CN112800995A - 使用多尺度特征加权的智能颗粒大小检测方法 - Google Patents

使用多尺度特征加权的智能颗粒大小检测方法 Download PDF

Info

Publication number
CN112800995A
CN112800995A CN202110155232.4A CN202110155232A CN112800995A CN 112800995 A CN112800995 A CN 112800995A CN 202110155232 A CN202110155232 A CN 202110155232A CN 112800995 A CN112800995 A CN 112800995A
Authority
CN
China
Prior art keywords
feature map
distance
scale
image
feature
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
Application number
CN202110155232.4A
Other languages
English (en)
Inventor
纪韩紫豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Zhenhao Digital Technology Co ltd
Original Assignee
Guangzhou Zhenhao Digital Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Zhenhao Digital Technology Co ltd filed Critical Guangzhou Zhenhao Digital Technology Co ltd
Priority to CN202110155232.4A priority Critical patent/CN112800995A/zh
Publication of CN112800995A publication Critical patent/CN112800995A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及智慧能源领域中的智能颗粒大小检测，其具体地公开了一种使用多尺度特征加权的智能颗粒大小检测方法。所述检测方法通过基于深度学习的机器视觉来提取煤粉图像中的高维特征并基于所提取的特征进行分类，来检测待进入燃烧室中的煤粉是否存在超过预定尺寸的大颗粒煤粉，以确保燃烧效率。特别地，在分类过程中，所述检测方法并不需要从特征图中实际上检测出超过预定尺寸的对象，因此，可以直接基于特征图的整体尺度的变换，从而获得对于尺度敏感的融合特征图，并且进一步通过不同尺度的信息来获得对尺度敏感的分类器，通过这样的方式，来提高检测精度。

