CN116824512A - 一种27.5kV可视化接地刀闸状态识别方法及装置 - Google Patents
一种27.5kV可视化接地刀闸状态识别方法及装置 Download PDFInfo
- Publication number
- CN116824512A CN116824512A CN202311082736.3A CN202311082736A CN116824512A CN 116824512 A CN116824512 A CN 116824512A CN 202311082736 A CN202311082736 A CN 202311082736A CN 116824512 A CN116824512 A CN 116824512A
- Authority
- CN
- China
- Prior art keywords
- visual
- network
- identification
- disconnecting link
- training
- 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
- 230000000007 visual effect Effects 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000005516 engineering process Methods 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims abstract description 22
- 230000004913 activation Effects 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 238000013526 transfer learning Methods 0.000 claims abstract description 11
- 210000005036 nerve Anatomy 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 36
- 238000012795 verification Methods 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000000946 synaptic effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 7
- 230000006872 improvement Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 4
- 230000016273 neuron death Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提出一种27.5kV可视化接地刀闸状态识别方法及装置,包括采用受非线性脉冲神经P系统启发的识别网络、将识别网络中的首层特征提取滤波器设置为7×7,并出一个新的组合型非线性激活函数S_ReLU以及采用了数据增强操作,并利用深度学习中迁移学习技术,提升识别网络的特征提取能力三个步骤,本发明通过采用受非线性脉冲神经P系统启发的识别网络,对可视化接地装置刀闸状态进行识别分类,通过利用卷积核大小为7×7的卷积层,提取了更细微的特征,还引入了新型组合型激活函数S_ReLU,提升模型处理非线性的能力,再利用深度学习的技术,并结合数据增强技术对数据集进行预处理,扩充了数据集数量,提升了模型的泛化性。
Description
技术领域
本发明涉及刀闸状态识别技术领域,尤其涉及一种27.5kV可视化接地刀闸状态识别方法及装置。
背景技术
伴随着计算机技术的不断发展,可视化接地装置(可视化接地刀闸)已经逐渐成了主要的接地操作的首选方式。可视化接地装置极大地简化了检修作业手动挂接地线的繁琐工作,直接提高了检修作业生产效率。27.5kV可视化接地刀闸在铁道电气化的主要构成之一。目前的城市轨道交通接触网检修通常采用人工挂拆地线的方式,效率低、检修人员工作强度大,并且由于人工方式,存在很大的不稳定性,有错误挂设、遗漏拆除地线等可能。因此,一种更高效、更稳定、更安全、更智能的可视化接地装置在当前铁道电气化过程中具有很大的需求。
近年来,越来越多的可视化接地装置状态识别方法相关研究被提出,例如现有技术“公开号(CN111026006 A)公开了一种便于观察的地铁可视化接地管理装置及安装工法”,此发明的目的在于解决常规地铁检修过程中采用人工挂接地线的方法进行人工接地时的安全问题,检修人员可以通过远程操作的方式,完成人工接地操作。利用显示灯与监控摄像头,监控室内管理员可以直接观察到刀闸接地情况。
