CN116029957A - 基于马尔科夫链蒙特卡罗的绝缘子图像污秽识别方法 - Google Patents
基于马尔科夫链蒙特卡罗的绝缘子图像污秽识别方法 Download PDFInfo
- Publication number
- CN116029957A CN116029957A CN202111029250.4A CN202111029250A CN116029957A CN 116029957 A CN116029957 A CN 116029957A CN 202111029250 A CN202111029250 A CN 202111029250A CN 116029957 A CN116029957 A CN 116029957A
- Authority
- CN
- China
- Prior art keywords
- image
- pollution
- insulator
- insulator image
- sample
- 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
-
- 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
- Insulators (AREA)
- Image Analysis (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了基于马尔科夫链蒙特卡罗的绝缘子图像污秽识别方法,包括具体以下步骤:S1、建立绝缘子图像库;S2、配电线路的绝缘子图像库中绝缘子图像分为训练集和验证集两个部分;S3、建立绝缘子图像污秽识别样本集;S4、建立绝缘子图像污秽识别特征集;S5、构建贝叶斯卷积神经网络分类器,利用Xavier方法初始化贝叶斯卷积神经网络参数;S6、采用马尔科夫链蒙特卡罗法进行训练获得绝缘子图像污秽识别模型;S7、检测并识别绝缘子图像污秽类别。本发明采用马尔科夫链蒙特卡罗法获取绝缘子图像污秽识别模型提高绝缘子图像检测和污秽识别的效率,同时也保证绝缘子图像污秽识别的有效性和准确率。
Description
技术领域
本发明属于配电线路设备运行状态检修和计算机视觉技术领域,具体涉及基于马尔科夫链蒙特卡罗的绝缘子图像污秽识别方法。
背景技术
输电线路要将巨大的电流从发电厂送到远方用户,必须具有两个基本条件,一是为传输电流的导线提供机械支撑;二是防止电流对地形成通道接地,而绝缘子就具备这两种基本功能,所以绝缘子在输电线路中占有重要地位。
绝缘子表面的污秽容易导致电力行业设备外绝缘性能下降,进而引发诸多安全故障。传统的人工巡检方式存在效率和安全等诸多问题,容易受到当地地形和气候的影响,巡检难度较大。
另外传统的绝缘子图像污秽识别方法通常基于颜色形状特征,容易受到光照、天气、图像背景复杂等不确定因素影响,导致其识别准确率较低。基于贝叶斯概率模型的神经网络在模型参数和模型输出上加入概率分布来考虑不确定性因素的影响,但常用的变分推断方法搜寻最优近似分布的过程中,容易造成结果偏差,降低准确率,因此亟需研究出一种准确高效的绝缘子图像污秽识别方法。
发明内容
为了解决上述存在的技术问题,本发明提供基于马尔科夫链蒙特卡罗的绝缘子图像污秽识别方法,采用马尔科夫链蒙特卡罗法获取绝缘子图像污秽识别模型提高绝缘子图像检测和污秽识别的效率,同时也保证绝缘子图像污秽识别的有效性和准确率。
本发明所提供的技术方案如下:
基于马尔科夫链蒙特卡罗的绝缘子图像污秽识别方法,具体包括以下步骤:
S1、建立绝缘子图像库:利用无人机巡检采集配电线路的绝缘子图像数据并进行存储;
S2、将配电线路的绝缘子图像库中绝缘子图像分为训练集和验证集两个部分;
S3、建立绝缘子图像污秽识别样本集:将步骤S2中的训练集进行人工筛选、绝缘子图像有无污秽标记分类获得绝缘子图像污秽识别样本集即绝缘子图像有污秽样本集和绝缘子图像无污秽样本集;
