CN112395954A - 一种基于自然语言模型与目标检测算法结合的输电线路特定故障识别系统 - Google Patents
一种基于自然语言模型与目标检测算法结合的输电线路特定故障识别系统 Download PDFInfo
- Publication number
- CN112395954A CN112395954A CN202011149620.3A CN202011149620A CN112395954A CN 112395954 A CN112395954 A CN 112395954A CN 202011149620 A CN202011149620 A CN 202011149620A CN 112395954 A CN112395954 A CN 112395954A
- Authority
- CN
- China
- Prior art keywords
- fault
- image
- model
- transmission line
- power transmission
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 230000005540 biological transmission Effects 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims 1
- 230000004438 eyesight Effects 0.000 description 5
- 238000003058 natural language processing Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 230000014616 translation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/242—Dictionaries
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Multimedia (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于自然语言模型与目标检测算法结合的输电线路特定故障识别系统,包括以下步骤:步骤一、采集输电线路图像,训练目标检测模型。步骤二、制作文本数据集,文本内容包括故障点图像路径和相应故障描述文字。步骤三、将步骤二中的故障点图像及文本数据通过深度卷积网络和语言生成模型得到图像生成文字模型。步骤四、将输电线路图像传入目标检测模型,检测出故障点坐标。步骤五、利用故障点坐标,将故障点裁切成新图像传入图像生成文字模型得到故障文字描述。步骤六、检测的图文结果推送给检修人员。本发明适应于输电线路的特定故障识别,可以实时反馈输电线路状态,保证输电线路可以及时得到维修。
Description
技术领域
本发明涉及计算机视觉的目标检测领域、自然语言处理的文本生成领域与电力系统故障识别领域。
背景技术
电力行业是国家最重要的行业之一,保证其安全运行更是重中之重,由于输电线路所处外部环境复杂恶劣,因此为了保障输电线路的稳定安全的运行,需要对输电线路进行定期的检查,找出故障或隐患的位置并及时检修。目前,人工检查线路的方式已经被无人机和摄像机取代,检修人员不可能总在现场靠眼力检测线路故障,随着深度学习、计算机视觉的发展,一些目标检测算法已经应用于输电线路故障检测中。
对于输电线路的故障检测,很多研究者已经提出利用多目标检测的网络(FasterRCNN、YOLOv3等)进行故障识别,但检测结果只能返回单一的故障状态,例如正常,模糊,自爆,锈蚀等简单的状态描述,不能够对故障进一步的描述,比如对损坏程度的描述。
自然语言处理是研究人与计算机交互的语言问题的一门学科,机器理解并解释人类写作与说话方式的能力,近年来深度学习技术在自然语言处理方面的研究和应用取得了显著的成果,如机器翻译,问答机器人,知识工程,情感分析等。
本发明将自然语言处理结合计算机视觉共同应用于电力系统故障识别领域实现智能化,高效化,详细化,提高故障识别系统与工作人员的交互性。
发明内容
本发明的目的是提供一种基于自然语言模型与目标检测算法结合的输电线路特定故障识别系统,解决检测结果只能返回单一的故障状态,不能够对故障进一步的描述,缺乏智能化交互的问题,最后利用推送系统将故障结果推送给相关工作人员。本发明包括如下步骤:
