CN116666676A - 废旧钒电池电解液的智能修复方法 - Google Patents
废旧钒电池电解液的智能修复方法 Download PDFInfo
- Publication number
- CN116666676A CN116666676A CN202310772866.3A CN202310772866A CN116666676A CN 116666676 A CN116666676 A CN 116666676A CN 202310772866 A CN202310772866 A CN 202310772866A CN 116666676 A CN116666676 A CN 116666676A
- Authority
- CN
- China
- Prior art keywords
- feature
- electrolyte
- texture
- matrix
- feature vector
- 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
- 239000003792 electrolyte Substances 0.000 title claims abstract description 180
- 229910052720 vanadium Inorganic materials 0.000 title claims abstract description 68
- LEONUFNNVUYDNQ-UHFFFAOYSA-N vanadium atom Chemical compound [V] LEONUFNNVUYDNQ-UHFFFAOYSA-N 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000008439 repair process Effects 0.000 title claims abstract description 50
- 239000002699 waste material Substances 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 claims abstract description 47
- 239000013598 vector Substances 0.000 claims description 120
- 239000011159 matrix material Substances 0.000 claims description 94
- 230000004927 fusion Effects 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 19
- 238000011217 control strategy Methods 0.000 claims description 14
- 230000002829 reductive effect Effects 0.000 claims description 10
- 239000012634 fragment Substances 0.000 claims description 9
- 230000036961 partial effect Effects 0.000 claims description 8
- 230000017105 transposition Effects 0.000 claims description 2
- 238000003756 stirring Methods 0.000 abstract description 16
- 230000000694 effects Effects 0.000 abstract description 12
- 239000002253 acid Substances 0.000 abstract description 6
- 239000003085 diluting agent Substances 0.000 abstract description 6
- 238000002156 mixing Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000003911 electrolyte status Effects 0.000 description 4
- 229910001456 vanadium ion Inorganic materials 0.000 description 4
- 238000003487 electrochemical reaction Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- -1 vanadium (V) ions Chemical class 0.000 description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000003546 flue gas Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000008929 regeneration Effects 0.000 description 2
- 238000011069 regeneration method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000002918 waste heat Substances 0.000 description 2
