CN115471698A - 基于深度学习网络的输变电工程遥感图像分类方法及系统 - Google Patents

基于深度学习网络的输变电工程遥感图像分类方法及系统 Download PDF

Info

Publication number
CN115471698A
CN115471698A CN202211085961.8A CN202211085961A CN115471698A CN 115471698 A CN115471698 A CN 115471698A CN 202211085961 A CN202211085961 A CN 202211085961A CN 115471698 A CN115471698 A CN 115471698A
Authority
CN
China
Prior art keywords
model
remote sensing
power transmission
sensing image
image 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.)
Granted
Application number
CN202211085961.8A
Other languages
English (en)
Other versions
CN115471698B (zh
Inventor
肖辉
徐志强
陈霖华
周鲲
陆俊
沈晓隶
彭少俊
罗磊鑫
刘立洪
罗正经
王立娜
胡启明
唐咪娜
李勇智
齐增清
曾刚
苏军明
简洁
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.)
Hunan Jingyan Electric Power Design Co ltd
Original Assignee
Hunan Jingyan Electric Power Design 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 Hunan Jingyan Electric Power Design Co ltd filed Critical Hunan Jingyan Electric Power Design Co ltd
Priority to CN202211085961.8A priority Critical patent/CN115471698B/zh
Publication of CN115471698A publication Critical patent/CN115471698A/zh
Application granted granted Critical
Publication of CN115471698B publication Critical patent/CN115471698B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (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)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于深度学习网络的输变电工程遥感图像分类方法，包括获取输变电工程区域的遥感图像数据集并构建训练样本；构建包含全局模型和子模型的输变电工程遥感图像分类初步模型；采用训练样本对输变电工程遥感图像分类初步模型进行训练得到子模型的最佳参数；采用动态偏差加权融合准则计算得到全局模型最佳参数并得到输变电工程遥感图像分类模型；采用输变电工程遥感图像分类模型进行实际的输变电工程的遥感图像分类。本发明还公开了一种实现所述基于深度学习网络的输变电工程遥感图像分类方法的系统。与传统的集中式遥感图像分类方法相比，本发明具有训练过程简化快捷、扩展性好且精度较高的有点。

