CN115620211B - 阻燃低烟无卤护套的性能数据处理方法及系统 - Google Patents
阻燃低烟无卤护套的性能数据处理方法及系统 Download PDFInfo
- Publication number
- CN115620211B CN115620211B CN202211554410.1A CN202211554410A CN115620211B CN 115620211 B CN115620211 B CN 115620211B CN 202211554410 A CN202211554410 A CN 202211554410A CN 115620211 B CN115620211 B CN 115620211B
- Authority
- CN
- China
- Prior art keywords
- image
- sheath
- target
- performance
- typical
- 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.)
- Active
Links
- 239000003063 flame retardant Substances 0.000 title claims abstract description 122
- 239000000779 smoke Substances 0.000 title claims abstract description 122
- RNFJDJUURJAICM-UHFFFAOYSA-N 2,2,4,4,6,6-hexaphenoxy-1,3,5-triaza-2$l^{5},4$l^{5},6$l^{5}-triphosphacyclohexa-1,3,5-triene Chemical compound N=1P(OC=2C=CC=CC=2)(OC=2C=CC=CC=2)=NP(OC=2C=CC=CC=2)(OC=2C=CC=CC=2)=NP=1(OC=1C=CC=CC=1)OC1=CC=CC=C1 RNFJDJUURJAICM-UHFFFAOYSA-N 0.000 title claims abstract description 110
- 238000003672 processing method Methods 0.000 title claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 137
- 229910052736 halogen Inorganic materials 0.000 claims abstract description 94
- 238000012216 screening Methods 0.000 claims abstract description 80
- 238000013528 artificial neural network Methods 0.000 claims abstract description 72
- 238000012545 processing Methods 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 54
- 230000008569 process Effects 0.000 claims abstract description 31
- 238000011056 performance test Methods 0.000 claims abstract description 30
- 150000002367 halogens Chemical class 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 19
- 238000005065 mining Methods 0.000 claims description 6
- 230000000717 retained effect Effects 0.000 claims description 6
- 238000013506 data mapping Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 80
- 238000004364 calculation method Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/02—Details
- G01N3/06—Special adaptations of indicating or recording means
- G01N3/068—Special adaptations of indicating or recording means with optical indicating or recording means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/08—Investigating strength properties of solid materials by application of mechanical stress by applying steady tensile or compressive forces
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/0001—Type of application of the stress
- G01N2203/0003—Steady
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/0014—Type of force applied
- G01N2203/0016—Tensile or compressive
- G01N2203/0017—Tensile
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/02—Details not specific for a particular testing method
- G01N2203/06—Indicating or recording means; Sensing means
- G01N2203/0641—Indicating or recording means; Sensing means using optical, X-ray, ultraviolet, infrared or similar detectors
- G01N2203/0647—Image analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供的阻燃低烟无卤护套的性能数据处理方法及系统,涉及数据处理技术领域。在本发明中,在对目标阻燃低烟无卤护套进行性能测试的过程中,对目标阻燃低烟无卤护套进行图像采集,以输出目标阻燃低烟无卤护套对应的目标图像集合。对目标图像集合包括的多个护套测试图像帧进行筛选处理,输出目标图像集合对应的筛选图像集合,筛选图像集合包括的护套测试图像帧的数量不大于目标图像集合包括的护套测试图像帧的数量。采用预先更新得到的性能识别神经网络,对筛选图像集合进行识别处理,以输出目标阻燃低烟无卤护套对应的性能识别结果。通过上述的内容,可以在一定程度上提高性能测试的效率。
