CN116798119A - 变压器噪声预测方法、装置、电子设备及存储介质 - Google Patents
变压器噪声预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116798119A CN116798119A CN202310603327.7A CN202310603327A CN116798119A CN 116798119 A CN116798119 A CN 116798119A CN 202310603327 A CN202310603327 A CN 202310603327A CN 116798119 A CN116798119 A CN 116798119A
- Authority
- CN
- China
- Prior art keywords
- target
- noise
- transformer
- noise prediction
- parameters
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000006399 behavior Effects 0.000 claims description 109
- 230000014509 gene expression Effects 0.000 claims description 92
- 238000012544 monitoring process Methods 0.000 claims description 59
- 230000007613 environmental effect Effects 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 35
- 230000003068 static effect Effects 0.000 claims description 25
- 230000005855 radiation Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000005236 sound signal Effects 0.000 description 8
- 238000004804 winding Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 238000009434 installation Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000003542 behavioural effect Effects 0.000 description 4
- 230000004791 biological behavior Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000007443 Neurasthenia Diseases 0.000 description 1
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 206010003549 asthenia Diseases 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000003754 fetus Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 206010022437 insomnia Diseases 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种变压器噪声预测方法,方法包括:获取目标变压器的自身参数、环境参数以及历史噪声数据;基于所述自身参数、所述环境参数以及所述历史噪声数据对所述目标变压器的噪声进行预测,得到所述目标变压器的噪声预测结果。可以根据目标变压器的自身参数、环境参数以及历史噪声数据,在多个维度下对目标变压器的噪声进行预测,得到多个维度下的噪声预测结果,除目标变压器的自身参数外,还考虑了环境参数以及历史噪声数据,从而提高噪声预测结果的准确性。
Description
技术领域
本发明涉及变压器噪声预测方法技术领域,尤其涉及一种变压器噪声预测方法、装置、电子设备及存储介质。
背景技术
变压器是电力系统中的重要组成部分,变压器在运行过程中会通过传播介质向四周发射出噪声,变压器的噪声不但污染环境,危害人类身体健康,影响设备正常运行。噪声对人的危害很大,尤其是变压器产生的低频噪声,会对人体产生损伤,容易使人烦躁、易怒,有时甚至失去理智,长期受袭扰的话,还可能造成神经衰弱、失眠等神经系统疾病,如果孕妇长期处于低频噪声中也会影响到腹中胎儿的发育。在对变压器的噪声进行检测时,往往是在变压器上安装声音传感器来采集变压器的声音信号,根据声音信息来进行噪声评估,但这种变压器噪声检测方法中,声音传感器会受周围环境影响,导致采集到的声音信号不准确,进而使得检测到变压器噪声不够准确。
发明内容
本发明实施例提供一种变压器噪声预测方法,旨在解决现有变压器噪声检测方法中,声音传感器会受周围环境影响,导致采集到的声音信号不准确,进而使得检测到变压器噪声不够准确的问题。可以根据目标变压器的自身参数、环境参数以及历史噪声数据,在多个维度下对目标变压器的噪声进行预测,得到多个维度下的噪声预测结果,除目标变压器的自身参数外,还考虑了环境参数以及历史噪声数据,从而提高噪声预测结果的准确性。
第一方面,本发明实施例提供一种变压器噪声预测方法,所述方法包括:
获取目标变压器的自身参数、环境参数以及历史噪声数据;
基于所述自身参数、所述环境参数以及所述历史噪声数据对所述目标变压器的噪声进行预测,得到所述目标变压器的噪声预测结果。
可选的,所述自身参数包括所述目标变压器的形状参数以及内部参数,所述基于所述自身参数、所述环境参数以及所述历史噪声数据对所述目标变压器的噪声进行预测,得到所述目标变压器的噪声预测结果,包括:
根据所述形状参数以及所述内部参数确定候选噪声预测模型,所述候选噪声预测模型基于对时序预测模型进行训练处理得到;
