CN112396104A - 一种基于机器学习的等离子体放电识别方法及系统 - Google Patents
一种基于机器学习的等离子体放电识别方法及系统 Download PDFInfo
- Publication number
- CN112396104A CN112396104A CN202011289544.6A CN202011289544A CN112396104A CN 112396104 A CN112396104 A CN 112396104A CN 202011289544 A CN202011289544 A CN 202011289544A CN 112396104 A CN112396104 A CN 112396104A
- Authority
- CN
- China
- Prior art keywords
- neural network
- layer
- convolutional neural
- discharge
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000010801 machine learning Methods 0.000 title claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000012795 verification Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012544 monitoring process Methods 0.000 claims abstract 2
- 239000010410 layer Substances 0.000 claims description 61
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 239000012792 core layer Substances 0.000 claims description 3
- 238000010891 electric arc Methods 0.000 claims description 3
- 238000007639 printing Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000013526 transfer learning Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 208000003464 asthenopia Diseases 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000512668 Eunectes Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/048—Activation functions
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器学习的等离子体放电识别方法及系统，包括将采集到的放电图像分为训练集、验证集和测试集，并打上预设的放电种类标签，通过图片预处理统一每张放电图像的大小；使用训练集对带有预训练权重的卷积神经网络进行训练，使用验证集调整卷积神经网络的超参数并监控卷积神经网络是否过拟合，以决定是否停止训练；使用测试集验证调整后的卷积神经网络，计算误差；保存测试完成的卷积神经网络，用于识别等离子体放电类型。本发明能够充分发挥机器学习的优势，能够快速准确地提取图片特征，避免了人工提取特征的局限性。
Description
技术领域
本发明属于人工智能图像识别领域，更具体地，涉及一种基于机器学习的等离子体放电识别方法及系统。
背景技术
电力设备在长期运行过程中会发生局部放电现象，不同的放电类型对绝缘破坏的程度也不同，所以往往需要专门的巡检人员识别其放电种类并做出相应的措施。传统的局部放电类型识别研究需要人为对信号进行特征提取，例如利用不同的放电检测方法获取放电时的电压电流数据，再进行人工特征量的提取和相应算法的构建。但是此识别方法主要针对结构化数据，无法直接应用于局部放电图像，将造成数据的大量浪费。
随着无人机巡检、机器人巡检等智能化巡检方式的出现，工作人员的巡线效率和安全系数得到了极大地提升，但在数据处理方面，仍然是传统的人工肉眼观察拍摄得到图像，检查并标注缺陷信息的工作方式。该方式准确率与检测人员的经验息息相关，同时还存在着因为长期观测视觉疲劳导致漏检率上升的隐患。
如今新兴的机器学习技术就可以摆脱这种缺陷，它简化人为提取特征的步骤，而是直接对采集到的放电图像进行自动特征学习与模式识别的方法，契合当今电力巡检中海量图像高效率和智能化处理的需求。
发明内容
针对现有技术的缺陷，本发明的目的在于提供一种基于机器学习的等离子体放电识别方法及系统，旨在解决传统人工识别效率低的问题，且避免产生因长期观测视觉疲劳导致漏检率上升的隐患。
为实现上述目的，本发明一方面提供了一种基于机器学习的等离子体放电识别方法。
为了方便说明，首先引入如下概念：
卷积神经网络(CNN)：是一类包含卷积计算且具有深度结构的前馈神经网络，是机器学习的代表算法之一，其具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类。具体来讲，卷积神经网络是由许多神经网络层按照一定顺序组合而成：输入层、卷积层、池化层、全连接层和输出层。
输入层：是卷积神经网络的始端，用于输入图像的三维矩阵。
卷积层：是卷积神经网络的核心层，用于图像数据的特征提取。
池化层：用于减小图像数据的空间尺寸，即缩小图像三维矩阵的大小。
全连接层：其作用是将上一层中的每个神经元连接到下一层中，主要用于完成分类任务。
