CN113012113B - 一种高铁接触网供电设备螺栓松动自动检测方法 - Google Patents
一种高铁接触网供电设备螺栓松动自动检测方法 Download PDFInfo
- Publication number
- CN113012113B CN113012113B CN202110227664.1A CN202110227664A CN113012113B CN 113012113 B CN113012113 B CN 113012113B CN 202110227664 A CN202110227664 A CN 202110227664A CN 113012113 B CN113012113 B CN 113012113B
- Authority
- CN
- China
- Prior art keywords
- bolt
- speed rail
- image
- power supply
- supply equipment
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
一种高铁接触网供电设备螺栓松动自动检测方法,针对现有高铁接触网中各种供电设备螺栓松动多样性,而参考拧紧状态检测需要对螺栓位置先判断,过程繁琐,本发明利用基于深度学习的特征识别模型,集合自编码网络的稀疏表达向量分类实现对外观异常设备的准确检测。
Description
技术领域
本发明公开一种高铁接触网螺栓松动自动检测方法,属于图像识别设备缺陷的技术领域。
背景技术
近些年来,我国铁路运输高速持续发展,动车和高铁在国民经济发展中起着不可替代的作用。随着我国高铁的全面开通,高铁线路巡检显得尤其重要。传统的高铁线路设备巡检工作,依靠固定位置的摄像头定点拍摄照片,再传回至地面,由工作人员通过对视频图像分析判断设备缺陷。随着海量检测数据的生成,只靠工作人员人眼识别势必造成大量强度较高的重复性劳动,以及视觉疲劳造成的识别率下降和漏检率上升,因此急需采用一种方法,既能高于人眼的识别率,又能长时间保持一个效率,极大降低误检率,实践证明使用基于深度学习的特征识别模型是一个很好的选择。
现有的螺栓松动方法基于拧紧的螺栓标记为参考标记,通过计算当前螺栓角度与参考螺栓角度差来判断螺栓是否松动。此方法只对固定位置的螺栓图片检测有效,而高压线路巡检中有多处螺栓,需要先对螺栓位置进行判别在进行松动检测,增加了设备异常检测的繁琐。因此在本技术领域中,怎样对高铁接触网中各种供电设备螺栓松动准确检测,成为较为棘手的技术问题。
发明内容
针对现有技术的不足,本发明公开一种高铁接触网供电设备螺栓松动自动检测方法。
本发明的技术方案如下:
一种高铁接触网供电设备螺栓松动自动检测方法,其特征在于,包括:
1)建立数据样本库:
首先,采集高铁用电系统中的摄像机拍摄照片,通过人工标记出螺栓区域图像位置信息、螺栓松动状态及对应关系,形成训练数据;
优选的,所述螺栓区域图像位置信息包括:螺栓坐标位置信息[x,y]及螺栓图像区域框宽度和高度[w,h];
优选的,所述螺栓松动状态包括:螺栓正常未松动时,用0表示;螺栓松动时,用1表示;形成训练数据;
2)训练两个深度卷积神经网络:
另一个是:采用一个自编码器结构的网络架构,将自编码器输出的稀疏表达向量与全连接层相连以实现螺栓松动状态分类,用于将步骤1)中的得到的螺栓区域图像进行重构和分类;
3)开始测试:
对本步骤中的所述螺栓区域Y进行提取,步骤为:
Y=X[Xmin:Xmax,Ymin:Ymax];
4)对设备区域进行设备外观异常检测,通过将裁剪得到的螺栓区域Y放到步骤2)中的自编码网络及全连接层中,得到螺栓松动状态分类结果。
根据本发明优选的,所述高铁接触网供电设备螺栓松动自动检测方法还包括标签制作流程:人工标记出螺栓区域图像位置信息、螺栓松动状态表示。
根据本发明优选的,所述自编码器的编码器包括4个卷积块,其特征层个数分别为[32,64,128,256],每个卷积块由2个卷积层组成;
其计算公式为:
对于输入图像x,经自编码器结构的网络架构的编码器θ(·)后得到输入图像x的高层次表达θ(x),则稀疏表达向量z通过对该高层次语义表达进行行列挤压得到。
根据本发明优选的,所述稀疏表达向量z通过对该高层次语义表达进行行列挤压的具体实现步骤为:
先将θ(x)经过一个1×1的卷积层f得到的空间向量f(θ(x)),其大小为256×W×H,再对f(θ(x))分别进行行列求平均,得到一个256×1×1的稀疏表达向量z:
z=Avg(f(θ(x)))
其中Avg(·)表示行列求平均操作。
根据本发明优选的,与所述编码器对应的解码器包括4个卷积块,其特征层个数分别为[256,128,64,32],每个卷积块由2个卷积层组成;
则重构后的图像x′通过将z输入解码器φ(·)获得。
根据本发明优选的,所述解码的具体实现步骤为:
先对稀疏表达向量z进行行列扩展,使其扩展为一个256×W×H的空间向量z′,然后将z′经过一个1×1的卷积层f′后再经过解码器φ(·)即可得到重构后的原图像x′:
x′=φ(z′)=φ(f′(z′))=φ(f′(Exp(z)))
其中Exp(·)表示行列扩展操作。
根据本发明优选的,在对螺栓状态分类时,由于稀疏表达向量z包含了输入图像x的关键信息,因此通过将z接入全连接层得到螺栓松动分类结果c′,表达式为:
c′=fc(z)
其中fc(·)代表全连接层,该全连接层由两个线性层组成,其维度分别为[64,1]。