Description
技术领域
本发明涉及数据处理技术领域,具体而言,涉及一种阻燃低烟无卤护套的性能数据处理方法及系统。
背景技术
阻燃低烟无卤护套的应用场景较多,使得其性能需求也较高。因而,在阻燃低烟无卤护套投入使用之前,一般需要对阻燃低烟无卤护套进行性能测试,如应力测试等。但是,在现有技术中,在对性能进行测试的过程中,存在着测试的效率不高的问题。
发明内容
有鉴于此,本发明的目的在于提供一种阻燃低烟无卤护套的性能数据处理方法及系统,以在一定程度上提高性能测试的效率。
为实现上述目的,本发明实施例采用如下技术方案:
一种阻燃低烟无卤护套的性能数据处理方法,应用于性能数据处理服务器,所述性能数据处理方法包括:
在对目标阻燃低烟无卤护套进行性能测试的过程中,对所述目标阻燃低烟无卤护套进行图像采集,以输出所述目标阻燃低烟无卤护套对应的目标图像集合,所述目标图像集合包括多个护套测试图像帧;
对所述目标图像集合包括的多个护套测试图像帧进行筛选处理,输出所述目标图像集合对应的筛选图像集合,所述筛选图像集合包括的护套测试图像帧的数量不大于所述目标图像集合包括的护套测试图像帧的数量;
采用预先更新得到的性能识别神经网络,对所述筛选图像集合进行识别处理,以输出所述目标阻燃低烟无卤护套对应的性能识别结果。
在一些优选的实施例中,在上述阻燃低烟无卤护套的性能数据处理方法中,所述在对目标阻燃低烟无卤护套进行性能测试的过程中,对所述目标阻燃低烟无卤护套进行图像采集,以输出所述目标阻燃低烟无卤护套对应的目标图像集合的步骤,包括:
控制性能测试设备对目标阻燃低烟无卤护套进行性能测试,所述性能测试至少包括,对所述目标阻燃低烟无卤护套进行应力测试;
在所述性能测试设备对所述目标阻燃低烟无卤护套进行性能测试的过程中,通过图像采集设备对所述目标阻燃低烟无卤护套进行连续的图像采集,以形成所述目标阻燃低烟无卤护套对应的目标图像集合。
在一些优选的实施例中,在上述阻燃低烟无卤护套的性能数据处理方法中,所述对所述目标图像集合包括的多个护套测试图像帧进行筛选处理,输出所述目标图像集合对应的筛选图像集合的步骤,包括:
分别对所述目标图像集合包括的多个护套测试图像帧中的每两个时序相邻的护套测试图像帧进行图像帧相似度的计算;
依据每两个时序相邻的护套测试图像帧之间的图像帧相似度,对所述目标图像集合包括的多个护套测试图像帧进行筛选处理,以基于筛选保留的护套测试图像帧组合形成所述目标图像集合对应的筛选图像集合。
在一些优选的实施例中,在上述阻燃低烟无卤护套的性能数据处理方法中,所述依据每两个时序相邻的护套测试图像帧之间的图像帧相似度,对所述目标图像集合包括的多个护套测试图像帧进行筛选处理,以基于筛选保留的护套测试图像帧组合形成所述目标图像集合对应的筛选图像集合的步骤,包括:
依据每两个时序相邻的护套测试图像帧之间的图像帧相似度,对所述目标图像集合进行鉴别操作,以确定所述目标图像集合中是否包括至少一个第一图像帧片段,每一个所述第一图像帧片段包括的护套测试图像帧的数量大于或等于设定数量,且所述第一图像帧片段包括的每两个时序相邻的护套测试图像帧之间的图像帧相似度大于或等于设定相似度;
在所述目标图像集合中未包括至少一个第一图像帧片段的情况下,将所述目标图像集合标记为对应的筛选图像集合;
在所述目标图像集合中包括至少一个第一图像帧片段的情况下,分别对每一个所述第一图像帧片段包括的每两个时序相邻的护套测试图像帧之间的图像帧相似度的均值进行计算,输出每一个所述第一图像帧片段包括的每两个时序相邻的护套测试图像帧之间的图像帧相似度的均值;
分别依据每一个所述第一图像帧片段包括的每两个时序相邻的护套测试图像帧之间的图像帧相似度的均值,对每一个所述第一图像帧片段包括的护套测试图像帧进行采样处理,再将采样处理得到的护套测试图像帧和所述至少一个第一图像帧片段以外的每一个护套测试图像帧,组合形成所述目标图像集合对应的筛选图像集合,所述采样处理的采样参数与采样处理对应的所述第一图像帧片段包括的护套测试图像帧之间图像帧相似度的均值之间具有正相关的对应关系,使得所述图像帧相似度的均值与对应进行的采样处理得到的护套测试图像帧的数量之间具有负相关的对应关系。
在一些优选的实施例中,在上述阻燃低烟无卤护套的性能数据处理方法中,所述采用预先更新得到的性能识别神经网络,对所述筛选图像集合进行识别处理,以输出所述目标阻燃低烟无卤护套对应的性能识别结果的步骤,包括:
依据多个典型图像集合对,对待更新神经网络进行更新处理,形成对应的性能识别神经网络,每一个所述典型图像集合对包括典型图像参考集合和与所述典型图像参考集合属于相关图像集合的典型图像对比集合,所述相关图像集合用于表示,所述典型图像参考集合包括的典型护套参考图像帧对应的第一阻燃低烟无卤护套的性能和所述典型图像对比集合包括的典型护套对比图像帧对应的第二阻燃低烟无卤护套的性能一致;
采用所述性能识别神经网络,对所述筛选图像集合进行识别处理,以输出所述目标阻燃低烟无卤护套对应的性能识别结果。
在一些优选的实施例中,在上述阻燃低烟无卤护套的性能数据处理方法中,所述性能识别神经网络是通过网络更新中计算出的网络识别学习代价值和数据相关性学习代价值,对所述待更新神经网络的网络权重进行更新形成,以及,所述网络识别学习代价值通过所述待更新神经网络对所述典型图像参考集合挖掘出的参考图像代表信息计算输出,以及,所述数据相关性学习代价值通过所述参考图像代表信息和所述待更新神经网络对所述典型图像对比集合挖掘出的对比图像代表信息计算输出。
在一些优选的实施例中,在上述阻燃低烟无卤护套的性能数据处理方法中,所述采用预先更新得到的性能识别神经网络,对所述筛选图像集合进行识别处理,以输出所述目标阻燃低烟无卤护套对应的性能识别结果的步骤,还包括:
依据从护套测试图像数据库中提取出的多个典型护套图像帧,组合形成所述多个典型图像集合对,再通过所述多个典型图像集合对对所述待更新神经网络进行网络权重的更新;
在对所述待更新神经网络进行网络权重的更新的过程中,将随机确定的一个典型图像集合对包括的所述典型图像参考集合加载至所述待更新神经网络中进行信息挖掘,输出对应的所述参考图像代表信息;
将所述随机确定的一个典型图像集合对包括的所述典型图像对比集合加载至所述待更新神经网络中进行信息挖掘,输出所述对比图像代表信息;
提取到所述参考图像代表信息的配置性能识别结果;
将所述参考图像代表信息与配置的重要度分布数据进行融合,输出所述参考图像代表信息与多个对比性能识别结果中的每一个对比性能识别结果之间的第一信息相关度,所述重要度分布数据是在对所述待更新神经网络进行网络权重的更新的过程中确定的,所述多个对比性能识别结果包括所述配置性能识别结果;
分别对多个所述第一信息相关度进行数据映射,输出所述参考图像代表信息与所述每一个对比性能识别结果之间的信息相关度;从所述参考图像代表信息与所述每一个对比性能识别结果之间的信息相关度中,匹配出所述参考图像代表信息与所述配置性能识别结果之间的信息相关度;