S4、建立绝缘子图像污秽识别特征集:绝缘子图像污秽识别样本集中的每幅绝缘子图像进行分割预处理、特征提取及选择并将这些特征组合为一特征向量Y获得绝缘子图像污秽识别特征集并根据所述特征向量Y将绝缘子图像分为有污秽绝缘子图像和无污秽绝缘子图像两类;
S5、构建贝叶斯卷积神经网络分类器,利用Xavier方法初始化贝叶斯卷积神经网络参数:a、确定一幅图像特征的分布模型得到样本图像的先验概率以及类条件概率;b、利用贝叶斯公式计算出相应的后验概率;c、利用判决函数J(X) 得到满足要求的图像检索结果集;
S6、采用马尔科夫链蒙特卡罗法进行训练获得绝缘子图像污秽识别模型:采用数值采样的马尔科夫链蒙特卡罗方法对模型参数进行训练得到神经网络参数的概率分布,并优化模型参数获得绝缘子图像污秽识别模型;
S7、检测并识别绝缘子图像污秽类别:利用步骤S6中的绝缘子图像污秽识别模型对步骤2中的验证集进行检测,分别计算得出所述验证集中的绝缘子图像有污秽及无污秽的概率,并选取数值大的概率判定为绝缘子图像污秽类别。
进一步地,所述步骤S5中的具体操作如下:设采用的绝缘子图像有污秽样本集为R*={R1,R2,...,Rk},绝缘子图像无污秽的样本集为N*={N1,N2,...,Nk},使用统计方法可以估计出概率:
图像X为绝缘子图像有污秽的概率为:
P(X|R)≈P(X|R*) (1)
图像X为绝缘子图像无污秽的概率为:
P(X|N)≈P(X|N*) (2)
根据贝叶斯公式:J(X)=-log[P(R|X)]+log[P(N|X)],其中P(R|X)和P(N|X)可以通过贝叶斯公式的后验概率学习得到,即P(R|X)和P(N|X)采用基于数值采样的马尔科夫链蒙特卡罗方法求得后验分布的近似解。
所述贝叶斯公式中J(X)的取值越小,表示所需检索图像X越符合要求。
由于P(X)通常为一个常数,所以J(X)可以变换为:
J(X)'=-log[P(X|R)P(R)]+log]P(X|N)P(N)] (3)
设定阈值α,当得到的J(X)'<α时,所检测的图像即为绝缘子图像有污秽。
进一步地,所述步骤S5中的利用Xavier方法初始化贝叶斯卷积神经网络参数具体步骤如下:
a、生成一个均值为0,标准差为0.01的正态分布随机矩阵;
b、使用公式(2)判断生成的矩阵是否符合公式(1)的要求,如果不符合要求,则重新生成矩阵继续判断,直到权重的分布符合公式(1)的一致分布即
所述公式(4)中W为权重的分布,U为一致分布,nj为第j层的神经元个数。
一致分布判别式:
上述式中xm为点集xn(n=1,2,...)中的一个点,j为第j层神经网络, h=0,±1,±2,...,满足公式则点集就满足相应一致分布。
进一步地,所述步骤S6中的马尔科夫链蒙特卡罗方法具体算法如下:将采样过程看作一个马尔科夫链:x1,x2,...,xt-1,xt,xt+1,...式中xt表示第t次采样的样本,第 t+1次采样的样本依赖于第t次采样的样本和状态转移分布q(x|xt)。如果马尔科夫链的平稳分布为p(x),那么在状态平稳时的样本就服从p(x)的分布。
具体的,根据状态转移分布q(x|xt)提取一个样本x',并以概率A(x',xt)来将x'作为第t+1次采样的样本xt+1。
由于每次q(x|xt)随机提取一个样本,并以A(x',xt)的概率来接受,所以修正的马尔可夫链状态转移概率为:
q'(x'|xt)=q(x'|xt)A(x',xt) (7)
根据马尔可夫链的细致平稳条件有:
所以修正的马尔科夫链可以达到平稳状态,且平稳分布为p(x)。
本发明的有益效果是:
1)采用无人机巡检绝缘子图像,提高采集图像的效率和清晰度;
2)通过卷积贝叶斯神经网络在模型参数和模型输出上加入概率分布解决因容易受到光照、天气、图片背景复杂等不确定因素的影响的技术问题;
3)采用的马尔科夫链蒙特卡罗方法是通过采样从真实分布中随机抽取样本来生成参数的概率分布,将神经网络中的每个参数的概率分布看作是一个隐变量,相比现有技术的变分方法更加简单快速,省去了繁杂的数学推导与演算过程,在计算机程序中更容易实现;
4)采用的马尔科夫链蒙特卡罗方法相比于变分贝叶斯方法和支持向量机方法更有效且具有更高的准确率,能够快速识别绝缘子图像污秽及对绝缘子图像污秽进行分类。