Description

基于深度学习网络的输变电工程遥感图像分类方法及系统
技术领域
本发明属于电气自动化领域，具体涉及一种基于深度学习网络的输变电工程遥感图像分类方法及系统。
背景技术
随着经济技术的发展和人们生活水平的提高，电能已经成为了人们生产和生活中必不可少的二次能源，给人们的生产和生活带来了无尽的便利。因此，保障电能的稳定可靠供应，就成为了电力系统最重要的任务之一。
输变电系统是电力系统的重要组成部分。输变电工程往往涉及面广且项目工程巨大，而且对工程沿线的环境、地物等有着一定的影响。因此，在输变电工程设计阶段，就需要进行输变电工程项目的遥感地物图像识别和分类，从而评估项目建设的影响，从而修改后续的设计方案等；因此，输变电工程的遥感图像分类正是实现输变电工程三维设计效率提升的关键支撑技术之一。
目前，输变电工程遥感图像分类方法，往往采用的是多子集学习融合训练的技术方案。这类技术方案往往采用集中式训练的方式，不仅训练规模大，而且扩展性较差。
发明内容
本发明的目的之一在于提供一种训练过程简化快捷、扩展性好且精度较高的基于深度学习网络的输变电工程遥感图像分类方法。
本发明的目的之二在于提供一种实现所述基于深度学习网络的输变电工程遥感图像分类方法的系统。
本发明提供的这种基于深度学习网络的输变电工程遥感图像分类方法，包括如下步骤：
S1.获取输变电工程区域的遥感图像数据集，并构建训练样本；
S2.基于深度学习网络，构建包含全局模型和子模型的输变电工程遥感图像分类初步模型；
S3.采用步骤S1得到的训练样本，对步骤S2构建的输变电工程遥感图像分类初步模型进行训练，得到输变电工程遥感图像分类初步模型中子模型的最佳参数；
S4.根据步骤S3得到的子模型的最佳参数，采用动态偏差加权融合准则，计算得到输变电工程遥感图像分类初步模型中全局模型的最佳参数，从而得到输变电工程遥感图像分类模型；
S5.采用步骤S4得到的输变电工程遥感图像分类模型，进行实际的输变电工程的遥感图像分类。
步骤S1所述的获取输变电工程区域的遥感图像数据集，并构建训练样本，具体包括如下步骤：
获取M类设定的输变电工程区域，并划分作业区域，规划航线；M为不小于2的正整数；
采用无人机进行现场勘测，获取M类输变电工程区域的遥感图像信息；
将采集到的的遥感图像信息，按照类别分别进行标记，每类标记N张图像，从而得到M*N的训练数据集合；N为设定的正整数；
将训练数据集合中，每一类的图像再进行K等分，构成K个训练样本子集并标记为Z1,Z2,...,ZK；此时，任意类别下的第k个训练样本子集Zk包含的训练样本数为
Figure BDA0003835067330000031
K为设定的正整数。
步骤S2所述的基于深度学习网络，构建包含全局模型和子模型的输变电工程遥感图像分类初步模型，具体包括如下步骤：
采用相同的深度学习网络，搭建输变电工程遥感图像分类初步模型；
输变电工程遥感图像分类初步模型为包括1个深度学习网络全局模型和K个深度学习网络子模型的分布式深度学习模型；
深度学习网络全局模型包括J个待训练的模型参数P1,P2,...,PJ。
步骤S3所述的采用步骤S1得到的训练样本，对步骤S2构建的输变电工程遥感图像分类初步模型进行训练，得到输变电工程遥感图像分类初步模型中子模型的最佳参数，具体包括如下步骤：
对于第k个深度学习网络子模型，以第k个训练样本子集Zk作为该子模型的训练数据，采用分批随机梯度下降法进行模型训练并获取J个最佳训练参数Pk,1,Pk,2,...,Pk,J。