- 229910021550 Vanadium Chloride Inorganic materials 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- RPESBQCJGHJMTK-UHFFFAOYSA-I pentachlorovanadium Chemical compound [Cl-].[Cl-].[Cl-].[Cl-].[Cl-].[V+5] RPESBQCJGHJMTK-UHFFFAOYSA-I 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- VLOPEOIIELCUML-UHFFFAOYSA-L vanadium(2+);sulfate Chemical compound [V+2].[O-]S([O-])(=O)=O VLOPEOIIELCUML-UHFFFAOYSA-L 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/008—Disposal or recycling of fuel cells
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/18—Regenerative fuel cells, e.g. redox flow batteries or secondary fuel cells
- H01M8/184—Regeneration by electrochemical means
- H01M8/188—Regeneration by electrochemical means by recharging of redox couples containing fluids; Redox flow type batteries
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/30—Hydrogen technology
- Y02E60/50—Fuel cells
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Manufacturing & Machinery (AREA)
- General Chemical & Material Sciences (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Chemical & Material Sciences (AREA)
- Sustainable Energy (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种废旧钒电池电解液的智能修复方法,其获取待修复钒电池电解液的实时状态监控图像;基于深度学习和人工智能技术,根据电解液的实时状态来控制伺服电机的功率,进而来调整搅拌叶片的搅拌速度,控制配比箱内酸液和稀释液的混合程度和均匀度,使得修复效果更加稳定和可靠。
Description
技术领域
本发明涉及智能化修复技术领域,尤其涉及一种废旧钒电池电解液的智能修复方法。
背景技术
蓄电池在使用过程中不断的充放电,其内部的电解质的浓度会受到影响,从而限制蓄电池的实用寿命。更换蓄电池的成本较高,而且废弃的蓄电池处理不当会对环境有影响,现有技术中很少有对蓄电池的回收再利用。
对此,专利CN 108110334A提供了一种蓄电池电解液再生修复装置。在所述蓄电池电解液再生修复装置内有配比箱,所述配比箱内设有搅拌叶片,所述搅拌叶片安装在转动轴的一端,所述转动轴的另一端与伺服电机的输出端相连接,搅拌叶片的搅拌速度由伺服电机的功率所控制。也就是,控制伺服电机的功率可以调节搅拌叶片的搅拌速度,从而控制配比箱内酸液和稀释液的混合程度和均匀度。通常,对于伺服电机的功率是由人工进行控制的,但是,受到人为主观性强、反应速度不同等因素的影响,容易产生误差。
因此,期待一种优化的废旧钒电池电解液的修复方案。
发明内容
本发明实施例提供一种废旧钒电池电解液的智能修复方法,其根据电解液的实时状态来控制伺服电机的功率,进而来调整搅拌叶片的搅拌速度,控制配比箱内酸液和稀释液的混合程度和均匀度,使得修复效果更加稳定和可靠。
本发明实施例还提供了一种废旧钒电池电解液的智能修复方法,其包括:
获取待修复钒电池电解液的实时状态监控图像;
对所述实时状态监控图像进行纹理分析和特征提取以得到电解液状态特征矩阵;以及
基于所述电解液状态特征矩阵,确定伺服电机的功率控制策略。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本发明实施例中提供的一种废旧钒电池电解液的智能修复方法的流程图。
图2为本发明实施例中提供的一种废旧钒电池电解液的智能修复方法的系统架构的示意图。
图3为本发明实施例中提供的一种废旧钒电池电解液的智能修复方法中步骤120的子步骤的流程图。
图4为本发明实施例中提供的一种废旧钒电池电解液的智能修复方法中步骤122的子步骤的流程图。
图5为本发明实施例中提供的一种废旧钒电池电解液的智能修复方法中步骤130的子步骤的流程图。
图6为本发明实施例中提供的一种废旧钒电池电解液的智能修复方法中步骤131的子步骤的流程图。
图7为本发明实施例中提供的一种废旧钒电池电解液的智能修复系统的框图。
图8为本发明实施例中提供的一种废旧钒电池电解液的智能修复系统的应用场景图。
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明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
如本发明和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
本发明中使用了流程图用来说明根据本发明的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
