CN113850027A - 一种基于设计图纸智能识别的干式变压器制造方法及系统 - Google Patents
一种基于设计图纸智能识别的干式变压器制造方法及系统 Download PDFInfo
- Publication number
- CN113850027A CN113850027A CN202111436142.9A CN202111436142A CN113850027A CN 113850027 A CN113850027 A CN 113850027A CN 202111436142 A CN202111436142 A CN 202111436142A CN 113850027 A CN113850027 A CN 113850027A
- Authority
- CN
- China
- Prior art keywords
- design drawing
- denoising
- network
- training
- similarity
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F18/22—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
Abstract
本发明涉及变压器设备制造技术领域,具体涉及一种基于设计图纸智能识别的干式变压器制造方法及系统。该方法通过图像重构网络输出与训练设计图纸属于同个类别但内容存在差异的对比设计图纸,图像重构网络通过计算相对于模板图像的相似度构建第一损失函数进行图像重构。利用训练设计图纸和对比设计图纸作为去噪网络的训练数据,通过去噪网络对目标设计图纸进行去噪,获得目标去噪设计图纸。根据目标去噪设计图纸的模板匹配结果对变压器制造过程进行指导。本发明实现了对变压器设计图数据量的扩充,通过高质量的数据量训练出效果出色的去噪网络。
Description
技术领域
本发明涉及变压器设备制造技术领域,具体涉及一种基于设计图纸智能识别的干式变压器制造方法及系统。
背景技术
现有的设备智能制造系统的关键技术主要包括设计端的设计图纸智能识别以及制造端的设备参数智能识别。对于设计图纸的智能识别,现有技术通常采用模板匹配的方式实现。即通过设计图纸与模板图纸的匹配,确定出设计图纸信息,用于变压器制作。
在模板匹配过程中,因为设计图纸经过数据的压缩容易出现模糊、遗漏或额外噪声的影响,导致匹配过程难以识别出图纸中的细节差异,获得的设计图纸信息不完全,或者误匹配导致设计图纸信息错误。
可通过去噪网络进行去噪操作去除设计图纸中的噪声,优化模板匹配效果。去噪网络可通过输入的设计图纸中的噪声信息自适应的进行去噪操作,但是因为变压器的类别多种多样,去噪网络所需的训练数据难以获得,过少的训练数据会导致网络准确率低,去噪效果差。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于设计图纸智能识别的干式变压器制造方法及系统,所采用的技术方案具体如下:
本发明提出了一种基于设计图纸智能识别的干式变压器制造方法,所述方法包括:
获得训练设计图纸;以所述训练设计图纸作为图像重构网络的训练数据;所述图像重构网络输入数据为所述训练设计图纸,输出数据为对比设计图纸;所述图像重构网络中包括相似度计算网络分支;所述相似度计算网络分支中包含预设模板图纸,输出为所述训练设计图纸和所述对比设计图纸的类别、所述训练设计图纸与对应的所述模板图纸的第一相似度、所述对比设计图纸与对应的所述模板图纸的第二相似度和所述训练设计图纸和所述对比设计图纸的第三相似度;根据所述训练设计图纸和所述对比设计图纸的类别差异、所述第一相似度与所述第二相似度的差异和所述第三相似度构建所述图像重构网络的第一损失函数;
以所述训练设计图纸和所述对比设计图纸作为去噪网络的训练数据;所述去噪网络输出为去噪设计图纸;
将目标设计图纸输入所述去噪网络中,获得目标去噪设计图纸;对所述目标去噪设计图纸进行模板匹配,获得设计图纸信息;根据所述设计图纸信息对变压器制造过程进行指导。
进一步地,所述图像重构网络包括重构编码器和重构解码器;所述重构编码器提取所述训练设计图纸的第一特征;所述重构解码器根据所述第一特征输出所述对比设计图纸。
进一步地,所述相似度计算网络分支采用孪生网络结构。
进一步地,所述相似度计算网络分支中包含预设模板图纸还包括:
通过所述孪生网络结构提取所述模板图像的第二特征,将所述第二特征存储至所述相似度计算网络分支中。
进一步地,所述根据所述训练设计图纸和所述对比设计图纸的类别差异、所述第一相似度与所述第二相似度的差异和所述第三相似度构建所述图像重构网络的第一损失函数包括:
进一步地,所述去噪网络包括:
所述去噪网络包含第一去噪分支和特征提取分支;所述第一去噪分支包括加噪编码器和去噪解码器;所述加噪编码器处理所述训练设计图纸,输出第三特征;所述去噪解码器处理所述第三特征,输出所述去噪设计图纸;
所述特征提取分支包括特征提取编码器,所述特征提取编码器与所述加噪编码器参数共享;所述特征提取编码器处理所述对比设计图纸,输出第四特征;以所述第四特征和第三特征的余弦相似度作为所述特征提取分支的第二损失函数。
进一步地,所述将目标设计图纸输入所述去噪网络中包括:
将所述目标设计图纸输入所述特征提取编码器中,输出目标特征;将所述目标特征输入所述去噪解码器中,输出所述目标去噪设计图纸。
本发明提出了一种基于设计图纸智能识别的干式变压器制造系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现任意一项所述一种基于设计图纸智能识别的干式变压器制造方法的步骤。
本发明具有如下有益效果:
本发明实施例使用图像重构网络扩充数据量。输出的对比设计图纸即能够模拟噪声扩充数据量,又通过损失函数中的第三相似度保证了对比设计图纸与训练设计图纸的差异,提高了数据量的质量。通过对数据量的扩充,给去噪网络提供了足够的训练样本,保证了去噪网络训练的有效性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅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它附图。
图1为本发明一个实施例所提供的一种基于设计图纸智能识别的干式变压器制造方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于设计图纸智能识别的干式变压器制造方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于设计图纸智能识别的干式变压器制造方法及系统的具体方案。
对于干式变压器制造系统,以下简称制造系统。制造系统主要分为设计图纸智能识别子模块、变压器制造子模块和变压器参数智能识别子模块。设计图纸智能识别子模块用于通过变压器设计图获得在设计图纸中所需制造的变压器的一些理论参数。通过理论参数指导变压器制造子模块进行制造,最终经过变压器参数智能识别子模块获取制造后的变压器参数进行验证。本发明实施例旨在提高设计图纸智能识别子模块的信息识别质量,因此对于其他两个子模块不在赘述其相应内容。
请参阅图1,其示出了本发明一个实施例提供的一种基于设计图纸智能识别的干式变压器制造方法流程图,该方法包括:
步骤S1:获得训练设计图纸;以训练设计图纸作为图像重构网络的训练数据;图像重构网络输入数据为训练设计图纸,输出数据为对比设计图纸。
为了保证数据量的质量,训练设计图纸选用清晰的设计图纸,且由专业的工作人员进行选取,保证数据的准确性。
以训练设计图纸作为图像重构网络的训练数据,图像重构网络的训练方式为无监督训练,即无需标签数据,具体训练过程包括:
采用多张人为选取尺寸相同的训练设计图纸作为训练数据。
图像重构网络包括重构变啊闷气和重构解码器。重构编码器提取训练设计图纸的第一特征。重构解码器根据第一特征输出对比设计图纸。需要说明的是,输出的对比设计图纸的尺寸与输入的训练设计图纸尺寸相同。
图像重构网络还包括相似度计算网络分支,相似度计算网络分支中包含预设模板图纸,输出为训练设计图纸和对比设计图纸的类别、训练设计图纸与对应的模板图纸的第一相似度、对比设计图纸与对应的模板图纸的第二相似度和训练设计图纸和对比设计图纸的第三相似度。需要说明的是,训练设计图纸和对比设计图纸的类别是根据第一相似度和第二相似度进行判定的,即训练设计图纸和对比设计图纸与哪个模板图像越相似,则对应的类别为该模板图像的类别。模板图像的类别可根据具体实施过程中,制造系统可制造的干式变压器类别进行选用,例如三相干式降压变压器、三相干式隔离变压器等等,每个模板图像对应一个类别,具体类别在此不做限定。
优选的,相似度计算网络分支采用孪生网络结构。孪生网络实质是通过衡量样本之间的特征相似度来实现目标样本的分类,因此在孪生网络中输入数据除了目标样本外还包括模板库中的所有种类的模板图像。通过多分支并行方式计算目标样本的相似度并分类。需要说明的是,后续孪生网络输出的相似度都是样本与其类别对应的模板图像的相似度,与其他模板图像的相似度不再考虑。
在本发明实施例中,相似度计算网络分支训练方法具体包括:
优选的,孪生网络训练结束后,可通过孪生网络结构提取模板图像的第二特征,将第二特征存储至所述相似度计算网络分支中,节省存储空间的同时还可以提高相似度计算网络分支的推理速度。
进一步,根据训练设计图纸和对比设计图纸的类别差异、第一相似度与第二相似度的差异和第三相似度构建图像重构网络的第一损失函数,第一损失函数的目的在于重构出一个与训练设计图纸类别相同,但是内容不同的对比设计图纸,第一损失函数具体包括:
其中,为所述第一损失函数。为数据调整量,数据调整量为极大正数,在本发明实施例中设置为100,用于确保在训练设计图纸的类别和对比设计图纸的类别不一致时,令损失值足够大。为训练设计图纸的类别。为对比设计图纸的类别。为第一相似度。为第二相似度。为第三相似度。
第一损失函数中,目的在于根据训练设计图纸的类别和对比设计图纸的类别控制损失值,在类别一致时为1,后续仅考虑;在类别不一致时,因为为一个极大正数,因此数据足够大,此时第一损失函数无需考虑后续部分,需要重新进行迭代更新。
第一损失函数中,目的在于在模板图像的基础上,在相似度的层面上进行重构限定。第一相似度和第二相似度的差异越大该项越大,反之该项越小。保证训练设计图纸的类别和对比设计图纸内容在一定范围内存在足够的差异的同时还存在一定的相似。实现了一张训练设计图纸多次输入图像重构网络中可输出多个不同的对比设计图纸。