步骤S4所述的根据步骤S3得到的子模型的最佳参数，采用动态偏差加权融合准则，计算得到输变电工程遥感图像分类初步模型中全局模型的最佳参数，从而得到输变电工程遥感图像分类模型，具体包括如下步骤：
深度学习网络全局模型向每个深度学习网络子模型下发标准测试遥感图像R及对应的模型偏差值DR；
将标准测试遥感图像R输入到第k个深度学习网络子模型，并获取对应的模型偏差值Dk,R；
计算得到第k个深度学习网络子模型的动态灵敏度偏差Qk为
Figure BDA0003835067330000041
根据第k个深度学习网络子模型的动态灵敏度偏差Qk，计算得到深度学习网络全局模型的融合权重wk为
Figure BDA0003835067330000042
其中K为训练样本子集的个数；
根据动态偏差加权融合准则，计算深度学习网络全局模型的最佳参数Pj为
Figure BDA0003835067330000043
其中j的取值为1,2,...,J，J为深度学习网络全局模型的待训练的模型参数的个数；
最后，根据深度学习网络全局模型的最佳参数和深度学习网络子模型的最佳参数，得到最终的输变电工程遥感图像分类模型。
本发明还提供了一种实现所述基于深度学习网络的输变电工程遥感图像分类方法的系统，包括训练样本获取模块、分类模型构建模块、子模型参数训练模块、全局模型参数训练模块和图像分类模块；子模型参数训练模块、全局模型参数训练模块和图像分类模块依次串联；训练样本获取模块的输出端同时连接子模型参数训练模块和全局模型参数训练模块；分类模型构建模块的输出端同时连接子模型参数训练模块和全局模型参数训练模块；训练样本获取模块用于获取输变电工程区域的遥感图像数据集，构建训练样本，并将数据上传子模型参数训练模块和全局模型参数训练模块；分类模型构建模块用于基于深度学习网络，构建包含全局模型和子模型的输变电工程遥感图像分类初步模型，并将模型上传子模型参数训练模块和全局模型参数训练模块；子模型参数训练模块用于采用训练样本，对构建的输变电工程遥感图像分类初步模型进行训练，得到输变电工程遥感图像分类初步模型中子模型的最佳参数，并将数据上传全局模型参数训练模块；全局模型参数训练模块用于根据子模型的最佳参数，采用动态偏差加权融合准则，计算得到输变电工程遥感图像分类初步模型中全局模型的最佳参数，得到输变电工程遥感图像分类模型，并将数据上传图像分类模块；图像分类模块用于采用得到的输变电工程遥感图像分类模型，进行实际的输变电工程的遥感图像分类。
本发明提供的这种基于深度学习网络的输变电工程遥感图像分类方法及系统，首先采集获取输变电工程区域的遥感图像信息构成训练样本，训练输变电遥感图像深度学习网络子模型最佳参数，通过按照动态偏差加权融合准则计算深度学习网络全局模型最佳参数，采用深度学习网络全局模型实现对待测的输变电遥感图像进行分类辨识；与传统的集中式遥感图像分类方法相比，本发明具有训练过程简化快捷、扩展性好且精度较高的有点。
附图说明
图1为本发明方法的方法流程示意图。
图2为本发明系统的系统功能模块图。
具体实施方式
如图1所示为本发明方法的方法流程示意图：本发明提供的这种基于深度学习网络的输变电工程遥感图像分类方法，包括如下步骤：
S1.获取输变电工程区域的遥感图像数据集，并构建训练样本；具体包括如下步骤：
获取M类设定的输变电工程区域，并划分作业区域，规划航线；M为不小于2的正整数；
采用无人机进行现场勘测，获取M类输变电工程区域的遥感图像信息；
将采集到的的遥感图像信息，按照类别分别进行标记，每类标记N张图像，从而得到M*N的训练数据集合；N为设定的正整数，优选为2000～5000；
将训练数据集合中，每一类的图像再进行K等分，构成K个训练样本子集并标记为Z1,Z2,...,ZK；此时，任意类别下的第k个训练样本子集Zk包含的训练样本数为