输出层：用于输出分类结果。
数据集：从各种渠道搜集到的放电照片共400余张，将每一类数据集图片按照6:2:2的比例分为训练集、验证集和测试集，其中训练集用于模型的训练，验证集主要用于模型参数的调整，测试集不参与模型的训练过程，主要用于测试模型性能的优劣。
基于机器学习的等离子体放电识别方法包括以下步骤：
将采集到的放电图像分为训练集、验证集和测试集，并打上预设的放电种类标签，通过图片预处理统一每张放电图像的大小；
使用所述训练集对带有预训练权重的卷积神经网络进行训练，训练集直接参与了模型调参的过程；但是神经网络中存在很多需要人工选择的参数，即超参数，该参数无法通过训练得到，所以使用所述验证集手动调整模型的超参数并监控模型是否过拟合，以决定是否停止训练；最后使用测试集验证模型的最终效果，只需将训练好的卷积神经网络在测试集上计算误差即可；保存训练完成的卷积神经网络，用于之后识别外来新图像中等离子体放电类型。经过实测，本数据集在该卷积神经网络模型中的测试准确率在98.5％以上。
带有预训练权重的卷积神经网络采用了迁移学习的思想，迁移学习是将预训练完成的模型及参数作为新模型训练的起点，通常这些预训练的模型在神经网络开发的时候已经花了大量的时间和计算资源，迁移学习就可以将这些已学习的参数直接迁移到相关的问题上，这对解决卷积神经网络在小样本条件下难以训练的问题有很大的帮助。进一步地，预处理用于增加训练数据，指对放电图像进行随机的翻转、旋转、裁剪以及随机设置图像的亮度、对比度、饱和度、色度，从而扩大数据集的容量。
进一步地，放电种类标签包括电弧放电、电晕放电、沿面放电、等离子体射流四种。
进一步地，卷积神经网络由多个神经网络层按照顺序组合而成：输入层、卷积层、池化层、全连接层和输出层；
输入层：是卷积神经网络的始端，用于输入放电图像的三维矩阵；
卷积层：是卷积神经网络的核心层，用于图像数据的特征提取；
池化层：用于减小图像数据的空间尺寸，即缩小图像三维矩阵的大小；
全连接层：其作用是将上一层中的每个神经元连接到下一层中，主要用于完成分类任务；
输出层：用于输出分类结果。
进一步地，卷积神经网络针对过拟合问题，在所述全连接层后追加节点数为1024的全连接层、ReLU激活函数、追加BN层和追加Dropout层；
ReLU激活函数：用于增加网络模型的非线性，使其适用于非线性模型；
BN层：用于进行归一化操作，从而减小了不同批次数据分布的差异性；
Dropout层：用于在卷积神经网络的训练过程中，暂时丢弃部分神经网络单元，增强卷积神经网络的泛化能力。
本发明另一方面还提供了一种基于机器学习的等离子体放电识别系统，包括：计算机可读存储介质和处理器；计算机可读存储介质用于存储可执行指令；处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行上述的基于机器学习的等离子体放电识别方法。
通过本发明所构思的以上技术方案，与现有技术相比，本发明能够充分发挥机器学习的优势，能够快速准确地提取图片特征，避免了人工提取特征的局限性；本发明将机器学习与图像等离子体放电种类相结合，解决人工识别和传统方法效率低等问题，提高检修效率；同时，由于目前国内还没有建立专门的放电图片数据集，搜集的照片数目很难达到数万张，本发明提供的优化方案和迁移学习的思想，能够有效地提升该模型的识别效率。
附图说明
图1是本发明提供的基于机器学习的等离子体放电种类识别方法的流程图；
图2为本发明卷积神经网络的具体结构；
图3为本发明卷积神经网络模型Dropout层示意图；
图4为本发明优化后的卷积神经网络模型构架；
图5为本发明图像数据预处理的流程图；
图6为本发明预测四种放电图片得到的结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间不构成冲突就可以相互组合。
该发明是在：Inter Core i5-9600K CPU，3.7GHz主频，16GB内存，NVIDIA GeForceRTX 2060显卡，Python 3.7环境下完成的。软件开发平台包括Anaconda、CUDA10.0、Tensorflow2.0、编译器PyCharm。
本发明提供的基于机器学习的等离子体放电识别方法如图1所示，包括以下步骤：
将采集到的放电图像分为训练集、验证集和测试集，并打上预设的放电种类标签，通过图片预处理统一每张放电图像的大小；
使用所述训练集对带有预训练权重的卷积神经网络进行训练，训练集直接参与了模型调参的过程；但是神经网络中存在很多需要人工选择的参数，即超参数，该参数无法通过训练得到，所以使用所述验证集手动调整模型的超参数并监控模型是否过拟合，以决定是否停止训练；最后使用测试集验证模型的最终效果，只需将训练好的卷积神经网络在测试集上计算误差即可；保存训练完成的卷积神经网络，用于之后识别外来新图像中等离子体放电类型。经过实测，本数据集在该卷积神经网络模型中的测试准确率在98.5％以上。
本发明采用了典型卷积神经网络模型VGG16网络，如图2所示，该网络由13层卷积层追加3层全连接层组成，其中前两层全连接层输出节点数为1024，最后一层全连接层输出节点数为4，用于4种放电类型的分类。
本发明针对该模型容易出现的过拟合问题，提出了使用ReLU激活函数、追加BN层和Dropout层等优化方案。例如图3就显示了Dropout层在训练过程中，暂时丢弃部分神经网络单元的功能，这在很大程度上减弱了神经元节点之间的联合适应性。
经考虑，合适的优化顺序如图4所示：先利用ReLU函数减少网络模型参数的相互依存关系，再追加BN层减小不同批次数据分布的差异性，最后使用Dropout层，增强网络模型的泛化能力。
实施例
图1中，基于机器学习的等离子体放电种类识别方法，具体包括以下步骤：
(1)数据集：将数据集分为电弧放电、电晕放电、沿面放电、等离子体射流四种放电类别，将分好类别的数据集按照6:2:2的比例划分为训练集、验证集和测试集，读取数据集生成相应的csv文件。