基于所述环境参数在所述候选噪声预测模型中确定目标噪声预测模型;
通过所述目标噪声预测模型对所述历史噪声数据进行预测处理,得到所述目标变压器的噪声预测结果。
可选的,所述环境参数包括静态环境参数与动态环境参数,所述基于所述环境参数在所述候选噪声预测模型中确定目标噪声预测模型,包括:
基于所述静态环境参数在所述噪声预测模型中确定出待调整的噪声预测模型;
基于所述动态环境参数对所述待调整的噪声预测模型进行参数调整,得到目标噪声预测模型。
可选的,在所述基于所述动态环境参数对所述待调整的噪声预测模型进行参数调整,得到目标噪声预测模型之前,所述方法还包括:
对目标区域进行监测,得到目标区域的监测图像,所述目标区域根据所述目标变压器的理论噪声辐射范围进行确定;
对所述监测图像中的生物进行行为识别处理,得到所述目标区域内生物的行为识别结果;
基于所述行为识别结果确定所述目标变压器的动态环境参数。
可选的,在所述基于所述动态环境参数对所述待调整的噪声预测模型进行参数调整,得到目标噪声预测模型之前,所述方法还包括:
对目标区域进行监测,得到目标区域的监测图像,所述目标区域根据所述目标变压器的理论噪声辐射范围进行确定;
若所述监测图像中出现目标人员,则对所述目标人员进行行为识别处理以及表情识别处理,得到所述目标人员的行为识别结果和表情识别结果;
基于所述目标人员的行为识别结果和表情识别结果确定所述目标变压器的动态环境参数。
可选的,所述基于所述目标人员的行为识别结果和表情识别结果确定所述目标变压器的动态环境参数,包括:
根据所述目标人员的行为识别结果,确定所述目标人员的行为与所述目标变压器的行为相关度;
根据所述目标人员的表情识别结果,确定所述目标人员的表情与所述目标变压器的表情相关度;
基于所述行为相关度与所述表情相关度,确定所述目标变压器的动态环境参数。
可选的,所述待调整的噪声预测模型包括权重层,所述基于所述动态环境参数对所述待调整的噪声预测模型进行参数调整,得到目标噪声预测模型,包括:
基于所述行为相关度与所述表情相关度,对所述权重层的参数进行调整,调整完成得到目标噪声预测模型。
第二方面,本发明实施例提供一种变压器噪声预测装置,所述装置包括:
第一控制模块,用于当第一配送机器人在执行第一配送任务中出现预设的第一类故障时,控制所述第一配送机器人行走到预设的交接区域;
第二控制模块,用于控制第二配送机器人行走到所述交接区域,对所述第一配送机器人的配送数据和配送物品进行交接;
第三控制模块,用于根据所述配送数据,生成所述第二配送机器人的第二配送任务,并控制所述第二配送机器人执行所述第二配送任务。
第三方面,本发明实施例提供一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例提供的变压器噪声预测方法中的步骤。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现发明实施例提供的变压器噪声预测方法中的步骤。
本发明实施例中,获取目标变压器的自身参数、环境参数以及历史噪声数据;基于所述自身参数、所述环境参数以及所述历史噪声数据对所述目标变压器的噪声进行预测,得到所述目标变压器的噪声预测结果。可以根据目标变压器的自身参数、环境参数以及历史噪声数据,在多个维度下对目标变压器的噪声进行预测,得到多个维度下的噪声预测结果,除目标变压器的自身参数外,还考虑了环境参数以及历史噪声数据,从而提高噪声预测结果的准确性。
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。
图1是本发明实施例提供的一种变压器噪声预测方法的流程图;
图2是本发明实施例提供的一种变压器噪声预测装置的结构示意图;
图3是本发明实施例提供的一种电子设备的结构示意图。
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,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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。
请参见图1,图1是本发明实施例提供的一种变压器噪声预测方法的流程图,如图1所示,该变压器噪声预测方法包括以下步骤:
101、获取目标变压器的自身参数、环境参数以及历史噪声数据。
在本发明实施例中,上述变压器噪声预测方法可以是部署于终端检测设备或服务端检测设备,上述终端检测设备可以安装在变压器上或变压器附近的检测设备,比如是现场检测盒子或检测机器人,上述服务端检测设备可以是云服务器。
上述变压器可以是设置在任意位置的变压器,上述变压器可以通过任意方式进行设置,比如可以室内安装或室外安装。每个变压器对应有一个安装位置和安装方式。上述目标变压器可以是任意一个正在运行的目标变压器,也可以是用户指定的变压器,还可以是达到预设噪声检测时间的变压器。
上述自身参数可以理解为变压器的形状参数、铁心噪声、绕组噪声、冷却器噪声等参数,其中,变压器噪声共有三个声源,一是铁心噪声,二是绕组噪声,三是冷却器噪声,即变压器噪声是由空载、负载和冷却系统引起的噪声之和,变压器的形状可以影响噪声的传播效果,不同的自身参数对于噪声的影响是不同的。上述形状参数可以由目标变压器出厂时厂商提供的,或者可以是由相关人员对目标变压器的外观进行测绘得到。上述铁心噪声可以是由用于监测铁心声音信息的声音传感器来进行声音信号采集得到,上述绕组噪声可以是由用于监测绕组声音信息的声音传感器来进行声音信号采集得到,上述冷却器噪声可以是由用于监测冷却器声音信息的声音传感器来进行声音信号采集得到。
上述环境参数可以理解为变压器四周的环境情况,不同环境下变压器噪声的声源虽然不会发生变化,但会影响变压器噪声的传播效果和变压器的噪声反馈。上述环境参数可以是在目标变压器安装后,基于目标变压器的安装位置来进行确定的。
上述历史噪声数据可以是基于上述变压器噪声预测方法在历史时段所得到的噪声数据。可以是预设时间段的历史噪声数据,比如可以是一个月内的历史噪声数据,或者可以是一年内的历史噪声数据等。目标变压器在每次进行噪声预测后,都会将预测结果作为历史噪声数据存储到历史数据库中,在当前次噪声预测时,可以直接在历史数据库中获取目标变压器对应的历史噪声数据。