Figure BDA0003835067330000061
K为设定的正整数，优选为2≤K≤8；
S2.基于深度学习网络，构建包含全局模型和子模型的输变电工程遥感图像分类初步模型；具体包括如下步骤：
采用相同的深度学习网络，搭建输变电工程遥感图像分类初步模型；
输变电工程遥感图像分类初步模型为包括1个深度学习网络全局模型和K个深度学习网络子模型的分布式深度学习模型；
深度学习网络全局模型包括J个待训练的模型参数P1,P2,...,PJ；
S3.采用步骤S1得到的训练样本，对步骤S2构建的输变电工程遥感图像分类初步模型进行训练，得到输变电工程遥感图像分类初步模型中子模型的最佳参数；具体包括如下步骤：
对于第k个深度学习网络子模型，以第k个训练样本子集Zk作为该子模型的训练数据，采用分批随机梯度下降法进行模型训练并获取J个最佳训练参数Pk,1,Pk,2,...,Pk,J；
S4.根据步骤S3得到的子模型的最佳参数，采用动态偏差加权融合准则，计算得到输变电工程遥感图像分类初步模型中全局模型的最佳参数，从而得到输变电工程遥感图像分类模型；具体包括如下步骤：
深度学习网络全局模型向每个深度学习网络子模型下发标准测试遥感图像R及对应的模型偏差值DR；
将标准测试遥感图像R输入到第k个深度学习网络子模型，并获取对应的模型偏差值Dk,R；
计算得到第k个深度学习网络子模型的动态灵敏度偏差Qk为
Figure BDA0003835067330000071
根据第k个深度学习网络子模型的动态灵敏度偏差Qk，计算得到深度学习网络全局模型的融合权重wk为
Figure BDA0003835067330000072
其中K为训练样本子集的个数；
根据动态偏差加权融合准则，计算深度学习网络全局模型的最佳参数Pj为
Figure BDA0003835067330000073
其中j的取值为1,2,...,J，J为深度学习网络全局模型的待训练的模型参数的个数；
最后，根据深度学习网络全局模型的最佳参数和深度学习网络子模型的最佳参数，得到最终的输变电工程遥感图像分类模型；
S5.采用步骤S4得到的输变电工程遥感图像分类模型，进行实际的输变电工程的遥感图像分类。
如图2所示为本发明系统的功能模块示意图：本发明提供的这种实现所述基于深度学习网络的输变电工程遥感图像分类方法的系统，包括训练样本获取模块、分类模型构建模块、子模型参数训练模块、全局模型参数训练模块和图像分类模块；子模型参数训练模块、全局模型参数训练模块和图像分类模块依次串联；训练样本获取模块的输出端同时连接子模型参数训练模块和全局模型参数训练模块；分类模型构建模块的输出端同时连接子模型参数训练模块和全局模型参数训练模块；训练样本获取模块用于获取输变电工程区域的遥感图像数据集，构建训练样本，并将数据上传子模型参数训练模块和全局模型参数训练模块；分类模型构建模块用于基于深度学习网络，构建包含全局模型和子模型的输变电工程遥感图像分类初步模型，并将模型上传子模型参数训练模块和全局模型参数训练模块；子模型参数训练模块用于采用训练样本，对构建的输变电工程遥感图像分类初步模型进行训练，得到输变电工程遥感图像分类初步模型中子模型的最佳参数，并将数据上传全局模型参数训练模块；全局模型参数训练模块用于根据子模型的最佳参数，采用动态偏差加权融合准则，计算得到输变电工程遥感图像分类初步模型中全局模型的最佳参数，得到输变电工程遥感图像分类模型，并将数据上传图像分类模块；图像分类模块用于采用得到的输变电工程遥感图像分类模型，进行实际的输变电工程的遥感图像分类。

