CN115222983A - 一种电缆破损检测方法及系统 - Google Patents

一种电缆破损检测方法及系统 Download PDF

Info

Publication number
CN115222983A
CN115222983A CN202210697106.6A CN202210697106A CN115222983A CN 115222983 A CN115222983 A CN 115222983A CN 202210697106 A CN202210697106 A CN 202210697106A CN 115222983 A CN115222983 A CN 115222983A
Authority
CN
China
Prior art keywords
cable
neural network
predicted
convolutional neural
damage
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
Application number
CN202210697106.6A
Other languages
English (en)
Inventor
李宁
陈强
丁腾
孔健
孔德强
任召放
孔哲
钱成
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.)
Qufu Power Supply Co Of State Grid Shandong Electric Power Co
State Grid Corp of China SGCC
Jining Power Supply Co
Original Assignee
Qufu Power Supply Co Of State Grid Shandong Electric Power Co
State Grid Corp of China SGCC
Jining Power Supply Co
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 Qufu Power Supply Co Of State Grid Shandong Electric Power Co, State Grid Corp of China SGCC, Jining Power Supply Co filed Critical Qufu Power Supply Co Of State Grid Shandong Electric Power Co
Priority to CN202210697106.6A priority Critical patent/CN115222983A/zh
Publication of CN115222983A publication Critical patent/CN115222983A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及电力设施检测技术领域，提供了一种电缆破损检测方法及系统，包括：获取待检测电缆的图像；将待检测电缆的图像输入训练好的卷积神经网络，得到待检测电缆的破损类别；其中，卷积神经网络的损失函数为类内距离度量和类间距离度量的比值与交叉熵损失函数的和，使用该损失函数训练出的破损检测模型，能够使得类内距离尽可能的小、类间距离尽可能的大，有效解决了线缆图像的特征差异较小，造成的分类困难的问题。