Description

使用多尺度特征加权的智能颗粒大小检测方法
技术领域
本发明涉及智慧能源领域中的智能颗粒大小检测，且更为具体地，涉及一种使用多尺度特征加权的智能颗粒大小检测方法、使用多尺度特征加权的智能颗粒大小检测系统和电子设备。
背景技术
目前的发电设备主要是电站锅炉、蒸汽轮机、燃气轮机、发电机、点动机、变压器等。在电站锅炉的种类中，煤粉炉作为主要类型，其在工作过程中，将粉碎成微粒的煤粉吹至燃烧室，使煤粉在空中燃尽。因此，煤粉颗粒的直径需要在一定大小，使得能在短时间内充分与氧气接触，然而，在实际使用过程中，仍然存在大颗粒煤粉进入燃烧室，这影响了煤粉的燃烧速率。
因此，期待一种用于待进入燃烧室中的煤粉颗粒大小的智能检测方法。
目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为煤粉颗粒大小的智能检测提供了新的解决思路和方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种使用多尺度特征加权的智能颗粒大小检测方法、使用多尺度特征加权的智能颗粒大小检测系统和电子设备，其通过基于深度学习的机器视觉来提取煤粉图像中的高维特征并基于所提取的特征进行分类，来检测待进入燃烧室中的煤粉是否存在超过预定尺寸的大颗粒煤粉，以确保燃烧效率。特别地，在分类过程中，所述检测方法并不需要从特征图中实际上检测出超过预定尺寸的对象，因此，可以直接基于特征图的整体尺度的变换，从而获得对于尺度敏感的融合特征图，并且进一步通过不同尺度的信息来获得对尺度敏感的分类器，通过这样的方式，来提高检测精度。
根据本申请的一个方面，提供了一种使用多尺度特征加权的智能颗粒大小检测方法，其包括：
获取待检测图像，所述待检测图像为进入燃烧室的煤粉图像；
将所述待检测图像通过第一卷积神经网络，以提取出对应于所述待检测图像的第一特征图；
对所述第一特征图进行下采样以获得第一下采样特征图，并将所述第一下采样特征图通过第二卷积神经网络，以获得第二特征图；
对所述第二特征图进行下采样以获得第二下采样特征图，并将所述第二下采样特征图通过第三卷积神经网络，以获得第三特征图；
将获取的参考图像输入所述第一卷积神经网络，以提取出对应于所述参考图像的参考特征图，其中，所述参考图像为已标记超过预定尺寸的大颗粒煤粉的煤粉图像；
分别计算所述参考特征图与所述第一特征图、第二特征图和所述第三特征图之间的第一距离、第二距离和第三距离；
以如下先验概率计算公式计算分别对应于所述第一距离、所述第二距离和所述第三距离的第一权重、第二权重和第三权重，其中，所述先验概率计算公式为：p＝[2*exp(-D)]/[1+exp(-D)]，其中，p表示先验概率，D表示距离；
以所述第一权重、第二权重和第三权重，融合所述第一特征图、所述第二特征图和所述第三特征图，以获得融合特征图；以及
将所述融合特征图通过分类器，以获得分类结果，所述分类结果用于表示所述待检测图像中待进入燃烧室的煤粉是否存在超过预定尺寸的大颗粒煤粉。
在上述使用多尺度特征加权的智能颗粒大小检测方法中，所述第二卷积神经网络具有预设深度，所述预设深度大于等于5且小于等于10。
在上述使用多尺度特征加权的智能颗粒大小检测方法中，分别计算所述参考特征图与所述第一特征图、第二特征图和所述第三特征图之间的第一距离、第二距离和第三距离，包括：分别计算所述参考特征图与所述第一特征图、第二特征图和所述第三特征图之间的余弦距离，以获得所述第一距离、所述第二距离和所述第三距离。
在上述使用多尺度特征加权的智能颗粒大小检测方法中，分别计算所述参考特征图与所述第一特征图、第二特征图和所述第三特征图之间的第一距离、第二距离和第三距离，包括：分别计算所述参考特征图与所述第一特征图、第二特征图和所述第三特征图之间的均方差，以获得所述第一距离、所述第二距离和所述第三距离。
在上述使用多尺度特征加权的智能颗粒大小检测方法中，分别计算所述参考特征图与所述第一特征图、第二特征图和所述第三特征图之间的第一距离、第二距离和第三距离，包括：统一所述参考特征图与所述第一特征图之间的尺度；统一所述参考特征图与所述第二特征图之间的尺度；以及，统一所述参考特征图与所述第三特征图之间的尺度。
在上述使用多尺度特征加权的智能颗粒大小检测方法中，将所述融合特征图通过分类器，以获得分类结果，包括：将所述融合特征图通过一个或多个全连接层，以获得分类特征向量；以及，将所述分类特征向量输入Softmax分类函数，以获得所述分类结果。
在上述使用多尺度特征加权的智能颗粒大小检测方法中，所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络为深度残差网络。
根据本申请的另一方面，提供了一种使用多尺度特征加权的智能颗粒大小检测系统，其包括：
待检测图像获取单元，用于获取待检测图像，所述待检测图像为进入燃烧室的煤粉图像；
第一特征图生成单元，用于将所述待检测图像获取单元获得的所述待检测图像通过第一卷积神经网络，以提取出对应于所述待检测图像的第一特征图；
第二特征图生成单元，用于对所述第一特征图生成单元获得的所述第一特征图进行下采样以获得第一下采样特征图，并将所述第一下采样特征图通过第二卷积神经网络，以获得第二特征图；
第三特征图生成单元，用于对所述第二特征图生成单元获得的所述第二特征图进行下采样以获得第二下采样特征图，并将所述第二下采样特征图通过第三卷积神经网络，以获得第三特征图；
参考特征图生成单元，用于将获取的参考图像输入所述第一卷积神经网络，以提取出对应于所述参考图像的参考特征图，其中，所述参考图像为已标记超过预定尺寸的大颗粒煤粉的煤粉图像；
距离计算单元，用于分别计算所述参考特征图生成单元获得的所述参考特征图与所述第一特征图生成单元获得的所述第一特征图、所述第二特征图生成单元获得的所述第二特征图和所述第三特征图生成单元获得的所述第三特征图之间的第一距离、第二距离和第三距离；
权重计算单元，用于以如下先验概率计算公式计算分别对应于所述距离计算单元获得的所述第一距离、所述第二距离和所述第三距离的第一权重、第二权重和第三权重，其中，所述先验概率计算公式为：p＝[2*exp(-D)]/[1+exp(-D)]，其中，p表示先验概率，D表示距离；
融合特征图生成单元，用于以所述权重计算单元获得的所述第一权重、第二权重和第三权重，融合所述第一特征图生成单元获得的所述第一特征图、所述第二特征图生成单元获得的所述第二特征图和所述第三特征图生成单元获得的所述第三特征图，以获得融合特征图；以及