根据本发明优选的,所述自编码器的损失函数包括:对螺栓状态识别的交叉熵和图像重构的最小均方差,具体实现公式为:
L=Lce(c,c′)+Lmse(x,x′)
其中c为螺栓真实分类结果,Lce为交叉熵损失,Lmse为图像重构损失。
本发明的技术优势在于:
本发明针对现有高铁接触网中各种供电设备螺栓松动多样性,而参考拧紧状态检测需要对螺栓位置先判断,过程繁琐,本发明利用基于深度学习的特征识别模型,集合自编码网络的稀疏表达向量分类实现对外观异常设备的准确检测。
本发明的检测效果好:流程简单且准确性高,利用基于深度学习的特征识别模型,集合自编码网络的稀疏表达向量分类实现对外观异常设备的准确检测。
此外高铁接触网中各种供电设备的工作环境复杂多变,而深度学习在提取特征时聚焦于螺栓状态本身,可以降低由于光线环境等因素造成的误判率。
附图说明
图1是本发明所述方法中模型训练流程图;
图2是本发明所述方法的流程图;
图3是本发明实施例中的实际场景监测流程信息图,对螺栓正常状态分类结果的图像;
图4是本发明实施例中的实际场景监测流程信息图,对螺栓松动状态分类结果的图像;
图5是本发明中螺栓松动分类的步骤流程图。
具体实施方式
下面结合实施例和说明书附图对本发明做详细的说明,但不限于此。
实施例
如图1、2所示,一种高铁接触网供电设备螺栓松动自动检测方法,包括:
1)建立数据样本库:
首先,采集高铁用电系统中的摄像机拍摄照片,通过人工标记出螺栓区域图像位置信息、螺栓松动状态及对应关系,形成训练数据;
还包括标签制作流程:人工标记出螺栓区域图像位置信息、螺栓松动状态表示。
所述螺栓区域图像位置信息包括:螺栓坐标位置信息[x,y]及螺栓图像区域框宽度和高度[w,h];
所述螺栓松动状态包括:螺栓正常未松动时,用0表示;螺栓松动时,用1表示;形成训练数据;
2)训练两个深度卷积神经网络:
另一个是:采用一个自编码器结构的网络架构,将自编码器输出的稀疏表达向量与全连接层相连以实现螺栓松动状态分类,用于将步骤1)中的得到的螺栓区域图像进行重构和分类;
3)开始测试:
对本步骤中的所述螺栓区域Y进行提取,步骤为:
Y=X[Xmin:Xmax,Ymin:Ymax];
4)对设备区域进行设备外观异常检测,通过将裁剪得到的螺栓区域Y放到步骤2)中的自编码网络及全连接层中,得到螺栓松动状态分类结果。
所述自编码器的编码器包括4个卷积块,其特征层个数分别为[32,64,128,256],每个卷积块由2个卷积层组成;
其计算公式为:
对于输入图像x,经自编码器结构的网络架构的编码器θ(·)后得到输入图像x的高层次表达θ(x),则稀疏表达向量z通过对该高层次语义表达进行行列挤压得到。
所述稀疏表达向量z通过对该高层次语义表达进行行列挤压的具体实现步骤为:
先将θ(x)经过一个1×1的卷积层f得到的空间向量f(θ(x)),其大小为256×W×H,再对f(θ(x))分别进行行列求平均,得到一个256×1×1的稀疏表达向量z:
z=Avg(f(θ(x)))
其中Avg(·)表示行列求平均操作。
与所述编码器对应的解码器包括4个卷积块,其特征层个数分别为[256,128,64,32],每个卷积块由2个卷积层组成;
则重构后的图像x′通过将z输入解码器φ(·)获得。
所述解码的具体实现步骤为:
先对稀疏表达向量z进行行列扩展,使其扩展为一个256×W×H的空间向量z′,然后将z′经过一个1×1的卷积层f′后再经过解码器φ(·)即可得到重构后的原图像x′:
x′=φ(z′)=φ(f′(z′))=φ(f′(Exp(z)))
其中Exp(·)表示行列扩展操作。
在对螺栓状态分类时,由于稀疏表达向量z包含了输入图像x的关键信息,因此通过将z接入全连接层得到螺栓松动分类结果c′,表达式为:
c′=fc(z)
其中fc(·)代表全连接层,该全连接层由两个线性层组成,其维度分别为[64,1]。
所述自编码器的损失函数包括:对螺栓状态识别的交叉熵和图像重构的最小均方差,具体实现公式为:
L=Lce(c,c′)+Lmse(x,x′)
其中c为螺栓真实分类结果,Lce为交叉熵损失,Lmse为图像重构损失。
结合图5,对现有高铁接触网供电设备进行采集图像,并按本实施例所述方法进行实施检测,如图3、4分别为两个采集到的待测图像:
经检测后,对图3中的原始图像自动识别出,其所包含螺栓的状态分别为松动状态和未松动状态。
Claims (6)
1.一种高铁接触网供电设备螺栓松动自动检测方法,其特征在于,包括:
1)建立数据样本库:
首先,采集高铁用电系统中的摄像机拍摄照片,通过人工标记出螺栓区域图像位置信息、螺栓松动状态及对应关系,形成训练数据;
2)训练两个深度卷积神经网络:
另一个是:采用一个自编码器结构的网络架构,将自编码器输出的稀疏表达向量与全连接层相连以实现螺栓松动状态分类,用于将步骤1)中的得到的螺栓区域图像进行重构和分类;
3)开始测试:
对本步骤中的所述螺栓区域Y进行提取,步骤为:
Y=X[Xmin:Xmax,Ymin:Ymax];
4)对设备区域进行设备外观异常检测,通过将裁剪得到的螺栓区域Y放到步骤2)中的自编码网络及全连接层中,得到螺栓松动状态分类结果;
所述自编码器的编码器包括4个卷积块,其特征层个数分别为[32,64,128,256],每个卷积块由2个卷积层组成;
其计算公式为:
对于输入图像x,经自编码器结构的网络架构的编码器θ(·)后得到输入图像x的高层次表达θ(x),则稀疏表达向量z通过对该高层次语义表达进行行列挤压得到;
所述稀疏表达向量z通过对该高层次语义表达进行行列挤压的具体实现步骤为:
先将θ(x)经过一个1×1的卷积层f得到的空间向量f(θ(x)),其大小为256×W×H,再对f(θ(x))分别进行行列求平均,得到一个256×1×1的稀疏表达向量z:
z=Avg(f(θ(x)))
其中Avg(·)表示行列求平均操作。
2.根据权利要求1所述的一种高铁接触网供电设备螺栓松动自动检测方法,其特征在于,与所述编码器对应的解码器包括4个卷积块,其特征层个数分别为[256,128,64,32],每个卷积块由2个卷积层组成;
则重构后的图像x′通过将z输入解码器φ(·)获得。
3.根据权利要求2所述的一种高铁接触网供电设备螺栓松动自动检测方法,其特征在于,所述解码的具体实现步骤为:
先对稀疏表达向量z进行行列扩展,使其扩展为一个256×W×H的空间向量z′,然后将z′经过一个1×1的卷积层f′后再经过解码器φ(·)即可得到重构后的原图像x′:
x′=φ(z′)=φ(f′(z′))=φ(f′(Exp(z)))
其中Exp(·)表示行列扩展操作。
4.根据权利要求3所述的一种高铁接触网供电设备螺栓松动自动检测方法,其特征在于,在对螺栓状态分类时,由于稀疏表达向量z包含了输入图像x的关键信息,因此通过将z接入全连接层得到螺栓松动分类结果c′,表达式为:
c′=fc(z)
其中fc(·)代表全连接层,该全连接层由两个线性层组成,其维度分别为[64,1]。
5.根据权利要求1所述的一种高铁接触网供电设备螺栓松动自动检测方法,其特征在于,所述自编码器的损失函数包括:对螺栓状态识别的交叉熵和图像重构的最小均方差,具体实现公式为:
L=Lce(c,c′)+Lmse(x,x′)
其中c为螺栓真实分类结果,Lce为交叉熵损失,Lmse为图像重构损失。
6.根据权利要求1所述的一种高铁接触网供电设备螺栓松动自动检测方法,其特征在于,所述高铁接触网供电设备螺栓松动自动检测方法还包括标签制作流程:人工标记出螺栓区域图像位置信息、螺栓松动状态表示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110227664.1A CN113012113B (zh) | 2021-03-01 | 2021-03-01 | 一种高铁接触网供电设备螺栓松动自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110227664.1A CN113012113B (zh) | 2021-03-01 | 2021-03-01 | 一种高铁接触网供电设备螺栓松动自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113012113A CN113012113A (zh) | 2021-06-22 |
CN113012113B true CN113012113B (zh) | 2023-04-07 |
Family
ID=76387223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110227664.1A Active CN113012113B (zh) | 2021-03-01 | 2021-03-01 | 一种高铁接触网供电设备螺栓松动自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113012113B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115346068A (zh) * | 2022-08-02 | 2022-11-15 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货运列车螺栓丢失故障图像自动生成方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000049571A3 (en) * | 1999-02-15 | 2001-04-05 | Digital Accelerator Corp | Method and system of region-based image coding with dynamic streaming of code blocks |
CN110543888A (zh) * | 2019-07-16 | 2019-12-06 | 浙江工业大学 | 一种基于群集递归神经网络的图像分类方法 |
CN112004085A (zh) * | 2020-08-14 | 2020-11-27 | 北京航空航天大学 | 一种场景语义分割结果指导下的视频编码方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109767427A (zh) * | 2018-12-25 | 2019-05-17 | 北京交通大学 | 列车轨道扣件缺陷的检测方法 |
CN111080650B (zh) * | 2019-12-12 | 2020-10-09 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车小部件轴承挡键螺母松动和丢失故障检测方法 |
CN110766011B (zh) * | 2019-12-26 | 2020-04-28 | 南京智莲森信息技术有限公司 | 一种基于深度多级优化的接触网螺母异常识别方法 |