Description

一种电缆破损检测方法及系统
技术领域
本发明属于电力设施检测技术领域，尤其涉及一种电缆破损检测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
基于电缆图像进行电力电缆的表面破损的检测是一种新型的电缆异常检测方法，这种方法相对人工检测，具有高效、可靠的特点。
但是，现有的基于神经网络和电缆图像的电缆破损检测方法，由于不同类别的电缆破损之间，图像的差异较小，采用常规的损失函数很难训练出满意的电缆破损检测模型；而且，训练数据大都采用人工标注的方法，难免存在噪声，造成训练出的检测模型精度较差，因此，现有的电缆破损检测方法的精度较差。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种电缆破损检测方法及系统，将类内距离度量和类间距离度量加入损失函数，使用该损失函数训练出的破损检测模型，能够使得类内距离尽可能的小、类间距离尽可能的大，有效解决了线缆图像的特征差异较小，造成的分类困难的问题。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种电缆破损检测方法，其包括：
获取待检测电缆的图像；
将待检测电缆的图像输入训练好的卷积神经网络，得到待检测电缆的破损类别；
其中，卷积神经网络的损失函数为类内距离度量和类间距离度量的比值与交叉熵损失函数的和。
进一步地，所述卷积神经网络的训练过程具体为：
(1)获取训练集；
(2)初始化迭代次数和卷积神经网络的参数；
(3)将训练集中的每一张电缆图像输入卷积神经网络，得到最后一层全连接层输出的特征，并预测出每一张电缆图像的破损类别；
(4)基于特征、真实破损类别和预测得到的破损类别，计算损失函数，判断是否达到终止条件，若是，得到训练好的卷积神经网络；否则，基于损失函数，修正卷积神经网络的参数，并返回步骤(3)。
进一步地，所述卷积神经网络包括若干层依次连接的卷积层，每个卷积层后连接一个池化层，最后一层池化层后连接若干层全连接层，最后一层全连接层连接softmax层。
进一步地，所述类内距离度量为:
Figure BDA0003703083550000021
Figure BDA0003703083550000022
其中，C表示破损类别的个数，nc表示预测得到的第c个破损类别中包含的电缆图像的数量，xci为第c个预测得到的破损类别中第i个电缆图像的特征，
Figure BDA0003703083550000023
表示预测得到的第c个破损类别的中心点，
Figure BDA0003703083550000024
表示预测得到的第c个破损类别的类内距离均值，d()表示距离函数。
进一步地，所述类间距离度量为：
Figure BDA0003703083550000031
其中，C表示破损类别的个数，
Figure BDA0003703083550000032
表示预测得到的第p个破损类别的中心点，d()表示距离函数。
本发明的第二个方面提供一种电缆破损检测系统，其包括：
图像获取模块，其被配置为：获取待检测电缆的图像；
检测模块，其被配置为：将待检测电缆的图像输入训练好的卷积神经网络，得到待检测电缆的破损类别；
其中，卷积神经网络的损失函数为类内距离度量和类间距离度量的比值与交叉熵损失函数的和。
进一步地，所述类内距离度量为:
Figure BDA0003703083550000033
Figure BDA0003703083550000034
其中，C表示破损类别的个数，nc表示预测得到的第c个破损类别中包含的电缆图像的数量，xci为第c个预测得到的破损类别中第i个电缆图像的特征，
Figure BDA0003703083550000035
表示预测得到的第c个破损类别的中心点，
Figure BDA0003703083550000036
表示预测得到的第c个破损类别的类内距离均值，d()表示距离函数。
进一步地，所述类间距离度量为：
Figure BDA0003703083550000037
其中，C表示破损类别的个数，
Figure BDA0003703083550000041
表示预测得到的第p个破损类别的中心点，d()表示距离函数。
本发明的第三个方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的一种电缆破损检测方法中的步骤。
本发明的第四个方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的一种电缆破损检测方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明提供了一种电缆破损检测方法，其将类内距离度量和类间距离度量加入损失函数，使用该损失函数训练出的破损检测模型，能够使得类内距离尽可能的小、类间距离尽可能的大，有效解决了线缆图像的特征差异较小，造成的分类困难的问题。
本发明提供了一种电缆破损检测方法，其在计算类内距离度量时，采用了arctan函数，使得靠近类中心点的图像发挥更大的作用，进而忽略距离类中心点更远的样本点，有效避免了训练集中的噪声点的影响，进而提高了模型的对线缆破损的检测精度。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例一的卷积神经网络结构图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
本实施例提供了一种电缆破损检测方法，具体包括以下步骤：
步骤1、获取待检测电缆的图像；
步骤2、将待检测电缆的图像输入训练好的卷积神经网络，得到待检测电缆的破损类别。
其中，破损类别包括正常、电缆变形、化学腐蚀、机械损伤(例如擦伤、划伤等)和其他类别。
卷积神经网络的训练过程具体为：
(1)获取若干张电缆图像，并通过人工标注的方法，得到每张电缆图像所属的真实破损类别，进而得到训练集；
(2)初始化迭代次数和卷积神经网络的参数；
(3)将训练集中的每一张电缆图像输入卷积神经网络，得到最后一层全连接层输出的特征，并预测出每一张电缆图像的破损类别；
(4)基于特征、真实破损类别和预测得到的破损类别，计算损失函数，判断是否达到终止条件，若是，得到最后一次迭代得到的卷积神经网络的参数，即得到训练好的卷积神经网络(即，破损检测模型)；否则，基于损失函数，修正卷积神经网络的参数，并返回步骤(3)，具体的，根据损失函数的导数，沿梯度最小方向将误差回传至卷积神经网络，修正卷积神经网络的参数。
其中，卷积神经网络包括若干层依次连接的卷积层，每个卷积层都存在一个激活函数，每个卷积层输出一个特征图；每个卷积层后连接一个池化层；最后一层池化层后连接若干层全连接层；最后一层全连接层连接softmax层，最后一层全连接层输出的特征图，经过softmax层，预测得到电缆图像的破损类别。
如图1所示，本实施例的卷积神经网络包含两层卷积层、两层池化层和三成全连接层。
具体的，损失函数为类内距离度量和类间距离度量的比值与交叉熵损失函数的和：
L＝L1+L2
其中，L1为交叉熵损失函数，L2为类内距离度量和类间距离度量的比值。
Figure BDA0003703083550000061
其中，C表示破损类别的个数，在本实施例中取值为5；N表示训练集中电缆图像的数量；ync的值为0或1，当第n个电缆图像的真实破损类别为第c个破损类别时，取值为1，否则取值为0；
Figure BDA0003703083550000062
的值为卷积神经网络预测得到第n个电缆图像属于第c个破损类别的概率。
L2为类内距离度量LR和类间距离度量LW的比值：
Figure BDA0003703083550000063
类内距离度量LR为：
Figure BDA0003703083550000071
类间距离度量LW为：
Figure BDA0003703083550000072
Figure BDA0003703083550000073
其中，nc表示预测得到的第c个破损类别中包含的电缆图像的数量，xci为第c个预测得到的破损类别中第i个电缆图像的特征，
Figure BDA0003703083550000074
表示预测得到的第p个破损类别的中心点，
Figure BDA0003703083550000075
表示预测得到的第c个破损类别的中心点(可以为预测得到的第c个破损类别中的所有电缆图像的特征的均值)，
Figure BDA0003703083550000076
表示预测得到的第c个破损类别的类内距离均值：
Figure BDA0003703083550000077
其中，d()表示距离函数，具体的，
Figure BDA0003703083550000078
表示xci与
Figure BDA0003703083550000079
之间的欧式距离。本发明将类内距离度量和类间距离度量加入损失函数，使用该损失函数训练出的破损检测模型，能够使得类内距离尽可能的小、类间距离尽可能的大，有效解决了线缆图像的特征差异较小，造成的分类困难的问题；而且，本发明在计算类内距离度量时，采用了arctan函数，使得靠近类中心点的图像发挥更大的作用，进而忽略距离类中心点更远的样本点，有效避免了训练集中的噪声点的影响，进而提高了模型的对线缆破损的检测精度。
实施例二
本实施例提供了一种电缆破损检测系统，其具体包括如下模块：
图像获取模块，其被配置为：获取待检测电缆的图像；
检测模块，其被配置为：将待检测电缆的图像输入训练好的卷积神经网络，得到待检测电缆的破损类别；
其中，卷积神经网络的损失函数为类内距离度量和类间距离度量的比值与交叉熵损失函数的和。
模型训练模块，其被配置为：
(1)获取训练集；
(2)初始化迭代次数和卷积神经网络的参数；
(3)将训练集中的每一张电缆图像输入卷积神经网络，得到最后一层全连接层输出的特征，并预测出每一张电缆图像的破损类别；
(4)基于特征、真实破损类别和预测得到的破损类别，计算损失函数，判断是否达到终止条件，若是，得到训练好的卷积神经网络；否则，基于损失函数，修正卷积神经网络的参数，并返回步骤(3)。
其中，卷积神经网络包括若干层依次连接的卷积层，每个卷积层后连接一个池化层，最后一层池化层后连接若干层全连接层，最后一层全连接层连接softmax层。
其中，类内距离度量为:
Figure BDA0003703083550000081
Figure BDA0003703083550000082
其中，C表示破损类别的个数，nc表示预测得到的第c个破损类别中包含的电缆图像的数量，xci为第c个预测得到的破损类别中第i个电缆图像的特征，
Figure BDA0003703083550000091
表示预测得到的第c个破损类别的中心点，
Figure BDA0003703083550000092
表示预测得到的第c个破损类别的类内距离均值，d()表示距离函数，。
其中，类间距离度量为：
Figure BDA0003703083550000093
其中，C表示破损类别的个数，
Figure BDA0003703083550000094
表示预测得到的第p个破损类别的中心点，d()表示距离函数。
此处需要说明的是，本实施例中的各个模块与实施例一中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的一种电缆破损检测方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的一种电缆破损检测方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (10)

