CN113610191B - 垃圾分类模型建模方法、垃圾分类方法 - Google Patents

垃圾分类模型建模方法、垃圾分类方法 Download PDF

Info

Publication number
CN113610191B
CN113610191B CN202111025790.5A CN202111025790A CN113610191B CN 113610191 B CN113610191 B CN 113610191B CN 202111025790 A CN202111025790 A CN 202111025790A CN 113610191 B CN113610191 B CN 113610191B
Authority
CN
China
Prior art keywords
network
garbage
actual scene
classifier
garbage classification
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
Application number
CN202111025790.5A
Other languages
English (en)
Other versions
CN113610191A (zh
Inventor
袁野
万里红
张泽阳
吕栋亮
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.)
Zhongyuan Power Intelligent Robot Co ltd
Original Assignee
Zhongyuan Power Intelligent Robot 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 Zhongyuan Power Intelligent Robot Co ltd filed Critical Zhongyuan Power Intelligent Robot Co ltd
Priority to CN202111025790.5A priority Critical patent/CN113610191B/zh
Publication of CN113610191A publication Critical patent/CN113610191A/zh
Application granted granted Critical
Publication of CN113610191B publication Critical patent/CN113610191B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
    • Y02W30/00—Technologies for solid waste management
    • Y02W30/10—Waste collection, transportation, transfer or storage, e.g. segregated refuse collecting, electric or hybrid propulsion

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)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (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)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种垃圾分类模型建模方法、垃圾分类方法及装置，用于解决垃圾分类任务中数据类别不均衡所导致的分类模型性能不好的问题。通过非均衡数据集和均衡数据集交替对模型进行训练，使得模型在学习到非均衡数据集中多数类样本的特征后，也学习到了少数类样本的特征，解决了垃圾分类任务中数据类别不均衡所导致的分类模型性能不好的问题。垃圾分类方法在克服了数据类别不均衡的基础上，对分类器所得到的结果通过感知机网络进行处理，然后对两结果进行信息融合，得到更为鲁棒的分类结果。