102、基于自身参数、环境参数以及历史噪声数据对目标变压器的噪声进行预测,得到目标变压器的噪声预测结果。
在本发明实施例中,在得到目标变压器的自身参数、环境参数以及历史噪声数据后,可以通过训练好的噪声预测模型来进行预测处理,具体的,可以将自身参数、环境参数以及历史噪声数据作为输入数据输入到训练好的噪声预测模型中进行处理,通过训练好的噪声预测模型输出对应的处理结果,上述噪声预测结果为目标变压器的噪声预测结果。
上述噪声预测结果可以包括噪声分布图,噪声分布图以目标变压器为中心,以不同距离的热力分布表示对应位置的噪声等级,对于噪声分布图中的一个位置,其热力值越大,则对应的噪声等级越高。上述噪声预测结果也可以包括目标变压器的近场噪声等级和远场噪声等级。
本发明实施例中,获取目标变压器的自身参数、环境参数以及历史噪声数据;基于所述自身参数、所述环境参数以及所述历史噪声数据对所述目标变压器的噪声进行预测,得到所述目标变压器的噪声预测结果。可以根据目标变压器的自身参数、环境参数以及历史噪声数据,在多个维度下对目标变压器的噪声进行预测,得到多个维度下的噪声预测结果,除目标变压器的自身参数外,还考虑了环境参数以及历史噪声数据,从而提高噪声预测结果的准确性。
可选的,自身参数包括目标变压器的形状参数以及内部参数,在基于自身参数、环境参数以及历史噪声数据对目标变压器的噪声进行预测,得到目标变压器的噪声预测结果的步骤中,可以根据形状参数以及内部参数确定候选噪声预测模型,候选噪声预测模型基于对时序预测模型进行训练处理得到;基于环境参数在候选噪声预测模型中确定目标噪声预测模型;通过目标噪声预测模型对历史噪声数据进行预测处理,得到目标变压器的噪声预测结果。
在本发明实施例中,上述目标变压器的内部参数包括铁心噪声、绕组噪声、冷却器噪声等参数,上述目标变压器的形状参数可以由目标变压器出厂时厂商提供的,或者可以是由相关人员对目标变压器的外观进行测绘得到。上述铁心噪声可以是由用于监测铁心声音信息的声音传感器来进行声音信号采集得到,上述绕组噪声可以是由用于监测绕组声音信息的声音传感器来进行声音信号采集得到,上述冷却器噪声可以是由用于监测冷却器声音信息的声音传感器来进行声音信号采集得到。
具体的,在根据形状参数以及内部参数确定候选噪声预测模型的步骤之前,可以训练多个噪声预测模型,上述噪声预测模型可以是时序预测模型。更具体的,可以收集不同变压器的形状参数作为样本形状参数,收集不同变压器的内部参数作为样本内部参数,收集不同变压器的历史噪声数据作为样本历史噪声数据,收集不同变压器的噪声数据作为标签,上述噪声数据可以是噪声热力分布图或噪声等级,每个样本历史噪声数据对应一个标签,标签对应的噪声数据在时间维度上晚于样本历史噪声数据n个时间步,n为大于或等于1的整数,将收集到的样本形状参数与样本内部参数按形状相似性和噪声相似性划分为多个数据集。也可以将收集到的样本形状参数与样本内部参数进行相似度聚类,得到多个聚类集合,将每个聚类集合确定为一个数据集。每个数据集中的样本形状参数具有形状相似性以及每个数据集中的样本内部参数具有噪声相似性,每个数据集用于训练一个噪声预测模型。
上述时序预测模型可以是基于长短期记忆网络(LSTM)、季节性自回归积分移动平均模型(SARIMA)、支持向量机(SVM)等时序网络得到的模型。优选的,上述时序预测模型可以是基于长短期记忆网络(LSTM)和季节性自回归积分移动平均模型(SARIMA)的模型,其中,LSTM模型适合处理序列数据,具有记忆性,能够捕捉长期依赖关系,因此在时间序列预测中表现优异。SARIMA模型可以处理季节性时间序列数据,对于噪声较小的时间序列预测效果较好。
一个数据集中包括样本历史噪声数据和与样本历史噪声数据对应的标签,一个数据集用于训练一个时序预测模型,训练方法采用有监督训练,通过将样本历史噪声数据输入到时序预测模型中进行预测处理,得到预测结果,将预测结果与样本历史噪声数据对应的标签进行损失计算,得到损失函数,以最小化损失函数为优化目标,通过反向传播算法对时序预测模型进行参数调整,迭代上述参数调整,直到损失函数在最小处收敛或迭代次数达到阈值,得到训练好的时序预测模型。在所有时序预测模型训练完成后,对训练好的时序预测模型进行存储。
在得到目标变压器的形状参数以及内部参数后,可以根据目标变压器的形状参数以及内部参数匹配对应的时序预测模型作为候选噪声预测模型,上述时序预测模型对应一个数据集,每个数据集中的样本形状参数具有形状相似性以及每个数据集中的样本内部参数具有噪声相似性,可以根据形状相似性以及噪声相似性,来确定候选噪声预测模型。具体的,可以将目标变压器的形状参数与各个数据集的样本形状参数进行相似度计算,得到形状相似度,将目标变压器的内部参数与各个数据集的样本噪声数据进行相似度计算,得到噪声相似度,将形状相似度以及噪声相似度的加权和最大对应的数据集确定为目标数据集,将目标数据集对应的时序预测模型确定为候选噪声预测模型。
在确定出候选预测模型后,可以根据环境参数对候选噪声预测模型进行调整,得到适应于环境参数的目标噪声预测模型。在得到目标噪声预测模型后,可以将目标变压器对应的历史噪声数据输入到目标噪声预测模型进行预测处理,得到目标变压器的噪声预测结果。
可选的,环境参数包括静态环境参数与动态环境参数,在基于环境参数在候选噪声预测模型中确定目标噪声预测模型的步骤中,可以基于静态环境参数在噪声预测模型中确定出待调整的噪声预测模型;基于动态环境参数对待调整的噪声预测模型进行参数调整,得到目标噪声预测模型。
在本发明实施例中,上述静态环境参数可以理解为非生物相关的环境参数,比如天气、温度、温度、遮挡物位置等。上述动态环境可以理解为生物相关的环境参数,比如生物对于目标变压器的行为和情绪等。
上述候选噪声预测模型可以是一个或多个,在上述候选噪声预测模型为多个时,可以基于静态环境参数在多个候选噪声预测模型中确定出待调整的噪声预测模型。具体的,在划分数据集时,还可以收集不同变压器的静态环境参数作为样本静态环境参数,可以增加静态环境参数作为划分依据,使得每个数据集,将收集到的样本形状参数、样本内部参数以及样本静态环境参数按形状相似性、噪声相似性以及静态环境相似性划分为多个数据集。也可以将收集到的样本形状参数、样本内部参数以及样本静态环境参数进行相似度聚类,得到多个聚类集合,将每个聚类集合确定为一个数据集。每个数据集中的样本形状参数具有形状相似性,每个数据集中的样本内部参数具有噪声相似性,同时,每个数据集中的样本静态环境参数具有静态环境相似性,每个数据集用于训练一个噪声预测模型。
