CN115392320A - 具有防盗功能的变压器及其方法 - Google Patents
具有防盗功能的变压器及其方法 Download PDFInfo
- Publication number
- CN115392320A CN115392320A CN202211092579.XA CN202211092579A CN115392320A CN 115392320 A CN115392320 A CN 115392320A CN 202211092579 A CN202211092579 A CN 202211092579A CN 115392320 A CN115392320 A CN 115392320A
- Authority
- CN
- China
- Prior art keywords
- vibration
- feature map
- feature
- infrared
- map
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000010586 diagram Methods 0.000 claims abstract description 108
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 63
- 238000001514 detection method Methods 0.000 claims abstract description 60
- 230000007246 mechanism Effects 0.000 claims abstract description 24
- 230000009467 reduction Effects 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000004913 activation Effects 0.000 claims description 17
- 239000003638 chemical reducing agent Substances 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 53
- 238000004590 computer program Methods 0.000 description 9
- 238000005065 mining Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 238000007792 addition Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
- G08B13/19—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using infrared-radiation detection systems
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01F—MAGNETS; INDUCTANCES; TRANSFORMERS; SELECTION OF MATERIALS FOR THEIR MAGNETIC PROPERTIES
- H01F27/00—Details of transformers or inductances, in general
- H01F27/40—Structural association with built-in electric component, e.g. fuse
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Burglar Alarm Systems (AREA)
Abstract
本申请涉及变压器技术领域,其具体地公开了一种具有防盗功能的变压器及其方法,其通过使用通道注意力机制的第一卷积神经网络对由红外探测器采集的红外探测回波信号进行特征提取,同时,将由振动传感器采集的振动信号通过自动编码器进行降噪后,再使用第二卷积神经网络进行特征提取,然后,分别计算振动特征图和红外特征图的节俭分解鼓励因数,并以各自的节俭分解鼓励因数作为权重,对两者进行加权融合,最后,将分类特征图通过分类器以得到用于表示是否产生防盗预警提示的分类结果,通过这样的方式,更为准确地基于所述变压器是否被盗的实际情况来进行预警控制,以保证户外变压器的安全性。
Description
技术领域
本申请涉及变压器技术领域,且更为具体地,涉及一种具有防盗功能的变压器及其方法。
背景技术
户外变压器被盗破坏案件常有发生,造成大量经济损失。目前变压器防盗报警装置多为红外探测、震动检测、三相电检测、磁感应检测方式实现,并不能及时可靠的检测变压器的盗取情况并报警。其中,红外检测和震动检测等方法受到外界干扰过于严重,如变压器常年所处的户外环境比较恶劣震动检测常常由于大风冰雹降雨触发报警,导致维护人员在极端天气下不得不去现场处置报警浪费了大量人力物力资源。
因此,期待一种优化的变压器防盗辅助方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种具有防盗功能的变压器及其方法,其通过使用通道注意力机制的第一卷积神经网络对由红外探测器采集的红外探测回波信号进行特征提取,同时将由振动传感器采集的振动信号通过自动编码器进行降噪后,再使用第二卷积神经网络进行特征提取,然后,为了使振动特征图在通道维度上也尽量与红外特征图具有一致的流形单调性,因此,分别计算两者的节俭分解鼓励因数,并以各自的节俭分解鼓励因数作为权重,对两者进行融合,最后,将分类特征图通过分类器以得到用于表示是否产生防盗预警提示的分类结果,通过这样的方式,更为准确地基于所述变压器是否被盗的实际情况来进行预警控制,以保证户外变压器的安全性。
