CN112712007A - 一种基于DCNN-Inception网络识别汽车尾气遥感数据的算法 - Google Patents
一种基于DCNN-Inception网络识别汽车尾气遥感数据的算法 Download PDFInfo
- Publication number
- CN112712007A CN112712007A CN202011566882.XA CN202011566882A CN112712007A CN 112712007 A CN112712007 A CN 112712007A CN 202011566882 A CN202011566882 A CN 202011566882A CN 112712007 A CN112712007 A CN 112712007A
- Authority
- CN
- China
- Prior art keywords
- data
- automobile exhaust
- layer
- neural network
- network
- 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
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
- G06V20/13—Satellite images
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种利用DNN‑inception网络识别汽车尾气遥感数据的算法,该算法包括(S1)对汽车尾气数据收集处理,且进行可视化处理,准备输入信息;(S2)利用卷积神经网络,对信息进行训练学习;(S3)改进卷积神经网络,加入inception结构进行迁移学习;(S4)利用建立CNN‑inception网络结构对汽车尾气进行识别,并且对数据准确率和计算速度进行对比分析。通过上述方案,本发明达到了识别尾气精度高,速度快、不受信息量大小误差影响,并且减少过拟合的概率。具有很高的实用价值和推广价值。
Description
技术领域
本发明属于汽车尾气遥感数据监测技术领域,具体地讲,是涉及一种利用 DCNN-Inception网络识别汽车尾气遥感数据的算法。
背景技术
目前,全国的机动车数量增长非常迅速,而机动车带来的排气污染也对城市环境造成极其严重的影响,甚至成为主要的城市大气污染源,造成大气环境质量的恶化。在城市化的进程中,为了解决城市污染问题,必须对机动车排气污染进行控制,也就是对汽车尾气进行监测。目前监测汽车尾气用的最多的汽车遥感监测技术,该技术可以有效的在特定区域布置汽车尾气遥感监测系统,对过往行驶的汽车排放的氮氧化物、碳氢化合物和一氧化碳的浓度进行检测,形成监测数据,通过分析来判断该汽车是否存在排放控制问题。但是由于存在一些因素(车速过快,车辆减速过程,复杂天气条件等),使得在采集到数据中存在少量不合理数据和干扰数据。需要进行剔除,不然会影响到识别精度,同时采集到的数据量比较大,人工剔除这些数据的难度比较大,不能快速的准确识别出尾气排放有问题的汽车。
在此背景下,迫切需求可以通过计算机软件对检测的汽车尾气遥感数据进行分析,应用算法的优化对数据的识别准确性进行提高,解决汽车尾气处理的实际问题。基于此,提出本次发明的研究目的:解决汽车尾气数据的识别问题,应用卷积神经网络算法识别汽车尾气数据,提高识别精度,有效判断出尾气排放有问题的车辆。
研究意义和必要性
汽车尾气遥感检测技术是目前最有效方法检测尾气方法,具有检测速度快、自动化程度高、且无需停车检查等优点,能准确地监测汽车发动机的运行工况,并如实反映汽车尾气排放的实际情况,检测到的数据真实有效。目前,由于检测到的尾气数据存在数据量庞大,冗余量大,数据存在一定错误等因素,人工分析数据比较麻烦,需要借助计算机检测算法进行分析,计算机算法作为尾气遥感数据处理过程中的一个重要组成部分,被看作汽车尾气遥感数据进行后续识别、分析和解释的关键。因此,正确的区分出合格与不合格尾气数据在对大气环境质量,气候分析,环境检测等研究领域就具有不可或缺的作用,具有一定的实际意义。
由于汽车尾气遥感设备也会受到外部检测环境(云层、气流、电磁波、光波) 影响,汽车本身因素(车辆速度过快,过慢,车流量大等)影响,监测到结果经常会出现一些异常数据,这对于应用计算机识别技术而言,都存在是研究困难,影响着识别的准确性。基于以上因素以及传统算法存在严重的准确率不足的问题,本课题提出利用深度学习算法——卷积神经网络算法,应用该算法进行处理遥感数据是十分必要的,适用于汽车尾气遥感数据的识别和分类。
发明内容
