
优选地,所述训练集组部分进行故障识别训练以及所述测试集组部分进行模型测试均采用python试验环境。
优选地,所述故障诊断神经网络模型由11层组成,依次排列为input(512,512,1)-C1(10,5,5,1)-P1(2,2,'same')-C2(10,5,5,1)-C3(10,5,5,1)-P2(2,2,'same')-C4(10,5,5,1)-P3(2,2,'same')-C5(10,5,5,1)-P4(2,2,'same')-FC(512)-FC(256)-FC(4)。
优选地,C(10,5,5,1)为一个卷积过程,10为卷积核个数,卷积核大小为5×5,步长为1;P(2,2,'same')为一个池化过程,二次抽样因子为2×2,池化方式为'same'填充策略;FC为神经元全连接层生成输出向量。
与现有技术相比较,本发明的有益效果如下:
通过本发明,将一维时间序列映射到二维图片表示,接着利用卷积神经网络对其进行特征提取与识别,最后对机器健康进行监测,有效的提高了故障诊断精度。本发明采用一维时间序列映射技术,操作简单,不需要对原始数据做过多的预处理,更适合于海量数据的处理,极大地提高了故障诊断的效率;运用卷积神经网络可以挖掘被映射的一维时间序列中隐藏的连接,建立采样信号与故障条件之间的复杂映射关系,有助于提高故障诊断的精准度。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。附图中:
图1是根据本发明实施例的一种基于时间序列映射与卷积神经网络的故障诊断方法的流程图;
图2是根据本发明实施例一的另一种基于时间序列映射与卷积神经网络的故障诊断方法的流程图;
图3是Gram矩阵值输出密度的直方图与内积三维图;
图4是类Gram矩阵的分布密度图;
图5是一维时间序列映射流程图;
图6是卷积神经网络模型结构图。
具体实施方式
下面将结合本发明附图,对本发明技术方案进行描述,但所描述的实施例仅仅是本发明一部分实施例,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。
本发明实施例提供了一种基于时间序列映射与卷积神经网络的故障诊断方法,图1是根据本发明实施例的一种基于时间序列映射与卷积神经网络的故障诊断方法的流程图,如图1所示,包括以下步骤:
步骤S101:采集石化旋转机组的故障数据样本,并对故障数据样本进行存储;
步骤S102:通过EMT390数据管理系统将故障数据样本以csv文件格式导出;
步骤S103:将故障数据样本进行一维数据映射,得到一维时间序列;
步骤S104:对一维时间序列进行映射,得到二维图片;
步骤S105:对二维图片进行故障识别训练,得到故障诊断神经网络模型;
步骤S106:将待检测的石化旋转机组的振动数据输入故障诊断神经网络模型中,获取待检测的石化旋转机组的故障诊断结果。
在实施过程中,在步骤S104中,首先需要对一维时间序列进行归一化处理,并将归一化之后的数据分为训练集组和测试集组;采用python环境分别对训练集组和测试集组进行时间序列的映射;通过定义Gram矩阵依次算出训练集组和测试集组中每组的角度;将每组的角度经过定义生成类Gram矩阵;采用python环境将类Gram矩阵生成二维图片。
在步骤S104中,上述二维图片的分辨率为512*512。
在步骤S105中,对二维图片中包含的训练集组部分进行故障识别训练,得到初始故障诊断神经网络模型;将二维图片中包含的测试集组部分输入初始故障诊断神经网络模型中进行测试;如果测试结果合格,则将初始故障诊断神经网络模型确定为故障诊断神经网络模型。
进一步的,训练集组部分进行故障识别训练以及测试集组部分进行模型测试均采用python试验环境。
在步骤S105中,故障诊断神经网络模型由11层组成,依次排列为input(512,512,1)-C1(10,5,5,1)-P1(2,2,'same')-C2(10,5,5,1)-C3(10,5,5,1)-P2(2,2,'same')-C4(10,5,5,1)-P3(2,2,'same')-C5(10,5,5,1)-P4(2,2,'same')-FC(512)-FC(256)-FC(4)。
进一步的,C(10,5,5,1)为一个卷积过程,10为卷积核个数,卷积核大小为5×5,步长为1;P(2,2,'same')为一个池化过程,二次抽样因子为2×2,池化方式为'same'填充策略;FC为神经元全连接层生成输出向量。
通过上述步骤,不需要对原始数据做过多的预处理,可以高效迅速的实现故障诊断。
为了使本发明的技术方案和实现方法更加清楚,下面将结合优选的实施例对其实现过程进行详细描述。
实施例一
本实施例提供另一种基于时间序列映射与卷积神经网络的故障诊断方法,如图2所示,图2是根据本发明实施例一的另一种基于时间序列映射与卷积神经网络的故障诊断方法的流程图,包括以下步骤:
步骤S201:采集石化旋转机组的故障数据样本,并对故障数据样本进行存储;
步骤S202:通过EMT390数据管理系统将故障数据样本以csv文件格式导出;
步骤S203:将故障数据样本进行一维数据映射,得到一维时间序列;
步骤S204:对一维时间序列进行归一化处理,并将归一化之后的数据分为训练集组和测试集组;
本实施例中,归一化之后的数据可以分为200组,其中180组为训练集组,另外20组为测试集组;
步骤S205:采用python环境分别对训练集组和测试集组进行时间序列的映射;