在本发明的一个实施例中,图1为本发明实施例中提供的一种废旧钒电池电解液的智能修复方法的流程图。图2为本发明实施例中提供的一种废旧钒电池电解液的智能修复方法的系统架构的示意图。如图1和图2所示,根据本发明实施例的废旧钒电池电解液的智能修复方法100,包括:110,获取待修复钒电池电解液的实时状态监控图像;120,对所述实时状态监控图像进行纹理分析和特征提取以得到电解液状态特征矩阵;以及,130,基于所述电解液状态特征矩阵,确定伺服电机的功率控制策略。
在本发明中,通过获取待修复钒电池电解液的实时状态监控图像,并对图像进行纹理分析和特征提取可以帮助及时发现电解液状态的变化和异常,从而采取相应的措施进行修复。通过对电解液状态特征矩阵的分析,可以确定伺服电机的功率控制策略,以保证电解液状态的稳定和生产线的正常运行。
具体来说,通过实时状态监控图像的获取,可以及时了解电解液的状态变化,例如颜色、浓度、透明度等。然后,可以对所述实时状态监控图像进行纹理分析和特征提取,以得到电解液状态特征矩阵。这些特征包括但不限于颜色、纹理、形状、边缘等,这些特征可以反映电解液的状态和变化。基于所述电解液状态特征矩阵,可以确定伺服电机的功率控制策略。例如,当电解液状态发生变化时,可以根据电解液状态特征矩阵的变化趋势来调整伺服电机的功率,以保证电解液状态的稳定和生产线的正常运行。如果电解液状态发生了异常变化,可以及时采取措施进行修复,以避免对生产线和产品的影响。
因此,通过获取待修复钒电池电解液的实时状态监控图像,并对图像进行纹理分析和特征提取以得到电解液状态特征矩阵,以及基于所述电解液状态特征矩阵,确定伺服电机的功率控制策略,可以帮助及时发现电解液状态的变化和异常,从而采取相应的措施进行修复,使得修复效果更加稳定和可靠。
具体地,在步骤110中,获取待修复钒电池电解液的实时状态监控图像。针对上述技术问题,本发明的技术构思为基于深度学习和人工智能技术,根据电解液的实时状态来控制伺服电机的功率,进而来调整搅拌叶片的搅拌速度,控制配比箱内酸液和稀释液的混合程度和均匀度,使得修复效果更加稳定和可靠。
具体地,在本发明的技术方案中,首先获取待修复钒电池电解液的实时状态监控图像。也就是,采用摄像头等图像采集设备从待修复钒电池电解液中获取实时状态监控图像以反映所述电解液的实时状态信息。
其中,钒电池是一种新型的可再生能源储存技术,采用钒电解液作为电池的电解液。钒电解液是一种由钒离子组成的溶液,主要成分为氯化钒和硫酸钒。在钒电池中,钒离子通过在正负极之间的电化学反应来储存和释放能量。当电池充电时,钒离子在正极被氧化成为钒(V)离子,同时电子被释放,流向负极;而在放电时,钒(V)离子在负极被还原成为钒(IV)离子,同时电子被吸收,流向正极。这种电化学反应的过程需要在钒电解液中进行,因此钒电解液是钒电池的重要组成部分。
在本申请一个具体的示例中,采用摄像头等图像采集设备从待修复钒电池电解液中获取实时状态监控图像,可以通过如下方式来实现:1.选择合适的摄像头:选择适合于电解液中使用的摄像头,例如防水、耐腐蚀的摄像头。2.安装摄像头:将摄像头安装在电解液容器的适当位置,确保能够获取所需的监控图像。3.连接摄像头:将摄像头与计算机或其他设备连接,以便实时监控和记录图像。4.设置图像采集参数:根据实际需求,设置图像采集的分辨率、帧率、亮度、对比度等参数,以获得清晰、准确的图像。5.开始采集图像:启动图像采集设备,开始采集电解液中的实时状态监控图像。6.数据处理和分析:对采集的图像进行处理和分析,以获取有关电解液中钒离子浓度、电化学反应进程等信息,用于监测和控制钒电池的运行状态。
需要注意的是,电解液中可能存在一些对摄像头有影响的因素,例如气泡、浮游物等,需要在采集图像时进行处理或避免。同时,电解液中的化学物质可能对摄像头造成损害,需要选择适合的材质和保护措施。
具体地,在步骤120中,对所述实时状态监控图像进行纹理分析和特征提取以得到电解液状态特征矩阵。图3为本发明实施例中提供的一种废旧钒电池电解液的智能修复方法中步骤120的子步骤的流程图,如图3所示,对所述实时状态监控图像进行纹理分析和特征提取以得到电解液状态特征矩阵,包括:121,使用灰度共生矩阵从实时状态监控图像中提取多个纹理特征值;122,从所述多个纹理特征值提取纹理特征关联特征向量;123,对所述实时状态监控图像进行图像特征提取电解液状态语义特征向量;124,对所述纹理特征关联特征向量和所述电解液状态语义特征向量进行跨模态特征融合以得到所述电解液状态特征矩阵。
具体地,在本发明中,使用灰度共生矩阵从实时状态监控图像中提取多个纹理特征值,其中,所述多个纹理特征值包括均值、方差、协同性、对比度、相异性、熵、角二矩阵和相关性。其中,灰度共生矩阵是一种用于描述图像纹理特征的方法,可以计算像素值之间的空间关系和出现频率,从而提取出多个纹理特征值。这里,均值、方差、协同性、对比度、相异性、熵、角二矩阵和相关性等是常见的纹理特征值,可以反映出不同范围内的纹理变化和分布情况。
具体而言,均值和方差可以反映出影像整体纹理的变化趋势和稳定程度,协同性可以刻画出影像局部的纹理形况和特征,对比度可以反映影像纹理程度和分辨率,相异性可以用来描述像元之间的灰度值差异性,熵可以反映影像纹理的分布情况,角二矩阵可以用来描述共生矩阵差异性,而相关性则可以用来描述影像纹理的一致性。这些纹理特征值对钒电池电解液的运行状态的理解和分析具有重要意义。
进一步地,灰度共生矩阵(Gray-Level Co-occurrence Matrix,GLCM)是用于图像纹理分析的一种方法。是一种二维矩阵,矩阵的每个元素表示在一定距离和方向内,两个像素灰度级别出现的次数。通俗地说,GLCM可以帮助分析图像中像素之间的关系,例如像素间的相似性和规律性等。在计算GLCM时,需要选择一个距离和方向,然后将图像中的每个像素与周围的像素进行比较,如果两个像素的灰度级别相同,那么GLCM中对应的元素值就加一。最终得到的GLCM矩阵可以用于许多图像分析任务,例如纹理分类、图像分割等。GLCM矩阵中的各个元素可以表示不同的纹理特征,例如对角线元素表示纹理的对称性,水平和垂直元素表示纹理的方向性等。因此,通过分析GLCM矩阵,可以提取出图像中的纹理特征,这对于许多图像处理和计算机视觉任务都非常有用。