在确定出多个候选噪声预测模型后,可以根据目标变压器的静态环境参数匹配对应的候选噪声预测模型作为待调整的噪声预测模型,上述每个候选噪声预测模型对应一个数据集,可以根据静态环境相似性来确定候选噪声预测模型。具体的,可以将目标变压器的静态环境参数与各个候选噪声预测模型对应数据集的样本静态环境参数进行相似度计算,得到静态环境相似度,将静态环境相似度最大对应的数据集确定为目标数据集,将目标数据集对应的候选噪声预测模型确定为待调整的噪声预测模型。
在确定待调整的噪声预测模型后,可以通过动态环境参数对待调整的噪声预测模型进行调整,利用生物对于目标变压器的行为和情绪等动态环境参数对待调整的噪声预测模型进行调整,得到目标噪声预测模型。
具体的,可以根据动态环境参数确定对应的调整曲线,不同的动态环境参数对应不同的调整曲线,可以根据动态环境参数对应的调整曲线对待调整的噪声预测模型进行调整,得到目标噪声预测模型。
可选的,在基于动态环境参数对待调整的噪声预测模型进行参数调整,得到目标噪声预测模型的步骤之前,还可以对目标区域进行监测,得到目标区域的监测图像,目标区域根据目标变压器的理论噪声辐射范围进行确定;对监测图像中的生物进行行为识别处理,得到目标区域内生物的行为识别结果;基于行为识别结果确定目标变压器的动态环境参数。
在本发明实施例中,可以每个变压器的理论噪声辐射范围内设置生物监测设备,上述生物监测设备可以是智能摄像头,通过生物监测设备对目标区域进行监测,得到目标区域的监测图像。上述目标区域可以以变压器为中心的预测区域,上述预测区域的满园可以是变压器的理论噪声辐射范围。
当目标变压的目标区域内存在生物时,则可以通过生物监测设备对目标区域进行监测,得到目标区域的监测图像,在得到监测图像后,可以对监测图像中的生物进行行为识别处理,得到目标区域内生物的行为识别结果。
在得到目标区域内生物的行为识别结果后,可以判断目标区域内生物的行为识别结果与目标变压器之间是否存在联系,若判断出目标区域内生物的行为识别结果与目标变压器之间存在联系,则可以确定目标变压器的噪声会影响生物的行为,进而确定出目标变压器的动态环境参数为上述行为识别结果,若判断出目标区域内生物的行为识别结果与目标变压器之间不存在联系,则可以确定目标变压器的噪声不会影响生物的行为,进而忽略目标变压器的动态环境参数。上述与变压器之间存在联系的生物行为可以是警惕、张望、逃跑等。
可以通过生物行为识别模型对监测图像中的生物进行行为识别处理,得到目标区域内生物的行为识别结果。上述生物行为识别模型可以是基于深度神经网络的模型,具体的,上述生物行为识别模型可以是基于VGGNet、ResNet、InceptionNet等的模型。
可选的,在基于动态环境参数对待调整的噪声预测模型进行参数调整,得到目标噪声预测模型的步骤之前,还可以对目标区域进行监测,得到目标区域的监测图像,目标区域根据目标变压器的理论噪声辐射范围进行确定;若监测图像中出现目标人员,则对目标人员进行行为识别处理以及表情识别处理,得到目标人员的行为识别结果和表情识别结果;基于目标人员的行为识别结果和表情识别结果确定目标变压器的动态环境参数。
在本发明实施例中,可以每个变压器的理论噪声辐射范围内设置人员监测设备,上述人员监测设备可以是智能摄像头,通过人员监测设备对目标区域进行监测,得到目标区域的监测图像。上述目标区域可以以变压器为中心的预测区域,上述预测区域的满园可以是变压器的理论噪声辐射范围。
当目标变压的目标区域内存在目标人员时,则可以通过人员监测设备对目标区域进行监测,得到目标区域的监测图像,在得到监测图像后,可以对监测图像中的人员进行行为识别处理,得到目标区域内人员的行为识别结果。上述目标人员可以是进入目标区域的人员,在一种可能的实施例中,上述目标人员可以是前K次进入目标区域的人员,K可以是大于1的正整数,这样,可以避免进入次数过多而对噪声适应力较高的人员被确定为目标人员,进而保证目标人员对于变压器噪声更加敏感,提高变压器噪声预测的准确性。
在得到目标区域的监测图像后,可以对监测图像中目标人员进行行为识别处理和表情识别处理,得到目标人员的行为识别结果和表情识别结果。
在得到目标区域内人员的行为识别结果和表情识别结果后,可以判断目标区域内生物的行为识别结果和表情识别结果与目标变压器之间是否存在联系,若判断出目标区域内人员的行为识别结果和表情识别结果与目标变压器之间存在联系,则可以确定目标变压器的噪声会影响人员的行为和表情,进而确定出目标变压器的动态环境参数为上述行为识别结果和表情识别结果,若判断出目标区域内生物的行为识别结果和表情识别结果与目标变压器之间不存在联系,则可以确定目标变压器的噪声不会影响人员的行为和表情,进而忽略目标变压器的动态环境参数。与目标变压器之间存在联系的人员行为可以包括捂耳朵、转头、盯着目标变压器看、加快行走等行为,与目标变压器之间存在联系的人员表情可以是疑惑、暴躁、痛苦等表情。
可以通过行为识别模型以及表情识别模型分别对目标区域内人员的行为和表情进行识别,得到目标区域内人员的行为识别结果以及表情识别结果。上述行为识别模型可以是基于3D CNN、LSTM-CNN、TCN等网络的行为识别模型,上述表情识别模型可以是基于VGGNet、InceptionNet、ResNet等网络的表情识别模型。