Description

垃圾分类模型建模方法、垃圾分类方法
技术领域
本发明涉及计算机视觉技术领域，具体涉及垃圾分类模型建模方法、垃圾分类方法。
背景技术
垃圾的分类是保洁机器人的主要任务之一，目前常用的手段是通过神经网络对垃圾数据集进行学习，使保洁机器人获得“辨别”垃圾种类的能力。在工程项目中，从实际应用场景采集到的垃圾分类数据集绝大多数时候都具有严重的类别不平衡问题。类别不平衡是指分类任务中不同类别的训练样本数量差别很大的情况。比如，在火车站广场采集到的垃圾分类数据集中，烟头与烟盒垃圾的样本数量远远超过行道树落叶垃圾的样本数量，样本数量差距有时甚至可以达到几十倍。若不同类别的训练样本数量差别很大，会对网络模型训练造成严重困扰。样本类别不均衡将导致少数类样本所包含的特征过少，很难从中提取规律；即使得到分类模型，也容易产生过度依赖与过拟合问题，模型性能无法达到实际应用需求。
发明内容
本发明的目的在于提供一种垃圾分类模型建模方法、垃圾分类方法，用于解决垃圾分类任务中数据类别不均衡所导致的分类模型性能不好的问题。
为了解决上述问题，本发明采用以下技术方案：
一种垃圾分类模型建模方法，包括以下步骤：
S1：确定第一分类器网络的权重参数，初始化感知机网络的权重参数；
S2：创建与第一分类器网络相同的第二分类器网络，将第一分类器网络的权重参数加载到第二分类器网络；
S3：将非均衡样本数据集中的非均衡样本前向传递，依次通过第二分类器网络和感知机网络得到第一损失值，根据第一损失值反向更新第二分类器网络的权重参数；
S4：将均衡样本数据集中的均衡样本前向传递，通过第二分类器网络得到第二损失值，根据第二损失值反向更新感知机网络的权重参数；
S5：将非均衡样本数据集中的非均衡样本前向传递，依次通过第一分类器网络和感知机网络得到第三损失值，根据第三损失值反向更新第一分类器网络的权重参数；
S6：重复步骤S2至S5，直至模型收敛，得到垃圾分类模型。
有益效果为：
通过非均衡数据集和均衡数据集交替对模型进行训练，使得模型在学习到非均衡数据集中多数类样本的特征后，也学习到了少数类样本的特征，解决了垃圾分类任务中数据类别不均衡所导致的分类模型性能不好的问题。
进一步地，第一分类器网络为在公开垃圾分类数据集上预训练后的分类器网络或未经预训练的网络，第一分类器网络为卷积神经网络、残差神经网络、注意力机制模型、多层感知机和循环神经网络中的一种。针对多种常用深度学习网络模块均可使用此方法进行垃圾分类模型建模，体现了该方法适用性强的优点。
进一步地，非均衡样本数据集的构建包括以下步骤：
采集多张实际场景图片；
标注每张实际场景图片中垃圾的位置坐标和类别；
根据位置坐标对每张实际场景图片进行裁剪，裁剪后的每张实际场景图片仅包含单个垃圾，根据单个垃圾的类别对裁剪后的每张实际场景图片划分类别；
对实际场景图片进行聚类；
聚类后，剔除与各聚类中心距离超过设定阈值的样本所代表的实际场景图片。
进一步地，基于非均衡样本数据集，对不同类别的实际场景图片采样相同或相近数目的样本，构建均衡样本数据集。
本发明还提供了一种垃圾分类方法，基于权利要求1至4所述的垃圾分类模型，包括以下步骤：
获取实际场景图片，对实际场景图片进行预处理；
将预处理后的实际场景图片输入第一分类器网络，得到第一分类结果；
将第一分类结果通过感知机网络得到第二分类结果；
对第一分类结果和第二分类结果进行融合，输出得到垃圾类别。
有益效果为：
在克服了数据类别不均衡的基础上，对分类器所得到的结果通过感知机网络进行处理，然后对两结果进行信息融合，得到更为鲁棒的分类结果。
进一步地，通过感知机网络拟合加权函数对第一分类结果进行加权得到第二分类结果。对分类器所得到的结果通过感知机网络拟合连续的加权函数进行加权，最后进行信息融合，得到更为鲁棒的分类结果。
进一步地，预处理为通过目标检测算法将实际场景图片中的垃圾进行识别，然后根据垃圾的位置对实际场景图片进行裁剪。
进一步地，对第一分类结果和第二分类结果进行融合，融合的方式为点乘、相加和进行幂运算中的一种。
附图说明
图1是垃圾分类模型建模方法流程示意图；
图2是非均衡样本数据集的构建方法示意图；
图3是垃圾分类方法流程示意图。
具体实施方式
本发明所提供的一种垃圾分类模型建模方法、垃圾分类方法及装置。
垃圾分类模型建模方法的具体实施方式：
垃圾分类模型建模方法，包括以下步骤：
S1：确定第一分类器网络的权重参数，初始化感知机网络的权重参数；
S2：创建与第一分类器网络相同的第二分类器网络，将第一分类器网络的权重参数加载到第二分类器网络；
S3：将非均衡样本数据集中的非均衡样本前向传递，依次通过第二分类器网络和感知机网络得到第一损失值，根据第一损失值反向更新第二分类器网络的权重参数；
S4：将均衡样本数据集中的均衡样本前向传递，通过第二分类器网络得到第二损失值，根据第二损失值反向更新感知机网络的权重参数；
