CN114692701A - 一种电力设备缺陷的多元图像处理及模式识别方法 - Google Patents
一种电力设备缺陷的多元图像处理及模式识别方法 Download PDFInfo
- Publication number
- CN114692701A CN114692701A CN202210603062.6A CN202210603062A CN114692701A CN 114692701 A CN114692701 A CN 114692701A CN 202210603062 A CN202210603062 A CN 202210603062A CN 114692701 A CN114692701 A CN 114692701A
- Authority
- CN
- China
- Prior art keywords
- image
- partial discharge
- frequency
- sub
- band
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
Description
技术领域
本发明属于电力设备监控技术领域,尤其是一种电力设备缺陷的多元图像处理及模式识别方法。
背景技术
由于GIS(气体绝缘组合电器)设备内部绝缘缺陷的多样性以及不同绝缘类型下表现出的放电现象的差异性,在局部放电研究过程中,判断局部放电放电类型是其中的一个重要研究分支。不同的绝缘缺陷往往对应不同的局部放电信号模式,因此通常通过识别局部放电信号的模式来判断相应的设备绝缘缺陷。随着人工智能等技术的高速发展,模式识别技术在放电类型判断等方面得到越来越广泛的应用。
目前,主流的局部放电检测方法都因为检测设备和检测环境等因素的制约,存在一定的局限性。因此,单一的检测方法下采集的局部放电信号,都可能存在一定程度上的信号缺失。而不完整的信号转化的局部放电模式图谱中包含的局部放电信息也是不完整的。在进行模式识别研究时,信息缺失的图谱在提取特征时,获取到的图谱特征也是不准确的。
由此,如何降低采集局部放电信号中的信号缺失,是十分重要的。
非下采样轮廓波变换(NSCT)不但拥有小波变换的特点还具有多方向,多尺度,各向异性和平移不变性等特点,更适合描述图像的轮廓特征。但是如何将NSCT方法应用于局部放电信号处理中,现有技术尚未涉及。
发明内容
本发明的目的在于克服现有技术的不足,提出一种电力设备缺陷的多元图像处理及模式识别方法,将光学局部放电图谱与特高频局部放电图谱进行图像融合,实现两种方法下局部放电信息的互补。再采用人工神经网络分类器对光电融合局部放电图像进行模式识别,以确定局部放电信号。从而能够及时有效地获取局部放电类型,及时消除隐患,避免重大事故的发生。
本发明解决其技术问题是采取以下技术方案实现的:
一种电力设备缺陷的多元图像处理及模式识别方法,包括以下步骤:
步骤1、采集局部放电信号的PRPD图谱;
步骤3、将步骤2构建的局部放电图谱基于非下采样轮廓波变换进行分解,得到子带图像;
步骤4、将步骤3得到的子带图像进行低频子图融合;
步骤5、将步骤3得到的子带图像进行高频子图融合;
步骤6、选取Tamura纹理特征算法对步骤4和步骤5融合后的子带图像提取纹理特征;
步骤7、选取形状不变矩法中的Hu矩对步骤4和步骤5融合后的子带图像提取形状特征;
步骤8、以光电局部放电融合图像的熵特征代替步骤4和步骤5融合后的子带图像的颜色特征;
步骤9、通过基于经训练的卷积神经网络模型对步骤7和步骤8的特征进行判断,得到待识别的局部放电信号的类型。
而且,所述步骤2的具体实现方法为:根据步骤1采集的PRPD图谱,构建光学局部放电图谱和特高频局部放电图谱,其中,为放电信号的工频相位,u为放电信号的强度,局部放电图谱中的颜色表示绝缘缺陷下局部放电的放电密度。
而且,所述步骤3的具体实现方法为:采用级非下采样金字塔滤波器组将图像分解为高频子带图像和低频子带图像两部分,然后非下采样方向滤波器组将高频子带图像继续分解为个方向的方向子带图像;低频子带图像继续进行下一级非下采样金字塔滤波器组图像分解,非下采样方向滤波器组继续将该级下得到的高频子带图像依次分解为个方向的方向子带图像,重复上述步骤,直至级非下采样金字塔滤波器组分解全部完成,得到一个低频子带图像和个高频子带图像。
而且,所述非下采样金字塔滤波器组包括双通道的非下采样滤波器组:
而且,所述步骤4包括以下步骤:
其中,为特高频局部放电低频子带图像中每一个像素点的加权系数;为光学局部放电低频子带图像中每一个像素点的加权系数;为特高频局部放电低频子带图像在处的像素点,为光学局部放电低频子带图像在处的像素点;为调节系数;
而且,所述步骤5包括以下步骤:
步骤5.4、构造出任意尺度下任意方向上的光电融合高频子带图像:
而且,所述步骤9中深度卷积神经网络模型至少包括1个输入层、1个卷积层及对应的池化层、全连接层以及1个输出分类层;卷积层至少包括6个3×3的卷积核;所述池化层的参数为2,采用最大池化操作;所述全连接层的神经元个数至少为36;所述输入层被配置为适于PRPS格式数据输入;所述输出分类层采用Softmax分类器;步骤9的具体实现方法为:采取主成分分析对光电局部放电融合图像构成的特征空间进行降维,构建模式分类模型,基于所述局部放电信号的数据样本对所述模型进行无监督训练,并利用所述模型所得的模型参数初始化所述卷积神经网络模型的卷积层初始参数;利用BP算法对所述卷积神经网络模型的参数进行迭代更新,得到最优化参数。
本发明的优点和积极效果是:
1、本发明通过获取局部放电信号的PRPD图谱;构建光学局部放电图谱和特高频局部放电图谱;基于非下采样轮廓波变换的局部放电图像融合;基于经训练的卷积神经网络模型确定待识别的局部放电信号的类型,能够及时有效地获取局部放电类型,及时消除隐患,避免重大事故的发生。本发明克服了现有技术在变电站现场GIS的局部放电检测中的不足,一定程度上对单一的检测方法下得到的局部放电图像的放电信息进行了互补,可以获得更高的模式识别正确率,具有更好的识别性能,更适用于大数据平台下的工程应用。
2、本发明通过卷积神经网络模型确定待识别的局部放电信号的类型,因此本发明能够处理于多种数据来源的样本,通过对多源局部放电数据特征映射提取,有效提高了复杂场景局放数据的模式识别准确率,具有更好的泛化能力。
3、本发明通过对光学局部放电图谱与特高频局部放电图谱进行图像融合,实现了对单一的检测方法下得到的局部放电图像的放电信息进行了互补,能够完整保留局部放电的放电信息,相比于单一检测方法下的局部放电图像,进行特征提取时,能够提取到数量更多且质量更高的图像特征。从而优化了局部放电模式识别的识别效果,提高了局部放电模式识别的准确性。
4、本发明采用非下采样轮廓波变换(NSCT)和人工神经网络相结合的识别局部放电信号结合的模式对局部放电信号模式进行识别。其中,基于的非下采样轮廓波变换的图像融合算法(NSCT)不但拥有小波变换的特点还具有多方向,多尺度,各向异性和平移不变性等特点,更适合描述图像的轮廓特征,使融合效果得到大大的提升。
附图说明
图3是本发明的非下采样滤波器结构图;
图4是光学局放图像的NSCT分解低频子带图像;
图5是光学局放图像的NSCT分解高频子带图像;
图6是特高频局放图像的NSCT分解低频子带图像;
图7是特高频局放图像的NSCT分解高频子带图像;
图8是光电融合局部放电低频子带图像;
图9是光电融合局部放电高频子带图像;
图10是本发明的BP神经网络结构图。
具体实施方式
以下结合附图对本发明做进一步详述。
一种电力设备缺陷的多元图像处理及模式识别方法,包括以下步骤:
为了在进行模式识别时能够有效的提取局部放电的相关特征信息,根据步骤1采集的PRPD图谱,如图1和图2所示,构建光学局部放电图谱和特高频局部放电图谱,其中,为放电信号的工频相位,为放电信号的强度,局部放电图谱中的颜色表示绝缘缺陷下局部放电的放电密度。
步骤3、将步骤2构建的局部放电图谱基于非下采样轮廓波变换(NTSC)进行分解,得到子带图像。
非下采样金字塔滤波器组(NSPFB)和非下采样方向滤波器组(NSDFB)是NSCT图像融合方法中的核心结构。采用级非下采样金字塔滤波器组以及个方向的非下采样方向滤波器组分别对特高频和光学二维图谱进行分解。
如图3所示,非下采样金字塔滤波器组由双通道的非下采样滤波器组结构来实现:
本步骤的具体实现方法为:采用级非下采样金字塔滤波器组将图像分解为高频子带图像和低频子带图像两部分,然后非下采样方向滤波器组将高频子带图像继续分解为个方向的方向子带图像;低频子带图像继续进行下一级非下采样金字塔滤波器组图像分解,非下采样方向滤波器组继续将该级下得到的高频子带图像依次分解为个方向的方向子带图像,重复上述步骤,直至级非下采样金字塔滤波器组分解全部完成,得到一个低频子带图像和个高频子带图像。
如图4、图5、图6和图7所示,本实施例根据图像的尺寸,采取了3级非下采样金字塔滤波器组分解以及2个方向的非下采样方向滤波器组分解。
步骤4、将步骤3得到的子带图像进行低频子图融合。图像的低频子图融合目的是尽可能完整的展现图像的轮廓信息,模糊理论能够较好的解决图像的边界,纹理等特征出现的难以用数学语言描述的边界模糊问题。采用模糊逻辑算法作为特高频局部放电图像和光学局部放电图像的低频系数融合算法。