分类结果生成单元，用于将所述融合特征图生成单元获得的所述融合特征图通过分类器，以获得分类结果，所述分类结果用于表示所述待检测图像中待进入燃烧室的煤粉是否存在超过预定尺寸的大颗粒煤粉。
在上述使用多尺度特征加权的智能颗粒大小检测系统中，所述第二卷积神经网络具有预设深度，所述预设深度大于等于5且小于等于10。
在上述使用多尺度特征加权的智能颗粒大小检测系统中，所述距离计算单元，进一步用于：分别计算所述参考特征图与所述第一特征图、第二特征图和所述第三特征图之间的余弦距离，以获得所述第一距离、所述第二距离和所述第三距离。
在上述使用多尺度特征加权的智能颗粒大小检测系统中，所述距离计算单元，进一步用于：分别计算所述参考特征图与所述第一特征图、第二特征图和所述第三特征图之间的均方差，以获得所述第一距离、所述第二距离和所述第三距离。
在上述使用多尺度特征加权的智能颗粒大小检测系统中，所述距离计算单元，包括：第一尺度统一子单元，用于统一所述参考特征图与所述第一特征图之间的尺度；第二尺度统一子单元，用于统一所述参考特征图与所述第二特征图之间的尺度；以及，第三尺度统一子单元，用于统一所述参考特征图与所述第三特征图之间的尺度。
在上述使用多尺度特征加权的智能颗粒大小检测系统中，所述分类结果生成单元，包括：分类特征向量生成子单元，用于将所述融合特征图通过一个或多个全连接层，以获得分类特征向量；及，分类子单元，用于将所述分类特征向量生成子单元获得的所述分类特征向量输入Softmax分类函数，以获得所述分类结果。
在上述使用多尺度特征加权的智能颗粒大小检测系统中，所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络为深度残差网络。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的使用多尺度特征加权的智能颗粒大小检测方法。
根据本申请的再又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的使用多尺度特征加权的智能颗粒大小检测方法。
与现有技术相比，本申请提供的使用多尺度特征加权的智能颗粒大小检测方法、使用多尺度特征加权的智能颗粒大小检测系统和电子设备，其通过基于深度学习的机器视觉来提取煤粉图像中的高维特征并基于所提取的特征进行分类，来检测待进入燃烧室中的煤粉是否存在超过预定尺寸的大颗粒煤粉，以确保燃烧效率。特别地，在分类过程中，所述检测方法并不需要从特征图中实际上检测出超过预定尺寸的对象，因此，可以直接基于特征图的整体尺度的变换，从而获得对于尺度敏感的融合特征图，并且进一步通过不同尺度的信息来获得对尺度敏感的分类器，通过这样的方式，来提高检测精度。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的使用多尺度特征加权的智能颗粒大小检测方法的应用场景图；
图2图示了根据本申请实施例的使用多尺度特征加权的智能颗粒大小检测方法的流程图；
图3图示了根据本申请实施例的使用多尺度特征加权的智能颗粒大小检测方法的系统架构示意图；
图4图示了根据本申请实施例的使用多尺度特征加权的智能颗粒大小检测方法中，分别计算所述参考特征图与所述第一特征图、第二特征图和所述第三特征图之间的第一距离、第二距离和第三距离的流程图；
图5图示了根据本申请实施例的使用多尺度特征加权的智能颗粒大小检测方法中，将所述融合特征图通过分类器，以获得分类结果的流程图；
图6图示了根据本申请实施例的使用多尺度特征加权的智能颗粒大小检测系统的框图；
图7图示了根据本申请实施例的使用多尺度特征加权的智能颗粒大小检测系统中距离计算单元的框图；
图8图示了根据本申请实施例的使用多尺度特征加权的智能颗粒大小检测系统中分类结果生成单元的框图；
图9图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前所述，煤粉炉在工作过程中，将粉碎成微粒的煤粉吹至燃烧室，使煤粉在空中燃尽。因此，煤粉颗粒的直径需要在一定大小，使得能在短时间内充分与氧气接触，然而，在实际使用过程中，仍然存在大颗粒煤粉进入燃烧室，这影响了煤粉的燃烧速率。
因此，本申请的发明人期望通过基于深度学习的计算机视觉技术，来检测待进入燃烧室中的煤粉是否存在超过预定尺寸的大颗粒煤粉，从而保证煤粉的燃烧速率。
本申请的发明人发现，在本申请的技术方案中，主要是通过卷积神经网络提取出来的特征进行分类，也就是，通过分类来确定特征图是否可以归属于包含超过预定尺寸的对象的类别，而并不需要从特征图中实际上检测出超过预定尺寸的对象，因此，可以直接基于特征图的整体尺度的变换，从而获得对于尺度敏感的融合特征图，并且进一步通过不同尺度的信息来获得对尺度敏感的分类器。
另外，在融合不同尺度的特征图时，本申请的方案采用基于相似性的先验概率值作为权重，这里，相似性使用特征图与参考特征图之间的距离表示，从而使得可以基于不同尺度的特征图与参考特征图之间的相似性的先验概率值来确定不同尺度的特征图在融合后的特征图中的贡献，从而提高分类的准确性。
具体地，在本申请的技术方案中，在获得待进入燃烧室的煤粉图像之后，首先通过第一卷积神经网络获得第一特征图，然后对第一特征图进行下采样并通过第二卷积神经网络以获得第二特征图，这里，第二卷积神经网络是为了补偿下采样造成的信息的损失，且优选地为层数不很大的卷积神经网络。之后，进一步对第二特征图进行下采样并通过第三卷积神经网络以获得第三特征图，同时，将已标记超过预定尺寸的大颗粒煤粉的参考图像通过第一卷积神经网络以获得参考特征图。
接下来，分别在参考特征图转换为与第一特征图、第二特征图和第三特征图具有相同尺度之后，分别计算其间的第一距离，第二距离和第三距离，并计算相应的先验概率值p＝[2*exp(-D)]/[1+exp(-D)]，以此作为权重对第一特征图、第二特征图和第三特征图加权以获得融合特征图，再将融合特征图通过分类器以获得分类结果，该分类结果用于表示待进入燃烧室的煤粉是否存在超过预定尺寸的大颗粒煤粉。