根据本申请的一个方面,提供了一种具有防盗功能的变压器,其包括:监测信号采集模块,用于获取由红外探测器采集的红外探测回波信号以及由振动传感器采集的振动信号;红外回波信号编码模块,用于将所述红外探测回波信号的波形图通过使用通道注意力机制的第一卷积神经网络以得到红外特征图;降噪模块,用于将所述振动信号通过作为降噪器的自动编码器以得到降噪后振动信号;振动特征提取模块,用于将所述降噪后振动信号的波形图通过作为特征提取器的第二卷积神经网络以得到振动特征图;第一节俭分解鼓励因数计算模块,用于计算所述振动特征图的节俭分解鼓励因数,其中,所述振动特征图的节俭分解鼓励因数与以所述振动特征图的各个特征矩阵中各个位置的特征值的负值为幂的自然指数函数值的加权和有关;第二节俭分解鼓励因数计算模块,用于计算所述红外特征图的节俭分解鼓励因数,其中,所述红外特征图的节俭分解鼓励因数与以所述红外特征图的各个特征矩阵中各个位置的特征值的负值为幂的自然指数函数值的加权和有关;融合模块,用于以所述振动特征图的节俭分解鼓励因数和所述红外特征图的节俭分解鼓励因数作为权重,融合所述红外特征图和所述振动特征图以得到分类特征图;以及预警模块,用于将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示是否产生防盗预警提示。
根据本申请的另一方面,提供了一种具有防盗功能的变压器的防盗方法,其包括:获取由红外探测器采集的红外探测回波信号以及由振动传感器采集的振动信号;将所述红外探测回波信号的波形图通过使用通道注意力机制的第一卷积神经网络以得到红外特征图;将所述振动信号通过作为降噪器的自动编码器以得到降噪后振动信号;将所述降噪后振动信号的波形图通过作为特征提取器的第二卷积神经网络以得到振动特征图;计算所述振动特征图的节俭分解鼓励因数,其中,所述振动特征图的节俭分解鼓励因数与以所述振动特征图的各个特征矩阵中各个位置的特征值的负值为幂的自然指数函数值的加权和有关;计算所述红外特征图的节俭分解鼓励因数,其中,所述红外特征图的节俭分解鼓励因数与以所述红外特征图的各个特征矩阵中各个位置的特征值的负值为幂的自然指数函数值的加权和有关;以所述振动特征图的节俭分解鼓励因数和所述红外特征图的节俭分解鼓励因数作为权重,融合所述红外特征图和所述振动特征图以得到分类特征图;以及将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示是否产生防盗预警提示。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述具有防盗功能的变压器的防盗方法。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述具有防盗功能的变压器的防盗方法。
与现有技术相比,本申请提供的一种具有防盗功能的变压器及其方法,其通过使用通道注意力机制的第一卷积神经网络对由红外探测器采集的红外探测回波信号进行特征提取,同时将由振动传感器采集的振动信号通过自动编码器进行降噪后,再使用第二卷积神经网络进行特征提取,然后,为了使振动特征图在通道维度上也尽量与红外特征图具有一致的流形单调性,因此,分别计算两者的节俭分解鼓励因数,并以各自的节俭分解鼓励因数作为权重,对两者进行融合,最后,将分类特征图通过分类器以得到用于表示是否产生防盗预警提示的分类结果,通过这样的方式,更为准确地基于所述变压器是否被盗的实际情况来进行预警控制,以保证户外变压器的安全性。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的具有防盗功能的变压器的应用场景图。
图2图示了根据本申请实施例的具有防盗功能的变压器的框图示意图。
图3图示了根据本申请实施例的具有防盗功能的变压器中降噪模块的框图。
图4图示了根据本申请实施例的具有防盗功能的变压器的防盗方法的流程图。
图5图示了根据本申请实施例的具有防盗功能的变压器的防盗方法的系统架构的示意图。
图6图示了根据本申请实施例的具有防盗功能的变压器的防盗方法中,将所述振动信号通过作为降噪器的自动编码器以得到降噪后振动信号的流程图。
图7图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述:相应地,现有的变压器防盗报警装置由于检测的方式易受外界环境的干扰而导致报警的准确性较低,并且在使用多个检测装置来进行变压器的防盗检测时,并没有利用到所述各个检测装置的关联性信息来提高检测判断的准确度,导致户外变压器被盗破坏案件常有发生。
基于此,在本申请的技术方案中,期望采用多传感器信息融合的技术构思来提高变压器防盗报警的精准度。这本质上是一个分类的问题,也就是,利用深度神经网络模型来对于红外探测器采集的红外探测回波信号特征和振动传感器采集的振动信号特征进行深层挖掘,以在对于隐含特征提取的基础上滤除外界环境噪声的干扰,这样进一步融合这两者的特征信息来进行分类,就能够得到是否产生防盗预警提示的控制信号,进而基于所述控制信号来进行预警,以保证户外变压器的安全性。