附图说明
图1是本发明基于马尔科夫链蒙特卡罗的绝缘子图像污秽识别方法的流程示意图;
图2是本发明中的马尔科夫链蒙特卡罗法的算法流程示意图;
图3是10kV江埠I线人工标记的杆塔绝缘子图像污秽样本示意图;
图4是本发明中绝缘子图像污秽识别效果示意图;
图5是变分贝叶斯法和马尔科夫链蒙特卡罗法在训练过程中分类准确率变化曲线示意图。
具体实施方式
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。
需要说明的是,在本发明的描述中,需要说明的是,如出现术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例1
如图1至图4所示,其中图3、图4中的横轴和纵轴数值均表示像素点个数,基于马尔科夫链蒙特卡罗的绝缘子图像污秽识别方法,包括具体以下步骤:
S1、建立绝缘子图像库:利用无人机巡检采集配电线路的绝缘子图像数据并进行存储;
S2、将配电线路的绝缘子图像库中绝缘子图像分为训练集和验证集两个部分;
本实施例中,将绝缘子图像库中的80%绝缘子图像作为训练集、20%绝缘子图像作为验证集。
S3、建立绝缘子图像污秽识别样本集:将步骤S2中的训练集进行人工筛选、绝缘子图像有无污秽标记分类获得绝缘子图像污秽识别样本集即绝缘子图像有污秽样本集和绝缘子图像无污秽样本集;
S4、建立绝缘子图像污秽识别特征集:绝缘子图像污秽识别样本集中的每幅绝缘子图像进行分割预处理、特征提取及选择并将这些特征组合为一特征向量Y获得绝缘子图像污秽识别特征集并根据所述特征向量Y将绝缘子图像分为有污秽绝缘子图像和无污秽绝缘子图像两类;
本实施例中,所述步骤S4中的具体算法如下:设采用的绝缘子图像有污秽样本集为R*={R1,R2,...,Rk},绝缘子图像无污秽的样本集为N*={N1,N2,...,Nk},使用统计方法可以估计出概率即
图像X为绝缘子图像有污秽的概率为:
P(X|R)≈P(X|R*) (1)
图像X为绝缘子图像无污秽的概率为:
P(X|N)≈P(X|N*) (2)
根据贝叶斯公式:J(X)=-log[P(R|X)]+log[P(N|X)],其中P(R|X)和P(N|X)可以通过贝叶斯公式的后验概率学习得到,即P(R|X)和P(N|X)采用基于数值采样的马尔科夫链蒙特卡罗方法求得后验分布的近似解。
所述贝叶斯公式中J(X)的取值越小,表示所需检索图像X越符合要求。
由于P(X)通常为一个常数,所以J(X)可以变换为:
J(X)'=-log[P(X|R)P(R)]+log[P(X|N)P(N)] (3)
设定阈值α,当得到的J(X)'<α时,所检测的图像即为绝缘子图像有污秽。
S5、构建贝叶斯卷积神经网络分类器,利用Xavier方法初始化贝叶斯卷积神经网络参数:a、确定一幅图像特征的分布模型得到样本图像的先验概率以及类条件概率;b、利用贝叶斯公式计算出相应的后验概率;c、利用判决函数J(X) 得到满足要求的图像检索结果集;
本实施例中,利用Xavier方法初始化贝叶斯卷积神经网络参数具体步骤如下:a、生成一个均值为0,标准差为0.01的正态分布随机矩阵;
b、使用步骤S4中的公式(2)判断生成的矩阵是否符合步骤S4中的公式 (1)的要求,如果不符合要求则重新生成矩阵继续判断,直到权重的分布符合所述公式(1)的一致分布即
所述公式(4)中W为权重的分布,U为一致分布,nj为第j层的神经元个数。
一致分布判别式:
所述公式(5)中xm为点集xn(n=1,2,...)中的一个点,j为第j层神经网络, h=0,±1,±2,...,满足公式(5)则点集就满足相应一致分布。
S6、采用马尔科夫链蒙特卡罗法进行训练获得绝缘子图像污秽识别模型:采用数值采样的马尔科夫链蒙特卡罗方法对模型参数进行训练得到神经网络参数的概率分布,并优化模型参数获得绝缘子图像污秽识别模型;
本实施例中,所述步骤S6中的马尔科夫链蒙特卡罗方法具体算法如下:
将采样过程看作一个马尔科夫链:x1,x2,...,xt-1,xt,xt+1,...式中xt表示第t次采样的样本,第t+1次采样的样本依赖于第t次采样的样本和状态转移分布q(x|xt)。如果马尔科夫链的平稳分布为p(x),那么在状态平稳时的样本就服从p(x)的分布。
具体的,根据状态转移分布q(x|xt)提取一个样本x',并以概率A(x',xt)来将x'作为第t+1次采样的样本xt+1。
由于每次q(x|xt)随机提取一个样本,并以A(x',xt)的概率来接受,所以修正的马尔可夫链状态转移概率为:
q'(x'|xt)=q(x'|xt)A(x',xt) (7)
根据马尔可夫链的细致平稳条件有:
所以修正的马尔科夫链可以达到平稳状态,且平稳分布为p(x)。
S7、检测并识别绝缘子图像污秽类别:利用步骤S6中的绝缘子图像污秽识别模型对步骤2中的验证集进行检测,分别计算得出所述验证集中的绝缘子图像有污秽及无污秽的概率,并选取数值大的概率判定为绝缘子图像污秽类别。
本发明中步骤S4的基本原理:采用基于数值采样的马尔科夫链蒙特卡罗方法得到P(R|X)和P(N|X),即通过采样从真实分布中随机抽取样本来生成参数的概率分布p(x),再使用该概率分布p(x)寻找神经网络参数隐藏变量的期望。
另外本发明中步骤S4中采用Xavier方法初始化神经网络参数,可以使神经网络收敛速度快,提高模型训练速度。为了使得网络中信息更好的流动,样本空间与类别空间的分布差异即概率密度差别不能太大,使每一层输出的方差应该尽量相等。
为验证本发明所提方法的有效性,使用python框架下公开的MNIST手写数字图像样本集与绝缘子污秽图像样本集,在分类效果准确率方面本发明对比支持向量机方法、变分贝叶斯方法,其结果具体如下表所示:
从上述表格可以看出,对于MNIST数据集三种方法的分类准确率基本一致,但对于绝缘子图像污秽数据集采用马尔科夫链蒙特卡罗法的分类准确率高于其他两种方法的分类准确率。因此本发明的基于马尔科夫链蒙特卡罗方法能够准确高效地识别并分类绝缘子图像污秽。
如图5所示,变分贝叶斯法和马尔科夫链蒙特卡罗法进行对比:当模型训练迭代次数epoch低于30时,马尔科夫链蒙特卡罗方法的准确率略低于变分贝叶斯法;当epoch大于70时,马尔科夫链蒙特卡罗方法的准确率趋于平缓,模型收敛速度比变分贝叶斯方法快,且最终其分类准确率略高于变分贝叶斯方法。因此利用本发明的马尔科夫链蒙特卡罗方法能够快速准确识别绝缘子图像污秽且高效判定其污秽类别。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明原理和实质的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (4)
1.基于马尔科夫链蒙特卡罗的绝缘子图像污秽识别方法,其特征在于,具体包括以下步骤:
S1、建立绝缘子图像库:利用无人机巡检采集配电线路的绝缘子图像数据并进行存储;
S2、将配电线路的绝缘子图像库中绝缘子图像分为训练集和验证集两个部分;
S3、建立绝缘子图像污秽识别样本集:将步骤S2中的训练集进行人工筛选、绝缘子图像有无污秽标记分类获得绝缘子图像污秽识别样本集即绝缘子图像有污秽样本集和绝缘子图像无污秽样本集;
S4、建立绝缘子图像污秽识别特征集:绝缘子图像污秽识别样本集中的每幅绝缘子图像进行分割预处理、特征提取及选择并将这些特征组合为一特征向量Y获得绝缘子图像污秽识别特征集并根据所述特征向量Y将绝缘子图像分为有污秽绝缘子图像和无污秽绝缘子图像两类;
S5、构建贝叶斯卷积神经网络分类器,利用Xavier方法初始化贝叶斯卷积神经网络参数:a、确定一幅图像特征的分布模型得到样本图像的先验概率以及类条件概率;b、利用贝叶斯公式计算出相应的后验概率;c、利用判决函数J(X)得到满足要求的图像检索结果集;
S6、采用马尔科夫链蒙特卡罗法进行训练获得绝缘子图像污秽识别模型:采用数值采样的马尔科夫链蒙特卡罗方法对模型参数进行训练得到神经网络参数的概率分布,并优化模型参数获得绝缘子图像污秽识别模型;