Claims (6)

1.一种基于深度学习网络的输变电工程遥感图像分类方法，包括如下步骤：
S1.获取输变电工程区域的遥感图像数据集，并构建训练样本；
S2.基于深度学习网络，构建包含全局模型和子模型的输变电工程遥感图像分类初步模型；
S3.采用步骤S1得到的训练样本，对步骤S2构建的输变电工程遥感图像分类初步模型进行训练，得到输变电工程遥感图像分类初步模型中子模型的最佳参数；
S4.根据步骤S3得到的子模型的最佳参数，采用动态偏差加权融合准则，计算得到输变电工程遥感图像分类初步模型中全局模型的最佳参数，从而得到输变电工程遥感图像分类模型；
S5.采用步骤S4得到的输变电工程遥感图像分类模型，进行实际的输变电工程的遥感图像分类。
2.根据权利要求1所述的基于深度学习网络的输变电工程遥感图像分类方法，其特征在于步骤S1所述的获取输变电工程区域的遥感图像数据集，并构建训练样本，具体包括如下步骤：
获取M类设定的输变电工程区域，并划分作业区域，规划航线；M为不小于2的正整数；
采用无人机进行现场勘测，获取M类输变电工程区域的遥感图像信息；
将采集到的的遥感图像信息，按照类别分别进行标记，每类标记N张图像，从而得到M*N的训练数据集合；N为设定的正整数；
将训练数据集合中，每一类的图像再进行K等分，构成K个训练样本子集并标记为Z1,Z2,...,ZK；此时，任意类别下的第k个训练样本子集Zk包含的训练样本数为
Figure FDA0003835067320000021
K为设定的正整数。
3.根据权利要求2所述的基于深度学习网络的输变电工程遥感图像分类方法，其特征在于步骤S2所述的基于深度学习网络，构建包含全局模型和子模型的输变电工程遥感图像分类初步模型，具体包括如下步骤：
采用相同的深度学习网络，搭建输变电工程遥感图像分类初步模型；
输变电工程遥感图像分类初步模型为包括1个深度学习网络全局模型和K个深度学习网络子模型的分布式深度学习模型；
深度学习网络全局模型包括J个待训练的模型参数P1,P2,...,PJ。
4.根据权利要求3所述的基于深度学习网络的输变电工程遥感图像分类方法，其特征在于步骤S3所述的采用步骤S1得到的训练样本，对步骤S2构建的输变电工程遥感图像分类初步模型进行训练，得到输变电工程遥感图像分类初步模型中子模型的最佳参数，具体包括如下步骤：
对于第k个深度学习网络子模型，以第k个训练样本子集Zk作为该子模型的训练数据，采用分批随机梯度下降法进行模型训练并获取J个最佳训练参数Pk,1,Pk,2,...,Pk,J。
5.根据权利要求4所述的基于深度学习网络的输变电工程遥感图像分类方法，其特征在于步骤S4所述的根据步骤S3得到的子模型的最佳参数，采用动态偏差加权融合准则，计算得到输变电工程遥感图像分类初步模型中全局模型的最佳参数，从而得到输变电工程遥感图像分类模型，具体包括如下步骤：
深度学习网络全局模型向每个深度学习网络子模型下发标准测试遥感图像R及对应的模型偏差值DR；
将标准测试遥感图像R输入到第k个深度学习网络子模型，并获取对应的模型偏差值Dk,R；
计算得到第k个深度学习网络子模型的动态灵敏度偏差Qk为
Figure FDA0003835067320000031
根据第k个深度学习网络子模型的动态灵敏度偏差Qk，计算得到深度学习网络全局模型的融合权重wk为
Figure FDA0003835067320000032
其中K为训练样本子集的个数；
根据动态偏差加权融合准则，计算深度学习网络全局模型的最佳参数Pj为
Figure FDA0003835067320000033
其中j的取值为1,2,...,J，J为深度学习网络全局模型的待训练的模型参数的个数；
最后，根据深度学习网络全局模型的最佳参数和深度学习网络子模型的最佳参数，得到最终的输变电工程遥感图像分类模型。
6.一种实现权利要求1～5之一所述的基于深度学习网络的输变电工程遥感图像分类方法的系统，其特征在于包括训练样本获取模块、分类模型构建模块、子模型参数训练模块、全局模型参数训练模块和图像分类模块；子模型参数训练模块、全局模型参数训练模块和图像分类模块依次串联；训练样本获取模块的输出端同时连接子模型参数训练模块和全局模型参数训练模块；分类模型构建模块的输出端同时连接子模型参数训练模块和全局模型参数训练模块；训练样本获取模块用于获取输变电工程区域的遥感图像数据集，构建训练样本，并将数据上传子模型参数训练模块和全局模型参数训练模块；分类模型构建模块用于基于深度学习网络，构建包含全局模型和子模型的输变电工程遥感图像分类初步模型，并将模型上传子模型参数训练模块和全局模型参数训练模块；子模型参数训练模块用于采用训练样本，对构建的输变电工程遥感图像分类初步模型进行训练，得到输变电工程遥感图像分类初步模型中子模型的最佳参数，并将数据上传全局模型参数训练模块；全局模型参数训练模块用于根据子模型的最佳参数，采用动态偏差加权融合准则，计算得到输变电工程遥感图像分类初步模型中全局模型的最佳参数，得到输变电工程遥感图像分类模型，并将数据上传图像分类模块；图像分类模块用于采用得到的输变电工程遥感图像分类模型，进行实际的输变电工程的遥感图像分类。
CN202211085961.8A 2022-09-06 2022-09-06 基于深度学习网络的输变电工程遥感图像分类方法及系统 Active CN115471698B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211085961.8A CN115471698B (zh) 2022-09-06 2022-09-06 基于深度学习网络的输变电工程遥感图像分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211085961.8A CN115471698B (zh) 2022-09-06 2022-09-06 基于深度学习网络的输变电工程遥感图像分类方法及系统