其中,为特高频局部放电低频子带图像中每一个像素点的加权系数;为光学局部放电低频子带图像中每一个像素点的加权系数;为特高频局部放电低频子带图像在处的像素点,为光学局部放电低频子带图像在处的像素点;为调节系数,本实施例中选取1.55;
步骤5、将步骤3得到的子带图像通过平均梯度算法进行高频子图融合。
步骤5.4、构造出任意尺度下任意方向上的光电融合高频子带图像:
如图9所示,依据融合系数获得光电局部放电的低频子带图像和所有的高频子带图像之后,进行NSCT逆变换,即依据相同的路径将所有的系数子图逐层还原。
⑴、粗糙度是纹理特征中最重要的特征,反映了图像像素灰度值的变化速度,图像粗糙度的纹理算法有四个步骤:
计算每个像素点在水平和垂直方向上不重叠领域之间的平均灰度均值差,以此作为该像素点领域均值差值。则水平方向与垂直方向上像素点领域均值差值计算公式为:
选取两个方向中的最大值作为像素点领域均值差值。
对每个像素点计算使领域均值差值达到最大值的k的大小,然后确定像素点最佳领域的大小:
⑵、对比度表征图像的明亮程度,描述了图像的灰度统计分布的情况,对比度的计算方法为:
⑶、图像的方向性描述了图像的像素在水平和垂直方向上的变化量,方向性计算方法为:
计算出每点像素的梯度向量的模值和角度。
构造描述向量角度的统计直方图。将~分为若干个等分区间,直方图就是溶剂每个等分内相应的梯度模值落在该区域的梯度向量数目n,然后建立直方图来表达在图像中的分布情况,记为每个区间内的最大值,为直方图中n最大情况下的值,则图像总体的方向度为:
选取形状不变矩法中的Hu矩对融合后的局部放电图像提取形状特征。
步骤7、选取形状不变矩法中的Hu矩对步骤4和步骤5融合后的子带图像提取形状特征。
步骤9、通过基于经训练的卷积神经网络模型对步骤7和步骤8的特征进行判断,得到待识别的局部放电信号的类型。
本实施例中,如图10所示,深度卷积神经网络模型至少包括1个输入层、1个卷积层及对应的池化层、全连接层以及1个输出分类层;
卷积层至少包括6个3×3的卷积核。
所述池化层的参数为2,采用最大池化操作。
所述全连接层的神经元个数至少为36。
所述输入层被配置为适于PRPS格式数据输入。
所述输出分类层采用Softmax分类器。
激活函数采用Sigmod函数。
步骤9.1、采取主成分分析(PCA)来对光电局部放电融合图像构成的特征空间进行降维。
将原始数据按列组成一个样本矩阵,通常对该样本矩阵进行中心化处理,得到中心化样本矩阵;
求中心化后的样本矩阵的协方差;
求协方差矩阵的特征值和对应的特征向量;
将求出的特征值按从大到小的顺序排列,并将其对应的特征向量按此顺序组合成一个映射矩阵,根据指定的PCA保留的特征个数取出映射矩阵的前n行或者前n列作为最终的映射矩阵;
用映射矩阵对数据进行映射,完成数据降维。
步骤9.2、构建模式分类模型,基于所述局部放电信号的数据样本对所述模型进行无监督训练,并利用所述模型所得的模型参数初始化所述卷积神经网络模型的卷积层初始参数;利用BP算法对所述卷积神经网络模型的参数进行迭代更新,得到最优化参数。
最后,为了验证光电融合局部放电图像对于模式识别的实用性,用BP神经网络分类器对光电融合局部放电图像进行模式识别的同时,也加入光学局部放电图谱和特高频局部放电图谱进行BP神经网络模式识别,对比识别效果。
表1 光电融合局部放电模式识别结果
缺陷类型 | 训练样本数目 | 测试数目 | 神经网络输出 | 准确率 |
自由微粒缺陷 | 105 | 45 | (0,0,0) | 90.3% |
尖端缺陷 | 105 | 45 | (1,0,0) | |
悬浮缺陷 | 105 | 45 | (1,1,0) |
表2 光学局部放电模式识别结果
缺陷类型 | 训练样本数目 | 测试数目 | 神经网络输出 | 准确率 |
自由微粒缺陷 | 105 | 45 | (0,0,0) | 84.3% |
尖端缺陷 | 105 | 45 | (1,0,0) | |
悬浮缺陷 | 105 | 45 | (1,1,0) |
表3 特高频局部放电模式识别结果
缺陷类型 | 训练样本数目 | 测试数目 | 神经网络输出 | 准确率 |
自由微粒缺陷 | 105 | 45 | (0,0,0) | 86.7% |
尖端缺陷 | 105 | 45 | (1,0,0) | |
悬浮缺陷 | 105 | 45 | (1,1,0) |
如表1至表3所示,分别为光电融合、光学和特高频下的模式识别结果。实践证明,本发明在处理待测试样本数据时有更好的识别效果,具有更好的泛化能力。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (10)
1.一种电力设备缺陷的多元图像处理及模式识别方法,其特征在于:包括以下步骤:
步骤1、采集局部放电信号的PRPD图谱;
步骤3、将步骤2构建的局部放电图谱基于非下采样轮廓波变换进行分解,得到子带图像;
步骤4、将步骤3得到的子带图像进行低频子图融合;
步骤5、将步骤3得到的子带图像进行高频子图融合;
步骤6、选取Tamura纹理特征算法对步骤4和步骤5融合后的子带图像提取纹理特征;
步骤7、选取形状不变矩法中的Hu矩对步骤4和步骤5融合后的子带图像提取形状特征;
步骤8、以光电局部放电融合图像的熵特征代替步骤4和步骤5融合后的子带图像的颜色特征;
步骤9、通过基于经训练的卷积神经网络模型对步骤7和步骤8的特征进行判断,得到待识别的局部放电信号的类型。
7.根据权利要求1所述的一种电力设备缺陷的多元图像处理及模式识别方法,其特征在于:所述步骤5包括以下步骤:
步骤5.4、构造出任意尺度下任意方向上的光电融合高频子带图像:
10.根据权利要求1所述的一种电力设备缺陷的多元图像处理及模式识别方法,其特征在于:所述步骤9中深度卷积神经网络模型至少包括1个输入层、1个卷积层及对应的池化层、全连接层以及1个输出分类层;卷积层至少包括6个3×3的卷积核;所述池化层的参数为2,采用最大池化操作;所述全连接层的神经元个数至少为36;所述输入层被配置为适于PRPS格式数据输入;所述输出分类层采用Softmax分类器;步骤9的具体实现方法为:采取主成分分析对光电局部放电融合图像构成的特征空间进行降维,构建模式分类模型,基于所述局部放电信号的数据样本对所述模型进行无监督训练,并利用所述模型所得的模型参数初始化所述卷积神经网络模型的卷积层初始参数;利用BP算法对所述卷积神经网络模型的参数进行迭代更新,得到最优化参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210603062.6A CN114692701A (zh) | 2022-05-31 | 2022-05-31 | 一种电力设备缺陷的多元图像处理及模式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210603062.6A CN114692701A (zh) | 2022-05-31 | 2022-05-31 | 一种电力设备缺陷的多元图像处理及模式识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114692701A true CN114692701A (zh) | 2022-07-01 |
Family
ID=82130967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210603062.6A Pending CN114692701A (zh) | 2022-05-31 | 2022-05-31 | 一种电力设备缺陷的多元图像处理及模式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114692701A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101093580A (zh) * | 2007-08-29 | 2007-12-26 | 华中科技大学 | 一种基于非子采样轮廓波变换的图像融合方法 |
CN108573225A (zh) * | 2018-03-30 | 2018-09-25 | 国网天津市电力公司电力科学研究院 | 一种局部放电信号模式识别方法及系统 |
CN111178388A (zh) * | 2019-12-05 | 2020-05-19 | 上海交通大学 | 基于nsct光电融合图谱的局部放电相位分布检测方法 |
CN112305379A (zh) * | 2019-07-24 | 2021-02-02 | 国网山东省电力公司济南供电公司 | 一种用于gis绝缘缺陷的模式识别方法及系统 |
-
2022
- 2022-05-31 CN CN202210603062.6A patent/CN114692701A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101093580A (zh) * | 2007-08-29 | 2007-12-26 | 华中科技大学 | 一种基于非子采样轮廓波变换的图像融合方法 |
CN108573225A (zh) * | 2018-03-30 | 2018-09-25 | 国网天津市电力公司电力科学研究院 | 一种局部放电信号模式识别方法及系统 |
