CN113034359A - 发电机组定转子缺陷智能诊断方法、装置、计算机设备及存储介质 - Google Patents
发电机组定转子缺陷智能诊断方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113034359A CN113034359A CN202011106659.7A CN202011106659A CN113034359A CN 113034359 A CN113034359 A CN 113034359A CN 202011106659 A CN202011106659 A CN 202011106659A CN 113034359 A CN113034359 A CN 113034359A
- Authority
- CN
- China
- Prior art keywords
- rotor
- stator
- generator set
- hydroelectric generating
- defects
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 38
- 230000007547 defect Effects 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013135 deep learning Methods 0.000 claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 18
- 238000012937 correction Methods 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000003702 image correction Methods 0.000 claims description 2
- 238000013024 troubleshooting Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 5
- 238000005452 bending Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
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)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Image Processing (AREA)
Abstract
本发明公开了发电机组定转子缺陷智能诊断方法、装置、计算机设备及存储介质，包括：采集发电机组多角度图像数据；对采集的所述发电机组多角度图像数据分别进行畸变校正；将畸变校正输出的n幅图像拼接成全方位无死角的水电机组定转子监测全景图；进入部署在服务器上的深度学习故障诊断网络进行水电机组的定转子缺陷诊断；根据深度学习故障诊断网络的缺陷诊断结果即时发出报警。本发明通过超广角监测摄像头对水电机组内部狭小空间进行近距离全方位视频监测，并通过图像处理算法进行超广角畸变校正、图像拼接以及基于图像深度学习技术的智能故障诊断。可以极大地减少电站水电机组因故障维修带来的直接经济损失以及停机停电产生的间接经济损失。
Description
技术领域
本发明涉及水利电站发电技术领域，更具体地说是指发电机组定转子缺陷 智能诊断方法、装置、计算机设备及存储介质。
背景技术
水电机组内部电气设备运行异常会造成设备跳闸、损坏，严重时机组将非 计划停运，对水电站生产、安全带来严重损失。水电机组的内部电气设备故障 在发展和形成过程中，部分表现在内部电气设备结构外观的改变，如微小裂痕、 松动、脱落等，并由于结构外观的改变将引起的水电机组内部组件运动状态的 改变。因此，对于保障电站的安全稳定运行是非常有必要的。
发明内容
本发明的目的在于克服现有技术的缺陷，提供发电机组定转子缺陷智能诊 断方法、装置、计算机设备及存储介质。
为实现上述目的，本发明采用以下技术方案：发电机组定转子缺陷智能诊 断方法，其特征在于，包括：
采集发电机组多角度图像数据Iori1(x，y)、Iori2(x，y)、…、Iorin(x，y)；
对采集的所述发电机组多角度图像数据Iori1(x，y)、Iori2(x，y)、…、 Iorin(x，y)分别进行畸变校正获得Icorr1(x，y)、Icorr2(x，y)、…、Icorrn(x，y)；
将畸变校正输出的n幅图像Icorr1(x，y)、Icorr2(x，y)、…、Icorrn(x，y) 拼接成全方位无死角的水电机组定转子监测全景图Iov(x，y)；
所述水电机组定转子监测全景图Iov(x，y)进入部署在服务器上的深度学习 故障诊断网络进行水电机组的定转子缺陷诊断；
根据深度学习故障诊断网络的缺陷诊断结果即时发出报警。
作为优选，所述水电机组定转子监测全景图Iov(x，y)的深度学习故障诊断 网络通过以下步骤进行训练：
将所述水电机组定转子监测全景图Iov(x，y)图像预处理，建立灰度提取和 骨架提取；
建立裂纹、振动、脱落模型，并提取特征；
将不同类型缺陷的全景图学习样本，对深度学习神经网络进行训练并识别 相对应的缺陷类型，使其识别率达到99％以上；
将训练完毕的智能故障诊断网络部署到服务器中。
作为优选，通过多路高帧频超广角摄像头采集发电机组多角度图像数据 Iori1(x，y)、Iori2(x，y)、…、Iorin(x，y)。
本发明还提供了发电机组定转子缺陷智能诊断装置，包括：
图像数据采集单元，用于采集发电机组多角度图像数据；
图像校正单元，对所述图像数据获取单元采集的发电机组多角度图像数据 畸变校正；
图像拼接单元，将畸变校正后的图像数据拼接成全方位无死角的水电机组 定转子监测全景图；
深度学习单元，对所述水电机组定转子监测全景图进行水电机组的定转子 缺陷诊断；