S7、检测并识别绝缘子图像污秽类别:利用步骤S6中的绝缘子图像污秽识别模型对步骤2中的验证集进行检测,分别计算得出所述验证集中的绝缘子图像有污秽及无污秽的概率,并选取数值大的概率判定为绝缘子图像污秽类别。
2.根据权利要求1所述的基于马尔科夫链蒙特卡罗的绝缘子图像污秽识别方法,其特征在于,所述步骤S5中的具体操作如下:
设采用的绝缘子图像有污秽样本集为R*={R1,R2,...,Rk},绝缘子图像无污秽的样本集为N*={N1,N2,...,Nk},使用统计方法可以估计出概率:
图像X为绝缘子图像有污秽的概率为:
P(X|R)≈P(X|R*) (1)
图像X为绝缘子图像无污秽的概率为:
P(X|N)≈P(X|N*) (2)
根据贝叶斯公式:J(X)=-log[P(R|X)]+log[P(N|X)],其中P(R|X)和P(N|X)可以通过贝叶斯公式的后验概率学习得到,即P(R|X)和P(N|X)采用基于数值采样的马尔科夫链蒙特卡罗方法求得后验分布的近似解。
所述贝叶斯公式中J(X)的取值越小,表示所需检索图像X越符合要求。
由于P(X)通常为一个常数,所以J(X)可以变换为:
J(X)'=-log[P(X|R)P(R)]+log]P(X|N)P(N)] (3)
设定阈值α,当得到的J(X)'<α时,所检测的图像即为绝缘子图像有污秽。
3.根据权利要求1或2所述的基于马尔科夫链蒙特卡罗的绝缘子图像污秽识别方法,其特征在于,所述步骤S5中的利用Xavier方法初始化贝叶斯卷积神经网络参数具体步骤如下:
a、生成一个均值为0,标准差为0.01的正态分布随机矩阵;
b、使用公式(2)判断生成的矩阵是否符合公式(1)的要求,如果不符合要求,则重新生成矩阵继续判断,直到权重的分布符合公式(1)的一致分布即
所述公式(4)中W为权重的分布,U为一致分布,nj为第j层的神经元个数。
一致分布判别式:
上述式中xm为点集xn(n=1,2,...)中的一个点,j为第j层神经网络,h=0,±1,±2,...,满足公式则点集就满足相应一致分布。
4.根据权利要求1所述的基于马尔科夫链蒙特卡罗的绝缘子图像污秽识别方法,其特征在于,所述步骤S6中的马尔科夫链蒙特卡罗方法具体算法如下:
将采样过程看作一个马尔科夫链:x1,x2,...,xt-1,xt,xt+1,...式中xt表示第t次采样的样本,第t+1次采样的样本依赖于第t次采样的样本和状态转移分布q(x|xt)。如果马尔科夫链的平稳分布为p(x),那么在状态平稳时的样本就服从p(x)的分布。
具体的,根据状态转移分布q(x|xt)提取一个样本x',并以概率A(x',xt)来将x'作为第t+1次采样的样本xt+1。
由于每次q(x|xt)随机提取一个样本,并以A(x',xt)的概率来接受,所以修正的马尔可夫链状态转移概率为:
q'(x'|xt)=q(x'|xt)A(x',xt) (7)
根据马尔可夫链的细致平稳条件有:
所以修正的马尔科夫链可以达到平稳状态,且平稳分布为p(x)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111029250.4A CN116029957A (zh) | 2021-10-25 | 2021-10-25 | 基于马尔科夫链蒙特卡罗的绝缘子图像污秽识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111029250.4A CN116029957A (zh) | 2021-10-25 | 2021-10-25 | 基于马尔科夫链蒙特卡罗的绝缘子图像污秽识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116029957A true CN116029957A (zh) | 2023-04-28 |
Family