具体地,在本申请的技术方案中,首先,通过红外探测器采集红外探测回波信号以及通过振动传感器采集振动信号。然后,对于所述红外探测回波信号来说,使用在局部隐含关联特征提取方面具有优异表现的卷积神经网络模型来对其波形图进行深层特征挖掘,但是,考虑到在对于所述红外探测回波信号进行特征提取时,需要聚焦于变压器和盗窃者的特征信息而滤除环境干扰的特征信息。因此,在本申请的技术方案中,使用通道注意力机制的第一卷积神经网络来对于所述红外探测回波信号的波形图进行处理,以提取出所述红外探测回波信号的波形图的局部隐含特征信息,从而得到红外特征图。特别地,这里,使用所述具有通道注意力的卷积神经网络进行特征挖掘能够使得在通道维度更关注于对象之间的差异特征,因此,可提高环境干扰对象与盗窃者对象之间的可鉴别性。
进一步地,对于所述振动信号,由于所述变压器常年所处的户外环境比较恶劣,振动检测常常由于大风冰雹降雨触发报警,因此为了滤除周围环境噪声对于振动检测的影响,将所述振动信号通过作为降噪器的自动编码器以得到降噪后振动信号。应可以理解,如果振动信号是因外界环境干扰引起的,则会呈现出周期性的规律,因此,可通过自动编码器滤除所述振动信号中呈周期性的部分以提高分类精度。特别地,这里,所述自动编码器由编码器和解码器组成,所述编码器通过卷积层来对于所述振动信号进行特征挖掘编码以得到振动特征,而所述解码器通过反卷积层来对于所述振动特征进行反卷积解码以得到所述降噪后振动信号。
然后,在对于所述振动信号进行降噪后,使用作为特征提取器的第二卷积神经网络来对于所述降噪后振动信号的波形图进行处理,以提取出所述降噪后振动信号的波形图的局部高维隐含特征分布信息,从而得到振动特征图。
特别地,在本申请的技术方案中,在融合所述振动特征图和所述红外特征图时,考虑到所述红外特征图通过通道注意力机制获得,因此如果能够保持所述振动特征图在通道维度上也尽量与所述红外特征图具有一致的流形单调性,则能够提高融合效果。
因此,进一步对于所述振动特征图和所述红外特征图,分别计算其节俭分解(parsimonious decomposition)鼓励因数作为加权系数,具体为:
这里,所述节俭分解鼓励因数可以对于所述特征图在通道维度上进行分组,并对由沿通道维度分布的特征矩阵的组内元素的重叠施加惩罚,以通过计算符号化函数的距离式联合来促进特征图所表示的高维流形的节俭分解,如果从几何学上理解,可以简单地理解为基于通道维度上的凸多面体(convex polytope)的集合来构建高维流形的几何形状,这样,通过以其作为加权因数对所述振动特征图和所述红外特征图加权后再进行融合,就可以提高融合后的分类特征图的高维流形在通道维度上的维度单调性的一致程度,进而提高分类的准确性。
然后,以所述振动特征图的节俭分解鼓励因数和所述红外特征图的节俭分解鼓励因数作为权重,来融合所述红外特征图和所述振动特征图进行分类,就能够得到用于表示是否产生防盗预警提示的分类结果。这样,能够准确地基于所述变压器是否被盗的实际情况来进行预警控制,以保证户外变压器的安全性。
基于此,本申请提供了一种具有防盗功能的变压器,其包括:监测信号采集模块,用于获取由红外探测器采集的红外探测回波信号以及由振动传感器采集的振动信号;红外回波信号编码模块,用于将所述红外探测回波信号的波形图通过使用通道注意力机制的第一卷积神经网络以得到红外特征图;降噪模块,用于将所述振动信号通过作为降噪器的自动编码器以得到降噪后振动信号;振动特征提取模块,用于将所述降噪后振动信号的波形图通过作为特征提取器的第二卷积神经网络以得到振动特征图;第一节俭分解鼓励因数计算模块,用于计算所述振动特征图的节俭分解鼓励因数,其中,所述振动特征图的节俭分解鼓励因数与以所述振动特征图的各个特征矩阵中各个位置的特征值的负值为幂的自然指数函数值的加权和有关;第二节俭分解鼓励因数计算模块,用于计算所述红外特征图的节俭分解鼓励因数,其中,所述红外特征图的节俭分解鼓励因数与以所述红外特征图的各个特征矩阵中各个位置的特征值的负值为幂的自然指数函数值的加权和有关;融合模块,用于以所述振动特征图的节俭分解鼓励因数和所述红外特征图的节俭分解鼓励因数作为权重,融合所述红外特征图和所述振动特征图以得到分类特征图;以及,预警模块,用于将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示是否产生防盗预警提示。
图1图示了根据本申请实施例的具有防盗功能的变压器的应用场景图。如图1所示,在该应用场景中,首先通过部署在变压器(例如,图1中所示意的T)旁的红外探测器(例如,图1中所示意的I)采集红外探测回波信号,同时通过部署在变压器上的振动传感器(例如,图1中所示意的V)采集振动信号。然后,将采集的所述红外探测回波信号和所述振动信号输入至部署有变压器防盗算法的服务器中(例如,图1中所示意的S),其中,所述服务器能够使用所述变压器防盗算法对所述红外探测回波信号和所述振动信号进行处理以生成用于表示是否产生防盗预警提示。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统:图2图示了根据本申请实施例的具有防盗功能的变压器的框图示意图。如图2所示,根据本申请实施例的所述具有防盗功能的变压器100,包括:监测信号采集模块110,用于获取由红外探测器采集的红外探测回波信号以及由振动传感器采集的振动信号;红外回波信号编码模块120,用于将所述红外探测回波信号的波形图通过使用通道注意力机制的第一卷积神经网络以得到红外特征图;降噪模块130,用于将所述振动信号通过作为降噪器的自动编码器以得到降噪后振动信号;振动特征提取模块140,用于将所述降噪后振动信号的波形图通过作为特征提取器的第二卷积神经网络以得到振动特征图;第一节俭分解鼓励因数计算模块150,用于计算所述振动特征图的节俭分解鼓励因数,其中,所述振动特征图的节俭分解鼓励因数与以所述振动特征图的各个特征矩阵中各个位置的特征值的负值为幂的自然指数函数值的加权和有关;第二节俭分解鼓励因数计算模块160,用于计算所述红外特征图的节俭分解鼓励因数,其中,所述红外特征图的节俭分解鼓励因数与以所述红外特征图的各个特征矩阵中各个位置的特征值的负值为幂的自然指数函数值的加权和有关;融合模块170,用于以所述振动特征图的节俭分解鼓励因数和所述红外特征图的节俭分解鼓励因数作为权重,融合所述红外特征图和所述振动特征图以得到分类特征图;以及,预警模块180,用于将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示是否产生防盗预警提示。