基于此，本申请提出了一种使用多尺度特征加权的智能颗粒大小检测方法，其包括：获取待检测图像，所述待检测图像为进入燃烧室的煤粉图像；将所述待检测图像通过第一卷积神经网络，以提取出对应于所述待检测图像的第一特征图；对所述第一特征图进行下采样以获得第一下采样特征图，并将所述第一下采样特征图通过第二卷积神经网络，以获得第二特征图；对所述第二特征图进行下采样以获得第二下采样特征图，并将所述第二下采样特征图通过第三卷积神经网络，以获得第三特征图；将获取的参考图像输入所述第一卷积神经网络，以提取出对应于所述参考图像的参考特征图，其中，所述参考图像为已标记超过预定尺寸的大颗粒煤粉的煤粉图像；分别计算所述参考特征图与所述第一特征图、第二特征图和所述第三特征图之间的第一距离、第二距离和第三距离；以如下先验概率计算公式计算分别对应于所述第一距离、所述第二距离和所述第三距离的第一权重、第二权重和第三权重，其中，所述先验概率计算公式为：p＝[2*exp(-D)]/[1+exp(-D)]，其中，p表示先验概率，D表示距离；以所述第一权重、第二权重和第三权重，融合所述第一特征图、所述第二特征图和所述第三特征图，以获得融合特征图；以及，将所述融合特征图通过分类器，以获得分类结果，所述分类结果用于表示所述待检测图像中待进入燃烧室的煤粉是否存在超过预定尺寸的大颗粒煤粉。
图1图示了根据本申请实施例的使用多尺度特征加权的智能颗粒大小检测方法的应用场景图。
如图1所示，在该应用场景中，通过摄像头(例如，如图1中所示意的C)获取待检测图像，其中，所述待检测图像为进入燃烧室的煤粉图像；然后，将所述待检测图像输入至部署有使用多尺度特征加权的智能颗粒大小检测算法的服务器中(例如，如图1中所示意的S)，其中，所述服务器能够使用多尺度特征加权的智能颗粒大小检测算法对所述待检测图像进行处理，以获得分类结果，所述分类结果用于表示所述待检测图像中待进入燃烧室的煤粉是否存在超过预定尺寸的大颗粒煤粉。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2图示了使用多尺度特征加权的智能颗粒大小检测方法的流程图。如图2所示，根据本申请实施例的使用多尺度特征加权的智能颗粒大小检测方法，包括：S110，获取待检测图像，所述待检测图像为进入燃烧室的煤粉图像；S120，将所述待检测图像通过第一卷积神经网络，以提取出对应于所述待检测图像的第一特征图；S130，对所述第一特征图进行下采样以获得第一下采样特征图，并将所述第一下采样特征图通过第二卷积神经网络，以获得第二特征图；S140，对所述第二特征图进行下采样以获得第二下采样特征图，并将所述第二下采样特征图通过第三卷积神经网络，以获得第三特征图；S150，将获取的参考图像输入所述第一卷积神经网络，以提取出对应于所述参考图像的参考特征图，其中，所述参考图像为已标记超过预定尺寸的大颗粒煤粉的煤粉图像；S160，分别计算所述参考特征图与所述第一特征图、第二特征图和所述第三特征图之间的第一距离、第二距离和第三距离；S170，以如下先验概率计算公式计算分别对应于所述第一距离、所述第二距离和所述第三距离的第一权重、第二权重和第三权重，其中，所述先验概率计算公式为：p＝[2*exp(-D)]/[1+exp(-D)]，其中，p表示先验概率，D表示距离；S180，以所述第一权重、第二权重和第三权重，融合所述第一特征图、所述第二特征图和所述第三特征图，以获得融合特征图；以及，S190，将所述融合特征图通过分类器，以获得分类结果，所述分类结果用于表示所述待检测图像中待进入燃烧室的煤粉是否存在超过预定尺寸的大颗粒煤粉。
图3图示了根据本申请实施例的使用多尺度特征加权的智能颗粒大小检测方法的架构示意图。如图3所示，在所述使用多尺度特征加权的智能颗粒大小检测方法的网络架构中，首先，将通过摄像头获取的待检测图像(例如，如图3中所示意的IN1)输入第一卷积神经网络(例如，如图3中所示意的CNN1)以获得第一特征图(例如，如图3中所示意的F1)；接着，对所述第一特征图进行下采样以获得第一下采样特征图，并将所述第一下采样特征图通过第二卷积神经网络(例如，如图3中所示意的CNN2)，以获得第二特征图(例如，如图3中所示意的F2)；接着，对所述第二特征图进行下采样以获得第二下采样特征图，并将所述第二下采样特征图通过第三卷积神经网络(例如，如图3中所示意的CNN3)，以获得第三特征图(例如，如图3中所示意的F3)；接着，将获取的参考图像(例如，如图3中所示意的P1)输入所述第一卷积神经网络，以提取出对应于所述参考图像的参考特征图(例如，如图3中所示意的Fr)；接着，分别计算所述参考特征图与所述第一特征图、第二特征图和所述第三特征图之间的第一距离(例如，如图3中所示意的D1)、第二距离(例如，如图3中所示意的D2)和第三距离(例如，如图3中所示意的D3)；接着，计算分别对应于所述第一距离、所述第二距离和所述第三距离的第一权重、第二权重和第三权重；接着，以所述第一权重、第二权重和第三权重，融合所述第一特征图、所述第二特征图和所述第三特征图，以获得融合特征图(例如，如图3中所示意的Fc)；接着，将所述融合特征图通过分类器(例如，如图3中所示意的分类器)，以获得分类结果，所述分类结果用于表示所述待检测图像中待进入燃烧室的煤粉是否存在超过预定尺寸的大颗粒煤粉。
在步骤S110中，获取待检测图像，所述待检测图像为进入燃烧室的煤粉图像。具体地，在本申请实施例中，可通过摄像头获取待进入燃烧室的煤粉图像，也就是，在本申请方案中，通过计算机视觉技术，来进一步在视觉层面上对待进入燃烧室的煤粉图像进行检测。
在步骤S120中，将所述待检测图像通过第一卷积神经网络，以提取出对应于所述待检测图像的第一特征图。也就是，采用第一卷积神经网络提取出所述待检测图像中的高维特征。
本领域普通技术人员应了解，卷积神经网络在提取局部空间特征方面具有优异的性能表现，特别地，在本申请实施例中，所述第一卷积神经网络被实施为深度残差神经网络，例如，ResNet 50。本领域普通技术人员应知晓，相较于传统的卷积神经网络，深度残差网络为在传统卷积神经网络的基础上提出的一种优化网络结构，其主要解决在训练过程中的梯度消失的问题。深度残差网络引入了残差网络结构，通过残差网络结构可以把网络层弄得更深，并且，不会发生梯度消失的问题。残差网络借鉴了高速网络的跨层链接思想，其打破了传统的神经网络从N-1层的输入层只能给N层作为输入的惯例，使某一层的输出可以直接跨过几层作为后面某一层的输入，其意义在于为迭加多层网络而使得整个学习模型的错误率不降反升的难题提供了新的方向。
在步骤S130中，对所述第一特征图进行下采样以获得第一下采样特征图，并将所述第一下采样特征图通过第二卷积神经网络，以获得第二特征图。也就是，对所述第一特征图进行下采样以缩减所述第一特征图的尺寸获得第一下采样特征图，再通过第二卷积神经网络提取出所述第一下采样特征图的更高维特征。
