CN112465002B - 一种火灾现场铜导线熔痕智能识别方法及装置 - Google Patents
一种火灾现场铜导线熔痕智能识别方法及装置 Download PDFInfo
- Publication number
- CN112465002B CN112465002B CN202011321909.9A CN202011321909A CN112465002B CN 112465002 B CN112465002 B CN 112465002B CN 202011321909 A CN202011321909 A CN 202011321909A CN 112465002 B CN112465002 B CN 112465002B
- Authority
- CN
- China
- Prior art keywords
- copper wire
- wire weld
- weld mark
- image
- confidence coefficient
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种火灾现场铜导线熔痕智能识别方法及装置,用以解决现有的铜导线熔痕识别方法用时较长,且容易出现误判及漏判的技术问题。方法包括:采集火灾现场与铜导线熔痕有关的第一图像,并将第一图像转换为对应的像素矩阵;将像素矩阵输入至铜导线熔痕识别神经网络模型中,得到二维置信度向量;其中,二维置信度向量中的第一元素用于指示短路置信度,第二元素用于指示火烧置信度;基于短路置信度以及火烧置信度,确定第一图像对应的铜导线熔痕类型。本申请通过上述方法避免了专业人员或者专业特定仪器的参与,缩短了铜导线熔痕的识别时间,并且能够保证铜导线熔痕识别的准确性。
Description
技术领域
本申请涉及图像识别技术领域,尤其涉及一种火灾现场铜导线熔痕智能识别方法及装置。
背景技术
在实际的火灾调查工作中,铜导线熔痕是使用数量最多、最典型的痕迹物证。精确区分火灾现场的铜导线熔痕类型,是科学、准确分析认定起火原因的关键所在。
但现有的判别铜导线熔痕类型的工作方式,需要专业人员以及专业特定仪器的参与,而且主要依靠手工模式在火灾现场寻找铜导线熔痕。不仅需要较长的工作时间,而且依靠经验进行判别,容易出现误判和漏判的情况。
发明内容
本申请实施例提供了一种火灾现场铜导线熔痕智能识别方法及装置,用以解决现有的铜导线熔痕识别方法用时较长,且容易发生错判及漏判的技术问题。
一方面,本申请实施例提供了一种火灾现场铜导线熔痕智能识别方法,包括:采集火灾现场与铜导线熔痕有关的第一图像,并将第一图像转换为对应的像素矩阵;将像素矩阵输入至铜导线熔痕识别神经网络模型中,得到二维置信度向量;其中,二维置信度向量中的第一元素用于指示短路置信度,二维置信度向量中的第二元素用于指示火烧置信度;基于短路置信度以及火烧置信度,确定第一图像对应的铜导线熔痕类型。
本申请实施例中提供的一种火灾现场铜导线熔痕智能识别方法,通过铜导线熔痕识别网络模型得到二维置信度向量,并基于该二维置信度向量确定第一图像对应的铜导线熔痕类型,避免了专业人员以及专业仪器的参与,缩短了铜导线熔痕类型判别的时间,提高了工作效率。另外,通过神经网络模型对铜导线熔痕类型进行识别,能够有效地保证铜导线熔痕定性分析的唯一性,有效避免铜导线熔痕的错判及漏判情况,保证了火灾现场铜导线熔痕智能识别的准确性。
在本申请的一种实现方式中,铜导线熔痕类型包括短路类型及火烧类型;基于短路置信度以及火烧置信度,确定第一图像对应的铜导线熔痕类型,具体包括:计算短路置信度与火烧置信度之间差值,并计算差值的绝对值;在差值的绝对值小于预设阈值的情况下,确定第一图像对应的铜导线熔痕类型为短路类型。
本申请实施例中在火烧置信度与短路置信度之间的差值较小,即火烧类型与短路类型难以区分时,将第一图像对应的铜导线熔痕类型识别为短路类型,更加符合实际情况中消防人员对于短路类型的重视程度,同时保证了本申请实施例中的铜导线熔痕智能识别方法更具有实用性及真实性。
在本申请的一种实现方式中,方法还包括:确定差值的绝对值大于等于预设阈值;比较短路置信度与火烧置信度之间的大小关系,并确定短路置信度与火烧置信度之间的大的置信度;确定第一图像对应的铜导线熔痕类型为大的置信度对应的铜导线熔痕类型。
在本申请的一种实现方式中,在将像素矩阵输入至铜导线熔痕识别神经网络模型中之前,方法还包括:获取若干与铜导线熔痕有关的第二图像;对第二图像进行预处理,得到训练数据集;将训练数据集输入至神经网络模型中进行训练;训练直至输出收敛,得到铜导线熔痕识别神经网络模型。