步骤一:通过航拍采集大量的输电线路特定部件的图像数据集,对数据集预处理,数据标注等操作。
步骤二:从收集到的图像中将所有包含故障点的样本挑选出来,并把具体的故障点裁切成新的图像数据,接着制作相对应的文本数据,文本数据的内容主要包括图片路径名称和该图片对应的故障描述文字。
步骤三:将步骤二中的图像数据集及其对应的文本数据通过深度卷积神经网络和语言生成模型训练得到图像生成文字的模型。
步骤四:将步骤一的数据集通过深度学习的多目标检测网络训练出模型,利用该模型检测出图像中故障位置并提取特征框坐标。
步骤五:利用步骤四提取出的故障位置在原图中的坐标,将故障部分裁切成新的图片传入步骤三训练的图像生成文字模型得到相应的文字描述。
步骤六:将生成的故障检测图像和文字描述推送给相关检修人员。
进一步地,所述步骤一对航拍的输电线路特定部件图像数据集进行预处理,包括数据降噪,调整图片亮度,图像标准化,样本均衡化,数据集标注等操作。
进一步地,所述步骤二将航拍的输电线路特定部件图像数据集中包含故障点的样本挑选出来,然后只将故障点位置裁切出来保存为新的图像数据,挑选裁切故障点结束后,接着制作文本数据,文本数据第一列是裁切的故障点图像路径和名称,第二列是对应的人工标注的文字描述。
进一步地,所述步骤三需要建立深度卷积神经网络和语言生成模型,深度卷积网络用于提取故障点图像的特征,语言生成模型用于提取故障点描述文字的序列特征,然后将两个模型组合成深度神经网络模型,最终将步骤二制作的图像数据与文本数据放入该模型中训练。
进一步地,所述步骤四是利用多目标检测网络训练步骤一中的图像数据集得到检测模型,多目标检测网络可以考虑选择YOLOv4,EfficientDet等主流检测网络作为主干网络。
进一步地,所述步骤五是先利用步骤四中的多目标检测网络模型提取出故障点在原图中的坐标,将故障点部分裁切成新的图片传入步骤三训练好的模型中得到相应的故障点文字描述,这里之所以将故障点裁切出来,是为了避免背景和负样本的噪声干扰。
进一步地,所述步骤六通过系统的推送模块,将生成的故障检测结果的图像和文字描述推送给相关检修人员。
与现有技术相比,本发明的有益效果是:
(1)采用多个模型组合工作,首先利用多目标检测网络模型可以较高精准度的方式提取出故障点在原图中坐标,利用坐标将故障点裁切出来形成新图像,减少了在之后的深度卷积神经网络模型和语言生成模型中的负样本噪声。
(2)将自然语言处理与计算机视觉共同应用于故障识别系统,解决了以往故障检测结果描述的单一性,实现了智能化交互与详细化交互,提高了故障识别系统与工作人员的交互性。
(3)在故障检测结果图像和故障文字描述生成之后,可以实时推送给相关检修人员,确保了输电线路能够及时得到检修。
附图说明
图1是本发明的系统流程图。
图2是本发明的深度卷积神经网络模型和语言生成模型的组合图
图3是本发明的多个模型共同工作的流程图。
具体实施方式
系统的流程图请参阅图1,本发明包括以下步骤:
步骤一:通过航拍采集大量的输电线路特定部件图像数据集,对数据集预处理,数据标注等操作;
步骤二:从收集到的图像中将所有包含故障的样本挑选出来,并把具体的故障点裁切成新的图像数据,接着制作相对应的文本数据,文本数据的内容主要包括图片路径名称和该图片对应的故障描述文字;
步骤三:将步骤二中的图像数据集及其对应的文本数据通过深度卷积神经网络和语言生成模型训练得到图像生成文字的模型;
步骤四:将步骤一的数据集通过深度学习的多目标检测网络训练出模型,利用该模型检测出图像中故障位置并提取特征框坐标;
步骤五:利用步骤四提取出的故障位置在原图中的坐标,将故障部分裁切成新的图片传入步骤三训练的图像生成文字模型得到相应的文字描述;
步骤六:将生成的故障检测图像和文字描述推送给相关检修人员。
步骤一的实施方式是对航拍的输电线路特定部件图像数据集先进行数据预处理,包括数据降噪,调整图片亮度,图像标准化,样本均衡化,这样可以提高模型训练的精准度。然后对图像数据集标注,可以借助标注工具进行标注,主要把待检测的线路部件标记上方框和状态,最后建立训练多目标检测网络模型的数据集。
步骤二的实施方式是从航拍的输电线路特定部件图像数据集中挑选出来包含故障的样本图像,然后只将故障点位置裁切出来保存为新的图像数据集,单独裁切故障点是为了减小深度卷积神经网络模型和语言生成模型的背景和负样本噪声,裁切故障点结束后,接着制作文本数据集,文本数据集第一列是裁切的故障点图像路径和名称,第二列是故障点对应的人工标注的描述文字。这里的故障点图像数据集用于传入卷积神经网络模型,文本数据集用于传入语言生成模型,最后根据所有人工标注的描述语句集,分词制作词典,该词典可用于语言模型训练过程中将词语转换为词典索引,以及模型最后生成词典索引结果后,利用生成的词典索引找出词典中对应的词语。