S5：将非均衡样本数据集中的非均衡样本前向传递，依次通过第一分类器网络和感知机网络得到第三损失值，根据第三损失值反向更新第一分类器网络的权重参数；
S6：重复步骤S2至S5，直至模型收敛，得到垃圾分类模型。
建模时，首先选取深度学习网络模块，本实施例中第一分类器选取多层卷积神经网络。如图1所示，第一步，确定第一分类器网络的权重参数，第一分类器可选取经公开垃圾分类数据集预训练过的分类器，也可选取未经预训练的分类器，两种选择对该方法本身不产生影响，确定第一分类器网络的权重参数后，初始化感知机网络的权重参数。
第二步，创建与第一分类器网络相同的第二分类器网络，将第一分类器网络的权重参数加载到第二分类器网络。
第三步，将非均衡样本数据集中的非均衡样本前向传递，依次通过第二分类器网络和感知机网络得到第一损失值，根据第一损失值反向更新第二分类器网络的权重参数；此时对第二分类器的约束可表示为：
上式中，w和w*分别表示分类器的参数和最优参数，N表示训练集的样本数量，表示第i个样本的损失值。
第四步，将均衡样本数据集中的均衡样本前向传递，通过第二分类器网络得到第二损失值，根据第二损失值反向更新感知机网络的权重参数；
第五步，将非均衡样本数据集中的非均衡样本前向传递，依次通过第一分类器网络和感知机网络得到第三损失值，根据第三损失值反向更新第一分类器网络的权重参数；此时对第一分类器的约束可以表示为：
上式中，w和w*分别表示分类器的参数和最优参数，N表示训练集的样本数量，表示第i个样本的损失值，υ表示加权函数，Θ表示加权函数的参数。
重复第二步至第五步，直至该模型在所训练数据集上收敛，然后保存第一分类器网络与感知机网络的权重参数。
上述方法步骤中，所述收敛是指模型性能达到预设的性能指标(如准确率)。
上述方法步骤中，非均衡样本数据集的构建，如图2所示，第一步，采集多张实际场景图片，所采集图片的数量根据实际应用场景的复杂程度在工作中人为设定。
第二步，标注每张实际场景图片中垃圾的位置坐标和类别。
第三步，根据位置坐标对每张实际场景图片进行裁剪，裁剪后的每张实际场景图片仅包含单个垃圾，根据单个垃圾的类别对裁剪后的每张实际场景图片划分类别；此处不要求统一裁剪后的图片的像素和比例。
第四步，对实际场景图片进行聚类，此处采用k-means聚类。
第五步，在聚类后，剔除与各聚类中心距离超过设定阈值的样本所代表的实际场景图片。
由上述步骤构建非均衡样本数据集，而均衡样本数据集则是基于非均衡样本数据集构建的，对非均衡样本数据集中不同类别的实际场景图片采样相同或相近数目的样本，构建均衡样本数据集。
上述方法步骤中，第一分类器网络可选择为卷积神经网络、残差神经网络、注意力机制模型、多层感知机和循环神经网络中的一种，由本领域技术人员在训练模型时对参数等细节做一些非创造性工作即可实现本垃圾分类模型建模方法。
垃圾分类模型建模装置实施例：
本发明还提供了一种装置，包括存储单元和处理单元，存储单元保存有计算机程序指令及深度学习模型参数，处理单元执行计算机程序指令以实现上述垃圾分类模型建模的具体实施方式中所述的方法。
垃圾分类方法的具体实施方式：
本发明所提供的垃圾分类方法是基于上述垃圾分类模型而实现的，包括以下步骤：
获取实际场景图片，对实际场景图片进行预处理；
将预处理后的实际场景图片输入第一分类器网络，得到第一分类结果；
将第一分类结果通过感知机网络得到第二分类结果；
对第一分类结果和第二分类结果进行融合，输出得到垃圾类别。
工作时，如图3所示，第一步，首先通过摄像头获取实际场景图片，该图片中可能包括多个和多种垃圾，此时需要对采集到的图片进行预处理，预处理方式为通过目标检测算法(如YOLO算法)将实际场景图片中的垃圾进行识别，然后根据垃圾的位置对实际场景图片进行裁剪。
第二步，将预处理后的实际场景图片输入第一分类器网络，该第一分类器网络即为上述垃圾分类模型建模方法中经训练得到的第一分类器网络，得到第一分类结果。
第三步，将第一分类结果通过感知机网络得到第二分类结果，该感知机网络即为上述垃圾分类模型建模方法中经训练得到的感知机网络。
第四步，对第一分类结果和第二分类结果进行融合，输出得到垃圾类别。
上述方法步骤中，通过感知机网络拟合加权函数对第一分类结果进行加权得到第二分类结果。对分类器所得到的结果通过感知机网络拟合连续的加权函数进行加权，最后进行信息融合，得到更为鲁棒的分类结果。
上述方法步骤中，对第一分类结果和第二分类结果进行融合，融合的方式为点乘、相加和进行幂运算中的一种，可根据不同数据下的实验结果进行调整。
垃圾分类装置实施例：
本发明还提供了一种装置，包括存储单元和处理单元，存储单元保存有计算机程序指令及深度学习模型参数，处理单元执行计算机程序指令以实现上述垃圾分类方法的具体实施方式中所述的方法。
上述实施例仅以一种具体的实施方式说明本发明的技术方案，任何对本发明进行的等同替换及不脱离本发明精神和范围的修改或局部替换，其均应涵盖在本发明权利要求保护的范围之内。