1.一种电缆破损检测方法，其特征在于，包括：
获取待检测电缆的图像；
将待检测电缆的图像输入训练好的卷积神经网络，得到待检测电缆的破损类别；
其中，卷积神经网络的损失函数为类内距离度量和类间距离度量的比值与交叉熵损失函数的和。
2.如权利要求1所述的一种电缆破损检测方法，其特征在于，所述卷积神经网络的训练过程具体为：
(1)获取训练集；
(2)初始化迭代次数和卷积神经网络的参数；
(3)将训练集中的每一张电缆图像输入卷积神经网络，得到最后一层全连接层输出的特征，并预测出每一张电缆图像的破损类别；
(4)基于特征、真实破损类别和预测得到的破损类别，计算损失函数，判断是否达到终止条件，若是，得到训练好的卷积神经网络；否则，基于损失函数，修正卷积神经网络的参数，并返回步骤(3)。
3.如权利要求1所述的一种电缆破损检测方法，其特征在于，所述卷积神经网络包括若干层依次连接的卷积层，每个卷积层后连接一个池化层，最后一层池化层后连接若干层全连接层，最后一层全连接层连接softmax层。
4.如权利要求1所述的一种电缆破损检测方法，其特征在于，所述类内距离度量为:
Figure FDA0003703083540000011
Figure FDA0003703083540000021
其中，C表示破损类别的个数，nc表示预测得到的第c个破损类别中包含的电缆图像的数量，xci为第c个预测得到的破损类别中第i个电缆图像的特征，
Figure FDA0003703083540000022
表示预测得到的第c个破损类别的中心点，
Figure FDA0003703083540000023
表示预测得到的第c个破损类别的类内距离均值，d()表示距离函数。
5.如权利要求1所述的一种电缆破损检测方法，其特征在于，所述类间距离度量为：
Figure FDA0003703083540000024
其中，C表示破损类别的个数，
Figure FDA0003703083540000025
表示预测得到的第p个破损类别的中心点，d()表示距离函数。
6.一种电缆破损检测系统，其特征在于，包括：
图像获取模块，其被配置为：获取待检测电缆的图像；
检测模块，其被配置为：将待检测电缆的图像输入训练好的卷积神经网络，得到待检测电缆的破损类别；
其中，卷积神经网络的损失函数为类内距离度量和类间距离度量的比值与交叉熵损失函数的和。
7.如权利要求6所述的一种电缆破损检测系统，其特征在于，所述类内距离度量为:
Figure FDA0003703083540000026
Figure FDA0003703083540000027
其中，C表示破损类别的个数，nc表示预测得到的第c个破损类别中包含的电缆图像的数量，xci为第c个预测得到的破损类别中第i个电缆图像的特征，
Figure FDA0003703083540000031
表示预测得到的第c个破损类别的中心点，
Figure FDA0003703083540000032
表示预测得到的第c个破损类别的类内距离均值，d()表示距离函数。
8.如权利要求6所述的一种电缆破损检测系统，其特征在于，所述类间距离度量为：
Figure FDA0003703083540000033
其中，C表示破损类别的个数，
Figure FDA0003703083540000034
表示预测得到的第p个破损类别的中心点，d()表示距离函数。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一项所述的一种电缆破损检测方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1-5中任一项所述的一种电缆破损检测方法中的步骤。
CN202210697106.6A 2022-06-20 2022-06-20 一种电缆破损检测方法及系统 Pending CN115222983A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210697106.6A CN115222983A (zh) 2022-06-20 2022-06-20 一种电缆破损检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210697106.6A CN115222983A (zh) 2022-06-20 2022-06-20 一种电缆破损检测方法及系统