在本申请实施例中,所述监测信号采集模块110,用于获取由红外探测器采集的红外探测回波信号以及由振动传感器采集的振动信号。如上所述,现有的变压器防盗报警装置由于检测的方式易受外界环境的干扰而导致报警的准确性较低,并且在使用多个检测装置来进行变压器的防盗检测时,并没有利用到所述各个检测装置的关联性信息来提高检测判断的准确度,导致户外变压器被盗破坏案件常有发生。基于此,在本申请的技术方案中,期望采用多传感器信息融合的技术构思来提高变压器防盗报警的精准度。这本质上是一个分类的问题,也就是,利用深度神经网络模型来对于红外探测器采集的红外探测回波信号特征和振动传感器采集的振动信号特征进行深层挖掘,以在对于隐含特征提取的基础上滤除外界环境噪声的干扰,这样进一步融合这两者的特征信息来进行分类,就能够得到是否产生防盗预警提示的控制信号,进而基于所述控制信号来进行预警,以保证户外变压器的安全性。
在本申请一个具体的实施例中,通过部署在变压器旁的红外探测器采集红外探测回波信号,同时通过部署在变压器上的振动传感器采集振动信号。
在本申请实施例中,所述红外回波信号编码模块120,用于将所述红外探测回波信号的波形图通过使用通道注意力机制的第一卷积神经网络以得到红外特征图。应可以理解,对于所述红外探测回波信号来说,使用在局部隐含关联特征提取方面具有优异表现的卷积神经网络模型来对其波形图进行深层特征挖掘,但是,考虑到在对于所述红外探测回波信号进行特征提取时,需要聚焦于变压器和盗窃者的特征信息而滤除环境干扰的特征信息。因此,在本申请的技术方案中,使用通道注意力机制的第一卷积神经网络来对于所述红外探测回波信号的波形图进行处理,以提取出所述红外探测回波信号的波形图的局部隐含特征信息,从而得到红外特征图。特别地,这里,使用所述具有通道注意力的卷积神经网络进行特征挖掘能够使得在通道维度更关注于对象之间的差异特征,因此,可提高环境干扰对象与盗窃者对象之间的可鉴别性。
在本申请一个具体的实施例中,所述红外回波信号编码模块120,进一步用于:所述第一卷积神经网络的各层在层的正向传递中对输入数据进行:对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行激活处理以生成激活特征图;计算所述激活特征图的沿通道维度的各个特征矩阵的全局均值以获得通道特征向量;计算所述通道特征向量中各个位置的特征值相对于所述通道特征向量的所有位置的特征值的加权和的比值以获得通道加权特征向量;以及,以所述通道加权特征向量的各个位置的特征值作为权重对所述激活特征图的沿通道维度的特征矩阵进行点乘以获得生成特征图;其中,所述第一卷积神经网络的最后一层输出的所述生成特征图为所述红外特征图。
更进一步的,在本申请的其他实施例中,使用通道注意力机制的所述第一卷积神经网络可使用ECA注意力模块。应可以理解,使用注意力机制可以改善目标检测性能,但SEnet等传统注意力机制降维后会给后续预测带来的副作用,ECA注意力机制解决了这个问题,其旨在获取通道间的依赖关系,增强特征的表达能力。本文在生成特征金字塔的过程中,使用ECA注意力模块在FPN网络的最高层增强其通道间的相关性,并基于该层指导特征金字塔的生成,便于尺度均衡金字塔提取特征金字塔跨层次间的尺度不变特征。在对激活特征图的沿通道维度的各个特征矩阵的进行全局平均池化后,ECA注意力模块通过一个可以权重共享的一维卷积进行学习,并在学习过程中考虑每个通道与其近邻通道来捕获跨通道交互。
更具体的,在本申请的另一个实施例中,使用ECA注意力模块的所述第一卷积神经网络的各层在层的正向传递中对输入数据进行:对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行激活处理以生成激活特征图;计算所述激活特征图的沿通道维度的各个特征矩阵的全局均值以获得通道特征向量;使用一维卷积核对所述通道特征向量进行卷积处理以获得通道卷积特征向量;使用Sigmoid函数对所述通道卷积特征向量进行归一化处理和长度调整以获得通道加权特征向量;以及,以所述通道加权特征向量的各个位置的特征值作为权重对所述激活特征图的沿通道维度的特征矩阵进行点乘以获得生成特征图;其中,所述第一卷积神经网络的最后一层输出的所述生成特征图为所述红外特征图。
在本申请实施例中,所述降噪模块130,用于将所述振动信号通过作为降噪器的自动编码器以得到降噪后振动信号。应可以理解,对于所述振动信号,由于所述变压器常年所处的户外环境比较恶劣,振动检测常常由于大风冰雹降雨触发报警,因此为了滤除周围环境噪声对于振动检测的影响,将所述振动信号通过作为降噪器的自动编码器以得到降噪后振动信号。应可以理解,如果振动信号是因外界环境干扰引起的,则会呈现出周期性的规律,因此,可通过自动编码器滤除所述振动信号中呈周期性的部分以提高分类精度。特别地,这里,所述自动编码器由编码器和解码器组成,所述编码器通过卷积层来对于所述振动信号进行特征挖掘编码以得到振动特征,而所述解码器通过反卷积层来对于所述振动特征进行反卷积解码以得到所述降噪后振动信号。