依据所述参考图像代表信息与所述配置性能识别结果之间的信息相关度计算输出所述网络识别学习代价值,再依据所述参考图像代表信息和所述对比图像代表信息计算输出所述数据相关性学习代价值;
依据所述网络识别学习代价值和所述数据相关性学习代价值计算输出总的学习代价值,再依据所述总的学习代价值对所述待更新神经网络的网络权重进行更新,输出所述性能识别神经网络。
在一些优选的实施例中,在上述阻燃低烟无卤护套的性能数据处理方法中,所述典型图像对比集合的数量大于或等于1,每一个典型图像对比集合与一个对比图像代表信息对应,所述依据所述参考图像代表信息和所述对比图像代表信息计算输出所述数据相关性学习代价值的步骤,包括:
分别对所述参考图像代表信息与每一个所述对比图像代表信息进行相关性确定,输出所述参考图像代表信息与每一个所述对比图像代表信息之间的相关性特征值;
依据每一个所述对比图像代表信息,分析出估计性能识别结果与所述参考图像代表信息的配置性能识别结果一致的匹配对比图像代表信息;
依据所述参考图像代表信息与所述匹配对比图像代表信息之间的相关性特征值,分析出所述数据相关性学习代价值。
在一些优选的实施例中,在上述阻燃低烟无卤护套的性能数据处理方法中,随机确定的一个典型图像集合对包括的所述典型图像对比集合依据所述典型图像参考集合形成,所述采用预先更新得到的性能识别神经网络,对所述筛选图像集合进行识别处理,以输出所述目标阻燃低烟无卤护套对应的性能识别结果的步骤,还包括:
对所述典型图像参考集合进行相关图像更新,输出与所述典型图像参考集合为相关图像集合的所述典型图像对比集合;或者,
将所述典型图像参考集合加载至相关图像集合输出网络中,分析输出与所述典型图像参考集合属于相关图像集合的所述典型图像对比集合。
本发明实施例还提供一种阻燃低烟无卤护套的性能数据处理系统,应用于性能数据处理服务器,所述性能数据处理系统包括:
测试图像采集模块,用于在对目标阻燃低烟无卤护套进行性能测试的过程中,对所述目标阻燃低烟无卤护套进行图像采集,以输出所述目标阻燃低烟无卤护套对应的目标图像集合,所述目标图像集合包括多个护套测试图像帧;
图像集合筛选模块,用于对所述目标图像集合包括的多个护套测试图像帧进行筛选处理,输出所述目标图像集合对应的筛选图像集合,所述筛选图像集合包括的护套测试图像帧的数量不大于所述目标图像集合包括的护套测试图像帧的数量;
性能识别模块,用于采用预先更新得到的性能识别神经网络,对所述筛选图像集合进行识别处理,以输出所述目标阻燃低烟无卤护套对应的性能识别结果。
本发明实施例提供的一种阻燃低烟无卤护套的性能数据处理方法及系统,在对目标阻燃低烟无卤护套进行性能测试的过程中,对目标阻燃低烟无卤护套进行图像采集,以输出目标阻燃低烟无卤护套对应的目标图像集合。对目标图像集合包括的多个护套测试图像帧进行筛选处理,输出目标图像集合对应的筛选图像集合,筛选图像集合包括的护套测试图像帧的数量不大于目标图像集合包括的护套测试图像帧的数量。采用预先更新得到的性能识别神经网络,对筛选图像集合进行识别处理,以输出目标阻燃低烟无卤护套对应的性能识别结果。由于筛选图像集合包括的护套测试图像帧的数量不大于目标图像集合包括的护套测试图像帧的数量,使得在依据所述筛选图像集合进行性能识别时,可以在一定程度上降低形成识别的数据量,从而在一定程度上提高性能测试的效率。另外,利用神经网络的高精度,可以在一定程度上提高性能测试的准确度。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
图1为本发明实施例提供的性能数据处理服务器的结构框图。
图2为本发明实施例提供的阻燃低烟无卤护套的性能数据处理方法包括的各步骤的流程示意图。
图3为本发明实施例提供的阻燃低烟无卤护套的性能数据处理系统包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例只是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供了一种性能数据处理服务器。其中,所述性能数据处理服务器可以包括存储器和处理器。
需要说明的是,在一些示例性的实施方式中,所述存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。例如,相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件(firmware)的形式,存在的软件功能模块。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序,从而实现本发明实施例提供的阻燃低烟无卤护套的性能数据处理方法。
需要说明的是,在一些示例性的实施方式中,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(ErasableProgrammable Read-Only Memory,EPROM),电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory,EEPROM)等。所述处理器可以是一种通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、片上系统(System on Chip,SoC)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
需要说明的是,在一些示例性的实施方式中,图1所示的结构仅为示意,所述性能数据处理服务器还可包括比图1中所示更多或者更少的组件,或具有与图1所示不同的配置,例如,可以包括用于与其它设备(如图像采集设备、性能测试设备等)进行信息交互的通信单元。
结合图2,本发明实施例还提供一种阻燃低烟无卤护套的性能数据处理方法,可应用于上述性能数据处理服务器。其中,所述阻燃低烟无卤护套的性能数据处理方法有关的流程所定义的方法步骤,可以由所述性能数据处理服务器实现。下面将对图2所示的具体流程,进行详细阐述。
步骤110,在对目标阻燃低烟无卤护套进行性能测试的过程中,对所述目标阻燃低烟无卤护套进行图像采集,以输出所述目标阻燃低烟无卤护套对应的目标图像集合。
在本发明实施例中,所述性能数据处理服务器可以在对目标阻燃低烟无卤护套进行性能测试的过程中,对所述目标阻燃低烟无卤护套进行图像采集,以输出所述目标阻燃低烟无卤护套对应的目标图像集合。所述目标图像集合包括多个护套测试图像帧。
步骤120,对所述目标图像集合包括的多个护套测试图像帧进行筛选处理,输出所述目标图像集合对应的筛选图像集合。
在本发明实施例中,所述性能数据处理服务器可以对所述目标图像集合包括的多个护套测试图像帧进行筛选处理,输出所述目标图像集合对应的筛选图像集合。所述筛选图像集合包括的护套测试图像帧的数量不大于所述目标图像集合包括的护套测试图像帧的数量。
步骤130,采用预先更新得到的性能识别神经网络,对所述筛选图像集合进行识别处理,以输出所述目标阻燃低烟无卤护套对应的性能识别结果。
在本发明实施例中,所述性能数据处理服务器可以采用预先更新得到的性能识别神经网络,对所述筛选图像集合进行识别处理,以输出所述目标阻燃低烟无卤护套对应的性能识别结果。