步骤三的实施方式是选择VGG-19作为深度卷积神经网络模型,并且要把VGG-19最后一层全连接层与soft-max层删除掉,然后将故障点的图像调整为224*224大小传入VGG-19模型,最终提取出故障点图像的特征。语言生成模型的循环神经网络选择多个LSTM单元提取文本序列特征,每一个LSTM单元输出信息计算公式如下:
式中:f为遗忘门,决定上一单元输出的文字信息序列被遗忘的程度;i为输入门,用来控制新文字信息序列被加入的多少,可以更新记忆单元的单元状态;o为输出门,用来控制当前的单元状态有多少被过滤掉;W为各权重矩阵,b为偏置。
深度卷积神经网络模型与语言生成模型确定之后,将两个模型组合在一起形成深度神经网络模型,深度卷积神经网络模型作为Encoder提取图像特征向量,语言生成模型作为Decoder生成文字序列,具体组合形式请参阅图2。接着在Decoder端引入Attention机制,实现的是在语言生成模型解码的不同时刻可以关注不同的图像区域,进而可以生成更合理的字词。
步骤四的实施方式选择YOLOv4作为多目标检测网络,并将步骤一中的图像数据集调整为416*416大小的尺寸,接着利用YOLOv4已经训练好的参数权重进行迁移学习,试图冻结YOLOv4原结构不同的层数,得到适合该系统场景的最佳模型,该模型可检测出原图中故障点的位置坐标。
步骤五的实施方式利用步骤四检测出的故障点在原图中的坐标,将故障部分裁切成新的图像,如果原图中有多个故障点,就遍历裁剪出每一个故障点部分,然后将这些故障点图像依次传入已经训练好的深度卷积神经网络模型与语言生成模型组合的DNN,多个模型共同工作的流程参阅图3,接着DNN根据传入的图像特征会输出词典索引序列,利用该索引序列去词典中一一匹配词语,最后按序列的顺序拼接成每个故障点对应的描述语句。接着利用BLEU的值衡量模型预测的描述语句和人工标注的描述语句之间的相似性,取值范围为[0,1],BLEU值越大,表明两者越相似,模型精准度越高,BLEU计算过程如下:
对于一个待生成描述的故障点图像,候选描述文本表示为ci,而对应的一组人工标注参考文本表示为Si={si1,si2,si3,...,sim}∈S,n-grams表示n个词语长度的词组集合,令wk表示第k组可能的n-grams,hk(ci)表示wk在候选描述文本ci中出现的次数,hk(sij)表示wk在参考文本sij中出现的次数,BLEU则按下式计算对应语句中语料库层面上的重合精度:
其中k标示了可能存在的n-grams序号。
接着引入一个惩罚因子BP防止在语句较长时表现不好,其中lc表示候选描述文本ci的长度,ls表示参考译文sij的有效长度,当存在多个参考译文时,选取和lc最接近的长度,BP公式如下:
最终BLEU按照下式计算:
步骤六的实施方式是检测到故障结果后,需要把故障信息与地理位置及时推送给相关检修人员,该部分用到的核心技术是消息队列、IP地理位置解析与第三方服务API的调用,为了控制高并发,所有的推送信息都先发到消息队列里,每次推送的个数通过控制队列的消费客户端的数量来实现;故障点的地理位置可以根据航拍设备的IP地址信息,利用IP地址解析库获取到航拍设备的IP所在的地理位置;第三方服务API调用可以选择邮件推送、微信小程序推送、钉钉推送、短信推送等方式;
据此就得到了一种基于自然语言模型与目标检测算法结合的输电线路特定故障识别系统的方法。
以上实施方案仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的保护范畴。
Claims (4)
1.一种基于自然语言模型与目标检测算法结合的输电线路特定故障识别系统,其特征在于,包括:
步骤一、通过航拍采集大量的输电线路特定部件图像数据集,对数据集预处理,包括数据降噪,调整图片亮度,图像标准化,样本均衡化,数据标注等操作;
步骤二、从收集到的图像中将所有包含故障点的样本通过人工方式挑选出来,并把具体的故障点裁切成新的图像数据,避免背景及负样本的噪声干扰,接着制作相对应的文本数据集,文本数据的内容主要包括图片路径名称和该图片对应的故障描述文字;
步骤三、将步骤二中的图像数据集及其对应的文本数据通过深度卷积神经网络和语言生成模型训练得到图像生成文字的模型;
步骤四、将步骤一的数据集通过深度学习的多目标检测网络训练出模型,利用该模型检测出图像中故障位置并提取特征框坐标;