(2)图片预处理：如图5所示，对图片进行数据解码，然后改变图像的大小，将图像数据缩放到神经网络可以接受的大小。再对图像数据进行随机的翻转、旋转、裁剪以及随机设置图像的亮度等，获取到更多的图像样本，扩大数据集的容量。最后，将所有的图像像素值进行标准化，使得像素值的变化范围位于0～1之间。
(3)训练：采用目前图像识别最常用的数据库ImageNet对网络模型进行训练，得到带有预训练权重的VGG16优化模型，然后利用训练集对该网络模型参数进行微调，之后利用验证集手动修正超参数，最后通过测试集测试模型的最终效果，从而得到适合本数据集的网络参数模型，用于预测图片中等离子体放电种类。
(4)预测：对将要预测的新图片(不包含在先前的数据集内)进行预处理，然后利用步骤3中训练完成的VGG16优化模型进行预测实验，输出原始图像并在下方显示出预测结果。图6给出了四张数据集中不存在的图片，经过模型预测，得到每张图片放电类型概率分布，并在下方输出预测结果。可见，四张图片均预测正确，且预测正确的放电类型概率分布远大于其他三种类型概率。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于机器学习的等离子体放电识别方法，其特征在于，包括以下步骤：
将采集到的放电图像分为训练集、验证集和测试集，并打上预设的放电种类标签，通过图片预处理统一每张放电图像的大小；
使用所述训练集对带有预训练权重的卷积神经网络进行训练，使用所述验证集调整卷积神经网络的超参数并监控卷积神经网络是否过拟合，以决定是否停止训练；使用所述测试集验证调整后的卷积神经网络，计算误差；保存测试完成的卷积神经网络，用于识别等离子体放电类型。
2.如权利要求1所述的等离子体放电识别方法，其特征在于，所述预处理用于增加训练数据，指对放电图像进行随机的翻转、旋转、裁剪以及随机设置图像的亮度、对比度、饱和度、色度，从而扩大数据集的容量。
3.如权利要求1所述的等离子体放电识别方法，其特征在于，所述放电种类标签包括电弧放电、电晕放电、沿面放电、等离子体射流四种。
4.如权利要求1所述的等离子体放电识别方法，其特征在于，所述卷积神经网络由多个神经网络层按照顺序组合而成：输入层、卷积层、池化层、全连接层和输出层；
输入层：是卷积神经网络的始端，用于输入放电图像的三维矩阵；
卷积层：是卷积神经网络的核心层，用于图像数据的特征提取；
池化层：用于减小图像数据的空间尺寸，即缩小图像三维矩阵的大小；
全连接层：其作用是将上一层中的每个神经元连接到下一层中，主要用于完成分类任务；
输出层：用于输出分类结果。
5.如权利要求4所述的等离子体放电识别方法，其特征在于，所述卷积神经网络针对过拟合，在所述全连接层后追加节点数为1024的全连接层、ReLU激活函数、追加BN层和追加Dropout层；
ReLU激活函数：用于增加网络模型的非线性，使其适用于非线性模型；
BN层：用于进行归一化操作，从而减小了不同批次数据分布的差异性；
Dropout层：用于在卷积神经网络的训练过程中，暂时丢弃部分神经网络单元，增强卷积神经网络的泛化能力。
6.一种基于机器学习的等离子体放电识别系统，其特征在于，包括：
计算机可读存储介质和处理器；
所述计算机可读存储介质用于存储可执行指令；
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行权利要求1至5任一项所述的基于机器学习的等离子体放电识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011289544.6A CN112396104A (zh) | 2020-11-17 | 2020-11-17 | 一种基于机器学习的等离子体放电识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011289544.6A CN112396104A (zh) | 2020-11-17 | 2020-11-17 | 一种基于机器学习的等离子体放电识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112396104A true CN112396104A (zh) | 2021-02-23 |
Family
ID=74606336
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011289544.6A Pending CN112396104A (zh) | 2020-11-17 | 2020-11-17 | 一种基于机器学习的等离子体放电识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112396104A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113177924A (zh) * | 2021-05-10 | 2021-07-27 | 南通大学 | 一种工业流水线产品瑕疵检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242205A (zh) * | 2018-10-09 | 2019-01-18 | 国网上海市电力公司 | 一种变压器状态预测方法及系统 |
| CN110334661A (zh) * | 2019-07-09 | 2019-10-15 | 国网江苏省电力有限公司扬州供电分公司 | 基于深度学习的红外输变电异常发热点目标检测方法 |
-
2020