在本发明的另一个实施例中,对所述实时状态监控图像进行纹理分析和特征提取以得到电解液状态特征矩阵,包括如下步骤:图像预处理:对采集的图像进行预处理,包括去噪、增强、二值化等操作,以便进行后续的图像分析和特征提取;纹理分析:使用纹理分析算法,例如灰度共生矩阵(GLCM)、局部二值模式(LBP)、方向梯度直方图(HOG)等,对预处理后的图像进行纹理分析,以获取图像的纹理特征;特征提取:从纹理分析得到的特征中,选取适合的特征进行提取,例如对比度、能量、熵、方差等,以获得更具代表性的特征向量;特征矩阵生成:将提取的特征向量组成特征矩阵,作为电解液状态的特征描述,用于后续的状态分类和监控。
需要注意的是,在进行纹理分析和特征提取时,应根据电解液的实际特点选择合适的算法和参数,并进行充分的实验验证,以确保提取的特征具有代表性和稳定性。同时,应注意图像预处理和特征提取的效率和准确性,以满足实时监控的要求。
图4为本发明实施例中提供的一种废旧钒电池电解液的智能修复方法中步骤122的子步骤的流程图,如图4所示,从所述多个纹理特征值提取纹理特征关联特征向量,包括:1221,将所述多个纹理特征值排列为输入向量;以及,1222,将所述输入向量通过基于多尺度邻域特征模块的纹理特征间关联模式特征提取器以得到所述纹理特征关联特征向量。
应可以理解,将多个纹理特征值排列为输入向量会产生以下有益效果:1.综合纹理特征:使用多个纹理特征值可以更全面、综合地描述图像中的纹理特征。不同的纹理特征值可以从不同的角度反映图像中的纹理信息,例如能量可以反映图像的平滑程度,对比度可以反映图像的明暗变化,相关性可以反映图像的方向性等。将这些特征值综合起来可以更全面地描述图像的纹理特征。2.提高分类准确率:使用多个纹理特征值可以提高分类准确率。在图像分类任务中,使用单个纹理特征值可能无法准确地区分不同的图像类别,而使用多个纹理特征值可以提高分类的准确率。例如,在纹理分类任务中,使用能量和对比度两个特征值可以更好地区分不同的纹理类别。3.提高鲁棒性:使用多个纹理特征值可以提高算法的鲁棒性。在实际应用中,图像可能受到噪声、光照等因素的影响,使用单一的纹理特征值可能会受到这些因素的影响而导致分类错误。而使用多个纹理特征值可以减少这种影响,提高算法的鲁棒性。
具体地,该方法将多个纹理特征值排列成一个输入向量,并使用基于多尺度邻域特征模块的纹理特征间关联模式特征提取器来提取纹理特征关联特征向量。这个过程可以用于图像处理、计算机视觉和机器学习等领域,以提取图像的纹理特征,从而实现图像分类、目标检测等任务。
其中,所述多尺度邻域特征模块包括相互并行的第一卷积层和第二卷积层,以及与这两个卷积层连接的多尺度融合层。所述多尺度邻域特征模块的作用是提取输入向量的多尺度邻域特征,以便更好地捕捉图像的局部特征。具体来说,第一卷积层和第二卷积层可以分别提取不同尺度的邻域特征,而多尺度融合层可以将这些特征进行融合,得到更全面的特征表示。这种基于多尺度邻域特征提取模块的纹理特征间关联模式特征提取器一方面提高了纹理特征描述的准确性和全面性。通过使用不同尺度的一维卷积核来提取不同跨度下的纹理特征,可以得到更为全面和准确的纹理特征描述。另一方面,提高了图像分类和检索的准确率。通过对不同尺度下的纹理特征向量进行关联分析,得到不同尺度之间的关联模式特征,可以提高图像分类和检索的准确率。再一方面,降低了算法的计算复杂度。通过使用一维卷积核来提取纹理特征,可以降低算法的计算复杂度,提高算法的运行效率。
基于多尺度邻域特征提取模块的纹理特征间关联模式特征提取器在图像分析和处理领域具有广泛的应用前景,可以为图像分类、目标识别、图像检索等任务提供更为准确和全面的纹理特征描述。
在本发明的另一个实施例中,在提取图像纹理特征时,通常会计算多个不同的纹理特征值,例如能量、对比度、相关性、熵等。这些特征值可以用于描述图像中不同的纹理特征,例如图像的粗糙度、方向性、对称性等。为了将这些特征值组合成一个特征向量,可以按照一定的顺序排列,然后依次放入一个向量中。这个向量就是提取出的纹理特征关联特征向量,可以用于描述图像中的纹理特征。需要注意的是,特征向量的顺序和特征值的选择都会影响到最终的纹理特征提取效果,因此需要根据具体任务进行合理的选择和调整。
进一步地,对所述实时状态监控图像进行图像特征提取电解液状态语义特征向量,包括:将所述实时状态监控图像通过ViT图像编码器以得到所述电解液状态语义特征向量。考虑到所述实时状态监控图像中除了蕴含纹理关联特征之外,其也包含了对电解液更深层次的状态特征信息。因此,在本发明的技术方案中,将所述实时状态监控图像通过ViT图像编码器以得到电解液状态语义特征向量。其中,ViT图像编码器是一种基于注意力机制的图像处理模型,在处理图像任务时表现出了优异的效果。也就是,所述ViT图像编码器将输入的图像数据以一种适应自然语言处理的方式处理,将其转化为具有良好表示能力的词向量空间中的向量,这样就提高了图像的信息表达能力。然后,通过转换器思想来对这些向量进行基于全局性的上下文语义编码。
具体地,ViT(Vision Transformer)是一种基于注意力机制的图像编码器,将图像分块并将每个块视为序列,然后使用Transformer编码器来处理这些序列。由于Transformer的自注意力机制,ViT可以在不使用卷积神经网络(CNN)的情况下对图像进行编码。ViT在多个图像处理任务中都表现出了优异的效果,例如图像分类、目标检测和图像生成等。此外,ViT还可以在较小的数据集上进行端到端的训练,这使得成为一个非常有前途的图像处理模型。