步骤S206:通过定义Gram矩阵依次算出训练集组和测试集组中每组的角度;
本实施例中,上述Gram矩阵定义为由于单变量时间序列是一维的,内积不能区分有价值的信息和高斯噪声,如图3所示,图3为长度为N的时间序列的Gram矩阵值输出密度的直方图与内积三维图,从密度图可以看出Gram矩阵输出似乎遵循以0为中心的高斯分布,数据的高斯分布越多,就越难将其与高斯噪声区分开来,因此得到的图片也是有噪音的图片,所以需要重新定义新的Gram矩阵;
步骤S207:将每组的角度经过定义生成类Gram矩阵;
本实施例中,上述类Gram矩阵为新定义的Gram矩阵,定义为对时间序列缩放后时间序列的原始值构成类Gram矩阵的对角线,根据深度神经网络学习到的高层特征来近似重构时间序列,类Gram矩阵的分布密度如图4所示,可以看出该矩阵映射图像,容易与噪音区分;
步骤S208:采用python环境将类Gram矩阵生成二维图片;
本实施例中,上述二维图片的分辨率为512*512;利用时间序列映射映射的二维图像,可以看作是一种特征表示,这种基于一维时间序列映射的图像信号不仅包含故障的全部信息,而且不依赖于先验知识和诊断专长;
上述的时间映射方法具有以下优点:它提供了一种保持时间依赖性方法,Gram矩阵保留了时间依赖性;由于时间随着位置从左上角到右下角的移动而增加,所以时间维度被映射到矩阵的几何结构中,将一维时间序列和二维图片空间之间构造一个双向映射,这样就不会丢失任何信息;选用新定义的类Gram矩阵,相对笛卡尔坐标,极坐标保留绝对的时间关系;对角线由缩放后时间序列的原始值构成;时间相关性是通过时间间隔的方向叠加,用相对相关性来解释;完整的映射流程图如图5所示;
步骤S209:对二维图片中包含的训练集组部分进行故障识别训练,得到初始故障诊断神经网络模型;
本实施例中,时间序列映射的故障图像识别借助深度学习的图像特征提取功能,对故障图像的特征进行学习,因图像像素间的空间关系固定,并且特征是通过像素关系体现的,所以图像通过卷积神经网络的卷积层被卷积核进行卷积之后得到N个特征图;本发明运用的卷积神经网络模型如图6所示;
步骤S210:将二维图片中包含的测试集组部分输入初始故障诊断神经网络模型中进行测试;
作为一种可选的实施方式,上述训练集组部分进行故障识别训练以及上述测试集组部分进行模型测试均采用python试验环境;
步骤S211:如果测试结果合格,则将初始故障诊断神经网络模型确定为故障诊断神经网络模型;
本实施例中,上述故障诊断神经网络模型由11层组成,依次排列为input(512,512,1)-C1(10,5,5,1)-P1(2,2,'same')-C2(10,5,5,1)-C3(10,5,5,1)-P2(2,2,'same')-C4(10,5,5,1)-P3(2,2,'same')-C5(10,5,5,1)-P4(2,2,'same')-FC(512)-FC(256)-FC(4);C(10,5,5,1)为一个卷积过程,10为卷积核个数,卷积核大小为5×5,步长为1;P(2,2,'same')为一个池化过程,二次抽样因子为2×2,池化方式为'same'填充策略,在每个通道的每个卷积之后填充特征图的边界,在所有的池化层中采用的池化策略是最大池化,可以有效避免失真;FC为神经元全连接层生成输出向量,每个输出向量包含相应个单位,最后分别用softmax回归函数表示各图像的类隶属度概率估计;
步骤S212:将待检测的石化旋转机组的振动数据输入故障诊断神经网络模型中,获取待检测的石化旋转机组的故障诊断结果。
本发明采用的神经网络算法从零开始训练一个深入的体系结构是困难的,大型深度神经网络包含大量的权值,这些权值在训练前随机初始化,并根据标记数据和损失函数进行迭代更新,迭代地更新所有的权重非常耗时,而且由于训练数据有限,深层架构可能会过度适应训练数据,它利用预先训练好的深度卷积神经网络,而深度卷积神经网络已经由另一个数据集训练过了,卷积神经网络能够从图像中学习层次表示,并且嵌入在预训练模型权值中的知识可以转移到新的任务中,低层卷积层提取边缘和曲线等低层特征,适用于常见的图像分类任务,而较低层卷积层的操作可以学习到针对不同应用领域的更抽象的表示;因此,本发明通过传输较低级别的表示,并且更新更高隐藏层权重的过程称为微调,其成功与否部分取决于源数据集和目标数据集之间的“距离”;对于类似的数据集,只能微调完全连接的层,而对于差异较大的数据集,需要更新几个卷积块;与从零开始的训练相比,本发明使用的这种方法更快,因为它本质上减少了需要训练的参数的数量。
综合上述,通过上述实施例,将一维时间序列映射到二维图片表示,接着利用卷积神经网络对其进行特征提取与识别,最后对机器健康进行监测,有效的提高了故障诊断精度。本发明采用一维时间序列映射技术,操作简单,不需要对原始数据做过多的预处理,更适合于海量数据的处理,极大地提高了故障诊断的效率;运用卷积神经网络可以挖掘被映射的一维时间序列中隐藏的连接,建立采样信号与故障条件之间的复杂映射关系,有助于提高故障诊断的精准度。
Claims (7)
1.一种基于时间序列映射与卷积神经网络的故障诊断方法,其特征在于,包括以下步骤:
采集石化旋转机组的故障数据样本,并对所述故障数据样本进行存储;
通过EMT390数据管理系统将所述故障数据样本以csv文件格式导出;
将所述故障数据样本进行一维数据映射,得到一维时间序列;
对所述一维时间序列进行映射,得到二维图片;