ID=86074574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111029250.4A Pending CN116029957A (zh) | 2021-10-25 | 2021-10-25 | 基于马尔科夫链蒙特卡罗的绝缘子图像污秽识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116029957A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116416245A (zh) * | 2023-06-08 | 2023-07-11 | 国网山东省电力公司电力科学研究院 | 一种绝缘子串污秽识别方法及系统 |
-
2021
- 2021-10-25 CN CN202111029250.4A patent/CN116029957A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116416245A (zh) * | 2023-06-08 | 2023-07-11 | 国网山东省电力公司电力科学研究院 | 一种绝缘子串污秽识别方法及系统 |
CN116416245B (zh) * | 2023-06-08 | 2023-08-18 | 国网山东省电力公司电力科学研究院 | 一种绝缘子串污秽识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112435221B (zh) | 一种基于生成式对抗网络模型的图像异常检测方法 | |
CN111353413B (zh) | 一种输电设备低漏报率缺陷识别方法 | |
CN108229550B (zh) | 一种基于多粒度级联森林网络的云图分类方法 | |
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN107341499B (zh) | 一种基于无监督分割和elm的织物缺陷检测和分类方法 | |
CN111832608B (zh) | 一种基于单阶段检测模型yolov3的铁谱图像多磨粒识别方法 | |
CN109272500B (zh) | 基于自适应卷积神经网络的织物分类方法 | |
CN112446429B (zh) | 一种基于cgan的巡检图像数据小样本扩充方法 | |
CN110929848B (zh) | 基于多挑战感知学习模型的训练、跟踪方法 | |
CN110929679A (zh) | 一种基于gan的无监督自适应行人重识别方法 | |
CN110599459A (zh) | 基于深度学习的地下管网风险评估云系统 | |
CN112347930B (zh) | 基于自学习半监督深度神经网络高分影像场景分类方法 | |
CN114359695A (zh) | 基于不确定性估计的绝缘子破损识别方法 | |
CN115131747A (zh) | 基于知识蒸馏的输电通道工程车辆目标检测方法及系统 | |
CN115471463A (zh) | 一种基于对抗式生成网络的太阳能电池缺陷检测方法 | |
CN116309483A (zh) | 基于ddpm的半监督变电设备表征缺陷检测方法及系统 | |
CN113421223B (zh) | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 | |
CN109740607B (zh) | 字符图像的残缺区域检测和残缺字符图像恢复方法 | |
CN116029957A (zh) | 基于马尔科夫链蒙特卡罗的绝缘子图像污秽识别方法 | |
CN112990357B (zh) | 一种基于稀疏扰动的黑盒视频对抗样本生成方法 | |
CN111223126A (zh) | 一种基于迁移学习的跨视角轨迹模型构建方法 | |
CN116152194A (zh) | 一种物体缺陷检测方法、系统、设备及介质 | |
CN113723468B (zh) | 一种三维点云的物体检测方法 | |
CN111797732B (zh) | 一种对采样不敏感的视频动作识别对抗攻击方法 |
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 |