图3图示了根据本申请实施例的具有防盗功能的变压器中降噪模块的框图。如图3所示,在本申请一个具体的实施例中,所述降噪模块130,包括:编码单元131,用于使用所述自动编码器的编码器对所述振动信号进行编码以得到振动特征,其中,所述自动编码器的编码器为卷积层;以及,解码单元132,用于使用所述自动编码器的解码器对所述振动特征进行解码以得到所述降噪后振动信号,其中,所述自动编码器的解码器为反卷积层。
在本申请实施例中,所述振动特征提取模块140,用于将所述降噪后振动信号的波形图通过作为特征提取器的第二卷积神经网络以得到振动特征图。应可以理解,在对于所述振动信号进行降噪后,使用作为特征提取器的第二卷积神经网络来对于所述降噪后振动信号的波形图进行处理,以提取出所述降噪后振动信号的波形图的局部高维隐含特征分布信息,从而得到振动特征图。
在本申请一个具体的实施例中,所述振动特征提取模块140,进一步用于:所述第二卷积神经网络的各层在层的正向传递中对输入数据进行:对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行激活处理以生成激活特征图;其中,所述第二卷积神经网络的最后一层的输出为所述分类特征矩阵。
特别地,在本申请的技术方案中,在融合所述振动特征图和所述红外特征图时,考虑到所述红外特征图通过通道注意力机制获得,因此如果能够保持所述振动特征图在通道维度上也尽量与所述红外特征图具有一致的流形单调性,则能够提高融合效果。
因此,进一步对于所述振动特征图和所述红外特征图,分别计算其节俭分解(parsimonious decomposition)鼓励因数作为加权系数。
在本申请实施例中,所述第一节俭分解鼓励因数计算模块150和,用于计算所述振动特征图的节俭分解鼓励因数,其中,所述振动特征图的节俭分解鼓励因数与以所述振动特征图的各个特征矩阵中各个位置的特征值的负值为幂的自然指数函数值的加权和有关。
在本申请实施例中,所述第二节俭分解鼓励因数计算模块160,用于计算所述红外特征图的节俭分解鼓励因数,其中,所述红外特征图的节俭分解鼓励因数与以所述红外特征图的各个特征矩阵中各个位置的特征值的负值为幂的自然指数函数值的加权和有关。
在本申请一个具体的实施例中,所述第一节俭分解鼓励因数计算模块,进一步用于:以如下公式计算所述振动特征图的所述节俭分解鼓励因数;
其中,所述公式为:
在本申请一个具体的实施例中,所述第二节俭分解鼓励因数计算模块,进一步用于:以如下公式计算所述红外特征图的所述节俭分解鼓励因数;
其中,所述公式为:
这里,所述节俭分解鼓励因数可以对于所述特征图在通道维度上进行分组,并对由沿通道维度分布的特征矩阵的组内元素的重叠施加惩罚,以通过计算符号化函数的距离式联合来促进特征图所表示的高维流形的节俭分解,如果从几何学上理解,可以简单地理解为基于通道维度上的凸多面体(convex polytope)的集合来构建高维流形的几何形状,这样,通过以其作为加权因数对所述振动特征图和所述红外特征图加权后再进行融合,就可以提高融合后的分类特征图的高维流形在通道维度上的维度单调性的一致程度,进而提高分类的准确性。
在本申请实施例中,所述融合模块170,用于以所述振动特征图的节俭分解鼓励因数和所述红外特征图的节俭分解鼓励因数作为权重,融合所述红外特征图和所述振动特征图以得到分类特征图。
在本申请一个具体的实施例中,所述融合模块,进一步用于:以所述振动特征图的节俭分解鼓励因数和所述红外特征图的节俭分解鼓励因数作为权重,以如下公式融合所述红外特征图和所述振动特征图以得到所述分类特征图;其中,所述公式为:
在本申请实施例中,所述预警模块180,用于将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示是否产生防盗预警提示。
在本申请一个具体的实施例中,所述预警模块,进一步用于:使用所述分类器以如下公式对所述分类特征图进行处理以生成所述分类结果,其中,所述公式为:,其中表示将所述分类特征图投影为向量,至为各层全连接层的权重矩阵,至表示各层全连接层的偏置矩阵。
综上,基于本申请实施例的所述具有防盗功能的变压器,其通过使用通道注意力机制的第一卷积神经网络对由红外探测器采集的红外探测回波信号进行特征提取,同时将由振动传感器采集的振动信号通过自动编码器进行降噪后,再使用第二卷积神经网络进行特征提取,然后,为了使振动特征图在通道维度上也尽量与红外特征图具有一致的流形单调性,因此,分别计算两者的节俭分解鼓励因数,并以各自的节俭分解鼓励因数作为权重,对两者进行融合,最后,将分类特征图通过分类器以得到用于表示是否产生防盗预警提示的分类结果,通过这样的方式,更为准确地基于所述变压器是否被盗的实际情况来进行预警控制,以保证户外变压器的安全性。
如上所述,根据本申请实施例的所述具有防盗功能的变压器100可以实现在各种终端设备中,例如部署有变压器防盗算法的服务器等。在一个示例中,根据具有防盗功能的变压器100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该具有防盗功能的变压器100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该具有防盗功能的变压器100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该具有防盗功能的变压器100与该终端设备也可以是分立的设备,并且具有防盗功能的变压器100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性方法:图4图示了根据本申请实施例的具有防盗功能的变压器的防盗方法的流程图。