本申请实施例中通过大量的铜导线熔痕有关图像对神经网络模型进行训练,能够使得本申请实施例中的铜导线熔痕识别模型快速、准确的识别火灾现场铜导线熔痕样本,进而能够准确、快速的确定铜导线熔痕类型,大大减少了铜导线熔痕类型识别的所用时间,同时保证了铜导线熔痕类型识别的高效性及准确性。
在本申请的一种实现方式中,对第二图像进行预处理,具体包括:将第二图像中的任一图像进行随机翻转处理;对随机翻转处理后的第二图像中的任一图像进行参数调整;其中,参数至少包括以下任一项:亮度、对比度、饱和度以及色相。
在本申请的一种实现方式中,铜导线熔痕识别神经网络模型采用inception V3模型进行训练。
在本申请的一种实现方式中,将像素矩阵输入至铜导线熔痕识别神经网络模型中,得到二维置信度向量,具体包括:通过铜导线熔痕识别神经网络模型的卷积层及池化层,对像素矩阵进行卷积处理及池化处理,得到特征向量;将特征向量输入至铜导线熔痕识别神经网络模型的softmax层中,得到二维置信度向量。
本申请实施例中的铜导线熔痕识别神经网络模型,与传统的铜导线熔痕识别方法中采用的神经网络模型相比,不用单独的提取特征,而是通过深度神经网络的卷积层、池化层提取高维特征;也不需要提取微观特征,通过宏观的特征即可识别铜导线熔痕的类型,减少了神经网络模型的复杂程度,进而缩短了火灾现场铜导线熔痕的识别时间。
在本申请的一种实现方式中,在确定第一图像对应的铜导线熔痕类型之后,方法还包括:根据铜导线熔痕类型,将第一图像进行分类存储;将分类存储后的第一图像加入至铜导线熔痕识别神经网络模型的训练数据集中。
在本申请的一种实现方式中,在确定第一图像对应的铜导线熔痕类型之后,方法还包括:将第一图像对应的铜导线熔痕类型发送至火灾现场工作人员对应的移动终端上;或者,将第一图像对应的铜导线熔痕类型以文字方式进行展示。
另一方面,本申请实施例还提供了一种火灾现场铜导线熔痕智能识别装置,装置包括:采集模块,用于采集火灾现场与铜导线熔痕有关的第一图像,并将第一图像转换为对应的像素矩阵;输入模块,用于将像素矩阵输入至铜导线熔痕识别神经网络模型中,得到二维置信度向量;其中,二维置信度向量中的第一元素用于指示短路置信度,二维置信度向量中的第二元素用于指示火烧置信度;确定模块,用于基于短路置信度以及火烧置信度,确定第一图像对应的铜导线熔痕类型。
本申请实施例提供的一种火灾现场铜导线熔痕智能识别装置,通过采集模块、输入模块以及确定模块,不仅能够快速、准确的对火灾现场的铜导线熔痕进行识别,而且能够缓解对专业人员以及特定专业仪器的依赖程度,减少铜导线熔痕识别的所用时间。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的一种火灾现场铜导线熔痕智能识别方法流程图;
图2为本申请实施例提供的一种火灾现场铜导线熔痕智能识别装置内部结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例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。
在实际的火灾调查工作中,铜导线熔痕是火灾调查中数量最多、最典型的痕迹物证。精准区分火灾现场的铜导线短路熔痕与火烧熔痕,是科学、准确分析认定起火原因的关键所在。
目前国内对于导线熔痕鉴别有六种方式,分别是宏观鉴定法、微观鉴定法、金相分析法、化学成分分析法、剩磁法以及模拟实验法。其中,宏观鉴定法即通过导线外观熔痕来直接判别,如从导线的色泽,熔珠的形态,导线于熔珠之间的过渡区等来判别导线熔痕属于短路熔痕还是火烧熔痕;微观鉴定法即通过电子显微镜、X光等手段,对导线熔痕的微观特征进行识别,从而判定其类型;金相分析法在导线熔痕鉴别中运用范围最广,通过金相显微仪对导线短路、漏电熔痕等进行鉴定;化学成分分析法即通过对熔珠空洞内表面元素比例进行测定从而进行鉴定;剩磁法是在火灾现场没有短路熔痕的情况下,对周围的铁制品磁性进行分析从而进行鉴定;模拟实验法即通过模拟实验建立导线短路熔痕的图谱库,从而实现对短路熔痕的准确鉴定。
现有的对火灾现场铜导线熔痕进行判别的方法,主要具有以下缺点:
(1)火灾调查人员进行现场勘验时,主要依靠手工模式在火灾现场搜寻铜导线熔痕,人工清理、筛选、辨识等工作用时较多;
(2)火灾调查人员凭借个人经验初判疑似短路熔痕,经常出现错判和漏判;