ViT图像编码器的具体编码过程,包括:先对所述实时状态监控图像进行图像分块处理以得到图像块的序列;接着,使用所述ViT图像编码器的嵌入层分别对所述图像块的序列中各个图像块进行嵌入编码以得到图像块嵌入向量的序列;然后,将所述图像块嵌入向量的序列输入所述ViT图像编码器的转换器模块以得到所述电解液状态语义特征向量。通过这样的方式,ViT图像编码器可以从实时状态监控图像中提取出与电解液状态相关的特征,比如光滑度等。
在本发明的另一个实施例中,ViT图像编码器还可以包括以下步骤:首先,ViT将输入的图像分成一个个大小相同的小块,每个小块被看作一个序列,这个序列中的元素就是小块内的像素值。接着,ViT使用一个线性变换将每个序列中的像素值映射到一个维度较高的特征空间中,这个映射过程就是所谓的嵌入(embedding)过程。然后,ViT使用多层Transformer编码器对这些嵌入向量进行处理,以获得更高层次的特征表示。在每个Transformer编码器中,ViT使用了自注意力机制(self-attention mechanism)来捕捉序列中不同位置之间的关系。通过多层Transformer编码器的堆叠,ViT可以逐渐捕捉到图像中不同层次的特征信息。最后,ViT将经过多层Transformer编码器处理后的特征向量输入到一个全连接层中,以获得最终的图像表示。
需要注意的是,ViT的具体实施细节可能会因为不同的实现而略有不同。但总体上来说,ViT的编码过程都是基于注意力机制和Transformer编码器的。
对所述纹理特征关联特征向量和所述电解液状态语义特征向量进行跨模态特征融合以得到所述电解液状态特征矩阵,包括:计算所述电解液状态语义特征向量的转置向量与所述纹理特征关联特征向量之间的向量乘积以得到所述电解液状态特征矩阵。如前所述,从实时状态监控图像中提取的纹理特征可以反映钒电池电解液内部的局部纹理变化和分布情况;而通过ViT图像编码器得到的电解液状态语义特征向量可以反映电解液的全局特征。在本发明的技术方案中,对所述纹理特征关联特征向量和所述电解液状态语义特征向量进行跨模态特征融合以得到电解液状态特征矩阵。这样,通过跨模态特征融合,电解液的全局特征和局部纹理特征可以相互补充,从而更全面、准确地描述钒电池电解液的运行状态。
将纹理特征关联特征向量和电解液状态语义特征向量进行跨模态特征融合可以获得更加全面和准确的电解液状态特征矩阵。具体来说,纹理特征关联特征向量可以提供电解液的细节信息,例如表面纹理和形状等,而电解液状态语义特征向量则可以提供更高层次的语义信息,例如电解液的浓度和PH值等。将这两种特征进行融合可以使得电解液状态特征矩阵更加全面和准确,从而更好地反映电解液的状态。
具体地,可以使用一些跨模态特征融合的方法,例如将两种特征向量拼接在一起作为输入,或者使用一些特殊的神经网络结构,例如多模态注意力机制(Multi-ModalAttention Mechanism)等。这些方法都可以有效地将不同模态的特征进行融合,从而得到更加全面和准确的特征表示。
具体地,在步骤130中,基于所述电解液状态特征矩阵,确定伺服电机的功率控制策略。图5为本发明实施例中提供的一种废旧钒电池电解液的智能修复方法中步骤130的子步骤的流程图,如图5所示,基于所述电解液状态特征矩阵,确定伺服电机的功率控制策略,包括:131,将所述电解液状态特征矩阵通过分类器以得到分类结果,所述分类结果用于表示增大伺服电机的功率、减小伺服电机的功率还是保持伺服电机的功率不变;以及,132,基于所述分类结果,确定所述伺服电机的功率控制策略。
将电解液状态特征矩阵通过分类器来得到分类结果,是一种常见的机器学习方法。分类器是一种能够对输入数据进行分类的算法或模型,其目的是将输入数据映射到预定义的类别标签中。在本场景中,可以将电解液状态特征矩阵作为输入数据,将增大、减小和保持伺服电机功率不变作为类别标签,通过分类器来实现对伺服电机功率的控制。
具体来说,可以使用监督学习中的分类算法,如支持向量机(SVM)、逻辑回归、决策树等,来训练分类器。在训练过程中,需要将一部分已知电解液状态特征矩阵和对应的伺服电机功率标签作为训练数据,让分类器学习到电解液状态特征矩阵与伺服电机功率之间的映射关系。然后,可以使用另一部分未知电解液状态特征矩阵作为测试数据,通过分类器来预测伺服电机功率的变化情况。
在实际应用中,可以将分类结果用于控制生产线的运行。例如,当分类结果为增大伺服电机功率时,可以通过电气控制、PLC控制等手段来增加伺服电机的功率,以提高生产线的生产效率。当分类结果为减小伺服电机功率时,可以通过类似的手段来降低伺服电机的功率,以避免生产线出现过载的情况。当分类结果为保持伺服电机功率不变时,可以保持伺服电机的功率不变,以维持生产线的稳定运行。
需要注意的是,分类器的准确性对于控制生产线的运行非常重要。因此,在使用分类器之前,需要对其进行充分的测试和验证,以确保其能够产生高质量的分类结果。同时,还需要定期对分类器进行更新和优化,以适应生产线中可能出现的新情况和变化。
继而,将所述电解液状态特征矩阵通过分类器以得到分类结果,所述分类结果用于表示增大伺服电机的功率、减小伺服电机的功率还是保持伺服电机的功率不变。也就是,利用所述分类器的软最大值函数来进行分类处理,从而得到所述分类结果。在实际应用中,可以根据所述分类结果对伺服电机的运行进行相应的控制,以对伺服电机进行实时控制,进而来调整搅拌叶片的搅拌速度,控制配比箱内酸液和稀释液的混合程度和均匀度,使得修复效果更加稳定和可靠。
图6为本发明实施例中提供的一种废旧钒电池电解液的智能修复方法中步骤131的子步骤的流程图,如图6所示,将所述电解液状态特征矩阵通过分类器以得到分类结果,所述分类结果用于表示增大伺服电机的功率、减小伺服电机的功率还是保持伺服电机的功率不变,包括:1311,对所述纹理特征关联特征向量及所述电解液状态语义特征向量进行局部序列语义的片段式富化融合以获得关联特征向量;1312,将所述关联特征向量与其自身的转置相乘以获得关联特征矩阵;1313,融合所述关联特征矩阵与所述电解液状态特征矩阵以得到分类特征矩阵;以及,1314,将所述分类特征矩阵输入所述分类器以得到分类结果,所述分类结果用于表示增大伺服电机的功率、减小伺服电机的功率还是保持伺服电机的功率不变。