报警单元，根据深度学习单元的根据深度学习故障诊断网络的缺陷诊断结 果即时发出报警。
本发明还提供了一种计算机设备，所述计算机设备包括存储器及处理器， 所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如上 述的方法。
本发明还提供了一种存储介质，其特征在于，所述存储介质存储有计算机 程序，所述计算机程序被处理器执行时可实现如上述的方法。
本发明与现有技术相比的有益效果是：本发明通过超广角监测摄像头对水 电机组内部狭小空间进行近距离全方位视频监测，并通过图像处理算法进行超 广角畸变校正、图像拼接以及基于图像深度学习技术的智能故障诊断。采用高 清可见光图像采集与缺陷智能诊断系统可以实时记录运行中水电机组的内部组 件的结构外观改变(如微小裂痕、松动、脱落等)以及由结构外观改变引起的 内部组件运动状态的改变，通过基于深度学习的人工智能识别技术实时检测出 图像中设备结构外观的改变以及内部设备运动状态的改变。缺陷智能诊断系统 按照先验的结构及运动异常特征发出报警信号，及时把报警信号上传，监控中 心可以便捷、安全、直观、准确的查找、判断电气设备的结构故障，并在这些 故障还处于初级阶段时即加以排除，可以极大地减少电站水电机组因故障维修 带来的直接经济损失以及停机停电产生的间接经济损失。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要 使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实 施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以 根据这些附图获得其他的附图。
图1为本发明所述一种发电机组定转子缺陷智能诊断装置的结构框图。
图2为本发明所述一种发电机组定转子缺陷智能诊断装置的深度学习处理 流程图。
图3为发电机组定转子裂缝缺陷的深度学习处理图谱。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清 楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部 的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包 含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除 一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添 加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施 例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使 用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个” 及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且 包括这些组合。
为了使本技术领域的人员更好的理解本发明方案，下面将结合本发明实施 例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述。
如图1～图3所示，为本发明所述一种发电机组定转子缺陷智能诊断装置组 定转子缺陷智能诊断装置的处理按以下步骤进行：
(1)发电机组内部署全景红外补光，解决发电机组内光照恶劣条件；
(2)通过多路高帧频超广角摄像头采集发电机组多角度图像数据 Iori1(x，y)、Iori2(x，y)、…、Iorin(x，y)。
(3)采用基于直线特征的标定方法对多路超广角摄像头采集发电机组多角 度图像数据Iori1(x，y)、Iori2(x，y)、…、Iorin(x，y)分别进行畸变校正获得 Icorr1(x，y)、Icorr2(x，y)、…、Icorrn(x，y)。基于直线特征的标定方法，首 先任意的拍摄一幅直线模板，对于模板不需要高精度或者其他任何限制，只要 图像中包含直线，利用此标定模板可以获得更加准确的畸变校正系数，并且在 此基础上提出了一种带权重因子的弯曲测度指标函数。根据相机镜头成像的固 有特性，随着像素离图像中心越来越远，畸变会随之增大，靠近图像中心的直 线弯曲程度小，远离图像中心的直线弯曲程度大。在构造弯曲测度指标函数时， 离图像中心不同距离的直线给予不同的权重值，作为求取最终畸变参数的目标 函数，在最小化带权重因子的目标函数过程中，求取畸变系数，提高了畸变标 定精度，同时进行了大量实验对其进行分析。
(4)采用基于SIFT尺度不变特征转换算法将畸变校正输出的n幅图像 Icorr1(x，y)、Icorr2(x，y)、…、Icorrn(x，y)拼接成全方位无死角的水电机组 定转子监测全景图Iov(x，y)。基于SIFT特征图像配准算法又被称为尺度不变 特征变化，其实质是在不用的尺度空间下对同一个特征点进行检测，与此同时， 把其所在的尺度空间记录下来，其目的是达到尺度抗缩放，并且确定特征点所 处的位置。具体采取如下步骤：(a)、建立高斯尺度空间，并在其中寻找候选 特征点；(b)、精确定位极值点所处的位置，并且对某些不稳定的极值点进行剔除；(c)、与此同时，记录下此关键点的位置和尺度，确定此关键点。(d)、 关键点特征描述符的生成。
(5)全景图Iov(x，y)进入部署在服务器上的深度学习故障诊断网络进行水 电机组的定转子缺陷诊断。
(6)根据深度学习故障诊断网络的缺陷诊断结果即时发出报警，便于即时 维护，避免发生电站水电机组的故障。
其中，水电机组的定转子全景图Iov(x，y)的深度学习故障诊断通过以下步 骤进行训练：
(1)全景图Iov(x，y)图像预处理，建立灰度提取和骨架提取；
(2)建立裂纹、振动、脱落模型，并提取特征；
(3)将不同类型缺陷的全景图学习样本，对深度学习神经网络进行训练并 识别相对应的缺陷类型，使其识别率达到99％以上；