上述监测图像可以包括多个连续的监测图像帧,上述监测图像也可以称为监测视频,行为识别模型的输出可以是a=N(ts,i,te,i,ui,vi),其中,N为识别到的行为数量,也可以表示监测图像对应有N个行为识别结果,ts,i为第i个行为的起始帧,te,i为第i个行为的终止帧,ui为第i个行为的类别分数,vi为第i个行为的置信度,不同的行为对应不同的类别分数,类别分数可以根据经验进行设置,与变压器越相关的行为对应的类别分数越高,比如,捂耳朵的类别分数可以高于加快行走的类别分数,加快行走的类别分数可以高于盯着目标变压器看的类别分数,盯着目标变压器看的类别分数可以高于转头的类别分数,与变压器不相关的行为对应的类别分数可以是0,比如玩手机、吃零食、坐地上等。表情识别模型的输出可以是b=M(ts,j,te,j,uj,vj),其中,M为识别到的表情数量,也可以表示监测图像对应有M个表情识别结果,ts,j为第j个表情的起始帧,te,j为第j个表情的终止帧,uj为第j个表情的类别分数,vj为第j个表情的置信度,不同的表情对应不同的类别分数,类别分数可以根据经验进行设置,与变压器越相关的表情对应的类别分数越高,比如,痛苦表情对应的类别分数可以高于暴躁表情对应的类别分数,暴躁表情对应的类别分数可以高于疑惑表情对应的类别分数,与变压器不相关的表情对应的类别分数可以是0,比如高兴、兴奋等。
可选的,在基于目标人员的行为识别结果和表情识别结果确定目标变压器的动态环境参数的步骤中,可以根据目标人员的行为识别结果,确定目标人员的行为与目标变压器的行为相关度;根据目标人员的表情识别结果,确定目标人员的表情与目标变压器的表情相关度;基于行为相关度与表情相关度,确定目标变压器的动态环境参数。
在本发明实施例中,在得到目标人员的行为识别结果和表情识别结果后,可以确定出目标人员行为与目标变压器之间的相关度,以及确定出目标人员表情与目标变压器之间的相关度。
目标人员行为与目标变压器之间的相关度越大,则说明目标人员行为受目标变压器噪声影响越大,进而可以说明目标变压器噪声越大。目标人员表情与目标变压器之间的相关度越大,则说明目标人员表情受目标变压器噪声影响越大,进而可以说明目标变压器噪声越大。
上述动态环境参数可以是目标变压器对目标范围内的噪声影响程度,具体来说,上述动态环境参数可以理解为目标变压器对目标人员的行为和表情的影响程度,该噪声影响程度与目标范围内人员的行为和表情相关,具体的,上述噪声影响程度与目标人员的行为相关度和表情相关度成正相关,上述噪声影响程度可以通过下述式子进行表示:
在上述式子中,s为目标变压器对目标范围内的噪声影响程度,N为识别到的行为数量,也可以表示监测图像对应有N个行为识别结果,ts,i为第i个行为的起始帧,te,i为第i个行为的终止帧,ui为第i个行为的类别分数,vi为第i个行为的置信度,M为识别到的表情数量,也可以表示监测图像对应有M个表情识别结果,ts,j为第j个表情的起始帧,te,j为第j个表情的终止帧,uj为第j个表情的类别分数,vj为第j个表情的置信度,(x0,y0)为目标变压器的位置,(x1,i,y1,i)为第i个行为时目标人员的位置,(x2,j,y2,j)为第j个表情时目标人员的位置。从上述式子可以看出,目标人员距离目标变压器越大,变压器对于目标人员的噪声影响程度越大,目标人员的行为或表情持续帧数越大,则目标变压器对于目标人员的噪声影响程度越大,目标人员的行为类别分数和表情类别分数越大,则目标变压器对于目标人员的噪声影响程度越大,目标变压器对于目标人员的噪声影响程度越大,则说明目标变压器向环境输出的噪声越大,可以将上述。因此,可以基于噪声影响程度对待调整的噪声预测模型进行参数调整,从而将待调整的噪声预测模型调整为对动态环境敏感的噪声预测模型,得到目标噪声模型。
可选的,待调整的噪声预测模型包括权重层,在基于动态环境参数对待调整的噪声预测模型进行参数调整,得到目标噪声预测模型的步骤中,可以基于行为相关度与表情相关度,对权重层的参数进行调整,调整完成得到目标噪声预测模型。
在本发明实施例中,上述待调整的噪声预测模型包括卷积层、权重层和回归层,权重层设置在回归层之前以及卷积层之后,卷积层用于提取历史噪声数据的特征信息,权重层用于对特征信息进行加权处理,得到加权后的特征信息,回归层用于对加权后的特征信息进行后n个时间步的噪声等级分类和回归,得到噪声预测结果。
在动态环境参数为0的情况下,上述权重层为默认值,这是由于没有生物或目标人员对目标变压器的噪声进行行为和表情上的反馈。
上述动态环境参数可以是目标变压器对目标范围内的噪声影响程度s,具体的,可以根据行为相关度以及表情相关度确定噪声影响程度s,可以根据噪声影响程度s确定对应的调整曲线,不同的噪声影响程度s对应不同的调整曲线,可以根据噪声影响程度s对应的调整曲线对待调整的噪声预测模型进行调整,得到目标噪声预测模型。
上述调整曲线可以如下述式子所示:
在上述式子中,e为自然对数,s为噪声影响程度,so为曲线中点,L为曲线的最大值,为曲线的坡度,通过上述调整曲线与权重层的默认值进行相乘,得到调整后的权重层,进而得到调整后的噪声预测模型来作为目标噪声预测模型。
在得到目标噪声预测模型后,可以将历史噪声数据输入到目标噪声预测模型进行处理,得到目标变压器的噪声预测结果,噪声预测结果可以包括后n个时间步的噪声等级或噪声分布图。
需要说明的是,本发明实施例提供的变压器噪声预测方法可以应用于可以进行变压器噪声预测方法的智能摄像头、智能手机、电脑、服务器等设备。
可选的,请参见图2,图2是本发明实施例提供的一种变压器噪声预测装置的结构示意图,如图2所示,所述装置包括:
获取模块201,用于获取目标变压器的自身参数、环境参数以及历史噪声数据;
预测模块202,用于基于所述自身参数、所述环境参数以及所述历史噪声数据对所述目标变压器的噪声进行预测,得到所述目标变压器的噪声预测结果。
可选的,所述预测模块202,包括:
第一确定子模块,用于根据所述形状参数以及所述内部参数确定候选噪声预测模型,所述候选噪声预测模型基于对时序预测模型进行训练处理得到;
第二确定子模块,用于基于所述环境参数在所述候选噪声预测模型中确定目标噪声预测模型;
第一处理子模块,用于通过所述目标噪声预测模型对所述历史噪声数据进行预测处理,得到所述目标变压器的噪声预测结果。
可选的,所述第二确定子模块,包括:
确定单元,用于基于所述静态环境参数在所述噪声预测模型中确定出待调整的噪声预测模型;
调整单元,用于基于所述动态环境参数对所述待调整的噪声预测模型进行参数调整,得到目标噪声预测模型。
可选的,所述装置还包括:
检测模块,用于对目标区域进行监测,得到目标区域的监测图像,所述目标区域根据所述目标变压器的理论噪声辐射范围进行确定;
第一处理模块,用于对所述监测图像中的生物进行行为识别处理,得到所述目标区域内生物的行为识别结果;