基于现有技术发现,在刀闸状态识别部分,仍然依赖人工,为了确保接地刀闸的状态与操作目标状态的一致性,除系统自动确认接地装置返回的刀闸状态外,还需人工查看对应的视频图像,确认接地刀闸的状态,对人工检查确认存在依赖,如果接地装置故障导致返回信号错误,同时人工疏忽未进行视频确认,将可能导致系统无法正常运行,甚至出现安全事故,相比较于通过计算机数字图像技术而言,存在不稳定因素,因此本发明提出一种27.5kV可视化接地刀闸状态识别方法及装置以解决现有技术中存在的问题。
发明内容
针对上述问题,本发明的目的在于提出一种27.5kV可视化接地刀闸状态识别方法及装置,该种27.5kV可视化接地刀闸状态识别方法及装置具有基于卷积神经网络识别的优点,解决现有技术中存在的问题。
为实现本发明的目的,本发明通过以下技术方案实现:一种27.5kV可视化接地刀闸状态识别方法包括以下步骤:
步骤一:采用受非线性脉冲神经P系统启发的识别网络,对可视化接地装置刀闸状态进行识别分类,用于识别刀闸的三类状态图像,分别为刀闸闭合、刀闸断开与刀闸异常;
步骤二:将识别网络中的首层特征提取滤波器设置为7×7,再提出一个新的组合型非线性激活函数S_ReLU;
步骤三:对原始27.5kV可视化接地刀闸状态数据集采用了数据增强操作,并利用深度学习中迁移学习技术,提升识别网络的特征提取能力。
进一步改进在于:所述步骤一中,识别网络构建具体步骤为:
A1:利用非线性脉冲神经P系统,构建了一个SRCBlock,再利用SRCBlock对识别网络进行搭建;
A2:根据生物神经元的非线性脉冲机制来构建数字模型,其公式表达为:
式中,是神经元的输入,是神经元的输出,为突触权重,并且为偏置。
进一步改进在于:所述SRCBlock包括三个层,分别为步骤二中的激活函数S_ReLU层、Batch Normalization层以及卷积层。
进一步改进在于:所述步骤二中,组合型非线性激活函数S_ReLU公式表达为:
式中,其中表示输入信号。
进一步改进在于:所述步骤三中,提升特征提取能力的具体步骤为:
S1:利用深度学习技术,通过训练学习的方式,对所提出的识别网络进行训练,采用的数据集为实地采集数据集,并将该数据集分为训练集和验证集;
S2:使用迁移学习技术,通过借助在ImageNet上已经成功训练的权重参数作为指导,来对识别网络的部分网络进行训练,提取图像的初步特征;
S3:通过验证集对训练的结果进行验证。
一种27.5kV可视化接地刀闸状态识别装置,包括可视化接地装置和部署主机,所述可视化接地装置与部署主机电连接,所述部署主机内设有监控模块、状态识别模块和信号处理模块。
进一步改进在于:所述可视化接地装置包括可视化摄像头和接地刀闸。
进一步改进在于:所述部署主机内还设有管理员界面。
本发明的有益效果为:该种27.5kV可视化接地刀闸状态识别方法及装置通过采用受非线性脉冲神经P系统启发的识别网络,对可视化接地装置刀闸状态进行识别分类,通过利用卷积核大小为7×7的卷积层,提取了更细微的特征,还引入了新型组合型激活函数S_ReLU,提升模型处理非线性的能力,进一步解决了“神经元死亡”问题。利用深度学习的技术,在对ResCNSNP识别方法训练前,使用数据增强技术对数据集进行预处理,扩充了数据集数量,提升了模型的泛化性。同时,引入迁移学习技术,使模型的训练时间大幅缩短,实验结果表明,本发明在刀闸状态识别上取得了99.7%的识别精度,具有更强的鲁棒性,相较于其他模型取得了更好的分类效果,模型判断出的刀闸状态信息能够为地铁检修作业人员提供可靠参考。
附图说明
图1是本发明的识别网络结构示意图。
图2是本发明的27.5kV可视化接地刀闸装置结构示意图。
图3是本发明的27.5kV可视化接地刀闸装置电子设备结构示意图。
具体实施方式
为了加深对本发明的理解,下面将结合实施例对本发明做进一步详述,本实施例仅用于解释本发明,并不构成对本发明保护范围的限定。
实施例一
根据图1-图2所示,本实施例提出了一种27.5kV可视化接地刀闸状态识别方法,包括以下步骤:
步骤一:采用受非线性脉冲神经P系统启发的识别网络,对可视化接地装置刀闸状态进行识别分类,用于识别刀闸的三类状态图像,分别为刀闸闭合、刀闸断开与刀闸异常,其中识别网络构建具体步骤为:
A1:利用非线性脉冲神经P系统,构建了一个SRCBlock,再利用SRCBlock对识别网络进行搭建;
A2:根据生物神经元的非线性脉冲机制来构建数字模型,其公式表达为:
式中,是神经元的输入,是神经元的输出,为突触权重,并且为偏置;