本发明研究的图像是由数据本身形成的,汽车尾气遥感检测系统采集到数据,研究者可以根据数据中的关键参数特性,进行特征选取,再把尾气中的各个关键参数和其对应数值形成图像,图像可以是柱状图,也可以是散点图,再利用卷积神经网络进行识别分类,最终结果可以应用机器学习来辨认尾气是否为合格尾气,从而能够判断汽车指标是否合格。该发明可以分解为以下几个研究内容:
1)汽车尾气遥感数据的采集与关键参数的提取
目前,世界上有许多的国家都将汽车工业生产作为本国国民经济的产业支柱,汽车工业发展迅速,这使的汽车数量趋于饱和状态。而汽车是能源消耗和污染物排放的主要来源,根据城市空气污染物来源的统计。有80%左右的空气污染物来源于汽车排放的尾气,所以限制汽车尾气排放可以更好的减少尾气对空气的危害。汽车尾气是包括汽油燃烧后的废气等,其尾气数据是判断尾气是否合格的重要标识,如何确定汽车尾气中的关键参数为研究重点。
通过对国内汽车尾气参数数据的调查研究,得出影响汽车尾气排放成分主要有NO/CO2、HC/CO2、CO/CO2等关键参数,通过汽车尾气遥感检测仪器获得得到这些参数的相对浓度后,需要通过公式来进行推导和计算,从而得出尾气中各种气体的绝对浓度。因此如果行驶的车辆处于化学计量空燃比燃烧状态,则能够取得更好的遥测效果,其参数更准确反应汽车尾气排放情况。
2)汽车尾气关键参数可视化方法实现
汽车尾气遥感检测系统每时每刻都会产生大量的数据,传播速度也是令人难以置信。据统计,2020年年度数据生成率为40Zettabytes。这是以前所不能比的。而这些数据本身并不能为管理人员和其他使用者获得具有价值的见解,必须要经过整理和规范这些数据。进行进一步的解释,然后进行分析和采取相关的行为,这里就需要研究者把数据更直观的表达出来。这就是可视化的步骤,允许使用者更直观的发现这个数据的内容。而Python是个很好的编程工具,可以把需求的数据用过程序模块来实现。
在汽车尾气数据各种参数中,选取具有关键参数的CO2,CO,HC为判断依据,初步生成1000张柱状图,作为卷积神经网的数据集合。同时通过阈值分析,将汽车尾气数据的规范分成两类。主要操作方法为:打开Python,添加环境变量引入matplotlib,pandas等模块,通过pandas来读取xls文件使其存储到变量data 中,再从中读取各个列的数据,用matplotlib中的plt子模块去配置生成图像的参数,主要包括大小,分辨率,标题等,plt.bar子模块生成柱状图,最终用plt.show() 显示出可视化图片。这样可以更加直观的把数据表达的信息显示出来,方便使用者的判断。通过Python中的matplotlib模块进行图像绘制。将汽车尾气的关键指标参数合成在一起,生成1000张柱状图,通过对数据数值的规范分成两类(合格和不合格)。
该生成的数据集图像作为CNN网络的训练集,用CNN模型训练数据时,研究者选取给图像命名的方法为:将尾气数据集通过python转变准备好1000张图像,并将其转换为jpg格式。数据集中选取了2类图片,每类500张图,分别是:0=合格,1=不合格。图像都放在datass文件夹中,按照label_id.jpg进行命名,例如1_111.jpg代表图片类别为1(不合格),id为111。
3)卷积神经网络算法识别汽车尾气遥感数据研究
1、卷积神经网络结构
CNN算法的全称是卷积神经网络算法,是一种前馈的神经网络,一般是由数据输入层、卷积计算层、分析池化层、全连接分类层组成。用卷积运算来代替传统的运算方法的神经网络。卷积层的用途就是进行特征提取,通常研究者根据需求输入图像,本次是128*128*3(3是它的深度即R、G、B)。把图像分成三层分量,通常就是用矩阵表示,下一步用卷积核来提取图像的特征和卷积核卷积,就可以得到特征值。卷积核在神经网络里代表着对应的权重,卷积核和图像进行点乘代表着卷积核的权重对应相应位置的图像信息。池化层的输入一般是上一个卷积层的输出,池化层是把输入的特征图用n*n的窗口划分成多个不叠加的区域,然后对每个区域进行计算,算出最大值或者平均值,这种方法叫做平均值池化法和最大值池化法。全链接层是通过提取的特征参数对原始图像进行分类。常用的分类方法如式1:
y1=f(w1(x-1)+b) 式1
式中x-1为前一层的特征图,通过卷积核抽样提取出来的特征参数;w1全连接层的权重系数;b为l层的偏置量。目的是连接所有的特征,将输出值送给分类器(如softmax分类器)。
2、应用卷积神经网络识别汽车尾气数据
根据CNN网络结构,研究者选择5*20的卷积核的卷积层,两个池化层,然后在经过一次5*20的卷积层,最后采用softmax分类器的全链接层,其中函数采用RELU函数。
使用TensorFlow实现来这个结构的时候,只需要设置卷积核的大小,本次设计为5*5,边距的填充方式,卷积的个数、激活函数、池化的方式、输出图像的类别。