Publications (2)

Publication Number Publication Date
CN115471698A true CN115471698A (zh) 2022-12-13
CN115471698B CN115471698B (zh) 2023-06-30

Family

ID=84369503

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211085961.8A Active CN115471698B (zh) 2022-09-06 2022-09-06 基于深度学习网络的输变电工程遥感图像分类方法及系统

Country Status (1)

Country Link
CN (1) CN115471698B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108038701A (zh) * 2018-03-20 2018-05-15 杭州恩牛网络技术有限公司 一种集成学习反欺诈测试方法及系统
CN110245644A (zh) * 2019-06-22 2019-09-17 福州大学 一种基于深度学习的无人机图像输电杆塔倒伏识别的方法
US20200320419A1 (en) * 2019-01-31 2020-10-08 Wangsu Science & Technology Co., Ltd. Method and device of classification models construction and data prediction
CN113822373A (zh) * 2021-10-27 2021-12-21 南京大学 一种基于集成与知识蒸馏的图像分类模型训练方法
CN114241234A (zh) * 2021-12-01 2022-03-25 海南神灯网络技术有限公司 细粒度图像分类方法、装置、设备及介质
WO2022171011A1 (zh) * 2021-02-09 2022-08-18 百果园技术(新加坡)有限公司 视频审核模型训练方法、视频审核方法及相关装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108038701A (zh) * 2018-03-20 2018-05-15 杭州恩牛网络技术有限公司 一种集成学习反欺诈测试方法及系统
US20200320419A1 (en) * 2019-01-31 2020-10-08 Wangsu Science & Technology Co., Ltd. Method and device of classification models construction and data prediction
CN110245644A (zh) * 2019-06-22 2019-09-17 福州大学 一种基于深度学习的无人机图像输电杆塔倒伏识别的方法
WO2022171011A1 (zh) * 2021-02-09 2022-08-18 百果园技术(新加坡)有限公司 视频审核模型训练方法、视频审核方法及相关装置
CN113822373A (zh) * 2021-10-27 2021-12-21 南京大学 一种基于集成与知识蒸馏的图像分类模型训练方法
CN114241234A (zh) * 2021-12-01 2022-03-25 海南神灯网络技术有限公司 细粒度图像分类方法、装置、设备及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
周福送 等: "基于强监督部件模型的遥感图像目标检测", 计算机应用, no. 06, pages 246 - 250 *

Also Published As

Publication number Publication date
CN115471698B (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
CN114092832B (zh) 一种基于并联混合卷积网络的高分辨率遥感影像分类方法
CN109034177B (zh) 一种移动智能终端室内外识别方法
CN104407589A (zh) 面向车间制造过程的实时生成性能主动感知与异常分析方法
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
CN112990558B (zh) 一种基于深度迁移学习的气象温度、光照的预测方法
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
WO2021013190A1 (zh) 基于气象参数的高速列车导航盲区定位方法及系统
CN109151750A (zh) 一种基于循环神经网络模型的lte室内定位楼层判别方法
US20240190442A1 (en) Complex network-based complex environment model, cognition system, and cognition method of autonomous vehicle
CN114693064B (zh) 一种建筑群方案生成性能评价方法
CN116307291B (zh) 一种基于小波分解的分布式光伏发电预测方法及预测终端
CN115099296A (zh) 基于深度学习算法的海浪高度预测方法
CN110321960A (zh) 一种工厂生产要素的预测方法及系统
CN111563467A (zh) 一种基于机器视觉的太阳能板清洁系统
CN110533063A (zh) 一种基于卫星影像和gmdh神经网络的云量计算方法及装置
CN114078237A (zh) 一种遥感影像道路变化识别方法及装置
CN113496210A (zh) 基于注意力机制的光伏组串跟踪及故障跟踪方法
CN116147712B (zh) 免时空限制的立体式施工环境监测装置及预测方法
CN113671599A (zh) 一种基于全球气候模式的登陆气旋识别方法
CN115471698B (zh) 基于深度学习网络的输变电工程遥感图像分类方法及系统
CN116822159B (zh) 一种人机环境动静融合的数字孪生车间快速建模方法
CN111061151B (zh) 一种基于多元卷积神经网络的分布式能源状态监测方法
CN115296295B (zh) 基于聚类分析和图论的低压配电台区拓扑辨识方法及系统
CN115587664A (zh) 基于图卷积长短期记忆网络的太阳辐射预测方法及系统
CN113970799A (zh) 基于窄带通信的桥梁气象监测系统、方法、设备及存储介质

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