- 2020-11-17 CN CN202011289544.6A patent/CN112396104A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242205A (zh) * | 2018-10-09 | 2019-01-18 | 国网上海市电力公司 | 一种变压器状态预测方法及系统 |
| CN110334661A (zh) * | 2019-07-09 | 2019-10-15 | 国网江苏省电力有限公司扬州供电分公司 | 基于深度学习的红外输变电异常发热点目标检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 刘兵等: ""基于卷积神经网络的变压器局部放电模式识别"", 《高压电器》 * |
| 曹荣刚: "《电磁轨道发射装置电磁环境及其测试技术》", 31 March 2019, 北京理工大学出版社 * |
| 杨为等: "电力物联网下基于卷积神经网络和迁移学习的GIS局部放电模式识别分类方法研究", 《高压电器》 * |
| 段萌等: ""基于卷积神经网络的小样本图像识别方法"", 《计算机工程与设计》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113177924A (zh) * | 2021-05-10 | 2021-07-27 | 南通大学 | 一种工业流水线产品瑕疵检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Automatic fault diagnosis of infrared insulator images based on image instance segmentation and temperature analysis | |
| CN110598736B (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
| US11586913B2 (en) | Power equipment fault detecting and positioning method of artificial intelligence inference fusion | |
| Xu et al. | Detecting tiny objects in aerial images: A normalized Wasserstein distance and a new benchmark | |
| CN111401418A (zh) | 一种基于改进Faster r-cnn的员工着装规范检测方法 | |
| CN111650453A (zh) | 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统 | |
| CN116310785B (zh) | 基于YOLO v4的无人机影像路面病害检测方法 | |
| CN114694178A (zh) | 基于Faster-RCNN算法的电力作业中安全帽监测方法及系统 | |
| CN114299324B (zh) | 一种基于多尺度域对抗网络的病理图像分类方法及系统 | |
| CN114749342A (zh) | 一种锂电池极片涂布缺陷识别方法、装置及介质 | |
| CN112766283B (zh) | 一种基于多尺度卷积网络的两相流流型识别方法 | |
| CN114283285A (zh) | 交叉一致性自训练遥感图像语义分割网络训练方法及装置 | |
| CN115564194A (zh) | 智能电网的计量异常诊断信息生成模型构建方法及系统 | |
| Saleh et al. | Tire defect detection model using machine learning | |
| CN114898472A (zh) | 基于孪生视觉Transformer网络的签名鉴定方法和系统 | |
| CN112396104A (zh) | 一种基于机器学习的等离子体放电识别方法及系统 | |
| CN112837281B (zh) | 基于级联卷积神经网络的销钉缺陷识别方法、装置和设备 | |
| CN114332473A (zh) | 目标检测方法、装置、计算机设备、存储介质及程序产品 | |
| CN114387524B (zh) | 基于多层级二阶表征的小样本学习的图像识别方法和系统 | |
| Liu et al. | Component detection for power line inspection using a graph-based relation guiding network | |
| Lil et al. | Tire Defect Detection Based on Improved DeepLabv3+ | |
| Guo et al. | Defect detection method of high-speed rail catenary based on few-shot learning | |
| CN117274903B (zh) | 基于智能ai芯片的电力巡检智能预警设备及其方法 | |
| Anzum et al. | Leveraging Data Efficient Image Transformer (DeIT) for Road Crack Detection and Classification | |
| Kong et al. | A Defect Diagnosis Method of Power Meter Inspection Image Quality Based on Multi-Scale Feature Fusion Attention ResNet |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210223 |