在本发明的技术方案中,在对所述纹理特征关联特征向量和所述电解液状态语义特征向量进行跨模态特征融合以得到分类特征矩阵时,是将所述纹理特征关联特征向量与所述电解液状态语义特征向量进行逐位置关联来得到所述分类特征矩阵,由此,所述分类特征矩阵表达特征向量之间的特征值粒度关联,相应地,期望进一步获得所述特征向量之间的特征向量粒度的关联表达。
因此,考虑到所述纹理特征关联特征向量是基于特征值粒度的关联特征,而所述电解液状态语义特征向量是基于图像分块的上下文图像语义关联特征,因此其具有片段式的局部语义的序列排列性质,基于此,本发明的申请人对所述纹理特征关联特征向量,例如记为V1及所述电解液状态语义特征向量,例如记为V2进行局部序列语义的片段式富化融合,以获得所述关联特征向量,例如记为Vc,具体表示为:以如下融合公式对所述纹理特征关联特征向量及所述电解液状态语义特征向量进行局部序列语义的片段式富化融合以获得关联特征向量;其中,所述融合公式为:
其中,V1为所述纹理特征关联特征向量,V2为所述电解液状态语义特征向量,Vc为所述关联特征向量,V2 T为所述电解液状态语义特征向量的转置向量,D(V1,V2)为所述纹理特征关联特征向量及所述电解液状态语义特征向量之间的距离矩阵,V1和V2均为列向量,且α是权重超参数,表示矩阵乘法,/>表示按位置加法。
这里,所述局部序列语义的片段式富化融合基于序列的片段特征分布对序列的预定分布方向上的方向性语义的编码效果,来以序列片段之间的相似性嵌入作为用于序列间关联的重加权因数,从而对序列之间在各个片段级别的基于特征表象(featureappearance)的相似性进行捕获,实现了所述纹理特征关联特征向量V1和所述电解液状态语义特征向量V2的局部片段级语义的富化式融合。然后,再将所述关联特征向量Vc与其自身的转置相乘,就获得了所述纹理特征关联特征向量与所述电解液状态语义特征向量之间的特征向量粒度的关联表达的关联特征矩阵,再将所述关联特征矩阵与所述分类特征矩阵融合来优化所述分类特征矩阵,就可以提升所述分类特征矩阵的特征表达效果。
进一步地,在本发明的其他实施例中,对于待修复钒电池电解液的实时状态监控,可以使用纹理特征关联特征向量和电解液状态语义特征向量进行跨模态特征融合,从而得到更加全面和准确的电解液状态特征矩阵。其中,局部序列语义的片段式富化融合是一种常见的特征融合方法。
具体来说,可以将纹理特征关联特征向量和电解液状态语义特征向量分别看作两个局部序列。然后,可以将这两个局部序列进行片段式富化,即将其分成若干个连续的片段,并对每个片段进行特征提取和表示。这样,就得到了两个富化后的局部特征序列。接下来,可以将这两个局部特征序列进行序列级别的融合。一种常见的方法是使用长短时记忆网络(LSTM)或卷积神经网络(CNN)等深度学习模型,将两个局部特征序列作为输入,通过学习两个局部特征序列之间的关系来得到关联特征向量。这个关联特征向量可以看作是纹理特征和语义特征的结合,能够更好地反映电解液的状态信息。
在本发明中,获得所述关联特征向量后,在电解液状态监测中,可以通过提取电解液的纹理特征和语义特征来得到电解液的状态特征矩阵。然而,单独使用状态特征矩阵可能无法满足的需求,因为可能无法完全反映电解液的状态。因此,需要融合关联特征矩阵和状态特征矩阵,以得到更加全面和准确的分类特征矩阵。
具体来说,可以将关联特征向量与其自身的转置相乘,以获得关联特征矩阵。关联特征矩阵可以反映不同特征之间的相关性,从而提高特征的准确性和可靠性。然后,可以将关联特征矩阵与状态特征矩阵进行融合,以得到分类特征矩阵。分类特征矩阵将同时包含关联特征和状态特征,从而更加全面地反映电解液的状态。最后,可以将分类特征矩阵输入到分类器中,以得到分类结果。分类结果可以表示增大伺服电机的功率、减小伺服电机的功率还是保持伺服电机的功率不变。通过分类结果,可以及时调整伺服电机的功率,以保证电解液状态的稳定和生产线的正常运行。
通过融合关联特征矩阵和状态特征矩阵,可以得到更加全面和准确的分类特征矩阵,并通过分类器对电解液状态进行监测和控制,从而保证生产线的正常运行和产品的质量。
综上,基于本发明实施例的废旧钒电池电解液的智能修复方法100被阐明,其获取待修复钒电池电解液的实时状态监控图像;基于深度学习和人工智能技术,根据电解液的实时状态来控制伺服电机的功率,进而来调整搅拌叶片的搅拌速度,控制配比箱内酸液和稀释液的混合程度和均匀度,使得修复效果更加稳定和可靠。
在本发明的一个实施例中,图7为本发明实施例中提供的一种废旧钒电池电解液的智能修复系统的框图。如图7所示,根据本发明实施例的废旧钒电池电解液的智能修复系统200,包括:监控图获取模块210,用于获取待修复钒电池电解液的实时状态监控图像;纹理分析和特征提取模块220,用于对所述实时状态监控图像进行纹理分析和特征提取以得到电解液状态特征矩阵;以及,功率控制策略确定模块230,用于基于所述电解液状态特征矩阵,确定伺服电机的功率控制策略。
这里,本领域技术人员可以理解,上述废旧钒电池电解液的智能修复系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图6的废旧钒电池电解液的智能修复方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本发明实施例的废旧钒电池电解液的智能修复系统200可以实现在各种终端设备中,例如用于废旧钒电池电解液的智能修复的服务器等。在一个示例中,根据本发明实施例的废旧钒电池电解液的智能修复系统200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,该废旧钒电池电解液的智能修复系统200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,该废旧钒电池电解液的智能修复系统200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,该废旧钒电池电解液的智能修复系统200与该终端设备也可以是分立的设备,并且废旧钒电池电解液的智能修复系统200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。