基于上述的各步骤的执行,由于筛选图像集合包括的护套测试图像帧的数量不大于目标图像集合包括的护套测试图像帧的数量,使得在依据所述筛选图像集合进行性能识别时,可以在一定程度上降低形成识别的数据量,从而在一定程度上提高性能测试的效率。另外,利用神经网络的高精度,可以在一定程度上提高性能测试的准确度。
需要说明的是,在一些示例性的实施方式中,上述描述中的部分内容,即步骤110,可以包括以下具体的步骤:
控制性能测试设备对目标阻燃低烟无卤护套进行性能测试,所述性能测试至少包括,对所述目标阻燃低烟无卤护套进行应力测试(例如,通过所述性能测试设备对所述目标阻燃低烟无卤护套进行不同拉力的拉伸等);
在所述性能测试设备对所述目标阻燃低烟无卤护套进行性能测试的过程中,通过图像采集设备对所述目标阻燃低烟无卤护套进行连续的图像采集,以形成所述目标阻燃低烟无卤护套对应的目标图像集合(如此,使得所述目标图像集合包括的多个护套测试图像帧可以充分反映出所述目标阻燃低烟无卤护套在不同拉力下的变性情况)。
需要说明的是,在一些示例性的实施方式中,上述描述中的部分内容,即步骤120,可以包括以下具体的步骤:
分别对所述目标图像集合包括的多个护套测试图像帧中的每两个时序相邻的护套测试图像帧进行图像帧相似度的计算(也就是说,对采集时间相邻的每两个护套测试图像帧都进行图像帧相似度的计算);
依据每两个时序相邻的护套测试图像帧之间的图像帧相似度,对所述目标图像集合包括的多个护套测试图像帧进行筛选处理,以基于筛选保留的护套测试图像帧组合形成所述目标图像集合对应的筛选图像集合。
需要说明的是,在一些示例性的实施方式中,上述描述中的部分内容,即所述分别对所述目标图像集合包括的多个护套测试图像帧中的每两个时序相邻的护套测试图像帧进行图像帧相似度的计算的步骤,可以包括以下具体的步骤:
对于两个时序相邻的护套测试图像帧中的每一个护套测试图像帧,对该护套测试图像帧进行护套轮廓识别操作(轮廓识别的具体方式,可以参照现有的相关技术,在此不做具体的限定),以输出该护套测试图像帧对应的护套轮廓信息,再从该护套轮廓信息中提取出每一个线段端点(也就是说,可以先将所述护套轮廓信息分解为对应的多条线段,包括直线线段和曲线线段,再提取每一条线段的端点,形成对应的线段端点集合),以组合形成该护套测试图像帧对应的线段端点集合;
对于形成的第一个线段端点集合,依据该第一个线段端点集合包括的每两个第一线段端点是否通过对应的护套轮廓信息中的线段连接,构建形成该第一线段端点集合对应的第一端点分布网络,在所述第一端点分布网络中,具有直接连接关系的两个第一线段端点之间在对应的护套测试图像帧中通过对应的护套轮廓信息中的线段连接,以及,具有直接连接关系的两个第一线段端点之间的第一连接边表示该两个第一线段端点之间的端点相关关系程度,该端点相关关系程度与在对应的护套测试图像帧中连接的线段的长度负相关(也就是说,长度越多,关系程度越小);
对于形成的第二个线段端点集合,依据该第二个线段端点集合包括的每两个第二线段端点是否通过对应的护套轮廓信息中的线段连接,构建形成该第二线段端点集合对应的第二端点分布网络,在所述第二端点分布网络中,具有直接连接关系的两个第二线段端点之间在对应的护套测试图像帧中通过对应的护套轮廓信息中的线段连接,以及,具有直接连接关系的两个第二线段端点之间的第二连接边表示该两个第二线段端点之间的端点相关关系程度,该端点相关关系程度与在对应的护套测试图像帧中连接的线段的长度负相关;
对于所述第一端点分布网络中不具有直接连接关系的每两个第一线段端点,以该两个第一线段端点为起点和终点,在所述第一端点分布网络中进行游走,以形成该两个第一线段端点对应的第一游走路径集合(也就是说,每一条第一游走路径的起点和终点都是该两个第一线段端点,并且,一条游走路径上的每相邻第一线段端点之间再所述第一端点分布网络中都具有直接连接的关系),再依据该第一游走路径集合包括的每一条第一游走路径包括的每一条第一连接边反映的端点相关关系程度,确定出该两个第一线段端点之间的端点相关关系程度(例如,可以先针对每一条第一游走路径,先对该第一游走路径包括的每一条第一连接边反映的端点相关关系程度进行均值或乘积计算,以输出该第一游走路径对应的代表端点相关关系程度,在从每一条第一游走路径对应的代表端点相关关系程度中,将均值、中位值、最大值或最小值,作为该两个第一线段端点之间的端点相关关系程度),以及,依据该端点相关关系程度对所述第一端点分布网络进行更新(即将该不具有直接连接关系的每两个第一线段端点进行连接),输出目标第一端点分布网络,在所述目标第一端点分布网络中,每两个第一线段端点之间直接连接;
对于所述第二端点分布网络中不具有直接连接关系的每两个第二线段端点,以该两个第二线段端点为起点和终点,在所述第二端点分布网络中进行游走,以形成该两个第二线段端点对应的第二游走路径集合,再依据该第二游走路径集合包括的每一条第二游走路径包括的每一条第二连接边反映的端点相关关系程度,确定出该两个第二线段端点之间的端点相关关系程度,以及,依据该端点相关关系程度对所述第二端点分布网络进行更新,输出目标第二端点分布网络,在所述目标第二端点分布网络中,每两个第二线段端点之间直接连接(与上述处理过程相同);
对所述目标第一端点分布网络进行游走,以形成所述目标第一端点分布网络对应的目标第一游走路径集合,再对所述目标第二端点分布网络进行游走,以形成所述目标第二端点分布网络对应的目标第二游走路径集合,以及,依据所述目标第一游走路径集合包括的目标第一游走路径和所述目标第二游走路径集合包括的第二游走路径之间的相似度(例如,可以先计算每一条目标第一游走路径和每一条目标第二游走路径的路径相似度,再将各路径相似度进行融合,如均值计算或加权均值计算等,以输出图像帧相似度,其中,路径相似度的计算,可以参照现有技术中关于轨迹相似度的计算方式,在此不做具体的限定和描述;另外,若在融合时采用的是加权均值计算,其对应的加权系数可以依据对应的目标第一游走路径和目标第二游走路径的长度确定,例如,对应的目标第一游走路径和目标第二游走路径的长度的平均值越大,对应的加权系数可以越大,对应的目标第一游走路径和目标第二游走路径的长度的平均值越小,对应的加权系数可以越小),确定出所述两个时序相邻的护套测试图像帧之间的图像帧相似度。
需要说明的是,在一些示例性的实施方式中,上述描述中的部分内容,即所述依据每两个时序相邻的护套测试图像帧之间的图像帧相似度,对所述目标图像集合包括的多个护套测试图像帧进行筛选处理,以基于筛选保留的护套测试图像帧组合形成所述目标图像集合对应的筛选图像集合的步骤,可以包括以下具体的步骤:
依据每两个时序相邻的护套测试图像帧之间的图像帧相似度,对所述目标图像集合进行鉴别操作,以确定所述目标图像集合中是否包括至少一个第一图像帧片段,每一个所述第一图像帧片段包括的护套测试图像帧的数量大于或等于设定数量,且所述第一图像帧片段包括的每两个时序相邻的护套测试图像帧之间的图像帧相似度大于或等于设定相似度(所述设定数量和所述设定相似度对应的具体数值可以根据实际情况配置,例如,所述设定数量可以是10帧、所述设定相似度可以是0.98等);
在所述目标图像集合中未包括至少一个第一图像帧片段的情况下,将所述目标图像集合标记为对应的筛选图像集合;