SRCBlock包括三个层,分别为步骤二中的激活函数S_ReLU层、BatchNormalization层以及卷积层;
步骤二:将识别网络中的首层特征提取滤波器设置为7×7,再提出一个新的组合型非线性激活函数S_ReLU,其中组合型非线性激活函数S_ReLU公式表达为:
式中,其中表示输入信号;
步骤三:利用深度学习中迁移学习技术,提升识别网络的特征提取能力,其中提升特征提取能力的具体步骤为:
S1:利用深度学习技术,通过训练学习的方式,对所提出的识别网络进行训练,采用的数据集为实地采集数据集,并将该数据集分为训练集和验证集;
S2:使用迁移学习技术,通过借助在ImageNet上已经成功训练的权重参数作为指导,来对识别网络的部分网络进行训练,提取图像的初步特征;
S3:通过验证集对训练的结果进行验证。
一种27.5kV可视化接地刀闸状态识别装置,包括可视化接地装置201和部署主机202,可视化接地装置201与部署主机202电连接,部署主机202内设有监控模块203、状态识别模块204和信号处理模块205。
可视化接地装置201包括可视化摄像头和接地刀闸。
部署主机202内还设有管理员界面206。
实施例二
根据图1-图3所示,本实施例提出了一种27.5kV可视化接地刀闸状态识别方法,包括以下步骤:
步骤一:采用受非线性脉冲神经P系统启发的识别网络(ResCNSNP),对可视化接地装置刀闸状态进行识别分类,用于识别刀闸的三类状态图像,分别为刀闸闭合、刀闸断开与刀闸异常,识别网络构建具体步骤为:
A1:如图1所示,设计了一个识别网络(ResCNSNP),其中利用非线性脉冲神经P系统,构建了一个SRCBlock,再利用SRCBlock对识别网络进行搭建;
A2:非线性脉冲神经P系统启发于生物神经元的非线性脉冲机制,继而根据这个机制来构建数字模型,其公式表达为:
式中,是神经元的输入,是神经元的输出,为突触权重,并且为偏置,从公式可以看出,神经元的输出是神
经元的输入的非线性函数,并且也是权重的线性函数,因此,NSNP神经元模型是非常不
同于传统的神经元模型。从前向计算的角度来看,这个NSNP神经元先完成对每个输入的非
线性激活,然后进行信息的整合;
由此,与传统的卷积神经网络中一个卷积块是由一个卷积层后跟一个激活层构成不同,SRCBlock包含了三个层:步骤二中提出的S_ReLU激活函数层、Batch Normalization(BN)层,以及卷积层(Conv),利用上述这种结构,搭建了识别网络(ResCNSNP),具有三分类功能,用于识别刀闸的三类状态图像:刀闸闭合、刀闸断开与刀闸异常;
步骤二:将识别网络中的首层特征提取滤波器设置为7×7,由于大部分不同刀闸图像的变化范围较小,为了提取出输入图像上更大邻域范围的信息,数据集输入图像后,首先会经过卷积核大小为7×7的卷积层,以达到提取更细微特征的效果,即通过将识别网络中的首层特征提取滤波器设置为7×7的方式,达到提取更细微特征的作用;
再通过引进非线性激活函数的非线性因素,使神经网络具有了解决非线性问题的能力,网络的“逼近能力”可以得到了很大提高,表达能力更强,故提出一个新的组合型非线性激活函数S_ReLU,用于改进传统非线性激活函数可能会存在的“神经元死亡”,组合型非线性激活函数S_ReLU公式表达为:
式中,其中表示输入信号。
组合型非线性激活函数S_ReLU具有节省计算量,缓解过拟合的优点,而在负半轴能够始终输出一个很小的值,避免了“神经元死亡”现象的出现,使梯度正常传播;
步骤三:为了识别网络更好地学习,对原始27.5kV可视化接地刀闸状态数据集采用了数据增强操作,利用深度学习中迁移学习技术,提升识别网络的特征提取能力,提升特征提取能力的具体步骤为:
S1:利用深度学习技术,通过训练学习的方式,对所提出的识别网络进行训练,采用的数据集为实地采集数据集(即对原始27.5kV可视化接地刀闸状态数据集),其中的图像为刀闸的三类状态图像:刀闸闭合图像、刀闸断开图像与刀闸异常图像,其中刀闸异常状态图像即为刀闸未闭合紧密或未完全断开时的刀闸状态,数据集共计411张,采用4:1的划分形式,并将该数据集分为训练集和验证集;
在进行训练的过程中,需要对所有输入刀闸图像进行处理,保证输入到ResCNSNP网络中时为标准尺寸:224×224,针对采集到的数据集样本数据较少,模型训练容易陷入过拟合的情况,采用数据增强技术扩充数据集,包含的方法有:仿射变化、模糊处理、亮度改变等,这些变换都以一定的概率随机发生。选用这几种数据增强的方法除了扩充数据集数目,还能用来模拟可视化接地设备在不同放置条件下可能会面临的情况,如摄像头移位、摄像头模糊、光线不足等。经过数据增强处理后,训练数据量得到扩充,模型性能也有很大提升。通过使用这种数据增强技术,将数据集中刀闸状态图像扩充到1659张,采用随机划分的方式,将增强后的数据集划分为:训练集1308幅,验证集351幅。同时为了更好地评估模型效果,在划分过程中,保证了各分类中的图片数目大致分布均匀;