第一确定模块,用于基于所述行为识别结果确定所述目标变压器的动态环境参数。
可选的,所述装置还包括:
监测模块,用于对目标区域进行监测,得到目标区域的监测图像,所述目标区域根据所述目标变压器的理论噪声辐射范围进行确定;
第二处理模块,用于若所述监测图像中出现目标人员,则对所述目标人员进行行为识别处理以及表情识别处理,得到所述目标人员的行为识别结果和表情识别结果;
第二确定模块,用于基于所述目标人员的行为识别结果和表情识别结果确定所述目标变压器的动态环境参数。
可选的,所述第二确定模块,包括:
第三确定子模块,用于根据所述目标人员的行为识别结果,确定所述目标人员的行为与所述目标变压器的行为相关度;
第四确定子模块,用于根据所述目标人员的表情识别结果,确定所述目标人员的表情与所述目标变压器的表情相关度;
第五确定子模块,用于基于所述行为相关度与所述表情相关度,确定所述目标变压器的动态环境参数。
可选的,所述调整单元还用于基于所述行为相关度与所述表情相关度,对所述权重层的参数进行调整,调整完成得到目标噪声预测模型。
需要说明的是,本发明实施例提供的变压器噪声预测装置可以应用于可以进行变压器噪声预测方法的智能摄像头、智能手机、电脑、服务器等设备。
本发明实施例提供的变压器噪声预测装置能够实现上述方法实施例中变压器噪声预测方法实现的各个过程,且可以达到相同的有益效果。为避免重复,这里不再赘述。
参见图3,图3是本发明实施例提供的一种电子设备的结构示意图,如图3所示,包括:存储器302、处理器301及存储在所述存储器302上并可在所述处理器301上运行的变压器噪声预测方法的计算机程序,其中:
处理器301用于调用存储器302存储的计算机程序,执行如下步骤:
获取目标变压器的自身参数、环境参数以及历史噪声数据;
基于所述自身参数、所述环境参数以及所述历史噪声数据对所述目标变压器的噪声进行预测,得到所述目标变压器的噪声预测结果。
可选的,所述自身参数包括所述目标变压器的形状参数以及内部参数,处理器301执行的所述基于所述自身参数、所述环境参数以及所述历史噪声数据对所述目标变压器的噪声进行预测,得到所述目标变压器的噪声预测结果,包括:
根据所述形状参数以及所述内部参数确定候选噪声预测模型,所述候选噪声预测模型基于对时序预测模型进行训练处理得到;
基于所述环境参数在所述候选噪声预测模型中确定目标噪声预测模型;
通过所述目标噪声预测模型对所述历史噪声数据进行预测处理,得到所述目标变压器的噪声预测结果。
可选的,所述环境参数包括静态环境参数与动态环境参数,处理器301执行的所述基于所述环境参数在所述候选噪声预测模型中确定目标噪声预测模型,包括:
基于所述静态环境参数在所述噪声预测模型中确定出待调整的噪声预测模型;
基于所述动态环境参数对所述待调整的噪声预测模型进行参数调整,得到目标噪声预测模型。
可选的,在所述基于所述动态环境参数对所述待调整的噪声预测模型进行参数调整,得到目标噪声预测模型之前,处理器301执行的所述方法还包括:
对目标区域进行监测,得到目标区域的监测图像,所述目标区域根据所述目标变压器的理论噪声辐射范围进行确定;
对所述监测图像中的生物进行行为识别处理,得到所述目标区域内生物的行为识别结果;
基于所述行为识别结果确定所述目标变压器的动态环境参数。
可选的,在所述基于所述动态环境参数对所述待调整的噪声预测模型进行参数调整,得到目标噪声预测模型之前,处理器301执行的所述方法还包括:
对目标区域进行监测,得到目标区域的监测图像,所述目标区域根据所述目标变压器的理论噪声辐射范围进行确定;
若所述监测图像中出现目标人员,则对所述目标人员进行行为识别处理以及表情识别处理,得到所述目标人员的行为识别结果和表情识别结果;
基于所述目标人员的行为识别结果和表情识别结果确定所述目标变压器的动态环境参数。
可选的,处理器301执行的所述基于所述目标人员的行为识别结果和表情识别结果确定所述目标变压器的动态环境参数,包括:
根据所述目标人员的行为识别结果,确定所述目标人员的行为与所述目标变压器的行为相关度;
根据所述目标人员的表情识别结果,确定所述目标人员的表情与所述目标变压器的表情相关度;
基于所述行为相关度与所述表情相关度,确定所述目标变压器的动态环境参数。
可选的,所述待调整的噪声预测模型包括权重层,处理器301执行的所述基于所述动态环境参数对所述待调整的噪声预测模型进行参数调整,得到目标噪声预测模型,包括:
基于所述行为相关度与所述表情相关度,对所述权重层的参数进行调整,调整完成得到目标噪声预测模型。
本发明实施例提供的电子设备能够实现上述方法实施例中变压器噪声预测方法实现的各个过程,且可以达到相同的有益效果。为避免重复,这里不再赘述。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现本发明实施例提供的变压器噪声预测方法或应用端变压器噪声预测方法的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存取存储器(Random AccessMemory,简称RAM)等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种变压器噪声预测方法,其特征在于,包括以下步骤:
获取目标变压器的自身参数、环境参数以及历史噪声数据;
基于所述自身参数、所述环境参数以及所述历史噪声数据对所述目标变压器的噪声进行预测,得到所述目标变压器的噪声预测结果。
2.如权利要求1所述的变压器噪声预测方法,其特征在于,所述自身参数包括所述目标变压器的形状参数以及内部参数,所述基于所述自身参数、所述环境参数以及所述历史噪声数据对所述目标变压器的噪声进行预测,得到所述目标变压器的噪声预测结果,包括:
根据所述形状参数以及所述内部参数确定候选噪声预测模型,所述候选噪声预测模型基于对时序预测模型进行训练处理得到;
基于所述环境参数在所述候选噪声预测模型中确定目标噪声预测模型;
通过所述目标噪声预测模型对所述历史噪声数据进行预测处理,得到所述目标变压器的噪声预测结果。