步骤五、利用步骤四提取出的故障位置在原图中的坐标,将故障部分裁切成新的图片传入步骤三训练的图像生成文字模型得到相应的文字描述;
步骤六、将生成的故障检测图像和文字描述推送给相关检修人员。
2.根据权利要求1所述的一种基于自然语言模型与目标检测算法结合的输电线路特定故障识别系统,其特征在于:提出根据输电线路故障图像生成对应描述文字的模型,该模型使用深度卷积神经网络提取图像特征,使用循环神经网络提取文字序列特征,最后将卷积神经网络与循环神经网络组合成深度神经网络模型。
3.根据权利要求1所述的一种基于自然语言模型与目标检测算法结合的输电线路特定故障识别系统,其特征在于:应用深度学习的多目标检测网络与深度卷积神经网络、语言生成模型相结合的方法,检测出输电线路故障信息,深度学习的多目标检测网络能够以较高精确度检测出故障点位于原图像中的坐标,利用坐标裁切出故障点图像,避免了复杂背景和无关负样本的干扰,从而提高输电线路故障图像生成对应描述文字的模型的精确度。
4.根据权利要求1所述的一种基于自然语言模型与目标检测算法结合的输电线路特定故障识别系统,其特征在于:将航拍设备实时传输来的图像与IP地址,送入到系统中,如果检测到了图像中包含故障点,利用系统中的算法模型生成带标注框的故障点图像与故障点描述文字,接着将IP地址解析成地理位置信息,最后利用实时推送模块,将故障点图像、描述文字、地理位置信息及时推送给相关检修人员。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011149620.3A CN112395954A (zh) | 2020-10-23 | 2020-10-23 | 一种基于自然语言模型与目标检测算法结合的输电线路特定故障识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011149620.3A CN112395954A (zh) | 2020-10-23 | 2020-10-23 | 一种基于自然语言模型与目标检测算法结合的输电线路特定故障识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112395954A true CN112395954A (zh) | 2021-02-23 |
Family
ID=74596099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011149620.3A Pending CN112395954A (zh) | 2020-10-23 | 2020-10-23 | 一种基于自然语言模型与目标检测算法结合的输电线路特定故障识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112395954A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034592A (zh) * | 2021-03-08 | 2021-06-25 | 西安电子科技大学 | 基于自然语言描述的三维场景目标检测建模及检测方法 |
CN116934024A (zh) * | 2023-07-18 | 2023-10-24 | 江苏德劭信息科技有限公司 | 一种基于行动策略生成的电力检修单兵装备工作方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108257114A (zh) * | 2017-12-29 | 2018-07-06 | 天津市万贸科技有限公司 | 一种基于深度学习的输电设备缺陷自动识别方法 |
CN109344905A (zh) * | 2018-10-22 | 2019-02-15 | 王子蕴 | 一种基于集成学习的输电设备自动故障识别方法 |
CN110232413A (zh) * | 2019-05-31 | 2019-09-13 | 华北电力大学(保定) | 基于gru网络的绝缘子图像语义描述方法、系统、装置 |
-
2020
- 2020-10-23 CN CN202011149620.3A patent/CN112395954A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108257114A (zh) * | 2017-12-29 | 2018-07-06 | 天津市万贸科技有限公司 | 一种基于深度学习的输电设备缺陷自动识别方法 |