CN111415326A (zh) * | 2020-02-18 | 2020-07-14 | 中国铁道科学研究院集团有限公司 | 一种用于铁路接触网螺栓异常状态的检测方法及系统 |
CN112364975B (zh) * | 2020-10-14 | 2023-06-02 | 山东大学 | 基于图神经网络的终端运行状态预测方法及系统 |
-
2021
- 2021-03-01 CN CN202110227664.1A patent/CN113012113B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000049571A3 (en) * | 1999-02-15 | 2001-04-05 | Digital Accelerator Corp | Method and system of region-based image coding with dynamic streaming of code blocks |
CN110543888A (zh) * | 2019-07-16 | 2019-12-06 | 浙江工业大学 | 一种基于群集递归神经网络的图像分类方法 |
CN112004085A (zh) * | 2020-08-14 | 2020-11-27 | 北京航空航天大学 | 一种场景语义分割结果指导下的视频编码方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113012113A (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416294B (zh) | 一种基于深度学习的风机叶片故障智能识别方法 | |
CN112183313B (zh) | 一种基于SlowFast的电力作业现场动作识别方法 | |
JP2017062776A (ja) | 構造物に対する変化を検出するための方法、装置およびコンピュータ可読媒体 | |
CN106920291A (zh) | 基于增强现实的结构表面巡检和分析系统 | |
CN112184625A (zh) | 一种基于视频深度学习的路面缺陷识别方法和系统 | |
CN111507975B (zh) | 一种牵引变电所户外绝缘子异常检测方法 | |
CN110096945B (zh) | 基于机器学习的室内监控视频关键帧实时提取方法 | |
CN113012113B (zh) | 一种高铁接触网供电设备螺栓松动自动检测方法 | |
CN110728269B (zh) | 一种基于c2检测数据的高铁接触网支柱杆号牌识别方法 | |
CN116310274A (zh) | 一种输变电设备的状态评估方法 | |
CN117351471A (zh) | 基于改进Yolov5的稻飞虱目标检测方法、系统、设备及介质 | |
CN116977909A (zh) | 一种基于多模态数据的深度学习火灾强度识别方法及系统 | |
Zhang et al. | Detection of blades damages in aero engine | |
CN117372677A (zh) | 一种高速铁路接触网紧固件开口销健康状态检测方法 | |
Song et al. | A fault detection method for transmission line components based on synthetic dataset and improved YOLOv5 | |
CN117274197A (zh) | 一种基于YOLO v5算法改进的PCB缺陷检测方法 | |
CN109934172B (zh) | 高速列车受电弓免gps全运行线故障视觉检测定位方法 | |
Wang et al. | Visual defect detection for substation equipment based on joint inspection data of camera and robot | |
CN112528827B (zh) | 一种高铁接触网供电设备裂损自动检测方法 | |
Wang et al. | Research on appearance defect detection of power equipment based on improved faster-rcnn | |
CN112560776A (zh) | 一种基于图像识别的智能风机定检方法及系统 | |
Cheng et al. | RAD: A Comprehensive Dataset for Benchmarking the Robustness of Image Anomaly Detection | |
CN117314896B (zh) | 一种基于深度学习的电力系统异常检测方法及系统 | |
Huang et al. | Small Object Detection of Non-standard THT Solder Joints Based on Improved YOLOv3 | |
Wang et al. | Thermal Defect Detection and Location for Power Equipment based on Improved VGG16 |
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 |