在所述目标图像集合中包括至少一个第一图像帧片段的情况下,分别对每一个所述第一图像帧片段包括的每两个时序相邻的护套测试图像帧之间的图像帧相似度的均值进行计算,输出每一个所述第一图像帧片段包括的每两个时序相邻的护套测试图像帧之间的图像帧相似度的均值;
分别依据每一个所述第一图像帧片段包括的每两个时序相邻的护套测试图像帧之间的图像帧相似度的均值,对每一个所述第一图像帧片段包括的护套测试图像帧进行采样处理,再将采样处理得到的护套测试图像帧和所述至少一个第一图像帧片段以外的每一个护套测试图像帧,组合形成所述目标图像集合对应的筛选图像集合,所述采样处理的采样参数(所述采样参数用于反映每间隔多少帧采样一帧)与采样处理对应的所述第一图像帧片段包括的护套测试图像帧之间图像帧相似度的均值之间具有正相关的对应关系,使得所述图像帧相似度的均值与对应进行的采样处理得到的护套测试图像帧的数量之间具有负相关的对应关系。
需要说明的是,在一些示例性的实施方式中,上述描述中的部分内容,即步骤130,可以包括以下具体的步骤:
依据多个典型图像集合对,对待更新神经网络进行更新处理,形成对应的性能识别神经网络,每一个所述典型图像集合对包括典型图像参考集合和与所述典型图像参考集合属于相关图像集合的典型图像对比集合,所述相关图像集合用于表示,所述典型图像参考集合包括的典型护套参考图像帧对应的第一阻燃低烟无卤护套的性能和所述典型图像对比集合包括的典型护套对比图像帧对应的第二阻燃低烟无卤护套的性能一致;
采用所述性能识别神经网络,对所述筛选图像集合进行识别处理,以输出所述目标阻燃低烟无卤护套对应的性能识别结果。
需要说明的是,在一些示例性的实施方式中,所述性能识别神经网络是通过网络更新中计算出的网络识别学习代价值和数据相关性学习代价值,对所述待更新神经网络的网络权重进行更新形成,以及,所述网络识别学习代价值通过所述待更新神经网络对所述典型图像参考集合挖掘出的参考图像代表信息计算输出,以及,所述数据相关性学习代价值通过所述参考图像代表信息和所述待更新神经网络对所述典型图像对比集合挖掘出的对比图像代表信息计算输出(也就是说,依据多个相关图像集合实现网络的联合学习,使得更新依据,不仅包含了对典型图像参考集合进行识别的识别代价值,还包含了学习相关图像集合之间的相关性的代价值,使得等下得到的性能识别神经网络泛化能力强,以提高识别的准确度)。
需要说明的是,在一些示例性的实施方式中,上述描述中的部分内容,即步骤130,还可以包括以下具体的步骤:
依据从护套测试图像数据库中提取出的多个典型护套图像帧,组合形成所述多个典型图像集合对(示例性地,所述多个典型图像集合对中的每一个典型图像集合对,该典型图像集合对包括的典型图像参考集合包括的各图像帧来自于一个阻燃低烟无卤护套,同样地,该典型图像集合对包括的典型图像对比集合包括的各图像帧来自于一个阻燃低烟无卤护套,以及,该典型图像参考集合包括的各图像帧和典型图像对比集合包括的各图像帧来自于对不同的阻燃低烟无卤护套进行测试),再通过所述多个典型图像集合对对所述待更新神经网络进行网络权重的更新;
在对所述待更新神经网络进行网络权重的更新的过程中,将随机确定的一个典型图像集合对包括的所述典型图像参考集合加载至所述待更新神经网络中进行信息挖掘,输出对应的所述参考图像代表信息(所述参考图像代表信息可以用于特征向量的方式来表示);
将所述随机确定的一个典型图像集合对包括的所述典型图像对比集合加载至所述待更新神经网络中进行信息挖掘,输出所述对比图像代表信息(所述对比图像代表信息可以用于特征向量的方式来表示);
提取到所述参考图像代表信息的配置性能识别结果(所述配置性能识别结果可以是通过相关用户进行的相关配置操作生成,用于反映所述典型图像对比集合对应的阻燃低烟无卤护套的真实性能);
将所述参考图像代表信息与配置的重要度分布数据进行融合(所述重要度分布数据也可以是采用向量的方式来表示,如此,该融合可以是指向量相乘,示例性地,对比性能识别结果为10个,则重要度分布数据共有10个值,其中,所述对比形成识别结果为所述待更新神经网络对典型图像参考集合进行识别的结果),输出所述参考图像代表信息与多个对比性能识别结果中的每一个对比性能识别结果之间的第一信息相关度,所述重要度分布数据是在对所述待更新神经网络进行网络权重的更新的过程中确定的,所述多个对比性能识别结果包括所述配置性能识别结果;
分别对多个所述第一信息相关度进行数据映射(例如,可以将所述多个第一信息相关度都映射到指定范围区间),输出所述参考图像代表信息与所述每一个对比性能识别结果之间的信息相关度;从所述参考图像代表信息与所述每一个对比性能识别结果之间的信息相关度中,匹配出所述参考图像代表信息与所述配置性能识别结果之间的信息相关度;
依据所述参考图像代表信息与所述配置性能识别结果之间的信息相关度计算输出所述网络识别学习代价值,再依据所述参考图像代表信息和所述对比图像代表信息计算输出所述数据相关性学习代价值;
依据所述网络识别学习代价值和所述数据相关性学习代价值计算输出总的学习代价值,再依据所述总的学习代价值对所述待更新神经网络的网络权重进行更新,输出所述性能识别神经网络。
需要说明的是,在一些示例性的实施方式中,所述典型图像对比集合的数量大于或等于1,每一个典型图像对比集合与一个对比图像代表信息对应,基于此,上述描述中的部分内容,即所述依据所述参考图像代表信息和所述对比图像代表信息计算输出所述数据相关性学习代价值的步骤,可以包括以下具体的步骤:
分别对所述参考图像代表信息与每一个所述对比图像代表信息进行相关性确定(例如,在所述参考图像代表信息和所述对比图像代表信息通过向量表示时,可以计算向量之间的内积以确定相关性特征值),输出所述参考图像代表信息与每一个所述对比图像代表信息之间的相关性特征值;
依据每一个所述对比图像代表信息,分析出估计性能识别结果(所述估计性能识别结果属于所述待更新神经网络对所述典型图像对比集合进行识别的结果)与所述参考图像代表信息的配置性能识别结果一致的匹配对比图像代表信息(所述匹配对比图像代表信息为一个对比图像代表信息);
依据所述参考图像代表信息与所述匹配对比图像代表信息之间的相关性特征值(具体的学习代价确定函数,可以根据实际情况进行配置即可),分析出所述数据相关性学习代价值。
需要说明的是,在一些示例性的实施方式中,随机确定的一个典型图像集合对包括的所述典型图像对比集合依据所述典型图像参考集合形成,上述描述中的部分内容,即步骤130,还可以包括以下具体的步骤:
对所述典型图像参考集合进行相关图像更新(示例性地,可以通过其它相关的图像来进行图像的替换),输出与所述典型图像参考集合为相关图像集合的所述典型图像对比集合;或者,
将所述典型图像参考集合加载至相关图像集合输出网络(所述相关图像集合输出网络可以是通过编码网络和解码网络构成,可以通过预先确定的典型数据和对应的数据标签进行训练形成)中,分析输出与所述典型图像参考集合属于相关图像集合的所述典型图像对比集合;或者
考虑到在一些应用中所述典型图像参考集合和所述典型图像对比集合分别来自于不同的一个阻燃低烟无卤护套,因而,可以依据对应的测试性能,直接在数据库中进行筛选确定(即保障两者的测试性能相同)。
结合图3,本发明实施例还提供一种阻燃低烟无卤护套的性能数据处理系统,可应用于上述性能数据处理服务器。其中,所述阻燃低烟无卤护套的性能数据处理系统可以包括测试图像采集模块、图像集合筛选模块和性能识别模块,以及,可能的其它软件功能模块等。