具体地，在本申请实施例中，所述第二卷积神经网络具有预设深度，所述预设深度大于等于5且小于等于10。应可以理解，第二卷积神经网络是为了补偿下采样造成的信息的损失，本领域普通技术人员应知晓，卷积神经网络的深度越高，其提取的特征越抽象，越关注于细节，在本申请中，更关注图像的形状特征，因此，优选地为5到10层的卷积神经网络。特别地，在本申请实施例中，所述第二卷积神经网络被实施为深度残差神经网络，例如，ResNet 50。
在步骤S140中，对所述第二特征图进行下采样以获得第二下采样特征图，并将所述第二下采样特征图通过第三卷积神经网络，以获得第三特征图。也就是，对所述第二特征图进行下采样以缩减所述第二特征图的尺寸获得第二下采样特征图，再通过第三卷积神经网络提取出所述第二下采样特征图的更高维特征。应可以理解，第三卷积神经网络是为了补偿对所述第二特征图进行下采样时造成的信息损失，且优选地，第三卷积神经网络为层数不很大的卷积神经网络。特别地，在本申请实施例中，所述第三卷积神经网络被实施为深度残差神经网络，例如，ResNet 50。
在步骤S150中，将获取的参考图像输入所述第一卷积神经网络，以提取出对应于所述参考图像的参考特征图，其中，所述参考图像为已标记超过预定尺寸的大颗粒煤粉的煤粉图像。也就是，以所述第一卷积神经网络提取出所述参考图像中的高维特征。
在步骤S160中，分别计算所述参考特征图与所述第一特征图、第二特征图和所述第三特征图之间的第一距离、第二距离和第三距离。应可以理解，所述距离可以表示相应的特征图之间的特征差异信息。
具体地，在本申请实施例中，分别计算所述参考特征图与所述第一特征图、第二特征图和所述第三特征图之间的第一距离、第二距离和第三距离的过程，包括：分别计算所述参考特征图与所述第一特征图、第二特征图和所述第三特征图之间的余弦距离，以获得所述第一距离、所述第二距离和所述第三距离。本领域普通技术人员应知晓，余弦距离可以分析两个特征图之间的相似性，其体现数值方向上的相对差异。
值得一提的是，在本申请的其他示例中，还可以通过其他方式分别计算所述参考特征图与所述第一特征图、第二特征图和所述第三特征图之间的第一距离、第二距离和第三距离。例如，在本申请的另一个示例中，分别计算所述参考特征图与所述第一特征图、第二特征图和所述第三特征图之间的第一距离、第二距离和第三距离的过程，包括：分别计算所述参考特征图与所述第一特征图、第二特征图和所述第三特征图之间的均方差，以获得所述第一距离、所述第二距离和所述第三距离。本领域普通技术人员应了解，均方差又称为标准差，是方差的算术平方根，用σ表示，在概率统计中最常使用作为统计分布程度上的测量依据，能反映一个数据集的离散程度。应可以理解，在本申请中，计算所述参考特征图与所述第一特征图、第二特征图和所述第三特征图之间的均方差，以获得所述第一距离、所述第二距离和所述第三距离，所述距离能够反映相应的两个特征图之间特征分布的差异。
特别地，在本申请实施例中，分别计算所述参考特征图与所述第一特征图、第二特征图和所述第三特征图之间的第一距离、第二距离和第三距离的过程，还包括：首先，统一所述参考特征图与所述第一特征图之间的尺度，并计算所述参考特征图与所述尺度调整后的第一特征图之间的第一距离。接着，统一所述参考特征图与所述第二特征图之间的尺度，并计算所述参考特征图与所述尺度调整后的第二特征图之间的第二距离。然后，统一所述参考特征图与所述第三特征图之间的尺度，并计算所述参考特征图与所述尺度调整后的第三特征图之间的第三距离。也就是，在分别计算距离之前，需进行尺度统一。具体地，可通过上采样，或者，下采样等技术手段实现。
图4图示了根据本申请实施例的使用多尺度特征加权的智能颗粒大小检测方法中，分别计算所述参考特征图与所述第一特征图、第二特征图和所述第三特征图之间的第一距离、第二距离和第三距离的流程图。如图4所示，在本申请实施例中，分别计算所述参考特征图与所述第一特征图、第二特征图和所述第三特征图之间的第一距离、第二距离和第三距离，包括：S210，统一所述参考特征图与所述第一特征图之间的尺度；S220，统一所述参考特征图与所述第二特征图之间的尺度；以及，S230，统一所述参考特征图与所述第三特征图之间的尺度。
在步骤S170中，以如下先验概率计算公式计算分别对应于所述第一距离、所述第二距离和所述第三距离的第一权重、第二权重和第三权重，其中，所述先验概率计算公式为：p＝[2*exp(-D)]/[1+exp(-D)]，其中，p表示先验概率，D表示距离。也就是，以基于所述第一距离、所述第二距离和所述第三距离分别计算的先验概率作为第一权重、第二权重和第三权重。
在步骤S180中，以所述第一权重、第二权重和第三权重，融合所述第一特征图、所述第二特征图和所述第三特征图，以获得融合特征图。也就是，以所述第一权重、第二权重和第三权重分别作为所述第一特征图、所述第二特征图和所述第三特征图的加权系数对所述特征图进行加权，并按像素位置进行融合以获得融合特征图。
在步骤S190中，将所述融合特征图通过分类器，以获得分类结果，所述分类结果用于表示所述待检测图像中待进入燃烧室的煤粉是否存在超过预定尺寸的大颗粒煤粉。也就是，采用解耦的方式，所述分类器中包含编码器，所述编码器可以由卷积层、池化层或者全连接层构成。
具体地，在本申请实施例中，将所述融合特征图通过分类器，以获得分类结果的过程，包括：首先，将所述融合特征图通过一个或多个全连接层，以获得分类特征向量，也就是，以一个或多个全连接层作为编码器对所述融合特征图进行编码以充分利用所述融合特征图中各个位置的信息，以获得分类特征向量。然后，将所述分类特征向量输入Softmax分类函数，以获得所述分类结果。
图5图示了根据本申请实施例的使用多尺度特征加权的智能颗粒大小检测方法中，将所述融合特征图通过分类器，以获得分类结果的流程图。如图5所示，在本申请实施例中，将所述融合特征图通过分类器，以获得分类结果，包括：S210，将所述融合特征图通过一个或多个全连接层，以获得分类特征向量；以及，S220，将所述分类特征向量输入Softmax分类函数，以获得所述分类结果。
综上，本申请实施例的使用多尺度特征加权的智能颗粒大小检测方法被阐明，其通过基于深度学习的机器视觉来提取煤粉图像中的高维特征并基于所提取的特征进行分类，来检测待进入燃烧室中的煤粉是否存在超过预定尺寸的大颗粒煤粉，以确保燃烧效率。特别地，在分类过程中，所述检测方法并不需要从特征图中实际上检测出超过预定尺寸的对象，因此，可以直接基于特征图的整体尺度的变换，从而获得对于尺度敏感的融合特征图，并且进一步通过不同尺度的信息来获得对尺度敏感的分类器，通过这样的方式，来提高检测精度。