3.如权利要求2所述的变压器噪声预测方法,其特征在于,所述环境参数包括静态环境参数与动态环境参数,所述基于所述环境参数在所述候选噪声预测模型中确定目标噪声预测模型,包括:
基于所述静态环境参数在所述噪声预测模型中确定出待调整的噪声预测模型;
基于所述动态环境参数对所述待调整的噪声预测模型进行参数调整,得到目标噪声预测模型。
4.如权利要求3所述的变压器噪声预测方法,其特征在于,在所述基于所述动态环境参数对所述待调整的噪声预测模型进行参数调整,得到目标噪声预测模型之前,所述方法还包括:
对目标区域进行监测,得到目标区域的监测图像,所述目标区域根据所述目标变压器的理论噪声辐射范围进行确定;
对所述监测图像中的生物进行行为识别处理,得到所述目标区域内生物的行为识别结果;
基于所述行为识别结果确定所述目标变压器的动态环境参数。
5.如权利要求3所述的变压器噪声预测方法,其特征在于,在所述基于所述动态环境参数对所述待调整的噪声预测模型进行参数调整,得到目标噪声预测模型之前,所述方法还包括:
对目标区域进行监测,得到目标区域的监测图像,所述目标区域根据所述目标变压器的理论噪声辐射范围进行确定;
若所述监测图像中出现目标人员,则对所述目标人员进行行为识别处理以及表情识别处理,得到所述目标人员的行为识别结果和表情识别结果;
基于所述目标人员的行为识别结果和表情识别结果确定所述目标变压器的动态环境参数。
6.如权利要求5所述的变压器噪声预测方法,其特征在于,所述基于所述目标人员的行为识别结果和表情识别结果确定所述目标变压器的动态环境参数,包括:
根据所述目标人员的行为识别结果,确定所述目标人员的行为与所述目标变压器的行为相关度;
根据所述目标人员的表情识别结果,确定所述目标人员的表情与所述目标变压器的表情相关度;
基于所述行为相关度与所述表情相关度,确定所述目标变压器的动态环境参数。
7.如权利要求6所述的变压器噪声预测方法,其特征在于,所述待调整的噪声预测模型包括权重层,所述基于所述动态环境参数对所述待调整的噪声预测模型进行参数调整,得到目标噪声预测模型,包括:
基于所述行为相关度与所述表情相关度,对所述权重层的参数进行调整,调整完成得到目标噪声预测模型。
8.一种变压器噪声预测装置,其特征在于,所述装置包括:
第一控制模块,用于当第一配送机器人在执行第一配送任务中出现预设的第一类故障时,控制所述第一配送机器人行走到预设的交接区域;
第二控制模块,用于控制第二配送机器人行走到所述交接区域,对所述第一配送机器人的配送数据和配送物品进行交接;
第三控制模块,用于根据所述配送数据,生成所述第二配送机器人的第二配送任务,并控制所述第二配送机器人执行所述第二配送任务。
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的变压器噪声预测方法中的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的变压器噪声预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310603327.7A CN116798119B (zh) | 2023-05-25 | 2023-05-25 | 变压器噪声预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310603327.7A CN116798119B (zh) | 2023-05-25 | 2023-05-25 | 变压器噪声预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116798119A true CN116798119A (zh) | 2023-09-22 |
CN116798119B CN116798119B (zh) | 2024-01-30 |
Family
ID=88037667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310603327.7A Active CN116798119B (zh) | 2023-05-25 | 2023-05-25 | 变压器噪声预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116798119B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013068517A (ja) * | 2011-09-22 | 2013-04-18 | Jfe Steel Corp | 変圧器の騒音予測方法 |
CN109297584A (zh) * | 2018-12-08 | 2019-02-01 | 国网湖北省电力有限公司电力科学研究院 | 一种户外变电站噪声预报系统及方法 |
CN110376455A (zh) * | 2019-06-26 | 2019-10-25 | 深圳供电局有限公司 | 变压器工作状态检测方法、装置、计算机设备和存储介质 |
CN110766059A (zh) * | 2019-10-14 | 2020-02-07 | 四川西部能源股份有限公司郫县水电厂 | 一种变压器故障的预测方法、装置和设备 |
CN112287583A (zh) * | 2020-10-29 | 2021-01-29 | 广东电网有限责任公司电力科学研究院 | 一种变压器的噪声仿真预测方法 |
CN115291142A (zh) * | 2022-07-15 | 2022-11-04 | 国网安徽省电力有限公司淮南供电公司 | 一种变压器声学指纹不停电检测及状态预警方法 |
CN115878958A (zh) * | 2022-11-18 | 2023-03-31 | 贵州电网有限责任公司 | 一种变压器油温预测方法、装置、设备及存储介质 |
CN115905523A (zh) * | 2022-11-04 | 2023-04-04 | 国网江苏省电力有限公司南京供电分公司 | 一种基于自然语言处理的变压器噪声故障分析与检修方法和系统 |
CN115932661A (zh) * | 2022-12-22 | 2023-04-07 | 深圳供电局有限公司 | 一种对变压器噪声合规性进行分析判断的方法 |