图8为本发明实施例中提供的一种废旧钒电池电解液的智能修复系统的应用场景图。如图8所示,在该应用场景中,首先,获取待修复钒电池电解液(例如,如图1中所示意的M)的实时状态监控图(例如,如图1中所示意的C);然后,将获取的实时状态监控图输入至部署有电炉烟气余热回收算法的服务器(例如,如图1中所示意的S)中,其中所述服务器能够基于电炉烟气余热回收算法对所述实时状态监控图进行处理,以生成用于表示增大伺服电机的功率、减小伺服电机的功率还是保持伺服电机的功率不变的分类结果,确定伺服电机的功率控制策略。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种废旧钒电池电解液的智能修复方法,其特征在于,包括:
获取待修复钒电池电解液的实时状态监控图像;
对所述实时状态监控图像进行纹理分析和特征提取以得到电解液状态特征矩阵;以及
基于所述电解液状态特征矩阵,确定伺服电机的功率控制策略。
2.根据权利要求1所述的废旧钒电池电解液的智能修复方法,其特征在于,对所述实时状态监控图像进行纹理分析和特征提取以得到电解液状态特征矩阵,包括:
使用灰度共生矩阵从实时状态监控图像中提取多个纹理特征值;
从所述多个纹理特征值提取纹理特征关联特征向量;
对所述实时状态监控图像进行图像特征提取电解液状态语义特征向量;
对所述纹理特征关联特征向量和所述电解液状态语义特征向量进行跨模态特征融合以得到所述电解液状态特征矩阵。
3.根据权利要求2所述的废旧钒电池电解液的智能修复方法,其特征在于,所述多个纹理特征值包括均值、方差、协同性、对比度、相异性、熵、角二矩阵和相关性。
4.根据权利要求3所述的废旧钒电池电解液的智能修复方法,其特征在于,从所述多个纹理特征值提取纹理特征关联特征向量,包括:
将所述多个纹理特征值排列为输入向量;以及
将所述输入向量通过基于多尺度邻域特征模块的纹理特征间关联模式特征提取器以得到所述纹理特征关联特征向量。
5.根据权利要求4所述的废旧钒电池电解液的智能修复方法,其特征在于,对所述实时状态监控图像进行图像特征提取电解液状态语义特征向量,包括:将所述实时状态监控图像通过ViT图像编码器以得到所述电解液状态语义特征向量。
6.根据权利要求5所述的废旧钒电池电解液的智能修复方法,其特征在于,对所述纹理特征关联特征向量和所述电解液状态语义特征向量进行跨模态特征融合以得到所述电解液状态特征矩阵,包括:
计算所述电解液状态语义特征向量的转置向量与所述纹理特征关联特征向量之间的向量乘积以得到所述电解液状态特征矩阵。
7.根据权利要求6所述的废旧钒电池电解液的智能修复方法,其特征在于,基于所述电解液状态特征矩阵,确定伺服电机的功率控制策略,包括:
将所述电解液状态特征矩阵通过分类器以得到分类结果,所述分类结果用于表示增大伺服电机的功率、减小伺服电机的功率还是保持伺服电机的功率不变;以及
基于所述分类结果,确定所述伺服电机的功率控制策略。
8.根据权利要求7所述的废旧钒电池电解液的智能修复方法,其特征在于,将所述电解液状态特征矩阵通过分类器以得到分类结果,所述分类结果用于表示增大伺服电机的功率、减小伺服电机的功率还是保持伺服电机的功率不变,包括:
对所述纹理特征关联特征向量及所述电解液状态语义特征向量进行局部序列语义的片段式富化融合以获得关联特征向量;
将所述关联特征向量与其自身的转置相乘以获得关联特征矩阵;
融合所述关联特征矩阵与所述电解液状态特征矩阵以得到分类特征矩阵;以及
将所述分类特征矩阵输入所述分类器以得到分类结果,所述分类结果用于表示增大伺服电机的功率、减小伺服电机的功率还是保持伺服电机的功率不变。
9.根据权利要求8所述的废旧钒电池电解液的智能修复方法,其特征在于,对所述纹理特征关联特征向量及所述电解液状态语义特征向量进行局部序列语义的片段式富化融合以获得关联特征向量,包括:以如下融合公式对所述纹理特征关联特征向量及所述电解液状态语义特征向量进行局部序列语义的片段式富化融合以获得关联特征向量;
其中,所述融合公式为:
其中,V1为所述纹理特征关联特征向量,V2为所述电解液状态语义特征向量,Vc为所述关联特征向量,V2 T为所述电解液状态语义特征向量的转置向量,D(V1,V2)为所述纹理特征关联特征向量及所述电解液状态语义特征向量之间的距离矩阵,V1和V2均为列向量,且α是权重超参数,表示矩阵乘法,/>表示按位置加法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310772866.3A CN116666676A (zh) | 2023-06-28 | 2023-06-28 | 废旧钒电池电解液的智能修复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310772866.3A CN116666676A (zh) | 2023-06-28 | 2023-06-28 | 废旧钒电池电解液的智能修复方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116666676A true CN116666676A (zh) | 2023-08-29 |
Family
ID=87711810
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310772866.3A Pending CN116666676A (zh) | 2023-06-28 | 2023-06-28 | 废旧钒电池电解液的智能修复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116666676A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117618708A (zh) * | 2024-01-26 | 2024-03-01 | 吉林大学 | 用于静脉输液治疗的智能监控系统及方法 |