示例性系统
图6图示了根据本申请实施例的使用多尺度特征加权的智能颗粒大小检测系统的框图。
如图6所示，根据本申请实施例的使用多尺度特征加权的智能颗粒大小检测系统600，包括：待检测图像获取单元610，用于获取待检测图像，所述待检测图像为进入燃烧室的煤粉图像；第一特征图生成单元620，用于将所述待检测图像获取单元获得的所述待检测图像通过第一卷积神经网络，以提取出对应于所述待检测图像的第一特征图；第二特征图生成单元630，用于对所述第一特征图生成单元620获得的所述第一特征图进行下采样以获得第一下采样特征图，并将所述第一下采样特征图通过第二卷积神经网络，以获得第二特征图；第三特征图生成单元640，用于对所述第二特征图生成单元630获得的所述第二特征图进行下采样以获得第二下采样特征图，并将所述第二下采样特征图通过第三卷积神经网络，以获得第三特征图；参考特征图生成单元650，用于将获取的参考图像输入所述第一卷积神经网络，以提取出对应于所述参考图像的参考特征图，其中，所述参考图像为已标记超过预定尺寸的大颗粒煤粉的煤粉图像；距离计算单元660，用于分别计算所述参考特征图生成单元650获得的所述参考特征图与所述第一特征图生成单元620获得的所述第一特征图、所述第二特征图生成单元630获得的所述第二特征图和所述第三特征图生成单元640获得的所述第三特征图之间的第一距离、第二距离和第三距离；权重计算单元670，用于以如下先验概率计算公式计算分别对应于所述距离计算单元660获得的所述第一距离、所述第二距离和所述第三距离的第一权重、第二权重和第三权重，其中，所述先验概率计算公式为：p＝[2*exp(-D)]/[1+exp(-D)]，其中，p表示先验概率，D表示距离；融合特征图生成单元680，用于以所述权重计算单元670获得的所述第一权重、第二权重和第三权重，融合所述第一特征图生成单元620获得的所述第一特征图、所述第二特征图生成单元630获得的所述第二特征图和所述第三特征图生成单元640获得的所述第三特征图，以获得融合特征图；以及，分类结果生成单元690，用于将所述融合特征图生成单元680获得的所述融合特征图通过分类器，以获得分类结果，所述分类结果用于表示所述待检测图像中待进入燃烧室的煤粉是否存在超过预定尺寸的大颗粒煤粉。
在一个示例中，在上述智能检测系统600中，所述第二卷积神经网络具有预设深度，所述预设深度大于等于5且小于等于10。
在一个示例中，在上述智能检测系统600中，所述距离计算单元660，进一步用于：分别计算所述参考特征图与所述第一特征图、第二特征图和所述第三特征图之间的余弦距离，以获得所述第一距离、所述第二距离和所述第三距离。
在一个示例中，在上述智能检测系统600中，所述距离计算单元660，进一步用于：分别计算所述参考特征图与所述第一特征图、第二特征图和所述第三特征图之间的均方差，以获得所述第一距离、所述第二距离和所述第三距离。
在一个示例中，在上述智能检测系统600中，如图7所示，所述距离计算单元660，包括：第一尺度统一子单元661，用于统一所述参考特征图与所述第一特征图之间的尺度；第二尺度统一子单元662，用于统一所述参考特征图与所述第二特征图之间的尺度；以及，第三尺度统一子单元663，用于统一所述参考特征图与所述第三特征图之间的尺度。
在一个示例中，在上述智能检测系统600中，如图8所示，所述分类结果生成单元690，包括：分类特征向量生成子单元691，用于将所述融合特征图通过一个或多个全连接层，以获得分类特征向量；及，分类子单元692，用于将所述分类特征向量生成子单元691获得的所述分类特征向量输入Softmax分类函数，以获得所述分类结果。
在一个示例中，在上述智能检测系统600中，所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络为深度残差网络。
这里，本领域技术人员可以理解，上述智能检测系统600中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的使用多尺度特征加权的智能颗粒大小检测方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的智能检测系统600可以实现在各种终端设备中，例如用于大颗粒煤粉智能检测的服务器等。在一个示例中，根据本申请实施例的智能检测系统600可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该智能检测系统600可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该智能检测系统600同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该智能检测系统600与该终端设备也可以是分立的设备，并且该智能检测系统600可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面，参考图9来描述根据本申请实施例的电子设备。
图9图示了根据本申请实施例的电子设备的框图。
如图9所示，电子设备包括10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的使用多尺度特征加权的智能颗粒大小检测方法的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如第一距离、融合特征图等各种内容。
在一个示例中，电子设备10还可以包括：输入系统13和输出系统14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入系统13可以包括例如键盘、鼠标等等。
该输出系统14可以向外部输出各种信息，包括分类结果等。该输出系统14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图9中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的使用多尺度特征加权的智能颗粒大小检测方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的使用多尺度特征加权的智能颗粒大小检测方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