对所述二维图片中包含的训练集组部分进行故障识别训练,得到初始故障诊断神经网络模型;
将所述二维图片中包含的测试集组部分输入所述初始故障诊断神经网络模型中进行测试;
如果测试结果合格,则将所述初始故障诊断神经网络模型确定为故障诊断神经网络模型;
将待检测的石化旋转机组的振动数据输入所述故障诊断神经网络模型中,获取所述待检测的石化旋转机组的故障诊断结果。
2.根据权利要求1所述的方法,其特征在于,对所述一维时间序列进行映射,得到二维图片,包括以下步骤:
对所述一维时间序列进行归一化处理,并将归一化之后的数据分为训练集组和测试集组;
采用python环境分别对所述训练集组和测试集组进行时间序列的映射;
通过定义Gram矩阵依次算出所述训练集组和测试集组中每组的角度;
将每组的角度经过定义生成类Gram矩阵;
采用python环境将类Gram矩阵生成二维图片。
3.根据权利要求2所述的方法,其特征在于,所述二维图片的分辨率为512*512。
5.根据权利要求2所述的方法,其特征在于,所述训练集组部分进行故障识别训练以及所述测试集组部分进行模型测试均采用python试验环境。
6.根据权利要求2所述的方法,其特征在于,所述故障诊断神经网络模型由11层组成,依次排列为input(512,512,1)-C1(10,5,5,1)-P1(2,2,'same')-C2(10,5,5,1)-C3(10,5,5,1)-P2(2,2,'same')-C4(10,5,5,1)-P3(2,2,'same')-C5(10,5,5,1)-P4(2,2,'same')-FC(512)-FC(256)-FC(4)。
7.根据权利要求6所述的方法,其特征在于,C(10,5,5,1)为一个卷积过程,10为卷积核个数,卷积核大小为5×5,步长为1;P(2,2,'same')为一个池化过程,二次抽样因子为2×2,池化方式为'same'填充策略;FC为神经元全连接层生成输出向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010200757.0A CN111323228B (zh) | 2020-03-20 | 2020-03-20 | 一种基于时间序列映射与卷积神经网络的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010200757.0A CN111323228B (zh) | 2020-03-20 | 2020-03-20 | 一种基于时间序列映射与卷积神经网络的故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111323228A CN111323228A (zh) | 2020-06-23 |
CN111323228B true CN111323228B (zh) | 2022-04-29 |
Family
ID=71167539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010200757.0A Active CN111323228B (zh) | 2020-03-20 | 2020-03-20 | 一种基于时间序列映射与卷积神经网络的故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111323228B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112000923A (zh) * | 2020-07-14 | 2020-11-27 | 中国电力科学研究院有限公司 | 电网故障诊断方法、系统及设备 |
CN111897310B (zh) * | 2020-07-24 | 2021-11-19 | 华中科技大学 | 基于一维多头卷积网络的工业过程故障分类方法和系统 |
CN112069930A (zh) * | 2020-08-20 | 2020-12-11 | 国网山西省电力公司电力科学研究院 | 提升gis设备故障诊断准确率的振动信号处理方法及装置 |
CN112587091A (zh) * | 2020-12-04 | 2021-04-02 | 中山大学 | 基于心率变异性角场图像的睡眠呼吸暂停检测方法及装置 |
JP2022113523A (ja) * | 2021-01-25 | 2022-08-04 | 株式会社日本製鋼所 | コンピュータプログラム、異常検知方法、異常検知装置、成形機システム及び学習モデル生成方法 |
CN113393056B (zh) * | 2021-07-08 | 2022-11-25 | 山东大学 | 基于时间序列的众包服务供需缺口预测方法及系统 |
CN115628910B (zh) * | 2022-12-22 | 2023-03-17 | 广东技术师范大学 | 一种基于迁移学习的嵌入式轴承故障诊断装置及设备 |
CN116383747A (zh) * | 2023-04-06 | 2023-07-04 | 中国科学院空间应用工程与技术中心 | 基于多时间尺度深度卷积生成对抗网络的异常检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650919A (zh) * | 2016-12-23 | 2017-05-10 | 国家电网公司信息通信分公司 | 一种基于卷积神经网络的信息系统故障诊断方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779073B (zh) * | 2016-12-27 | 2019-05-31 | 西安石油大学 | 基于深度神经网络的媒体信息分类方法及装置 |