如图4所示,根据本申请实施例的所述具有防盗功能的变压器的防盗方法,包括:S110,获取由红外探测器采集的红外探测回波信号以及由振动传感器采集的振动信号;S120,将所述红外探测回波信号的波形图通过使用通道注意力机制的第一卷积神经网络以得到红外特征图;S130,将所述振动信号通过作为降噪器的自动编码器以得到降噪后振动信号;S140,将所述降噪后振动信号的波形图通过作为特征提取器的第二卷积神经网络以得到振动特征图;S150,计算所述振动特征图的节俭分解鼓励因数,其中,所述振动特征图的节俭分解鼓励因数与以所述振动特征图的各个特征矩阵中各个位置的特征值的负值为幂的自然指数函数值的加权和有关;S160,计算所述红外特征图的节俭分解鼓励因数,其中,所述红外特征图的节俭分解鼓励因数与以所述红外特征图的各个特征矩阵中各个位置的特征值的负值为幂的自然指数函数值的加权和有关;S170,以所述振动特征图的节俭分解鼓励因数和所述红外特征图的节俭分解鼓励因数作为权重,融合所述红外特征图和所述振动特征图以得到分类特征图;以及,S180,将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示是否产生防盗预警提示。
图5图示了根据本申请实施例的具有防盗功能的变压器的防盗方法的系统架构的示意图。如图5所示,在本申请实施例的所述具有防盗功能的变压器的防盗方法的系统架构中,首先,获取由红外探测器采集的红外探测回波信号,并将所述红外探测回波信号的波形图通过使用通道注意力机制的第一卷积神经网络以得到红外特征图。同时,获取由振动传感器采集的振动信号。然后,将所述振动信号通过作为降噪器的自动编码器以得到降噪后振动信号,并将所述降噪后振动信号的波形图通过作为特征提取器的第二卷积神经网络以得到振动特征图。接着,分别计算所述红外特征图的节俭分解鼓励因数和所述红外特征图的节俭分解鼓励,并以所述振动特征图的节俭分解鼓励因数和所述红外特征图的节俭分解鼓励因数作为权重,融合所述红外特征图和所述振动特征图以得到分类特征图。最后,将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示是否产生防盗预警提示。
在本申请一个具体的实施例中,所述将所述红外探测回波信号的波形图通过使用通道注意力机制的第一卷积神经网络以得到红外特征图,包括:所述第一卷积神经网络的各层在层的正向传递中对输入数据进行:对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行激活处理以生成激活特征图;计算所述激活特征图的沿通道维度的各个特征矩阵的全局均值以获得通道特征向量;计算所述通道特征向量中各个位置的特征值相对于所述通道特征向量的所有位置的特征值的加权和的比值以获得通道加权特征向量;以及,以所述通道加权特征向量的各个位置的特征值作为权重对所述激活特征图的沿通道维度的特征矩阵进行点乘以获得生成特征图;其中,所述第一卷积神经网络的最后一层输出的所述生成特征图为所述红外特征图。
图6图示了根据本申请实施例的具有防盗功能的变压器的防盗方法中,将所述振动信号通过作为降噪器的自动编码器以得到降噪后振动信号的流程图。如图6所示,在本申请一个具体的实施例中,所述将所述振动信号通过作为降噪器的自动编码器以得到降噪后振动信号,包括:S210,使用所述自动编码器的编码器对所述振动信号进行编码以得到振动特征,其中,所述自动编码器的编码器为卷积层;以及,S220,使用所述自动编码器的解码器对所述振动特征进行解码以得到所述降噪后振动信号,其中,所述自动编码器的解码器为反卷积层。
在本申请一个具体的实施例中,所述将所述降噪后振动信号的波形图通过作为特征提取器的第二卷积神经网络以得到振动特征图,包括:所述第二卷积神经网络的各层在层的正向传递中对输入数据进行:对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行激活处理以生成激活特征图;其中,所述第二卷积神经网络的最后一层的输出为所述分类特征矩阵。
在本申请一个具体的实施例中,所述计算所述振动特征图的节俭分解鼓励因数,包括:以如下公式计算所述振动特征图的所述节俭分解鼓励因数;
其中,所述公式为:
在本申请一个具体的实施例中,所述计算所述红外特征图的节俭分解鼓励因数,包括:以如下公式计算所述红外特征图的所述节俭分解鼓励因数;其中,所述公式为:
在本申请一个具体的实施例中,所述以所述振动特征图的节俭分解鼓励因数和所述红外特征图的节俭分解鼓励因数作为权重,融合所述红外特征图和所述振动特征图以得到分类特征图,包括:以所述振动特征图的节俭分解鼓励因数和所述红外特征图的节俭分解鼓励因数作为权重,以如下公式融合所述红外特征图和所述振动特征图以得到所述分类特征图;
其中,所述公式为:
在本申请一个具体的实施例中,所述将所述分类特征图通过分类器以得到分类结果,包括:使用所述分类器以如下公式对所述分类特征图进行处理以生成所述分类结果,其中,所述公式为:,其中表示将所述分类特征图投影为向量,至为各层全连接层的权重矩阵,至表示各层全连接层的偏置矩阵。
这里,本领域技术人员可以理解,上述具有防盗功能的变压器的防盗方法中的各个步骤的具体操作已经在上面参考图1到图3的具有防盗功能的变压器的防盗方法的描述中得到了详细介绍,并因此,将省略其重复描述。
示例性电子设备
下面,参考图7来描述根据本申请实施例的电子设备。
图7图示了根据本申请实施例的电子设备的框图。