将训练完毕的智能故障诊断网络部署到诊断装置的服务器中。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory， ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示 例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现， 为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地 描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决 于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用 来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范 围。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可 以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例 如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划 分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特 征可以忽略，或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。 本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外， 在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各 个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使 用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质 上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软 件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干 指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等) 执行本发明各个实施例所述方法的全部或部分步骤。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于 此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到 各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。 因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (6)
1.发电机组定转子缺陷智能诊断方法，其特征在于，包括：
采集发电机组多角度图像数据Iori1(x，y)、Iori2(x，、y)、...、Iorin(x，y)；
对采集的所述发电机组多角度图像数据Iori1(x，y)、Iori2(x，y)、...、Iorin(x，y)分别进行畸变校正获得Icorr1(x，y)、Icorr2(x，y)、...、Icorrn(x，y)；
将畸变校正输出的n幅图像Icorr1(x，y)、Icorr2(x，y)、...、Icorrn(x，y)拼接成全方位无死角的水电机组定转子监测全景图Iov(x，y)；
所述水电机组定转子监测全景图Iov(x，y)进入部署在服务器上的深度学习故障诊断网络进行水电机组的定转子缺陷诊断；
根据深度学习故障诊断网络的缺陷诊断结果即时发出报警。
2.根据权利要求1所述的发电机组定转子缺陷智能诊断方法，其特征在于，所述水电机组定转子监测全景图Iov(x，y)的深度学习故障诊断网络通过以下步骤进行训练：
将所述水电机组定转子监测全景图Iov(x，y)图像预处理，建立灰度提取和骨架提取；
建立裂纹、振动、脱落模型，并提取特征；
将不同类型缺陷的全景图学习样本，对深度学习神经网络进行训练并识别相对应的缺陷类型，使其识别率达到99％以上；
将训练完毕的智能故障诊断网络部署到服务器中。
3.根据权利要求1或2所述的发电机组定转子缺陷智能诊断方法，其特征在于，通过多路高帧频超广角摄像头采集发电机组多角度图像数据Iori1(x，y)、Iori2(x，y)、...、Iorin(x，y)。
4.发电机组定转子缺陷智能诊断装置，其特征在于，包括：
图像数据采集单元，用于采集发电机组多角度图像数据；
图像校正单元，对所述图像数据获取单元采集的发电机组多角度图像数据畸变校正；
图像拼接单元，将畸变校正后的图像数据拼接成全方位无死角的水电机组定转子监测全景图；
深度学习单元，对所述水电机组定转子监测全景图进行水电机组的定转子缺陷诊断；
报警单元，根据深度学习单元的根据深度学习故障诊断网络的缺陷诊断结果即时发出报警。
5.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至3中任一项所述的方法。
6.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现如权利要求1至3中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011106659.7A CN113034359A (zh) | 2020-10-16 | 2020-10-16 | 发电机组定转子缺陷智能诊断方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011106659.7A CN113034359A (zh) | 2020-10-16 | 2020-10-16 | 发电机组定转子缺陷智能诊断方法、装置、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113034359A true CN113034359A (zh) | 2021-06-25 |