通过第一损失函数对图像重构网络的约束,保证了图像重构网络可以输出一张与训练设计图纸类别一致内容存在差异的对比设计图像。通过多次输入图像重构网络可输出多张不同的对比设计图像,用于模拟多种情况下的噪声影响,提高了数据量的质量。
步骤S2:以训练设计图纸和对比设计图纸作为去噪网络的训练数据;去噪网络输出为去噪设计图纸。
通过步骤S1可获得高质量的数据量,以训练设计图纸和对比设计图纸作为去噪网络的训练数据可训练出针对不同类别的干式变压器设计图纸的去噪网络。
优选的,去噪网络包括:
去噪网络包含第一去噪分支和特征提取分支。第一去噪分支包括加噪编码器和去噪解码器。加噪编码器处理训练设计图纸,输出第三特征。去噪解码器处理第三特征,输出去噪设计图纸。需要说明的是,第一去噪分支的损失函数可使用常规的去噪网络重构损失函数,在此不做限定。
特征提取分支包括特征提取编码器,特征提取编码器与加噪编码器参数共享。特征提取编码器处理对比设计图纸,输出第四特征。以第四特征和第三特征的余弦相似度作为特征提取分支的第二损失函数。
第一去噪分支通过加噪编码器在清晰的训练设计图纸上添加噪声并提取可以有效进行去噪操作的第三特征。特征提取分支通过利用与加噪编码器参数共享的特征提取编码器学习直接提取进行有效去噪操作的第四特征。去噪网络采用两个分支的结构从特征层面上进行监督,使网络不仅能够针对不同类别的变压器设计图的去噪操作还能够学习提取出更有效的特征,便于后续使用。
步骤S3:将目标设计图纸输入去噪网络中,获得目标去噪设计图纸;对目标去噪设计图纸进行模板匹配,获得设计图纸信息;根据设计图纸信息对变压器制造过程进行指导。
目标设计图纸即需要制造系统执行智能化生产的干式变压器的设计图纸,目标设计图纸在去噪网络中的具体处理过程包括:
将目标设计图纸输入特征提取编码器中,输出目标特征;将目标特征输入去噪解码器中,输出目标去噪设计图纸。
通过去噪网络输出信息清晰完整的目标去噪设计图纸。可根据目标去噪设计图纸对模板图像进行模板匹配,获得设计图纸信息。其中设计图纸信息例如目标设计图纸的类别,各个视图中的尺寸,各种孔的位置和孔径,各部件的连接方式等等,可根据设计图纸信息对后续的变压器制造过程进行指导。
综上所述,本发明实施例通过图像重构网络输出与训练设计图纸属于同个类别,但是内容存在差异的对比设计图纸,图像重构网络通过计算相对于模板图像的相似度构建第一损失函数进行图像重构。利用训练设计图纸和对比设计图纸作为去噪网络的训练数据,通过去噪网络对目标设计图纸进行去噪,获得目标去噪设计图纸。根据目标去噪设计图纸的模板匹配结果对变压器制造过程进行指导。本发明实施例实现了对变压器设计图数据量的扩充,通过高质量的数据量训练出效果出色的去噪网络。
本发明提出了一种基于设计图纸智能识别的干式变压器制造系统,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现任意一项一种基于设计图纸智能识别的干式变压器制造方法的步骤。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于设计图纸智能识别的干式变压器制造方法,其特征在于,所述方法包括:
获得训练设计图纸;以所述训练设计图纸作为图像重构网络的训练数据;所述图像重构网络输入数据为所述训练设计图纸,输出数据为对比设计图纸;所述图像重构网络中包括相似度计算网络分支;所述相似度计算网络分支中包含预设模板图纸,输出为所述训练设计图纸和所述对比设计图纸的类别、所述训练设计图纸与对应的所述模板图纸的第一相似度、所述对比设计图纸与对应的所述模板图纸的第二相似度和所述训练设计图纸和所述对比设计图纸的第三相似度;根据所述训练设计图纸和所述对比设计图纸的类别差异、所述第一相似度与所述第二相似度的差异和所述第三相似度构建所述图像重构网络的第一损失函数;
以所述训练设计图纸和所述对比设计图纸作为去噪网络的训练数据;所述去噪网络输出为去噪设计图纸;
将目标设计图纸输入所述去噪网络中,获得目标去噪设计图纸;对所述目标去噪设计图纸进行模板匹配,获得设计图纸信息;根据所述设计图纸信息对变压器制造过程进行指导。
2.根据权利要求1所述的一种基于设计图纸智能识别的干式变压器制造方法,其特征在于,所述图像重构网络包括重构编码器和重构解码器;所述重构编码器提取所述训练设计图纸的第一特征;所述重构解码器根据所述第一特征输出所述对比设计图纸。
3.根据权利要求1所述的一种基于设计图纸智能识别的干式变压器制造方法,其特征在于,所述相似度计算网络分支采用孪生网络结构。
4.根据权利要求3所述的一种基于设计图纸智能识别的干式变压器制造方法,其特征在于,所述相似度计算网络分支中包含预设模板图纸还包括:
通过所述孪生网络结构提取所述模板图像的第二特征,将所述第二特征存储至所述相似度计算网络分支中。
6.根据权利要求1所述的一种基于设计图纸智能识别的干式变压器制造方法,其特征在于,所述去噪网络包括:
所述去噪网络包含第一去噪分支和特征提取分支;所述第一去噪分支包括加噪编码器和去噪解码器;所述加噪编码器处理所述训练设计图纸,输出第三特征;所述去噪解码器处理所述第三特征,输出所述去噪设计图纸;
所述特征提取分支包括特征提取编码器,所述特征提取编码器与所述加噪编码器参数共享;所述特征提取编码器处理所述对比设计图纸,输出第四特征;以所述第四特征和第三特征的余弦相似度作为所述特征提取分支的第二损失函数。