需要说明的是,在一些示例性的实施方式中,所述测试图像采集模块,用于在对目标阻燃低烟无卤护套进行性能测试的过程中,对所述目标阻燃低烟无卤护套进行图像采集,以输出所述目标阻燃低烟无卤护套对应的目标图像集合,所述目标图像集合包括多个护套测试图像帧。
需要说明的是,在一些示例性的实施方式中,所述图像集合筛选模块,用于对所述目标图像集合包括的多个护套测试图像帧进行筛选处理,输出所述目标图像集合对应的筛选图像集合,所述筛选图像集合包括的护套测试图像帧的数量不大于所述目标图像集合包括的护套测试图像帧的数量。
需要说明的是,在一些示例性的实施方式中,所述性能识别模块,用于采用预先更新得到的性能识别神经网络,对所述筛选图像集合进行识别处理,以输出所述目标阻燃低烟无卤护套对应的性能识别结果。
综上所述,本发明提供的一种阻燃低烟无卤护套的性能数据处理方法及系统,在对目标阻燃低烟无卤护套进行性能测试的过程中,对目标阻燃低烟无卤护套进行图像采集,以输出目标阻燃低烟无卤护套对应的目标图像集合。对目标图像集合包括的多个护套测试图像帧进行筛选处理,输出目标图像集合对应的筛选图像集合,筛选图像集合包括的护套测试图像帧的数量不大于目标图像集合包括的护套测试图像帧的数量。采用预先更新得到的性能识别神经网络,对筛选图像集合进行识别处理,以输出目标阻燃低烟无卤护套对应的性能识别结果。由于筛选图像集合包括的护套测试图像帧的数量不大于目标图像集合包括的护套测试图像帧的数量,使得在依据所述筛选图像集合进行性能识别时,可以在一定程度上降低形成识别的数据量,从而在一定程度上提高性能测试的效率。另外,利用神经网络的高精度,可以在一定程度上提高性能测试的准确度。
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 (8)
1.一种阻燃低烟无卤护套的性能数据处理方法,其特征在于,应用于性能数据处理服务器,所述性能数据处理方法包括:
在对目标阻燃低烟无卤护套进行性能测试的过程中,对所述目标阻燃低烟无卤护套进行图像采集,以输出所述目标阻燃低烟无卤护套对应的目标图像集合,所述目标图像集合包括多个护套测试图像帧;
对所述目标图像集合包括的多个护套测试图像帧进行筛选处理,输出所述目标图像集合对应的筛选图像集合,所述筛选图像集合包括的护套测试图像帧的数量不大于所述目标图像集合包括的护套测试图像帧的数量;
采用预先更新得到的性能识别神经网络,对所述筛选图像集合进行识别处理,以输出所述目标阻燃低烟无卤护套对应的性能识别结果;
其中,所述采用预先更新得到的性能识别神经网络,对所述筛选图像集合进行识别处理,以输出所述目标阻燃低烟无卤护套对应的性能识别结果的步骤,包括:
依据多个典型图像集合对,对待更新神经网络进行更新处理,形成对应的性能识别神经网络,每一个所述典型图像集合对包括典型图像参考集合和与所述典型图像参考集合属于相关图像集合的典型图像对比集合,所述相关图像集合用于表示,所述典型图像参考集合包括的典型护套参考图像帧对应的第一阻燃低烟无卤护套的性能和所述典型图像对比集合包括的典型护套对比图像帧对应的第二阻燃低烟无卤护套的性能一致;
采用所述性能识别神经网络,对所述筛选图像集合进行识别处理,以输出所述目标阻燃低烟无卤护套对应的性能识别结果;
其中,所述性能识别神经网络是通过网络更新中计算出的网络识别学习代价值和数据相关性学习代价值,对所述待更新神经网络的网络权重进行更新形成,以及,所述网络识别学习代价值通过所述待更新神经网络对所述典型图像参考集合挖掘出的参考图像代表信息计算输出,以及,所述数据相关性学习代价值通过所述参考图像代表信息和所述待更新神经网络对所述典型图像对比集合挖掘出的对比图像代表信息计算输出。
2.如权利要求1所述的阻燃低烟无卤护套的性能数据处理方法,其特征在于,所述在对目标阻燃低烟无卤护套进行性能测试的过程中,对所述目标阻燃低烟无卤护套进行图像采集,以输出所述目标阻燃低烟无卤护套对应的目标图像集合的步骤,包括:
控制性能测试设备对目标阻燃低烟无卤护套进行性能测试,所述性能测试至少包括,对所述目标阻燃低烟无卤护套进行应力测试;
在所述性能测试设备对所述目标阻燃低烟无卤护套进行性能测试的过程中,通过图像采集设备对所述目标阻燃低烟无卤护套进行连续的图像采集,以形成所述目标阻燃低烟无卤护套对应的目标图像集合。
3.如权利要求1所述的阻燃低烟无卤护套的性能数据处理方法,其特征在于,所述对所述目标图像集合包括的多个护套测试图像帧进行筛选处理,输出所述目标图像集合对应的筛选图像集合的步骤,包括:
分别对所述目标图像集合包括的多个护套测试图像帧中的每两个时序相邻的护套测试图像帧进行图像帧相似度的计算;
依据每两个时序相邻的护套测试图像帧之间的图像帧相似度,对所述目标图像集合包括的多个护套测试图像帧进行筛选处理,以基于筛选保留的护套测试图像帧组合形成所述目标图像集合对应的筛选图像集合。
4.如权利要求3所述的阻燃低烟无卤护套的性能数据处理方法,其特征在于,所述依据每两个时序相邻的护套测试图像帧之间的图像帧相似度,对所述目标图像集合包括的多个护套测试图像帧进行筛选处理,以基于筛选保留的护套测试图像帧组合形成所述目标图像集合对应的筛选图像集合的步骤,包括:
依据每两个时序相邻的护套测试图像帧之间的图像帧相似度,对所述目标图像集合进行鉴别操作,以确定所述目标图像集合中是否包括至少一个第一图像帧片段,每一个所述第一图像帧片段包括的护套测试图像帧的数量大于或等于设定数量,且所述第一图像帧片段包括的每两个时序相邻的护套测试图像帧之间的图像帧相似度大于或等于设定相似度;
在所述目标图像集合中未包括至少一个第一图像帧片段的情况下,将所述目标图像集合标记为对应的筛选图像集合;
在所述目标图像集合中包括至少一个第一图像帧片段的情况下,分别对每一个所述第一图像帧片段包括的每两个时序相邻的护套测试图像帧之间的图像帧相似度的均值进行计算,输出每一个所述第一图像帧片段包括的每两个时序相邻的护套测试图像帧之间的图像帧相似度的均值;
分别依据每一个所述第一图像帧片段包括的每两个时序相邻的护套测试图像帧之间的图像帧相似度的均值,对每一个所述第一图像帧片段包括的护套测试图像帧进行采样处理,再将采样处理得到的护套测试图像帧和所述至少一个第一图像帧片段以外的每一个护套测试图像帧,组合形成所述目标图像集合对应的筛选图像集合,所述采样处理的采样参数与采样处理对应的所述第一图像帧片段包括的护套测试图像帧之间图像帧相似度的均值之间具有正相关的对应关系,使得所述图像帧相似度的均值与对应进行的采样处理得到的护套测试图像帧的数量之间具有负相关的对应关系。
5.如权利要求1所述的阻燃低烟无卤护套的性能数据处理方法,其特征在于,所述采用预先更新得到的性能识别神经网络,对所述筛选图像集合进行识别处理,以输出所述目标阻燃低烟无卤护套对应的性能识别结果的步骤,还包括:
依据从护套测试图像数据库中提取出的多个典型护套图像帧,组合形成所述多个典型图像集合对,再通过所述多个典型图像集合对对所述待更新神经网络进行网络权重的更新;
在对所述待更新神经网络进行网络权重的更新的过程中,将随机确定的一个典型图像集合对包括的所述典型图像参考集合加载至所述待更新神经网络中进行信息挖掘,输出对应的所述参考图像代表信息;