-
2023
- 2023-05-25 CN CN202310603327.7A patent/CN116798119B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013068517A (ja) * | 2011-09-22 | 2013-04-18 | Jfe Steel Corp | 変圧器の騒音予測方法 |
CN109297584A (zh) * | 2018-12-08 | 2019-02-01 | 国网湖北省电力有限公司电力科学研究院 | 一种户外变电站噪声预报系统及方法 |
CN110376455A (zh) * | 2019-06-26 | 2019-10-25 | 深圳供电局有限公司 | 变压器工作状态检测方法、装置、计算机设备和存储介质 |
CN110766059A (zh) * | 2019-10-14 | 2020-02-07 | 四川西部能源股份有限公司郫县水电厂 | 一种变压器故障的预测方法、装置和设备 |
CN112287583A (zh) * | 2020-10-29 | 2021-01-29 | 广东电网有限责任公司电力科学研究院 | 一种变压器的噪声仿真预测方法 |
CN115291142A (zh) * | 2022-07-15 | 2022-11-04 | 国网安徽省电力有限公司淮南供电公司 | 一种变压器声学指纹不停电检测及状态预警方法 |
CN115905523A (zh) * | 2022-11-04 | 2023-04-04 | 国网江苏省电力有限公司南京供电分公司 | 一种基于自然语言处理的变压器噪声故障分析与检修方法和系统 |
CN115878958A (zh) * | 2022-11-18 | 2023-03-31 | 贵州电网有限责任公司 | 一种变压器油温预测方法、装置、设备及存储介质 |
CN115932661A (zh) * | 2022-12-22 | 2023-04-07 | 深圳供电局有限公司 | 一种对变压器噪声合规性进行分析判断的方法 |
Non-Patent Citations (2)
Title |
---|
R. HAETTEL,等: "Prediction of Transformer Core Noise", PROCEEDINGS OF THE 2014 COMSOL CONFERENCE IN CAMBRIDGE * |
杨海晶: "基于TCN与DBN组合模型的变压器状态预测和故障诊断的研究", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑 * |
Also Published As
Publication number | Publication date |
---|---|
CN116798119B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110133610B (zh) | 基于时变距离-多普勒图的超宽带雷达动作识别方法 | |
CN110136103A (zh) | 医学影像解释方法、装置、计算机设备及存储介质 | |
US11058209B2 (en) | Beauty counseling information providing device and beauty counseling information providing method | |
US11270565B2 (en) | Electronic device and control method therefor | |
CN111967362B (zh) | 面向可穿戴设备的超图特征融合和集成学习的人体行为识别方法 | |
CN112097374A (zh) | 设备控制方法、装置、设备及计算机可读介质 | |
CN110705428B (zh) | 一种基于脉冲神经网络的脸部年龄识别系统及方法 | |
TW201833802A (zh) | 機械學習裝置及機械學習程式 | |
CN113571067A (zh) | 一种基于边界攻击的声纹识别对抗样本生成方法 | |
CN112303848A (zh) | 一种空调调控方法、装置及系统 | |
CN115221941A (zh) | 认知障碍检测方法及相关装置、电子设备和存储介质 | |
CN116798119B (zh) | 变压器噪声预测方法、装置、电子设备及存储介质 | |
CN111222026B (zh) | 用户类别识别模型的训练方法和用户类别识别方法 | |
CN116029604B (zh) | 一种基于健康舒适度的笼养肉鸭养殖环境调控方法 | |
CN112069892A (zh) | 一种图像识别方法、装置、设备及存储介质 | |
CN116092005A (zh) | 鱼的识别方法、系统、计算机设备及存储介质 | |
US10789477B2 (en) | Method and apparatus for real-time detection of a scene | |
CN112382382B (zh) | 一种代价敏感的集成学习分类方法及系统 | |
CN114492657A (zh) | 植物疾病分类方法、装置、电子设备及存储介质 | |
CN115031847A (zh) | 建筑内目标状态判断方法、系统、电子设备、存储介质 | |
CN110969209B (zh) | 一种陌生人识别方法、装置、电子设备及存储介质 | |
TWI665609B (zh) | 住戶行為辨識系統與住戶行為辨識方法 | |
Singh et al. | Feature weighting for improved classification of anuran calls | |
CN111242941A (zh) | 基于视觉注意的显著区域检测方法及装置 | |
CN117077812B (zh) | 网络训练方法、睡眠状态评估方法及相关设备 |
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 |