7.根据权利要求6所述的一种基于设计图纸智能识别的干式变压器制造方法,其特征在于,所述将目标设计图纸输入所述去噪网络中包括:
将所述目标设计图纸输入所述特征提取编码器中,输出目标特征;将所述目标特征输入所述去噪解码器中,输出所述目标去噪设计图纸。
8.一种基于设计图纸智能识别的干式变压器制造系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~7任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111436142.9A CN113850027B (zh) | 2021-11-30 | 2021-11-30 | 一种基于设计图纸智能识别的干式变压器制造方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111436142.9A CN113850027B (zh) | 2021-11-30 | 2021-11-30 | 一种基于设计图纸智能识别的干式变压器制造方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113850027A true CN113850027A (zh) | 2021-12-28 |
CN113850027B CN113850027B (zh) | 2022-03-01 |
Family
ID=78982270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111436142.9A Active CN113850027B (zh) | 2021-11-30 | 2021-11-30 | 一种基于设计图纸智能识别的干式变压器制造方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113850027B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934275A (zh) * | 2019-03-05 | 2019-06-25 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN111368757A (zh) * | 2020-03-09 | 2020-07-03 | 广联达科技股份有限公司 | 面向机器学习的柱大样建筑图纸图层分类方法及系统 |
CN111881809A (zh) * | 2020-07-23 | 2020-11-03 | 广联达科技股份有限公司 | 基于cad图纸的图元识别方法和识别装置 |
CN112487513A (zh) * | 2020-12-11 | 2021-03-12 | 广东电网有限责任公司 | 一种用于设计方案图纸整合推优的方法、装置和系统 |
CN113159158A (zh) * | 2021-04-16 | 2021-07-23 | 西安建筑科技大学 | 一种基于生成对抗网络的车牌矫正与重构方法及系统 |
CN113222167A (zh) * | 2020-02-06 | 2021-08-06 | 浙江大学 | 一种图像处理方法及其装置 |
US20210287089A1 (en) * | 2020-03-14 | 2021-09-16 | DataRobot, Inc. | Automated and adaptive design and training of neural networks |
-
2021
- 2021-11-30 CN CN202111436142.9A patent/CN113850027B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934275A (zh) * | 2019-03-05 | 2019-06-25 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN113222167A (zh) * | 2020-02-06 | 2021-08-06 | 浙江大学 | 一种图像处理方法及其装置 |
CN111368757A (zh) * | 2020-03-09 | 2020-07-03 | 广联达科技股份有限公司 | 面向机器学习的柱大样建筑图纸图层分类方法及系统 |
US20210287089A1 (en) * | 2020-03-14 | 2021-09-16 | DataRobot, Inc. | Automated and adaptive design and training of neural networks |
CN111881809A (zh) * | 2020-07-23 | 2020-11-03 | 广联达科技股份有限公司 | 基于cad图纸的图元识别方法和识别装置 |
CN112487513A (zh) * | 2020-12-11 | 2021-03-12 | 广东电网有限责任公司 | 一种用于设计方案图纸整合推优的方法、装置和系统 |