将所述随机确定的一个典型图像集合对包括的所述典型图像对比集合加载至所述待更新神经网络中进行信息挖掘,输出所述对比图像代表信息;
提取到所述参考图像代表信息的配置性能识别结果;
将所述参考图像代表信息与配置的重要度分布数据进行融合,输出所述参考图像代表信息与多个对比性能识别结果中的每一个对比性能识别结果之间的第一信息相关度,所述重要度分布数据是在对所述待更新神经网络进行网络权重的更新的过程中确定的,所述多个对比性能识别结果包括所述配置性能识别结果;
分别对多个所述第一信息相关度进行数据映射,输出所述参考图像代表信息与所述每一个对比性能识别结果之间的信息相关度;从所述参考图像代表信息与所述每一个对比性能识别结果之间的信息相关度中,匹配出所述参考图像代表信息与所述配置性能识别结果之间的信息相关度;
依据所述参考图像代表信息与所述配置性能识别结果之间的信息相关度计算输出所述网络识别学习代价值,再依据所述参考图像代表信息和所述对比图像代表信息计算输出所述数据相关性学习代价值;
依据所述网络识别学习代价值和所述数据相关性学习代价值计算输出总的学习代价值,再依据所述总的学习代价值对所述待更新神经网络的网络权重进行更新,输出所述性能识别神经网络。
6.如权利要求5所述的阻燃低烟无卤护套的性能数据处理方法,其特征在于,所述典型图像对比集合的数量大于或等于1,每一个典型图像对比集合与一个对比图像代表信息对应,所述依据所述参考图像代表信息和所述对比图像代表信息计算输出所述数据相关性学习代价值的步骤,包括:
分别对所述参考图像代表信息与每一个所述对比图像代表信息进行相关性确定,输出所述参考图像代表信息与每一个所述对比图像代表信息之间的相关性特征值;
依据每一个所述对比图像代表信息,分析出估计性能识别结果与所述参考图像代表信息的配置性能识别结果一致的匹配对比图像代表信息;
依据所述参考图像代表信息与所述匹配对比图像代表信息之间的相关性特征值,分析出所述数据相关性学习代价值。
7.如权利要求1所述的阻燃低烟无卤护套的性能数据处理方法,其特征在于,随机确定的一个典型图像集合对包括的所述典型图像对比集合依据所述典型图像参考集合形成,所述采用预先更新得到的性能识别神经网络,对所述筛选图像集合进行识别处理,以输出所述目标阻燃低烟无卤护套对应的性能识别结果的步骤,还包括:
对所述典型图像参考集合进行相关图像更新,输出与所述典型图像参考集合为相关图像集合的所述典型图像对比集合;或者,
将所述典型图像参考集合加载至相关图像集合输出网络中,分析输出与所述典型图像参考集合属于相关图像集合的所述典型图像对比集合。
8.一种阻燃低烟无卤护套的性能数据处理系统,其特征在于,应用于性能数据处理服务器,所述性能数据处理系统包括:
测试图像采集模块,用于在对目标阻燃低烟无卤护套进行性能测试的过程中,对所述目标阻燃低烟无卤护套进行图像采集,以输出所述目标阻燃低烟无卤护套对应的目标图像集合,所述目标图像集合包括多个护套测试图像帧;
图像集合筛选模块,用于对所述目标图像集合包括的多个护套测试图像帧进行筛选处理,输出所述目标图像集合对应的筛选图像集合,所述筛选图像集合包括的护套测试图像帧的数量不大于所述目标图像集合包括的护套测试图像帧的数量;
性能识别模块,用于采用预先更新得到的性能识别神经网络,对所述筛选图像集合进行识别处理,以输出所述目标阻燃低烟无卤护套对应的性能识别结果;
其中,所述采用预先更新得到的性能识别神经网络,对所述筛选图像集合进行识别处理,以输出所述目标阻燃低烟无卤护套对应的性能识别结果,包括:
依据多个典型图像集合对,对待更新神经网络进行更新处理,形成对应的性能识别神经网络,每一个所述典型图像集合对包括典型图像参考集合和与所述典型图像参考集合属于相关图像集合的典型图像对比集合,所述相关图像集合用于表示,所述典型图像参考集合包括的典型护套参考图像帧对应的第一阻燃低烟无卤护套的性能和所述典型图像对比集合包括的典型护套对比图像帧对应的第二阻燃低烟无卤护套的性能一致;
采用所述性能识别神经网络,对所述筛选图像集合进行识别处理,以输出所述目标阻燃低烟无卤护套对应的性能识别结果;
其中,所述性能识别神经网络是通过网络更新中计算出的网络识别学习代价值和数据相关性学习代价值,对所述待更新神经网络的网络权重进行更新形成,以及,所述网络识别学习代价值通过所述待更新神经网络对所述典型图像参考集合挖掘出的参考图像代表信息计算输出,以及,所述数据相关性学习代价值通过所述参考图像代表信息和所述待更新神经网络对所述典型图像对比集合挖掘出的对比图像代表信息计算输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211554410.1A CN115620211B (zh) | 2022-12-06 | 2022-12-06 | 阻燃低烟无卤护套的性能数据处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211554410.1A CN115620211B (zh) | 2022-12-06 | 2022-12-06 | 阻燃低烟无卤护套的性能数据处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115620211A CN115620211A (zh) | 2023-01-17 |
CN115620211B true CN115620211B (zh) | 2023-03-21 |
Family
ID=84880313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211554410.1A Active CN115620211B (zh) | 2022-12-06 | 2022-12-06 | 阻燃低烟无卤护套的性能数据处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115620211B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116561706B (zh) * | 2023-07-07 | 2023-09-15 | 广东易初科技股份有限公司 | 瓷性阻燃线材的性能数据处理方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108760814A (zh) * | 2018-06-21 | 2018-11-06 | 湖南湖大华龙电气与信息技术有限公司 | 一种复合绝缘子红外与毫米波联合智能检测方法及其装置 |
CN112200178A (zh) * | 2020-09-01 | 2021-01-08 | 广西大学 | 基于人工智能的变电站绝缘子红外图像检测方法 |
CN115272972A (zh) * | 2022-08-01 | 2022-11-01 | 四川发展环境科学技术研究院有限公司 | 一种基于遥感的人居环境监控方法及系统 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7277822B2 (en) * | 2000-09-28 | 2007-10-02 | Blemel Kenneth G | Embedded system for diagnostics and prognostics of conduits |