Claims (10)

1.一种使用多尺度特征加权的智能颗粒大小检测方法，其特征在于，包括：
获取待检测图像，所述待检测图像为进入燃烧室的煤粉图像；
将所述待检测图像通过第一卷积神经网络，以提取出对应于所述待检测图像的第一特征图；
对所述第一特征图进行下采样以获得第一下采样特征图，并将所述第一下采样特征图通过第二卷积神经网络，以获得第二特征图；
对所述第二特征图进行下采样以获得第二下采样特征图，并将所述第二下采样特征图通过第三卷积神经网络，以获得第三特征图；
将获取的参考图像输入所述第一卷积神经网络，以提取出对应于所述参考图像的参考特征图，其中，所述参考图像为已标记超过预定尺寸的大颗粒煤粉的煤粉图像；
分别计算所述参考特征图与所述第一特征图、第二特征图和所述第三特征图之间的第一距离、第二距离和第三距离；
以如下先验概率计算公式计算分别对应于所述第一距离、所述第二距离和所述第三距离的第一权重、第二权重和第三权重，其中，所述先验概率计算公式为：p＝[2*exp(-D)]/[1+exp(-D)]，其中，p表示先验概率，D表示距离；
以所述第一权重、第二权重和第三权重，融合所述第一特征图、所述第二特征图和所述第三特征图，以获得融合特征图；以及
将所述融合特征图通过分类器，以获得分类结果，所述分类结果用于表示所述待检测图像中待进入燃烧室的煤粉是否存在超过预定尺寸的大颗粒煤粉。
2.根据权利要求1所述的使用多尺度特征加权的智能颗粒大小检测方法，其中，所述第二卷积神经网络具有预设深度，所述预设深度大于等于5且小于等于10。
3.根据权利要求1所述的使用多尺度特征加权的智能颗粒大小检测方法，其中，分别计算所述参考特征图与所述第一特征图、第二特征图和所述第三特征图之间的第一距离、第二距离和第三距离，包括：
分别计算所述参考特征图与所述第一特征图、第二特征图和所述第三特征图之间的余弦距离，以获得所述第一距离、所述第二距离和所述第三距离。
4.根据权利要求2所述的使用多尺度特征加权的智能颗粒大小检测方法，其中，分别计算所述参考特征图与所述第一特征图、第二特征图和所述第三特征图之间的第一距离、第二距离和第三距离，包括：
分别计算所述参考特征图与所述第一特征图、第二特征图和所述第三特征图之间的均方差，以获得所述第一距离、所述第二距离和所述第三距离。
5.根据权利要求3或4所述的使用多尺度特征加权的智能颗粒大小检测方法，其中，分别计算所述参考特征图与所述第一特征图、第二特征图和所述第三特征图之间的第一距离、第二距离和第三距离，包括：
统一所述参考特征图与所述第一特征图之间的尺度；
统一所述参考特征图与所述第二特征图之间的尺度；以及
统一所述参考特征图与所述第三特征图之间的尺度。
6.根据权利要求1所述的使用多尺度特征加权的智能颗粒大小检测方法，其中，将所述融合特征图通过分类器，以获得分类结果，包括：
将所述融合特征图通过一个或多个全连接层，以获得分类特征向量；及
将所述分类特征向量输入Softmax分类函数，以获得所述分类结果。
7.根据权利要求2所述的使用多尺度特征加权的智能颗粒大小检测方法，其中，所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络为深度残差网络。
8.一种使用多尺度特征加权的智能颗粒大小检测系统，其特征在于，包括：
待检测图像获取单元，用于获取待检测图像，所述待检测图像为进入燃烧室的煤粉图像；
第一特征图生成单元，用于将所述待检测图像获取单元获得的所述待检测图像通过第一卷积神经网络，以提取出对应于所述待检测图像的第一特征图；
第二特征图生成单元，用于对所述第一特征图生成单元获得的所述第一特征图进行下采样以获得第一下采样特征图，并将所述第一下采样特征图通过第二卷积神经网络，以获得第二特征图；
第三特征图生成单元，用于对所述第二特征图生成单元获得的所述第二特征图进行下采样以获得第二下采样特征图，并将所述第二下采样特征图通过第三卷积神经网络，以获得第三特征图；
参考特征图生成单元，用于将获取的参考图像输入所述第一卷积神经网络，以提取出对应于所述参考图像的参考特征图，其中，所述参考图像为已标记超过预定尺寸的大颗粒煤粉的煤粉图像；
距离计算单元，用于分别计算所述参考特征图生成单元获得的所述参考特征图与所述第一特征图生成单元获得的所述第一特征图、所述第二特征图生成单元获得的所述第二特征图和所述第三特征图生成单元获得的所述第三特征图之间的第一距离、第二距离和第三距离；
权重计算单元，用于以如下先验概率计算公式计算分别对应于所述距离计算单元获得的所述第一距离、所述第二距离和所述第三距离的第一权重、第二权重和第三权重，其中，所述先验概率计算公式为：p＝[2*exp(-D)]/[1+exp(-D)]，其中，p表示先验概率，D表示距离；
融合特征图生成单元，用于以所述权重计算单元获得的所述第一权重、第二权重和第三权重，融合所述第一特征图生成单元获得的所述第一特征图、所述第二特征图生成单元获得的所述第二特征图和所述第三特征图生成单元获得的所述第三特征图，以获得融合特征图；以及
分类结果生成单元，用于将所述融合特征图生成单元获得的所述融合特征图通过分类器，以获得分类结果，所述分类结果用于表示所述待检测图像中待进入燃烧室的煤粉是否存在超过预定尺寸的大颗粒煤粉。
9.根据权利要求8所述的使用多尺度特征加权的智能颗粒大小检测系统，其中，所述距离计算单元，包括：
第一尺度统一子单元，用于统一所述参考特征图与所述第一特征图之间的尺度；
第二尺度统一子单元，用于统一所述参考特征图与所述第二特征图之间的尺度；以及
第三尺度统一子单元，用于统一所述参考特征图与所述第三特征图之间的尺度。
10.一种电子设备，包括：
处理器；以及
存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-7中任一项所述的使用多尺度特征加权的智能颗粒大小检测方法。
CN202110155232.4A 2021-02-04 2021-02-04 使用多尺度特征加权的智能颗粒大小检测方法 Pending CN112800995A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110155232.4A CN112800995A (zh) 2021-02-04 2021-02-04 使用多尺度特征加权的智能颗粒大小检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110155232.4A CN112800995A (zh) 2021-02-04 2021-02-04 使用多尺度特征加权的智能颗粒大小检测方法