在分类别的数据集中,尾气数据集里提取1000张图像用来进行训练网络,每次都会从数据集里挑选20个图像然后进行提取特征,并学习分类。首先是图像的输入,数据集图片都是128*128像素的,进入第一层卷积,用大小为5*20 个卷积核进行特征的提取,然后用RELU激活函数激活,送入池化层,它的步长是2,进行进一步的特征挑选,减少计算量。送入第二个卷积层之中。继续与卷积核进行卷积运算,这层的卷积核数量也是20个。并重复做激活,池化操作,最后把三维特征转化为一维的数组,送入到全连接层之中,进行分类的学习。使用一个概率来表示待分类对象有多大概率属于某个类。
3、改进和优化卷积神经网络,提高识别的精度和速度
通过在原有基础的卷积神经网络进行改进,加入inception模块,也叫迁移学习,可以有效的提高精度和速度。该架构在计算量较小的情况下增加了网络的深度和宽度。但是单纯的增大模型也会有很多缺点,模型过大,参数过多,容易造成过拟合现象。Inception架构当前只使用1*1,3*3,5*5卷积核,这更多的是为了方便而不是必须的。此外,还有一个并行的stride=1,3x3的最大池化层。这几个卷积层的输出滤波器组将被concatenate成一个滤波器组。
Inception的4个分支在最后通过一个聚合操作合并,构建出了很高效的符合Hebbian原理的稀疏结构。Inception中包含了三种不同尺寸的卷积和一个最大池化,增加了网络对不同尺度的适应性,Inception可以让网络的深度和宽度高效率地扩充,提高准确率且不至于过拟合。在Inception中,通常1*1卷积的比例(输出通道数占比)最高,3*3卷积和5*5卷积稍低。整个模型中,会有多个堆叠的Inception。在后几层,当更高的抽象特征被更高的层捕获时,它们的空间集中度预计会降低。因此,越靠后的Inception中,3*3和5*5这两个大面积的卷积核的占比(输出通道数)应该更多。
在CNN设计的流程图,研究整个卷积网络的结构图。使用TensorFlow实现来这个结构的时候,只需要设置卷积核的大小,这里设计的是5*5,边距的填充方式,卷积的个数、激活函数、池化的方式、输出图像的类别。表1为CNN模式的训练的参数设置。
表1 CNN模型的参数设置
在分类别的数据集中,尾气数据集里提取1000张图像用来进行训练网络,每次都会从数据集里挑选20个图像然后进行提取特征,并将数据输入CNN- inception网络进行训练识别,最后进行分类的学习,使用一个概率来表示待分类对象,计算识别准确率和损失率。同时对比两种卷积神经网络结构训练的速度和精度,说明其优缺点。表2为CNN-Inception网络模型训练参数设置。
表2 CNN-Inception模型参数设置
附图说明
图1合格的汽车尾气关键参数图像。
图2不合格的汽车尾气关键参数图像。
图3卷积神经网络原理图结构。
图4建立的卷积神经网络模型流程图。
图5建立的CNN-inception网络结构图。
图6河北故城学校汽车尾气CNN网络识别结果。
图7河北故城学校仿真数据汽车尾气CNN-inception识别结果
图8华北涿州地区汽车尾气CNN-inception识别结果
图9西南眉山地区汽车尾气CNN-inception识别结果。
图10本发明的流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明,本发明的实施方式包括但不限于下列实施例。
如图1至图9所示,一种利用CNN-inception算法识别汽车尾气数据核心信息的方法,包括以下步骤:
1、汽车尾气的特征参数提取研究方法主要采用经验阈值法,通过大量查阅资料和对相关国家政策的解读,了解汽车尾气排放的准则标准,通过与汽车尾气相关企业的专家进行研讨,确定从众多汽车尾气参数中具有关键作用的参数,作为识别的特征。通过物理阈值法来初步确定各个关键参数的阈值。
2、汽车尾气的可视化研究方法采用软件对数据进行可视化,可以采用matlab 软件,original软件或者python语言在对数据进行可视化,可以将数据生成柱状图,本发明采用python语言进行数据可视化,这样与后面利用python语言编写卷积神经网络采用一个平台。关键主要程序语句如下:用matplotlib中的plt子模块去配置生成图像的参数,主要包括大小,分辨率,标题等,plt.bar子模块生成柱状图,最终用plt.show()显示出可视化图片。
3、汽车尾气CNN识别研究方法采用python语言编写程序,建立卷积神经网络模型,选择网络参数,对汽车尾气关键参数图像进行训练和识别,具体方法步骤如下:
第一步是导入相关库,如图所示本文用到的模块分别是:tensorflow模块,用于构建cnn模型;numpy模块支持大量的维度数组与矩阵运算,此外也针对数组运算提供大量的数学函数库;PIT为了对大量图像进行处理。然后也要配置自己数据集的路径和模型存储路径。程序中的train是用来决定这个模型的运行模式,如果train=Ture时为训练模式,当train=Flase时为测试模式