US6780016B1 (en) * | 2000-10-23 | 2004-08-24 | Christopher C. Toly | Human surgical trainer and methods for training |
CN105259078B (zh) * | 2015-11-02 | 2017-12-12 | 国网山东省电力公司电力科学研究院 | 一种复合绝缘子检测系统 |
CN107274451A (zh) * | 2017-05-17 | 2017-10-20 | 北京工业大学 | 基于共享卷积神经网络的绝缘子检测方法及装置 |
CN108198182B (zh) * | 2018-01-29 | 2020-11-10 | 广东电网有限责任公司电力科学研究院 | 一种复合绝缘子芯棒护套界面性能评价方法及装置 |
CN112200778A (zh) * | 2020-09-27 | 2021-01-08 | 桂林量具刃具有限责任公司 | 一种非接触式多线缆类型参数测量的方法及系统 |
CN112949679B (zh) * | 2021-01-25 | 2021-11-30 | 浙江大学 | 一种基于高光谱图像的电缆型号识别方法 |
CN112837286A (zh) * | 2021-01-29 | 2021-05-25 | 罗普特科技集团股份有限公司 | 一种用于支架变形的检测方法和系统 |
CN113506327A (zh) * | 2021-07-16 | 2021-10-15 | 成都产品质量检验研究院有限责任公司 | 一种断裂伸长率计算方法、装置及电子设备 |
CN115028912A (zh) * | 2022-06-06 | 2022-09-09 | 浙江六环电缆科技股份有限公司 | 低烟无卤低毒阻燃聚烯烃护套料 |
-
2022
- 2022-12-06 CN CN202211554410.1A patent/CN115620211B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108760814A (zh) * | 2018-06-21 | 2018-11-06 | 湖南湖大华龙电气与信息技术有限公司 | 一种复合绝缘子红外与毫米波联合智能检测方法及其装置 |
CN112200178A (zh) * | 2020-09-01 | 2021-01-08 | 广西大学 | 基于人工智能的变电站绝缘子红外图像检测方法 |
CN115272972A (zh) * | 2022-08-01 | 2022-11-01 | 四川发展环境科学技术研究院有限公司 | 一种基于遥感的人居环境监控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115620211A (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11816078B2 (en) | Automatic entity resolution with rules detection and generation system | |
CN112949710B (zh) | 一种图像的聚类方法和装置 | |
CN110717824A (zh) | 基于知识图谱的银行对公客群风险传导测算的方法及装置 | |
CN115098705B (zh) | 基于知识图谱推理的网络安全事件分析方法及系统 | |
CN115620211B (zh) | 阻燃低烟无卤护套的性能数据处理方法及系统 | |
WO2021120961A1 (zh) | 大脑成瘾结构图谱评估方法及装置 | |
CN113221104B (zh) | 用户异常行为的检测方法及用户行为重构模型的训练方法 | |
CN110348516B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN107766316B (zh) | 评价数据的分析方法、装置及系统 | |
CN114978037A (zh) | 太阳能电池性能数据监控方法及系统 | |
CN112232206B (zh) | 基于大数据和人工智能的人脸识别方法和人脸识别平台 | |
CN115267035B (zh) | 一种色谱仪故障诊断分析方法及系统 | |
CN111460419A (zh) | 物联网人工智能人脸验证方法及物联网云服务器 | |
CN115484044A (zh) | 一种数据状态的监控方法及系统 | |
CN115375886A (zh) | 一种基于云计算服务的数据采集方法及系统 | |
CN115700821B (zh) | 一种基于图像处理的细胞识别方法及系统 | |
CN112508135A (zh) | 模型训练方法、行人属性预测方法、装置及设备 | |
CN113349792B (zh) | 基于多导联心电信号的分类方法、装置、设备及介质 | |
CN115375412B (zh) | 基于图像识别的商品智能推荐处理方法及系统 | |
CN115631448B (zh) | 一种音视频质检处理方法及系统 | |
CN114978040B (zh) | 基于太阳能电池数据的衰减状况分析方法及系统 | |
CN113743387B (zh) | 视频行人重识别方法、装置、电子设备及可读存储介质 | |
CN116437057B (zh) | 乙硼烷生产监控系统的系统优化方法及系统 | |
CN112966988A (zh) | 基于XGBoost模型的数据评估方法、装置、设备及存储介质 | |
CN114238663B (zh) | 一种材料数据用知识图谱分析方法、系统、电子设备及介质 |
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 | ||
CP03 | Change of name, title or address |
Address after: No. 9, Xincheng Second Road, Xincheng Industrial Park, Xincheng Town, Xinxing County, Yunfu City, Guangdong Province 527300 Patentee after: Guangdong Xiangli Technology Group Co.,Ltd. Address before: 527499 No. 9, Xincheng Second Road, Xincheng Industrial Park, Xincheng Town, Xinxing County, Yunfu City, Guangdong Province Patentee before: GUANGDONG XIANGLI TECHNOLOGY Co.,Ltd. |
|
CP03 | Change of name, title or address |