Claims (8)

1.一种垃圾分类模型建模方法，其特征在于，包括以下步骤：
S1：确定第一分类器网络的权重参数，初始化感知机网络的权重参数；
S2：创建与所述第一分类器网络相同的第二分类器网络，将所述第一分类器网络的权重参数加载到所述第二分类器网络；
S3：将非均衡样本数据集中的非均衡样本前向传递，依次通过所述第二分类器网络和所述感知机网络得到第一损失值，根据所述第一损失值反向更新所述第二分类器网络的权重参数；
S4：将均衡样本数据集中的均衡样本前向传递，通过所述第二分类器网络得到第二损失值，根据所述第二损失值反向更新所述感知机网络的权重参数；
S5：将非均衡样本数据集中的非均衡样本前向传递，依次通过所述第一分类器网络和所述感知机网络得到第三损失值，根据所述第三损失值反向更新所述第一分类器网络的权重参数；
S6：重复步骤S2至S5，直至模型收敛，得到垃圾分类模型。
2.根据权利要求1所述的垃圾分类模型建模方法，其特征在于，所述第一分类器网络为在公开垃圾分类数据集上预训练后的分类器网络或未经预训练的网络，所述第一分类器网络为卷积神经网络、残差神经网络、注意力机制模型、多层感知机和循环神经网络中的一种。
3.根据权利要求2所述的垃圾分类模型建模方法，其特征在于，所述非均衡样本数据集的构建包括以下步骤：
采集多张实际场景图片；
标注每张实际场景图片中垃圾的位置坐标和类别；
根据所述位置坐标对每张实际场景图片进行裁剪，裁剪后的每张实际场景图片仅包含单个垃圾，根据所述单个垃圾的类别对裁剪后的每张实际场景图片划分类别；
对实际场景图片进行聚类；
聚类后，剔除与各聚类中心距离超过设定阈值的样本所代表的实际场景图片。
4.根据权利要求3所述的垃圾分类模型建模方法，其特征在于，基于所述非均衡样本数据集，对不同类别的实际场景图片采样相同或相近数目的样本，构建所述均衡样本数据集。
5.一种垃圾分类方法，其特征在于，基于权利要求1-4任一项所述的垃圾分类模型，包括以下步骤：
获取实际场景图片，对所述实际场景图片进行预处理；
将预处理后的实际场景图片输入第一分类器网络，得到第一分类结果；
将所述第一分类结果通过感知机网络得到第二分类结果；
对所述第一分类结果和所述第二分类结果进行融合，输出得到垃圾类别。
6.根据权利要求5所述的垃圾分类方法，其特征在于，通过所述感知机网络拟合加权函数对所述第一分类结果进行加权得到所述第二分类结果。
7.根据权利要求6所述的垃圾分类方法，其特征在于，所述预处理为通过目标检测算法将所述实际场景图片中的垃圾进行识别，然后根据垃圾的位置对所述实际场景图片进行裁剪。
8.根据权利要求7所述的垃圾分类方法，其特征在于，对所述第一分类结果和所述第二分类结果进行融合，融合的方式为点乘、相加和进行幂运算中的一种。
CN202111025790.5A 2021-09-07 2021-09-07 垃圾分类模型建模方法、垃圾分类方法 Active CN113610191B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111025790.5A CN113610191B (zh) 2021-09-07 2021-09-07 垃圾分类模型建模方法、垃圾分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111025790.5A CN113610191B (zh) 2021-09-07 2021-09-07 垃圾分类模型建模方法、垃圾分类方法

Publications (2)

Publication Number Publication Date
CN113610191A CN113610191A (zh) 2021-11-05
CN113610191B true CN113610191B (zh) 2023-08-29

Family

ID=78309891

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111025790.5A Active CN113610191B (zh) 2021-09-07 2021-09-07 垃圾分类模型建模方法、垃圾分类方法

Country Status (1)

Country Link
CN (1) CN113610191B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016097746A1 (en) * 2014-12-19 2016-06-23 Mclaren Applied Technologies Limited Biomechanical analysis
CN108875818A (zh) * 2018-06-06 2018-11-23 西安交通大学 基于变分自编码机与对抗网络结合的零样本图像分类方法
CN110097130A (zh) * 2019-05-07 2019-08-06 深圳市腾讯计算机系统有限公司 分类任务模型的训练方法、装置、设备及存储介质
CN110134947A (zh) * 2019-04-17 2019-08-16 中国科学院计算技术研究所 一种基于不平衡多源数据的情感分类方法及系统
CN111091059A (zh) * 2019-11-19 2020-05-01 佛山市南海区广工大数控装备协同创新研究院 一种生活垃圾塑料瓶分类中的数据均衡方法
CN111461190A (zh) * 2020-03-24 2020-07-28 华南理工大学 一种基于深度卷积神经网络的非均衡船舶分类方法
CN112465031A (zh) * 2020-11-27 2021-03-09 江苏云从曦和人工智能有限公司 数据分类方法、装置以及计算机可读存储介质
CN112766379A (zh) * 2021-01-21 2021-05-07 中国科学技术大学 一种基于深度学习多权重损失函数的数据均衡方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2018269941A1 (en) * 2017-05-14 2019-12-05 Digital Reasoning Systems, Inc. Systems and methods for rapidly building, managing, and sharing machine learning models
US10650286B2 (en) * 2017-09-07 2020-05-12 International Business Machines Corporation Classifying medical images using deep convolution neural network (CNN) architecture