Publications (1)

Publication Number Publication Date
CN115222983A true CN115222983A (zh) 2022-10-21

Family

ID=83607660

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210697106.6A Pending CN115222983A (zh) 2022-06-20 2022-06-20 一种电缆破损检测方法及系统

Country Status (1)

Country Link
CN (1) CN115222983A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115420756A (zh) * 2022-11-07 2022-12-02 深圳市志橙半导体材料有限公司 一种碳化硅涂层石墨盘的表面缺陷检测方法及装置
CN116068324A (zh) * 2023-03-16 2023-05-05 国网辽宁省电力有限公司电力科学研究院 一种电缆线路测试方法、系统、设备及介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115420756A (zh) * 2022-11-07 2022-12-02 深圳市志橙半导体材料有限公司 一种碳化硅涂层石墨盘的表面缺陷检测方法及装置
CN116068324A (zh) * 2023-03-16 2023-05-05 国网辽宁省电力有限公司电力科学研究院 一种电缆线路测试方法、系统、设备及介质
CN116068324B (zh) * 2023-03-16 2023-06-20 国网辽宁省电力有限公司电力科学研究院 一种电缆线路测试方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
CN115222983A (zh) 一种电缆破损检测方法及系统
JP6855091B2 (ja) ニューラルネットワーク学習に利用されるオートラベリングされたイメージのうちでラベル検収のためのサンプルイメージを取得する方法、及びそれを利用したサンプルイメージ取得装置
CN113673346B (zh) 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法
CN111753986A (zh) 面向深度学习模型的动态测试方法及其装置
CN112884059B (zh) 一种融合先验知识的小样本雷达工作模式分类方法
CN106779217B (zh) 空气质量检测方法和空气质量检测系统
CN107832789B (zh) 基于平均影响值数据变换的特征加权k近邻故障诊断方法
US20200005084A1 (en) Training method of, and inspection system based on, iterative deep learning system
CN111931601A (zh) 齿轮箱错误类别标签修正系统及方法
CN111401358A (zh) 一种基于神经网络的仪表表盘校正方法
CN114387627A (zh) 基于深度度量学习的小样本无线设备射频指纹识别方法及装置
CN110334478A (zh) 机器设备异常检测模型构建方法、检测方法及模型
CN116612098A (zh) 一种基于图像处理的绝缘子rtv喷涂质量评价方法和装置
CN113763364A (zh) 一种基于卷积神经网络的图像缺陷检测方法
CN115685133A (zh) 自动驾驶车辆的定位方法、控制装置、存储介质及车辆
CN112802011A (zh) 一种基于vgg-bls的风机叶片缺陷检测方法
CN110634198B (zh) 一种基于正多胞体滤波的工业系统分层故障诊断方法
CN116630728A (zh) 基于注意力残差孪生网络的加工精度预测方法
CN114331214A (zh) 基于强化学习的域自适应轴承声纹故障诊断方法及系统
CN114358283A (zh) 气体识别神经网络模型的优化方法及相关设备
CN117969094A (zh) 一种滚动轴承故障诊断方法、装置及系统
Kwak et al. Quantization aware training with order strategy for CNN
CN112800813B (zh) 一种目标识别方法及装置
CN116451131A (zh) 一种基于自监督时间卷积网络的雷达脉冲序列识别方法
CN110750876A (zh) 一种轴承数据模型训练及使用方法

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