(3)现有的判别方法大都需要专业人员以及专业特定仪器的参与,经常导致人员短缺以及勘察时间过长;
(4)现有使用神经网路识别导线的技术仍需在精密仪器上提取微观特征。
本申请实施例提供了一种火灾现场铜导线熔痕智能识别方法及装置,通过采集火灾现场的铜导线熔痕有关的第一图像,并将其输入至神经网络模型中得到二维置信度向量,最后基于二维置信度向量确定第一图像对应的铜导线熔痕类型。以解决上述现有的铜导线熔痕判别方法用时较长,且容易出现错判及漏判的技术问题。
下面通过附图对本申请实施例提出的技术方案进行详细的说明。
图1为本申请实施例提供的一种火灾现场铜导线熔痕智能识别方法流程图。如图1所示,本申请实施例中提供的铜导线熔痕智能识别方法,主要包括以下步骤:
步骤101、采集第一图像,并将其转换为对应的像素矩阵。
本申请实施例提供一种火灾现场铜导线熔痕智能识别方法中,首先是通过图像采集设备在火灾现场采集与铜导线熔痕有关的第一图像。需要说明的是,此处采集到的第一图像中包含铜导线熔痕的形状、外观等信息。
进一步地,将采集到的第一图像转换为对应的像素矩阵形式。需要说明的是,本申请实施例中将第一图像转换为像素矩阵的过程可以通过现有的方法或者设备实现,本申请实施例在此不做赘述。
步骤102、将像素矩阵输入至铜导线熔痕识别神经网络模型中,得到二维置信度向量。
在得到第一图像对应的像素矩阵之后,将像素矩阵输入至铜导线熔痕识别神经网络模型中进行处理,得到二维置信度向量。即本申请实施例中的铜导线熔痕识别神经网络模型的输入为第一图像对应的像素矩阵,输出为第一图像对应的二维置信度向量。
在本申请的一个实施例中,二维置信度向量中的第一元素用于指示短路置信度,第二元素用于指示火烧置信度。需要说明的是,短路置信度与短路类型相对应,火烧置信度与火烧类型相对应。
具体地,铜导线熔痕识别神经网络模型主要包括4个层,即输入层、卷积层、池化层以及softmax层。其中,输入层用于将第一图像对应的像素矩阵输入至铜导线熔痕识别神经网络模型中;卷积层用于对输入的像素矩阵进行卷积处理;池化层用于对卷积层的输出进行池化处理,防止过拟合;输入的像素矩阵经过卷积层及池化层的处理后,得到与第一图像对应的高纬度的特征向量;最后将特征向量输入至sofumax层,输出二维置信度向量。需要说明的是,本申请实施例中铜导线熔痕识别神经网络模型中的卷积层个数、池化层个数可根据输入图像以及实际的需求进行设置,本申请实施例对此不作赘述。例如,将火灾现场与铜导线熔痕有关的第一图像转换为299*299*3的像素矩阵形式,将该像素矩阵输入至铜导线熔痕识别神经网络模型中,经过96个卷积层及14个池化层的处理后,得到一个维度为2048的特征向量,将特征向量输入至softmax层中进行处理后,输出一个维度为2的置信度向量。
在本申请的一个实施例中,在将第一图像对应的像素矩阵输入至铜导线熔痕识别神经网络模型中之前,需要对铜导线熔痕识别神经网络模型进行训练。
具体地,获取若干与铜导线熔痕有关的第二图像,以便基于第二图像构建神经网络模型的训练样本。需要说明的是,本申请实施例中获取第二图像的方式可以是在互联网获取,也可以在特定的消防网站上下载得到,本申请实施例对此不作限定。
进一步地,将获取到的第二图像中的任一图像进行随机翻转处理,此处的随机翻转处理主要包括左右翻转及上下翻转,且上下翻转及左右翻转的概率均为50%。然后将随机翻转处理后的第二图像中的任一图像进行参数调整。本申请实施例中调整的参数主要包括以下任一项或者多项:亮度、对比度、饱和度以及色相。通过上述翻转处理及参数调整过程,实现了第二图像的扩充过程。例如,可以将592张短路类型的铜导线熔痕图像扩充至2790张,将496张火烧类型的铜导线熔痕图像扩充至2886张。
更进一步地,基于扩充处理后的第二图像,构建训练数据集。将该训练数据集根据K折交叉验证方法划分为K份(例如,将训练数据集划分为5份),并将划分完成的训练数据集输入至神经网络模型中进行训练,直至输出收敛,得到铜导线熔痕识别神经网络模型。
在本申请的一个实施例中,铜导线熔痕识别神经网络模型采用inception V3模型进行训练,并在训练时将inception V3模型最后的全连接层替换为softmax层,以适应本申请实施例中的模型训练过程。而且,本申请实施例中的铜导线熔痕识别神经网络模型在训练时将所有卷积层的参数保存下来。
步骤103、基于二维置信度向量,确定第一图像对应的铜导线熔痕类型。
在得到第一图像对应的二维置信度向量之后,根据二维置信度向量中的短路置信度及火烧置信度,确定第一图像对应的铜导线熔痕类型。