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016097746A1 (en) * 2014-12-19 2016-06-23 Mclaren Applied Technologies Limited Biomechanical analysis
CN108875818A (zh) * 2018-06-06 2018-11-23 西安交通大学 基于变分自编码机与对抗网络结合的零样本图像分类方法
CN110134947A (zh) * 2019-04-17 2019-08-16 中国科学院计算技术研究所 一种基于不平衡多源数据的情感分类方法及系统
CN110097130A (zh) * 2019-05-07 2019-08-06 深圳市腾讯计算机系统有限公司 分类任务模型的训练方法、装置、设备及存储介质
CN111091059A (zh) * 2019-11-19 2020-05-01 佛山市南海区广工大数控装备协同创新研究院 一种生活垃圾塑料瓶分类中的数据均衡方法
CN111461190A (zh) * 2020-03-24 2020-07-28 华南理工大学 一种基于深度卷积神经网络的非均衡船舶分类方法
CN112465031A (zh) * 2020-11-27 2021-03-09 江苏云从曦和人工智能有限公司 数据分类方法、装置以及计算机可读存储介质
CN112766379A (zh) * 2021-01-21 2021-05-07 中国科学技术大学 一种基于深度学习多权重损失函数的数据均衡方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于CEEMDAN方法和灰色模糊聚类的汇率预测研究;陈黎明等;《重庆理工大学学报(社会科学)》;全文 *

Also Published As

Publication number Publication date
CN113610191A (zh) 2021-11-05

Similar Documents

Publication Publication Date Title
CN111353413B (zh) 一种输电设备低漏报率缺陷识别方法
CN109166094B (zh) 一种基于深度学习的绝缘子故障定位识别方法
CN110059694B (zh) 电力行业复杂场景下的文字数据的智能识别方法
CN107609525B (zh) 基于剪枝策略构建卷积神经网络的遥感图像目标检测方法
CN108038846A (zh) 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统
CN110309331A (zh) 一种基于自监督的跨模态深度哈希检索方法
CN109325547A (zh) 非机动车图像多标签分类方法、系统、设备及存储介质
CN110084165A (zh) 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法
CN107341523A (zh) 基于深度学习的快递单信息识别方法和系统
CN109902202B (zh) 一种视频分类方法及装置
CN109767422A (zh) 基于深度学习的管道检测识别方法、存储介质及机器人
CN109801265B (zh) 一种基于卷积神经网络的实时输电设备异物检测系统
CN111652835A (zh) 基于深度学习与聚类的输电线路绝缘子缺失的检测方法
CN110929848A (zh) 基于多挑战感知学习模型的训练、跟踪方法
CN104809469A (zh) 一种面向服务机器人的室内场景图像分类方法
CN112270681B (zh) 一种黄板害虫深度检测与计数方法与系统
CN112364721A (zh) 一种道面异物检测方法
CN109583499B (zh) 一种基于无监督sdae网络的输电线路背景目标分类系统
CN116385958A (zh) 一种用于电网巡检和监控的边缘智能检测方法
CN115761537B (zh) 一种面向动态特征补充机制的输电线路异物入侵识别方法
CN112749675A (zh) 一种基于卷积神经网络的马铃薯病害识别方法
CN112395953A (zh) 一种道面异物检测系统
CN116977937A (zh) 一种行人重识别的方法及系统
CN111860117A (zh) 一种基于深度学习的人体行为识别方法
CN114329031A (zh) 一种基于图神经网络和深度哈希的细粒度鸟类图像检索方法

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
CB03 Change of inventor or designer information

Inventor after: Wan Lihong

Inventor after: Lin Jie

Inventor after: Yuan Ye

Inventor after: Zhang Zeyang

Inventor after: Lv Dongliang

Inventor before: Yuan Ye

Inventor before: Wan Lihong

Inventor before: Zhang Zeyang

Inventor before: Lv Dongliang

CB03 Change of inventor or designer information
CP03 Change of name, title or address

Address after: 2nd Floor, Block C, Zhongyuan Science and Technology City Innovation Incubation Base, at the intersection of Sanquan Road and Longyuan Fourth Street, Zhengzhou Area (Zhengdong), Henan Free Trade Pilot Zone, Zhengzhou City, Henan Province, 450000

Patentee after: Zhongyuan power intelligent robot Co.,Ltd.

Country or region after: China

Address before: 1601, 16th floor, Henan enterprise United building, Shangxian street, Mingli Road, Zhengdong New District, Zhengzhou City, Henan Province

Patentee before: Zhongyuan power intelligent robot Co.,Ltd.

Country or region before: China

CP03 Change of name, title or address