-
2023
- 2023-06-28 CN CN202310772866.3A patent/CN116666676A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117618708A (zh) * | 2024-01-26 | 2024-03-01 | 吉林大学 | 用于静脉输液治疗的智能监控系统及方法 |
CN117618708B (zh) * | 2024-01-26 | 2024-04-05 | 吉林大学 | 用于静脉输液治疗的智能监控系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | X-ray scattering image classification using deep learning | |
CN112036435B (zh) | 一种基于卷积神经网络的无刷直流电机传感器故障检测方法 | |
CN111598860A (zh) | 基于嵌入自注意力门模块的yolov3网络的锂电池缺陷检测方法 | |
CN110610210B (zh) | 一种多目标检测方法 | |
CN113221787A (zh) | 基于多元差异性融合的行人多目标跟踪方法 | |
CN116666676A (zh) | 废旧钒电池电解液的智能修复方法 | |
CN116579616B (zh) | 一种基于深度学习的风险识别方法 | |
EP4235511A1 (en) | Vector quantized auto-encoder codebook learning for manufacturing display extreme minor defects detection | |
Xiang et al. | Semi-supervised learning framework for crack segmentation based on contrastive learning and cross pseudo supervision | |
Jiang et al. | Attention M-net for automatic pixel-level micro-crack detection of photovoltaic module cells in electroluminescence images | |
Avola et al. | Real-time deep learning method for automated detection and localization of structural defects in manufactured products | |
CN101408943A (zh) | 生成用于人脸检测的训练集的方法 | |
Ye et al. | Multi-stage few-shot micro-defect detection of patterned OLED panel using defect inpainting and multi-scale Siamese neural network | |
CN116882486B (zh) | 一种迁移学习权重的构建方法和装置及设备 | |
Bai et al. | Surface defect detection methods for industrial products with imbalanced samples: A review of progress in the 2020s | |
Ji et al. | DBENet: Dual-Branch Ensemble Network for Sea-Land Segmentation of Remote Sensing Images | |
CN116824481B (zh) | 基于图像识别的变电站巡检方法及其系统 | |
CN117076983A (zh) | 传输外线资源识别检测方法、装置、设备及存储介质 | |
Alelaumi et al. | Cleaning profile classification using convolutional neural network in stencil printing | |
Li | Edge aware learning for 3d point cloud | |
Tian et al. | Feature fusion–based preprocessing for steel plate surface defect recognition | |
Li et al. | GADet: A Geometry-Aware X-ray Prohibited Items Detector | |
Yin et al. | PA-YOLO-Based Multifault Defect Detection Algorithm for PV Panels | |
Goswami et al. | A Comprehensive Review on Real Time Object Detection using Deep Learing Model | |
Wu et al. | Express parcel detection based on improved faster regions with CNN features |
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 |