Publications (1)

Publication Number Publication Date
CN112800995A true CN112800995A (zh) 2021-05-14

Family

ID=75814219

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110155232.4A Pending CN112800995A (zh) 2021-02-04 2021-02-04 使用多尺度特征加权的智能颗粒大小检测方法

Country Status (1)

Country Link
CN (1) CN112800995A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115818166A (zh) * 2022-11-15 2023-03-21 华能伊敏煤电有限责任公司 轮斗连续系统无人值守自动控制方法及其系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005208024A (ja) * 2003-12-26 2005-08-04 Jfe Steel Kk 粉粒体の粒度分布作成方法
CN104634706A (zh) * 2015-01-23 2015-05-20 国家电网公司 一种基于神经网络的煤粉细度软测量方法
CN111488777A (zh) * 2019-01-28 2020-08-04 北京地平线机器人技术研发有限公司 对象识别方法、对象识别装置和电子设备
CN112001253A (zh) * 2020-07-23 2020-11-27 西安科技大学 基于改进Fast R-CNN的煤尘颗粒图像识别方法
CN112084865A (zh) * 2020-08-06 2020-12-15 中国科学院空天信息创新研究院 目标检测方法、装置、电子设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005208024A (ja) * 2003-12-26 2005-08-04 Jfe Steel Kk 粉粒体の粒度分布作成方法
CN104634706A (zh) * 2015-01-23 2015-05-20 国家电网公司 一种基于神经网络的煤粉细度软测量方法
CN111488777A (zh) * 2019-01-28 2020-08-04 北京地平线机器人技术研发有限公司 对象识别方法、对象识别装置和电子设备
CN112001253A (zh) * 2020-07-23 2020-11-27 西安科技大学 基于改进Fast R-CNN的煤尘颗粒图像识别方法
CN112084865A (zh) * 2020-08-06 2020-12-15 中国科学院空天信息创新研究院 目标检测方法、装置、电子设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115818166A (zh) * 2022-11-15 2023-03-21 华能伊敏煤电有限责任公司 轮斗连续系统无人值守自动控制方法及其系统
CN115818166B (zh) * 2022-11-15 2023-09-26 华能伊敏煤电有限责任公司 轮斗连续系统无人值守自动控制方法及其系统

Similar Documents

Publication Publication Date Title
CN115783923B (zh) 基于大数据的电梯故障模式识别系统
CN115456789B (zh) 基于交易模式识别的异常交易检测方法及其系统
CN115471216B (zh) 智慧实验室管理平台的数据管理方法
CN115859437A (zh) 基于分布式光纤传感系统的导管架水下应力检测系统
CN115620303B (zh) 人事档案智慧管理系统
CN114580515A (zh) 用于半导体脱焊智能检测的神经网络训练方法
CN116343301B (zh) 基于人脸识别的人员信息智能校验系统
CN112733785A (zh) 基于层深度和感受野的信息化设备的稳定性检测方法
CN116309580A (zh) 基于磁应力的油气管道腐蚀检测方法
CN115146676A (zh) 电路故障检测方法及其系统
CN117269644A (zh) 电流互感器的线路故障监测系统及其方法
CN112800995A (zh) 使用多尺度特征加权的智能颗粒大小检测方法
CN114821169A (zh) 微服务架构下的方法级无侵入调用链路追踪方法
CN112960213A (zh) 使用特征概率分布表示的智能包装质量检测方法
CN112733853A (zh) 基于前景背景的分离与关联的矿物分离效果的检测方法
CN117173147A (zh) 钢带加工用表面处理设备及其方法
CN116797586A (zh) 纸杯缺陷自动检测方法及其系统
CN116958697A (zh) 基于图像的电力安全巡检系统及其方法
Zhigang et al. Traffic Sign Recognition Using an Attentive Context Region‐Based Detection Framework
CN115510900A (zh) 电路故障自动诊断方法及其诊断系统
CN115331081A (zh) 图像目标检测方法与装置
CN113971750A (zh) 银行回单的关键信息提取方法、装置、设备及存储介质
CN115143128A (zh) 小型潜水电泵的故障诊断方法及其系统
CN112819040A (zh) 基于权值生成机制的用于水泥加工的智能控制方法
CN112950693A (zh) 使用高斯分布概率值的智能静电吸附距离控制方法

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: 20210514