CN113159158A (zh) * | 2021-04-16 | 2021-07-23 | 西安建筑科技大学 | 一种基于生成对抗网络的车牌矫正与重构方法及系统 |
Non-Patent Citations (3)
Title |
---|
ÖMER KIRBIYIK等: "Comparison of Deep Generative Models for the Generation of Handwritten Character Images", 《IEEE》 * |
宋小鸿: "工程图纸的关键信息智能提取技术", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
宋晓宇等: "基于拓扑结构的工程图纸识别方法", 《沈阳建筑大学学报(自然科学版)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113850027B (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102020112347A1 (de) | Verfahren und einrichtungen zum automatischen erzeugen von code für grafische benutzeroberflächen | |
CN112634296B (zh) | 门机制引导边缘信息蒸馏的rgb-d图像语义分割方法及终端 | |
CN110264407B (zh) | 图像超分辨模型训练及重建方法、装置、设备及存储介质 | |
CN114332466B (zh) | 图像语义分割网络持续学习方法、系统、设备及存储介质 | |
CN110874591B (zh) | 一种图像定位方法、装置、设备及存储介质 | |
DE102021004562A1 (de) | Abwandlung von Szenengraphen auf Grundlage von Befehlen in natürlicher Sprache | |
DE102022106057A1 (de) | Authentifikatorintegriertes generatives adversariales netzwerk (gan) zur sicheren deepfake-erzeugung | |
CN112164008A (zh) | 图像数据增强网络的训练方法及其训练装置、介质和设备 | |
WO2023173884A1 (zh) | 一种高光谱特征提取方法、装置及存储介质 | |
CN111476272A (zh) | 一种基于结构约束对称低秩保留投影的降维方法 | |
CN106803105B (zh) | 一种基于稀疏表示字典学习的图像分类方法 | |
CN105338219A (zh) | 视频图像去噪处理方法和装置 | |
WO2022143811A1 (zh) | 一种生存力评估方法、装置、评估设备及存储介质 | |
CN113299298B (zh) | 残差单元及网络及目标识别方法及系统及装置及介质 | |
CN113850027B (zh) | 一种基于设计图纸智能识别的干式变压器制造方法及系统 | |
CN112686830B (zh) | 基于图像分解的单一深度图的超分辨率方法 | |
CN113762396A (zh) | 一种二维图像语义分割方法 | |
CN113688882A (zh) | 一种记忆增强的连续学习神经网络模型的训练方法及装置 | |
CN111325212A (zh) | 模型训练方法、装置、电子设备和计算机可读存储介质 | |
CN113761282B (zh) | 视频查重方法、装置、电子设备以及存储介质 | |
CN115204318A (zh) | 事件自动层级分类方法及电子设备 | |
CN114359633A (zh) | 高光谱图像聚类方法、装置、电子设备及存储介质 | |
CN112446345A (zh) | 一种低质量三维人脸识别方法、系统、设备和存储介质 | |
CN113269282A (zh) | 一种基于自动编码器的无监督图像分类方法 | |
CN111832596A (zh) | 数据处理方法、电子设备及计算机可读介质 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A dry-type transformer manufacturing method and system based on intelligent identification of design drawings Effective date of registration: 20220921 Granted publication date: 20220301 Pledgee: China Postal Savings Bank Limited by Share Ltd. Wenshang County sub branch Pledgor: SHANDONG HUASHANG ELECTRIC Co.,Ltd. Registration number: Y2022980015749 |