CN107066759B (zh) * | 2017-05-12 | 2020-12-01 | 华北电力大学(保定) | 一种汽轮机转子振动故障诊断方法及装置 |
CN106980073A (zh) * | 2017-05-23 | 2017-07-25 | 武汉大学 | 一种基于卷积神经网络的输电线路双端故障录波数据匹配方法 |
CN107179194A (zh) * | 2017-06-30 | 2017-09-19 | 安徽工业大学 | 基于卷积神经网络的旋转机械故障定性诊断方法 |
CN107560849B (zh) * | 2017-08-04 | 2020-02-18 | 华北电力大学 | 多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
US11328169B2 (en) * | 2017-09-26 | 2022-05-10 | Nvidia Corporation | Switchable propagation neural network |
-
2020
- 2020-03-20 CN CN202010200757.0A patent/CN111323228B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650919A (zh) * | 2016-12-23 | 2017-05-10 | 国家电网公司信息通信分公司 | 一种基于卷积神经网络的信息系统故障诊断方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111323228A (zh) | 2020-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111323228B (zh) | 一种基于时间序列映射与卷积神经网络的故障诊断方法 | |
CN108764292B (zh) | 基于弱监督信息的深度学习图像目标映射及定位方法 | |
CN110657984B (zh) | 一种基于强化胶囊网络的行星齿轮箱故障诊断方法 | |
CN113780412B (zh) | 故障诊断模型训练方法、系统及其诊断方法、系统 | |
CN108710777B (zh) | 基于多卷积自编码神经网络的多元化探异常识别方法 | |
CN109741340B (zh) | 基于fcn-aspp网络的冰盖雷达图像冰层精细化分割方法 | |
CN112465057B (zh) | 一种基于深度卷积神经网络的目标检测识别方法 | |
CN109242097B (zh) | 无监督学习的视觉表示学习系统及方法 | |
Leroux et al. | Training binary neural networks with knowledge transfer | |
CN112562255A (zh) | 微光环境下电缆沟道烟雾火情的智能图像检测方法 | |
CN116152678A (zh) | 小样本条件下基于孪生神经网络的海洋承灾体识别方法 | |
CN112149526A (zh) | 一种基于长距离信息融合的车道线检测方法及系统 | |
Lee et al. | Generating hard examples for pixel-wise classification | |
Konopka et al. | Classification of soil bacteria based on machine learning and image processing | |
CN116894207A (zh) | 一种基于Swin Transformer和迁移学习的智能辐射源识别方法 | |
CN117274662A (zh) | 一种改进ResNeXt神经网络的轻量级多模态医学图像分类方法 | |
CN116863237A (zh) | 一种基于类别相关特征重建的图像分类方法及装置 | |
CN111695570A (zh) | 一种基于变分原型推理的小样本下语义分割方法 | |
CN116258877A (zh) | 土地利用场景相似度变化检测方法、装置、介质及设备 | |
CN110837787A (zh) | 一种三方生成对抗网络的多光谱遥感图像检测方法及系统 | |
CN116977265A (zh) | 缺陷检测模型的训练方法、装置、计算机设备和存储介质 | |
CN115546470A (zh) | 一种小样本目标检测的方法、系统、设备和存储介质 | |
CN113128614B (zh) | 基于图像梯度的卷积方法、基于方向卷积的神经网络及分类方法 | |
CN114998604A (zh) | 一种基于局部点云位置关系的点云特征提取方法 | |
CN113609957A (zh) | 一种人体行为识别方法及终端 |
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 |