CN109344905A (zh) * | 2018-10-22 | 2019-02-15 | 王子蕴 | 一种基于集成学习的输电设备自动故障识别方法 |
CN110232413A (zh) * | 2019-05-31 | 2019-09-13 | 华北电力大学(保定) | 基于gru网络的绝缘子图像语义描述方法、系统、装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034592A (zh) * | 2021-03-08 | 2021-06-25 | 西安电子科技大学 | 基于自然语言描述的三维场景目标检测建模及检测方法 |
CN113034592B (zh) * | 2021-03-08 | 2021-08-31 | 西安电子科技大学 | 基于自然语言描述的三维场景目标检测建模及检测方法 |
CN116934024A (zh) * | 2023-07-18 | 2023-10-24 | 江苏德劭信息科技有限公司 | 一种基于行动策略生成的电力检修单兵装备工作方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230186030A1 (en) | Adaptive knowledge graph representation learning method for integrating graph structure with text information | |
CN111325323A (zh) | 一种融合全局信息和局部信息的输变电场景描述自动生成方法 | |
CN113641820A (zh) | 基于图卷积神经网络的视角级文本情感分类方法及系统 | |
CN111464881B (zh) | 基于自优化机制的全卷积视频描述生成方法 | |
CN110647632B (zh) | 基于机器学习的图像与文本映射技术 | |
CN112395954A (zh) | 一种基于自然语言模型与目标检测算法结合的输电线路特定故障识别系统 | |
CN111222330B (zh) | 一种中文事件的检测方法和系统 | |
CN110263154A (zh) | 一种网络舆情情感态势量化方法、系统及存储介质 | |
CN114020906A (zh) | 基于孪生神经网络的中文医疗文本信息匹配方法及系统 | |
CN108681538A (zh) | 一种基于深度学习的动词短语省略消解方法 | |
CN110347802A (zh) | 一种文本分析方法及装置 | |
CN110866129A (zh) | 一种基于跨媒体统一表征模型的跨媒体检索方法 | |
CN116503318A (zh) | 一种融合CAT-BiFPN与注意力机制的航拍绝缘子多缺陷检测方法、系统及设备 | |
CN114780777B (zh) | 基于语义增强的跨模态检索方法及装置、存储介质和终端 | |
CN113656564A (zh) | 一种基于图神经网络的电网业务对话数据情感检测方法 | |
CN115861462A (zh) | 图像生成模型的训练方法、装置、电子设备及存储介质 | |
CN112950617A (zh) | 基于连续旋转图像增强和条件生成对抗网络的潮流机叶片附着物识别方法 | |
CN114913376A (zh) | 基于图像的缺陷自动识别方法、装置、系统及存储介质 | |
CN110888944B (zh) | 基于多卷积窗尺寸注意力卷积神经网络实体关系抽取方法 | |
CN117194628A (zh) | 基于压缩技术提示词优化方法、装置、设备及存储介质 | |
CN112528642A (zh) | 一种隐式篇章关系自动识别方法及系统 | |
CN117033579A (zh) | 一种基于llms的新型知识库系统及方法 | |
CN111079528A (zh) | 一种基于深度学习的图元图纸校核方法及系统 | |
CN113298112B (zh) | 一种一体化数据智能标注方法及系统 | |
Islam et al. | Bengali caption generation for images using deep learning |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210223 |