具体地,计算短路置信度与火烧置信度之间的差值,并计算该差值的绝对值;在差值的绝对值小于预设阈值的情况下,确定第一图像对应的铜导线熔痕类型为短路类型熔痕。
例如,|α-β|<0.117时,确定第一图像对应的铜导线类型为短路类型熔痕。其中,α表示短路置信度,β表示火烧置信度。
进一步地,在短路置信度与火烧置信度之间的差值的绝对值大于等于预设阈值的情况下,确定短路置信度与火烧置信度之间的较大者,并确定第一图像对应的铜导线熔痕类型为较大置信度对应的熔痕类型。
例如,|α-β|≥0.117时,确定第一图像对应的铜导线类型为较大置信度对应的熔痕类型。其中,α表示短路置信度,β表示火烧置信度。在α>β时,确定第一图像对应的铜导线熔痕类型为短路类型熔痕。
在本申请的一个实施例中,在确定第一图像对应的铜导线熔痕类型之后,方法还包括:根据第一图像对应的铜导线熔痕类型,对第一图像进行分类存储至服务器,并将分类结果或者第一图像对应的铜导线熔痕类型发送至火灾现场工作人员对应的移动终端上,或者将第一图像对应的铜导线熔痕类型在显示设备上进行展示,供火灾现场的工作人员查看。需要说明的是,本申请实施例中还可以通过其他方式例如,语音广播,使火灾现场的工作人员及时获取第一图像对应的铜导线熔痕类型。
进一步地,还可以将存储后的第一图像加入至第二图像中,以构建铜导线熔痕识别神经网络模型的训练数据集。
本申请实施例中提供的一种火灾现场铜导线熔痕智能识别方法,传统的熔痕判别方法相比,具有以下优点:
(1)本申请实施例中识别方法能够自动采集分析铜导线熔痕的宏观形貌图片,有效地减少现场调查人员的手工操作负担。
(2)本申请实施例中,使用大量铜导线熔痕样本对神经网络模型进行训练,以使其能够准确、快速地识别火灾现场铜导线熔痕类型,有效确保铜导线熔痕定性分析的唯一性,并能有效地避免铜导线熔痕类型的错判与漏判;并且对于难于区分的样本倾向性的识别为短路类型,更符合现实中消防人员对于短路样本的重视。
(3)本申请实施例中采用的铜导线熔痕识别神经网络模型,与传统的铜导线熔痕识别方法中采用的神经网络模型相比,不用单独提取特征,而是通过深度神经网络的卷积、池化操作提取高维特征;也不需要提取微观特征,通过宏观的特征就可以识别相应的铜导线熔痕类型。
以上为本申请实施例中提供的方法实施例,基于同样的发明构思,本申请实施例还提供了一种火灾现场铜导线熔痕智能识别装置。
图2为本申请实施例提供的一种火灾现场铜导线熔痕智能识别装置内部结构示意图。如图2所示,装置包括:采集模块201,用于采集火灾现场与铜导线熔痕有关的第一图像,并将第一图像转换为对应的像素矩阵;输入模块202,用于将像素矩阵输入至铜导线熔痕识别神经网络模型中,得到二维置信度向量;其中,二维置信度向量中的第一元素用于指示短路置信度,二维置信度向量中的第二元素用于指示火烧置信度;确定模块203,用于基于短路置信度以及火烧置信度,确定第一图像对应的铜导线熔痕类型。
本申请实施例中提供的铜导线熔痕智能识别装置,体积较小具有良好的便携性,能够有效的缓解专业人员对应专业特定仪器的依赖程度,进而能够快速、准确的识别火灾现场的铜导线熔痕类型。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
还需要说明的是,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、商品或者设备不仅包括那些要素,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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (3)
1.一种火灾现场铜导线熔痕智能识别方法,其特征在于,所述方法包括:
采集火灾现场与铜导线熔痕有关的第一图像,并将所述第一图像转换为对应的像素矩阵;
将所述像素矩阵输入至铜导线熔痕识别神经网络模型中,得到二维置信度向量,具体包括:通过所述铜导线熔痕识别神经网络模型的卷积层及池化层,对所述像素矩阵进行卷积处理及池化处理,得到特征向量;将所述特征向量输入至所述铜导线熔痕识别神经网络模型的softmax层中,得到二维置信度向量;其中,所述二维置信度向量中的第一元素用于指示短路置信度,所述二维置信度向量中的第二元素用于指示火烧置信度;
基于所述短路置信度以及所述火烧置信度,确定所述第一图像对应的铜导线熔痕类型;所述铜导线熔痕类型包括短路类型及火烧类型;