如图7所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的变压器防盗以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如红外探测回波信号和振动信号等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的具有防盗功能的变压器的防盗方法的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的具有防盗功能的变压器的防盗方法的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种具有防盗功能的变压器,其特征在于,包括:监测信号采集模块,用于获取由红外探测器采集的红外探测回波信号以及由振动传感器采集的振动信号;红外回波信号编码模块,用于将所述红外探测回波信号的波形图通过使用通道注意力机制的第一卷积神经网络以得到红外特征图;降噪模块,用于将所述振动信号通过作为降噪器的自动编码器以得到降噪后振动信号;振动特征提取模块,用于将所述降噪后振动信号的波形图通过作为特征提取器的第二卷积神经网络以得到振动特征图;第一节俭分解鼓励因数计算模块,用于计算所述振动特征图的节俭分解鼓励因数,其中,所述振动特征图的节俭分解鼓励因数与以所述振动特征图的各个特征矩阵中各个位置的特征值的负值为幂的自然指数函数值的加权和有关;第二节俭分解鼓励因数计算模块,用于计算所述红外特征图的节俭分解鼓励因数,其中,所述红外特征图的节俭分解鼓励因数与以所述红外特征图的各个特征矩阵中各个位置的特征值的负值为幂的自然指数函数值的加权和有关;融合模块,用于以所述振动特征图的节俭分解鼓励因数和所述红外特征图的节俭分解鼓励因数作为权重,融合所述红外特征图和所述振动特征图以得到分类特征图;以及预警模块,用于将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示是否产生防盗预警提示。
2.根据权利要求1所述的具有防盗功能的变压器,其特征在于,所述红外回波信号编码模块,进一步用于:所述第一卷积神经网络的各层在层的正向传递中对输入数据进行:对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行激活处理以生成激活特征图;计算所述激活特征图的沿通道维度的各个特征矩阵的全局均值以获得通道特征向量;计算所述通道特征向量中各个位置的特征值相对于所述通道特征向量的所有位置的特征值的加权和的比值以获得通道加权特征向量;以及以所述通道加权特征向量的各个位置的特征值作为权重对所述激活特征图的沿通道维度的特征矩阵进行点乘以获得生成特征图;其中,所述第一卷积神经网络的最后一层输出的所述生成特征图为所述红外特征图。
3.根据权利要求2所述的具有防盗功能的变压器,其特征在于,所述降噪模块,包括:编码单元,用于使用所述自动编码器的编码器对所述振动信号进行编码以得到振动特征,其中,所述自动编码器的编码器为卷积层;以及解码单元,用于使用所述自动编码器的解码器对所述振动特征进行解码以得到所述降噪后振动信号,其中,所述自动编码器的解码器为反卷积层。
4.根据权利要求3所述的具有防盗功能的变压器,其特征在于,所述振动特征提取模块,进一步用于:所述第二卷积神经网络的各层在层的正向传递中对输入数据进行:对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行激活处理以生成激活特征图;其中,所述第二卷积神经网络的最后一层的输出为所述分类特征矩阵。
9.一种具有防盗功能的变压器的防盗方法,其特征在于,包括:获取由红外探测器采集的红外探测回波信号以及由振动传感器采集的振动信号;将所述红外探测回波信号的波形图通过使用通道注意力机制的第一卷积神经网络以得到红外特征图;将所述振动信号通过作为降噪器的自动编码器以得到降噪后振动信号;将所述降噪后振动信号的波形图通过作为特征提取器的第二卷积神经网络以得到振动特征图;计算所述振动特征图的节俭分解鼓励因数,其中,所述振动特征图的节俭分解鼓励因数与以所述振动特征图的各个特征矩阵中各个位置的特征值的负值为幂的自然指数函数值的加权和有关;计算所述红外特征图的节俭分解鼓励因数,其中,所述红外特征图的节俭分解鼓励因数与以所述红外特征图的各个特征矩阵中各个位置的特征值的负值为幂的自然指数函数值的加权和有关;以所述振动特征图的节俭分解鼓励因数和所述红外特征图的节俭分解鼓励因数作为权重,融合所述红外特征图和所述振动特征图以得到分类特征图;以及将所述分类特征图通过分类器以得到分类结果,所述分类结果用于表示是否产生防盗预警提示。
10.根据权利要求9所述的具有防盗功能的变压器的防盗方法,其特征在于,所述将所述红外探测回波信号的波形图通过使用通道注意力机制的第一卷积神经网络以得到红外特征图,包括:所述第一卷积神经网络的各层在层的正向传递中对输入数据进行:对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行激活处理以生成激活特征图;计算所述激活特征图的沿通道维度的各个特征矩阵的全局均值以获得通道特征向量;计算所述通道特征向量中各个位置的特征值相对于所述通道特征向量的所有位置的特征值的加权和的比值以获得通道加权特征向量;以及以所述通道加权特征向量的各个位置的特征值作为权重对所述激活特征图的沿通道维度的特征矩阵进行点乘以获得生成特征图;其中,所述第一卷积神经网络的最后一层输出的所述生成特征图为所述红外特征图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211092579.XA CN115392320A (zh) | 2022-09-08 | 2022-09-08 | 具有防盗功能的变压器及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211092579.XA CN115392320A (zh) | 2022-09-08 | 2022-09-08 | 具有防盗功能的变压器及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115392320A true CN115392320A (zh) | 2022-11-25 |