第二步是数据集的读取,从数据集里将图片读入numpy的array中,并进行如下操作,目的是将图片信息生成计算机能够识别的矩阵数组,pillow读取的图像像素值在0-255之间,需要归一化。下一步是定义placeholder(容器),就是把输入图像的数据和标签输入到容器中,除此之外Dropout率也要放在 placeholder中,因为在训练阶段和测试阶段的设定值不同,同时也可以避免过拟合。
第三步是要定义卷积神经网络,这个网络是由两层卷积和两层池化组成,将三维特征转换为一维特征,最后用全连接层将特征送入激活函数,进行分类处理。从下图中我们可以看出它的第一层卷积由20个卷积核,第二层由40个卷积核。卷积核越多它对图像提取的特征效果越好,准确率也就越高。当在训练阶段时,程序的执行结果有计算机显示。识别的损失率会在0.3以内,准确率会在80%以上。
从卷积神经网络模型的代码上看,整个深度网络的结构体系可能是这样子的。从输入端开始,先有3个卷积层,然后是1个pool层。然后又是2个卷积层,一个pool层。这个和上面那张神经网络构造图是完全一致的。前3个是卷积层,然后是1个MaxPool,然后是2个卷积层,1个Maxpool。后面的10个混合层(Mixed)具体的代码还需要进一步检查。这个神经网络的最后是softmax 层。softmax层也就是分类专用的层,使用一个概率来表示待分类对象有多大概率属于某个类。
为了更好地理解本发明,下面采用河北故城学校实例对本发明的方法做阐述:
对河北故城学校的汽车尾气数据,本发明采用CNN和CNN-inception两种模型进行识别,运行结果如图6和图7所示,通过尾气数据CNN识别的准确曲线上来分析,在迭代次数在300次后,损失率达到20%左右,基本维持,其准确率在迭代次数在200次之后达到一个平衡,大概在80%左右。同时利用CNN- inception模式进行识别,得到的汽车尾气识别准确率的曲线上来分析。在迭代次数在200次后,损失率达到10%左右,基本维持,其准确率在迭代次数在150次之后达到一个平衡,大概在90%左右。从对比可以看出,CNN-inception网络在识别速度和识别精度上比CNN网络都有一定优化,有一定优势所在。
为了更好地理解本发明,下面采用华北涿州地区和西南眉山地区实例对本发明做进一步的阐述:
下面是根据华北涿州地区数据建立CNN-inception模型的步骤和运行结果如图8所示,在尾气数据之中展示了在训练集上的准确率曲线图,由图中可以看出,在训练个500次后,模型已经达到了比较好的状态,后面的训练对于模型来说,也没有多大的提高。识别准确率达到82%。
在西南眉山地区的尾气数据中,图9展示了在训练集上的损失曲线图,由图中可以看出,在训练600次以后,模型基本可以达到最优状态,可以看出此次 CNN-inception模型的训练效果还是达到了比较理想的结果。识别的准确率达到 90%以上,从这里我们可以看出CNN-inception模型比一般的卷积神经网络模型的训练效果要好一些,能够更准确的识别图像。
比较于两种卷积神经网络算法的对实例的识别效果,我们不难得出CNN准确率没有CNN-inception的好,CNN网络识别的准确率不高,所以本专利主要研究的是卷积神经网络算法对图像的识别,通过表所示可以得出以下结论。表3 为CNN网络在加入不同网络结构下的识别结果。表4为CNN-inception网络在不同迭代次数下,对汽车尾气的识别结果。
表3 CNN模型结果对比
我们可以看到在CNN的模型里多加入了一层卷积和池化,这样会使特征提取的更加明显,虽然时间有所加长,但是在准确率上有所增加。加入损失优化器和设置DropOut率,这样可以防止模型出现过拟合现象。
表4 CNN-inception模型结果对比
通过调整CNN-inception的学习率和迭代次数,可以得到算法的准确率时发生变化的,调整好模型的参数设置使得识别更准确。迁移学习在图像分类问题上效率很高,功能强大。它准确快速,可以在短时间内完成训练,而且不需要GPU 的帮助。即使你只有一个很小的数据集,它也可以达到很好的效果,并且减少了过拟合的概率。它一种采用在分类数据集中已训练的模型而快速完成这一工作的方法,因为其只需要重新训练新类别的权重就行。虽然这样的模型并没有完全训练的模型表现好,但对于许多应用实例中非常高效的,因为其不需要GPU并可以在计算机上花较少时间就完成训练。
上述实施例仅为本发明的优选实施例,并非对本发明保护范围的限制,但凡采用本发明的设计原理,以及在此基础上进行非创造性劳动而做出的变化,均应属于本发明的保护范围之内。
Claims (5)
1.一种利用DNN-inception网络识别汽车尾气遥感数据的算法,包括如下步骤:
(S1)汽车尾气数据收集处理,且进行可视化,准备输入信息。
(S2)卷积神经网络,对信息进行训练学习。
(S3)进卷积神经网络,加入inception结构进行迁移学习。
(S4)建立CNN-inception网络结构,并且对数据准确率和计算速度进行判断。
2.根据权利要求1所述的一种利用DCNN-Inception网络识别汽车尾气的算法,其特征在于,所述步骤(S1)中汽车尾气排放成分主要有NO/CO2、HC/CO2、CO/CO2等关键参数,通过汽车尾气遥感检测仪器获得得到这些参数的相对浓度后。选取关键参数的CO2,CO,HC为判断依据,初步生成1000张柱状图,作为卷积神经网的数据集合。同时通过阈值分析,将汽车尾气数据的规范分成两类。
3.根据权利要求1所述的一种利用DCNN-Inception网络识别汽车尾气的算法,其特征在于,所述步骤(S2)中所述卷积神经网络包含由数据输入层、卷积计算层、分析池化层、全连接分类层组成。用卷积运算来代替传统的运算方法的神经网络,卷积核在神经网络里代表着对应的权重,卷积核和图像进行点乘代表着卷积核的权重对应相应位置的图像信息。池化层的输入一般是上一个卷积层的输出,池化层是把输入的特征图用n*n的窗口划分成多个不叠加的区域,然后对每个区域进行计算,算出最大值或者平均值,这种方法叫做平均值池化法和最大值池化法。全链接层是通过提取的特征参数对原始图像进行分类。常用的分类方法如式1:
y1=f(wx-1+b) 式1
式中x-1为前一层的特征图,通过卷积核抽样提取出来的特征参数;w1全连接层的权重系数;b为1层的偏置量。目的是连接所有的特征,将输出值送给分类器(如softmax分类器)。
4.根据权利要求1所述的一种利用DCNN-Inception网络尾气识别结构的算法,其特征在于,所述步骤(S3)中所述在卷积神经网络中加入Inception模型结构,也叫迁移学习,可以有效的提高精度和速度。该架构在计算量较小的情况下增加了网络的深度和宽度。
5.根据权利要求1所述的一种利用DCNN-Inception网络尾气识别结构的算法,其特征在于,所述步骤(S4)中所述将数据输入CNN-inception网络进行训练识别,最后进行分类的学习,使用一个概率来表示待分类对象,计算识别准确率和损失率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011566882.XA CN112712007A (zh) | 2020-12-25 | 2020-12-25 | 一种基于DCNN-Inception网络识别汽车尾气遥感数据的算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011566882.XA CN112712007A (zh) | 2020-12-25 | 2020-12-25 | 一种基于DCNN-Inception网络识别汽车尾气遥感数据的算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112712007A true CN112712007A (zh) | 2021-04-27 |
Family
ID=75546775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011566882.XA Pending CN112712007A (zh) | 2020-12-25 | 2020-12-25 | 一种基于DCNN-Inception网络识别汽车尾气遥感数据的算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112712007A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505160A (zh) * | 2021-07-21 | 2021-10-15 | 宁波工程学院 | 一种基于卷积深度神经网络的机动车尾气排放估计方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109784390A (zh) * | 2019-01-03 | 2019-05-21 | 西安交通大学 | 一种人工智能嗅觉动态响应图谱气体检测识别方法 |
CN110341639A (zh) * | 2019-06-18 | 2019-10-18 | 平安科技(深圳)有限公司 | 一种汽车安全预警的方法、装置、设备及存储介质 |
CN110632662A (zh) * | 2019-09-25 | 2019-12-31 | 成都理工大学 | 一种利用DCNN-Inception网络自动识别微地震信号的算法 |