基于所述短路置信度以及所述火烧置信度,确定所述第一图像对应的铜导线熔痕类型,具体包括:计算所述短路置信度与所述火烧置信度之间差值的绝对值;在所述差值的绝对值小于预设阈值的情况下,确定所述第一图像对应的铜导线熔痕类型为短路类型;确定所述差值的绝对值大于等于所述预设阈值;比较所述短路置信度与所述火烧置信度之间的大小关系,并确定所述短路置信度与所述火烧置信度之间的大的置信度;确定所述第一图像对应的铜导线熔痕类型为所述大的置信度对应的铜导线熔痕类型;
所述铜导线熔痕识别神经网络模型采用inception V3模型进行训练,且在训练时将所述inception V3模型的全连接层替换为softmax层;
在将所述像素矩阵输入至铜导线熔痕识别神经网络模型中之前,所述方法还包括:获取若干与铜导线熔痕有关的第二图像;对所述第二图像进行预处理,得到训练数据集,具体包括:将所述第二图像中的任一图像进行随机翻转处理;对随机翻转处理后的所述第二图像中的任一图像进行参数调整;其中,所述参数至少包括以下任一项:亮度、对比度、饱和度以及色相;将所述训练数据集输入至神经网络模型中进行训练;训练直至输出收敛,得到所述铜导线熔痕识别神经网络模型;
在确定所述第一图像对应的铜导线熔痕类型之后,所述方法还包括:根据所述铜导线熔痕类型,将所述第一图像进行分类存储;将分类存储后的所述第一图像加入至所述铜导线熔痕识别神经网络模型的训练数据集中。
2.根据权利要求1所述的一种火灾现场铜导线熔痕智能识别方法,其特征在于,在确定所述第一图像对应的铜导线熔痕类型之后,所述方法还包括:
将所述第一图像对应的铜导线熔痕类型发送至火灾现场工作人员对应的移动终端上;
或者,将所述第一图像对应的铜导线熔痕类型以文字方式进行展示。
3.一种火灾现场铜导线熔痕智能识别装置,其特征在于,所述装置包括:
采集模块,用于采集火灾现场与铜导线熔痕有关的第一图像,并将所述第一图像转换为对应的像素矩阵;
输入模块,用于将所述像素矩阵输入至铜导线熔痕识别神经网络模型中,得到二维置信度向量;其中,所述二维置信度向量中的第一元素用于指示短路置信度,所述二维置信度向量中的第二元素用于指示火烧置信度;
确定模块,用于基于所述短路置信度以及所述火烧置信度,确定所述第一图像对应的铜导线熔痕类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011321909.9A CN112465002B (zh) | 2020-11-23 | 2020-11-23 | 一种火灾现场铜导线熔痕智能识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011321909.9A CN112465002B (zh) | 2020-11-23 | 2020-11-23 | 一种火灾现场铜导线熔痕智能识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112465002A CN112465002A (zh) | 2021-03-09 |
CN112465002B true CN112465002B (zh) | 2023-08-15 |
Family
ID=74799594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011321909.9A Active CN112465002B (zh) | 2020-11-23 | 2020-11-23 | 一种火灾现场铜导线熔痕智能识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112465002B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156963A (zh) * | 2014-08-12 | 2014-11-19 | 中山大学 | 一种电气火灾熔痕物证的自动鉴定方法 |
CN106611193A (zh) * | 2016-12-20 | 2017-05-03 | 太极计算机股份有限公司 | 一种基于特征变量算法的图像内容信息分析方法 |
CN109815904A (zh) * | 2019-01-25 | 2019-05-28 | 吉林大学 | 一种基于卷积神经网络的火灾识别方法 |
CN110246131A (zh) * | 2019-06-21 | 2019-09-17 | 成都卡普数据服务有限责任公司 | 基于卷积神经网络的导线分股缺陷图像识别方法 |