Family
ID=84126818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211092579.XA Withdrawn CN115392320A (zh) | 2022-09-08 | 2022-09-08 | 具有防盗功能的变压器及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115392320A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116630909A (zh) * | 2023-06-16 | 2023-08-22 | 广东特视能智能科技有限公司 | 基于无人机的无人值守智能监控系统及其方法 |
CN116954113A (zh) * | 2023-06-05 | 2023-10-27 | 深圳市机器时代科技有限公司 | 智能机器人驱动传感智能控制系统及其方法 |
-
2022
- 2022-09-08 CN CN202211092579.XA patent/CN115392320A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116954113A (zh) * | 2023-06-05 | 2023-10-27 | 深圳市机器时代科技有限公司 | 智能机器人驱动传感智能控制系统及其方法 |
CN116954113B (zh) * | 2023-06-05 | 2024-02-09 | 深圳市机器时代科技有限公司 | 智能机器人驱动传感智能控制系统及其方法 |
CN116630909A (zh) * | 2023-06-16 | 2023-08-22 | 广东特视能智能科技有限公司 | 基于无人机的无人值守智能监控系统及其方法 |
CN116630909B (zh) * | 2023-06-16 | 2024-02-02 | 广东特视能智能科技有限公司 | 基于无人机的无人值守智能监控系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115392320A (zh) | 具有防盗功能的变压器及其方法 | |
CN115203380B (zh) | 基于多模态数据融合的文本处理系统及其方法 | |
JP4369961B2 (ja) | 異常検知装置及び異常検知プログラム | |
CN110298235B (zh) | 基于流形约束自编码网络的高光谱异常检测方法及系统 | |
CN115375691B (zh) | 基于图像的半导体扩散纸源缺陷检测系统及其方法 | |
CN115909260A (zh) | 基于机器视觉的作业场所入侵预警方法及其系统 | |
CN114782882B (zh) | 基于多模态特征融合的视频目标行为异常检测方法和系统 | |
CN115796173A (zh) | 针对监管报送需求的数据处理方法和系统 | |
CN114825257B (zh) | Led灯检测的漏电保护装置及其漏电保护方法 | |
CN115171317A (zh) | 物联网智能家居方法、系统和电子设备 | |
CN115759658B (zh) | 适用于智慧城市的企业能耗数据管理系统 | |
CN117058622A (zh) | 污水处理设备的智能监测系统及其方法 | |
CN115424204A (zh) | 基于信息融合的行人检测方法及其系统 | |
CN115471216B (zh) | 智慧实验室管理平台的数据管理方法 | |
CN115186774B (zh) | 智能电缆剥线设备及其方法 | |
CN114724386A (zh) | 智慧交通下的短时交通流量预测方法、系统和电子设备 | |
CN116310850B (zh) | 基于改进型RetinaNet的遥感图像目标检测方法 | |
CN115146676A (zh) | 电路故障检测方法及其系统 | |
CN115374822A (zh) | 基于多级特征融合的故障诊断方法及其系统 | |
CN113487223A (zh) | 一种基于信息融合的风险评估方法和评估系统 | |
CN116502899B (zh) | 基于人工智能的风险评级模型生成方法、装置及存储介质 | |
CN112800217A (zh) | 基于向量关联性矩阵的政务事务处理报告的智能评估方法 | |
CN116977129A (zh) | 智慧物业管理系统及其方法 | |
CN117218533A (zh) | 油茶林碳汇的监测系统及其方法 | |
CN116467485A (zh) | 一种视频图像检索构建系统及其方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20221125 |
|
WW01 | Invention patent application withdrawn after publication |