CN111707579A (zh) * | 2020-06-03 | 2020-09-25 | 清华大学深圳国际研究生院 | 一种油气两相流流型热力图可视化方法及参数测量方法 |
-
2020
- 2020-12-25 CN CN202011566882.XA patent/CN112712007A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109784390A (zh) * | 2019-01-03 | 2019-05-21 | 西安交通大学 | 一种人工智能嗅觉动态响应图谱气体检测识别方法 |
CN110341639A (zh) * | 2019-06-18 | 2019-10-18 | 平安科技(深圳)有限公司 | 一种汽车安全预警的方法、装置、设备及存储介质 |
CN110632662A (zh) * | 2019-09-25 | 2019-12-31 | 成都理工大学 | 一种利用DCNN-Inception网络自动识别微地震信号的算法 |
CN111707579A (zh) * | 2020-06-03 | 2020-09-25 | 清华大学深圳国际研究生院 | 一种油气两相流流型热力图可视化方法及参数测量方法 |
Non-Patent Citations (1)
Title |
---|
杨雯雯: "基于卷积神经网络的图像空气质量评价算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505160A (zh) * | 2021-07-21 | 2021-10-15 | 宁波工程学院 | 一种基于卷积深度神经网络的机动车尾气排放估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107169956B (zh) | 基于卷积神经网络的色织物疵点检测方法 | |
CN112801146B (zh) | 一种目标检测方法及系统 | |
CN111339935B (zh) | 一种基于可解释cnn图像分类模型的光学遥感图片分类方法 | |
CN111428558A (zh) | 一种基于改进YOLOv3方法的车辆检测方法 | |
CN113688558A (zh) | 一种基于大数据库样本的汽车行驶工况构建方法及系统 | |
CN116416884B (zh) | 一种显示器模组的测试装置及其测试方法 | |
CN113239753A (zh) | 基于YOLOv4改进的交通标志检测与识别方法 | |
CN111860775A (zh) | 基于cnn和rnn融合的船舶故障实时诊断方法 | |
CN115909280A (zh) | 基于多头注意力机制的交通标志识别算法 | |
CN105046323A (zh) | 一种正则化rbf网络多标签分类方法 | |
CN112712007A (zh) | 一种基于DCNN-Inception网络识别汽车尾气遥感数据的算法 | |
CN111242131B (zh) | 一种智能阅卷中图像识别的方法、存储介质及装置 | |
CN112084941A (zh) | 一种基于遥感图像的目标检测与识别方法 | |
CN110659724B (zh) | 基于目标尺度的目标检测深度卷积神经网络构建方法 | |
Kangralkar et al. | Machine learning application for automotive emission prediction | |
CN114241189B (zh) | 一种基于深度学习的船舶黑烟识别方法 | |
CN113177528B (zh) | 基于多任务学习策略训练网络模型的车牌识别方法及系统 | |
CN114861801A (zh) | 基于ai识别的汽车零件检测方法、系统、设备及存储介质 | |
CN115249329A (zh) | 一种基于深度学习的苹果叶片病害检测方法 | |
CN114998866A (zh) | 一种基于改进YOLOv4的交通标志识别方法 | |
CN114358058A (zh) | 基于深度神经网络的无线通信信号开集识别方法及系统 | |
CN114091540B (zh) | 柴油机冷试智能检测模型构建方法、检测方法及系统 | |
CN114897835B (zh) | 一种基于图像的煤炭产品灰分实时检测系统 | |
CN116486404B (zh) | 基于卷积神经网络的针状焦显微图检测的方法和装置 | |
CN115374859B (zh) | 一种针对非平衡、多类别的复杂工业数据的分类方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210427 |