Family
ID=76458925
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011106659.7A Pending CN113034359A (zh) | 2020-10-16 | 2020-10-16 | 发电机组定转子缺陷智能诊断方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113034359A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113504754A (zh) * | 2021-07-15 | 2021-10-15 | 哈尔滨电机厂有限责任公司 | 一种转子端部机械状态的动态高清图像监测系统 |
| CN116593890A (zh) * | 2023-05-18 | 2023-08-15 | 湖州越球电机有限公司 | 永磁同步电机转子及其成型检测方法 |
-
2020
- 2020-10-16 CN CN202011106659.7A patent/CN113034359A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113504754A (zh) * | 2021-07-15 | 2021-10-15 | 哈尔滨电机厂有限责任公司 | 一种转子端部机械状态的动态高清图像监测系统 |
| CN116593890A (zh) * | 2023-05-18 | 2023-08-15 | 湖州越球电机有限公司 | 永磁同步电机转子及其成型检测方法 |
| CN116593890B (zh) * | 2023-05-18 | 2023-10-20 | 湖州越球电机有限公司 | 永磁同步电机转子及其成型检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108537191B (zh) | 一种基于结构光摄像头的三维人脸识别方法 | |
| CN108230278B (zh) | 一种基于生成对抗网络的图像去雨滴方法 | |
| CN109636721B (zh) | 基于对抗学习和注意力机制的视频超分辨率方法 | |
| CN111768388A (zh) | 一种基于正样本参考的产品表面缺陷检测方法及系统 | |
| CN109872305B (zh) | 一种基于质量图生成网络的无参考立体图像质量评价方法 | |
| Christlein et al. | A study on features for the detection of copy-move forgeries | |
| CN111008959A (zh) | 基于航拍图像的均压环缺陷检测方法、装置、介质和设备 | |
| US20200402221A1 (en) | Inspection system, image discrimination system, discrimination system, discriminator generation system, and learning data generation device | |
| CN110751630B (zh) | 基于深度学习的输电线路异物检测方法、装置及介质 | |
| KR20200018411A (ko) | 전극편의 버를 검출하기 위한 방법 및 장치 | |
| CN113034359A (zh) | 发电机组定转子缺陷智能诊断方法、装置、计算机设备及存储介质 | |
| CN113706472B (zh) | 公路路面病害检测方法、装置、设备及存储介质 | |
| CN114419014A (zh) | 基于特征重构的表面缺陷检测方法 | |
| CN115861210B (zh) | 一种基于孪生网络的变电站设备异常检测方法和系统 | |
| CN114170144A (zh) | 一种输电线路销钉缺陷检测方法、设备及介质 | |
| CN117409083B (zh) | 一种基于红外图像和改进yolov5的电缆终端识别方法及装置 | |
| CN112419243B (zh) | 一种基于红外图像分析的配电房设备故障识别方法 | |
| Lu et al. | Thermal Fault Diagnosis of Electrical Equipment in Substations Based on Image Fusion. | |
| CN110321944A (zh) | 一种基于接触网画质评估的深度神经网络模型的构建方法 | |
| CN116539619B (zh) | 产品缺陷检测方法、系统、装置及存储介质 | |
| CN111104532B (zh) | 一种基于双流网络的rgbd图像联合恢复方法 | |
| CN115937492A (zh) | 一种基于特征识别的变电设备红外图像识别方法 | |
| JP2023038060A (ja) | ラベル生成方法、モデル生成方法、ラベル生成装置、ラベル生成プログラム、モデル生成装置、及びモデル生成プログラム | |
| CN111739011A (zh) | 一种电线杆倾斜检测方法及装置 | |
| CN114612798B (zh) | 基于Flow模型的卫星图像篡改检测方法 |
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 |