-
2020
- 2020-11-23 CN CN202011321909.9A patent/CN112465002B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156963A (zh) * | 2014-08-12 | 2014-11-19 | 中山大学 | 一种电气火灾熔痕物证的自动鉴定方法 |
CN106611193A (zh) * | 2016-12-20 | 2017-05-03 | 太极计算机股份有限公司 | 一种基于特征变量算法的图像内容信息分析方法 |
CN109815904A (zh) * | 2019-01-25 | 2019-05-28 | 吉林大学 | 一种基于卷积神经网络的火灾识别方法 |
CN110246131A (zh) * | 2019-06-21 | 2019-09-17 | 成都卡普数据服务有限责任公司 | 基于卷积神经网络的导线分股缺陷图像识别方法 |
Non-Patent Citations (1)
Title |
---|
张全新.深度学习中的图像分类与对抗技术.2020,第11-13页. * |
Also Published As
Publication number | Publication date |
---|---|
CN112465002A (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898137B (zh) | 一种基于深度神经网络的自然图像字符识别方法及系统 | |
CN111160301B (zh) | 基于机器视觉的隧道病害目标智能识别及提取方法 | |
CN111401419A (zh) | 基于改进RetinaNet的员工着装规范检测方法 | |
CN111401418A (zh) | 一种基于改进Faster r-cnn的员工着装规范检测方法 | |
CN114494185B (zh) | 一种基于rgb-t多尺度特征融合的电气设备故障检测方法 | |
CN112967255A (zh) | 一种基于深度学习的盾构管片缺陷类型识别及定位系统及其方法 | |
WO2021248269A1 (zh) | 一种变电设备高精度识别方法及系统 | |
CN113255590A (zh) | 一种缺陷检测模型训练方法、缺陷检测方法、装置及系统 | |
CN113077416A (zh) | 一种基于图像处理的焊点焊接缺陷检测方法与系统 | |
CN115953566A (zh) | 一种用于红外热成像仪的特征分析方法、系统及介质 | |
CN113128522B (zh) | 目标识别方法、装置、计算机设备和存储介质 | |
CN112052730A (zh) | 一种3d动态人像识别监控设备及方法 | |
CN114581654A (zh) | 一种基于互感器状态监测方法及装置 | |
CN111931721B (zh) | 年检标签颜色和个数的检测方法、装置及电子设备 | |
CN110223277A (zh) | 图像生成的方法、装置、终端设备及存储介质 | |
CN112465002B (zh) | 一种火灾现场铜导线熔痕智能识别方法及装置 | |
CN112560925A (zh) | 一种复杂场景目标检测数据集构建方法及系统 | |
CN111914068A (zh) | 试题知识点的提取方法 | |
CN114693554B (zh) | 一种大数据图像处理方法及系统 | |
CN114494765B (zh) | 真假烟鉴别点的识别方法、装置、电子设备及存储介质 | |
CN110619358A (zh) | 基于多组k分类的卷积特征谱的图像可判别区域联合提取方法 | |
CN112750113B (zh) | 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置 | |
CN113538411A (zh) | 一种绝缘子缺陷检测方法及装置 | |
CN113420686A (zh) | 一种输电线路巡检方法、装置及系统 | |
CN113628252A (zh) | 一种基于热成像视频的泄漏气体云团检测方法 |
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 |