CN112305379A (zh) * | 2019-07-24 | 2021-02-02 | 国网山东省电力公司济南供电公司 | 一种用于gis绝缘缺陷的模式识别方法及系统 |
CN111178388A (zh) * | 2019-12-05 | 2020-05-19 | 上海交通大学 | 基于nsct光电融合图谱的局部放电相位分布检测方法 |
Non-Patent Citations (1)
Title |
---|
刘佳: "非下采样轮廓波变换应用于多源图像融合研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348399B (zh) | 基于原型学习机制和多维残差网络的高光谱智能分类方法 | |
US7020335B1 (en) | Methods and apparatus for object recognition and compression | |
CN104299232B (zh) | 一种基于自适应窗方向波域和改进fcm的sar图像分割方法 | |
CN110135438B (zh) | 一种基于梯度幅值预运算的改进surf算法 | |
CN109886937B (zh) | 基于超像素分割图像识别的绝缘子缺陷检测方法 | |
CN111080678B (zh) | 一种基于深度学习的多时相sar图像变化检测方法 | |
CN113837974B (zh) | 一种基于改进beeps滤波算法的nsst域电力设备红外图像增强方法 | |
CN110598613B (zh) | 一种高速公路团雾监测方法 | |
CN107610118B (zh) | 一种基于dM的图像分割质量评价方法 | |
CN115131325A (zh) | 一种基于图像识别分析的断路器故障运维监测方法及系统 | |
CN114170103A (zh) | 一种电气设备红外图像增强方法 | |
CN112669249A (zh) | 结合改进nsct变换和深度学习的红外与可见光图像融合方法 | |
Li et al. | Automatic Recognition of Rock Images Based on Convolutional Neural Network and Discrete Cosine Transform. | |
Qi et al. | Research on the image segmentation of icing line based on NSCT and 2-D OSTU | |
CN113421198B (zh) | 一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法 | |
CN116596922B (zh) | 一种太阳能热水器生产质量检测方法 | |
CN117830206A (zh) | 绝缘子覆冰生长检测方法、装置、存储介质 | |
CN111563577B (zh) | 基于Unet的跳跃层分频和多尺度鉴别的本征图像分解方法 | |
CN114692701A (zh) | 一种电力设备缺陷的多元图像处理及模式识别方法 | |
CN111626329B (zh) | 一种基于lda寻优多尺度纹理特征的绝缘管母故障诊断方法 | |
CN117575980A (zh) | 一种电力设备缺陷的多元图像处理及模式识别方法 | |
Dash et al. | Gaussian pyramid based laws' mask descriptor for texture classification | |
Zhijian et al. | Research on Multivariate Image Processing and Pattern Recognition of Power Equipment Failure | |
Serdaroglu et al. | Defect detection in textile fabric images using subband domain subspace analysis | |
Oroumchian | ECEI Spectrogram Denoising and Feature Extraction Using a Multi-Wavelet Convolutional Neural Network Model |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220701 |
|
RJ01 | Rejection of invention patent application after publication |