S2:人工神经网络往往需要大量的数据输入才能达到更好的学习效果,所以在训练ResCNSNP网络过程中,使用了迁移学习的技术,通过借助在ImageNet上已经成功训练的权重参数作为指导,来对ResCNSNP的部分网络进行训练,提取图像的初步特征,降低设备的开销;
S3:再通过验证集对训练的结果进行验证。
一种27.5kV可视化接地刀闸状态识别装置,包括可视化接地装置201和部署主机202,可视化接地装置201与部署主机202电连接,其中可视化接地装置201包括可视化摄像头和接地刀闸,通过可视化摄像头实时监控接地刀闸状态,并将接地刀闸状态图像进行采集。
部署主机202内设有监控模块203、状态识别模块204和信号处理模块205,其中部署主机202用于管理27.5kV可视化接地刀闸的视频信号与刀闸信号,监控模块203用于将实时监控接地刀闸当前状态,并通过视频信号进行实时显示,状态识别模块204用于使用了ResCNSNP方法,通过深度学习的技术,对27.5kV可视化接地刀闸进行状态识别。
具体的部署主机202内还设有管理员界面206,方便管理员对27.5kV可视化接地刀闸状态进行管理。
与实施例一不同的是,在本实施例中,还提出了电子设备用于实施,如图3所示,其包括301监控设备选择监控摄像头,可以选用CMOS摄像头,用于实时采集接地刀闸状态图像;302识别设备作为ResCNSNP识别方法的计算设备,可以选择常见的PC配置,CPU为11thGen Intel(R) Core(TM) i5-1135G7@2.40GHz,GPU为Inter(R) Xe Graphics,操作系统为Windows10,并安装相对应的软件环境,包括Pytorch深度学习框架,以及Python版本为3.8的Jupyter notebook编译器;303存储设备,用于保存接地刀闸状态视频和图像,并备份数据与操作日志,选择常见SATA机械硬盘;304可视化设备帮助管理人员更好观察和记录27.5kV可视化接地刀闸状态识别方法的装置各类信息,可以选择外接计算机显示屏。
本发明进行训练时,使用了依据真实场景所采集到的刀闸状态数据集,并将原始实验数据集由最初的411张数据图像利用数据增强技术扩充到了1659张。并将超参数设置如下:模型共训练50个Epoch,采用交叉熵函数Cross Entropy Loss作为模型的损失函数,BatchSize设置为8,初始学习率设为0.00005,使用Adam优化器。
为了衡量模型性能,使用准确率与损失值作为模型性能的评价指标,在训练中
的每个Epoch后输出,准确率的的计算公式如下所示:
其中,表示识别结果与标签相同的样本数;表示识别结果与标签不同的样本
数。
交叉熵损失函数用于度量两个概率分布之间的差异性,实验中的损失值即表示识
别出的标签与真实标签之间的差异,值越小表示识别的结果越好,损失值的计算公式如
下:
式中,表示样本;表示真实的标签;表示输出标签;表示总的图片数。
利用采集到的刀闸闭合、刀闸断开、刀闸异常三类刀闸状态数据集,经过数据增强与迁移学习,对ResCNSNP训练50个epoch后,在验证集上的准确率最高达到了99.72%,将训练的权重参数等数据保存,当作ResCNSNP识别方法的结果。最终,ResCNSNP识别方法整体的准确率能达到较理想的水平,并且模型的收敛速度快,在几轮迭代后就能达到较高的分类水平。
为了验证数据增强操作对ResCNSNP识别方法的影响,对方法进行了对比实验。
表1 进行数据增强前后对实验结果影响的对比
方法 | 训练集准确率/% | 验证集准确率/% | 训练集损失值 | 验证集损失值 |
未进行数据增强 | 93.56 | 95.48 | 0.2076 | 0.0548 |
进行数据增强 | 95.87 | 99.72 | 0.1843 | 0.0168 |
从表1中数据可以看出,进行数据增强后,训练集与验证集的损失值都有一定降低,训练集上的准确率提升了2.31%,验证集上的准确率提升了4.24%。说明对数据集进行仿射变换、模糊处理及亮度变换操作后,在数据集数量有限的情况下增加了数据集的多样性,模型的泛化性能和鲁棒性都有提升,避免模型陷入过拟合,最终模型的整体性能得到了一定程度上的提升。
为了ResCNSNP识别方法与其它识别分类方法之间的性能差异,选用了AlexNet、VGG、DenseNet、Resnet18等进行实验对比,在相同的实验平台上,使用同一个数据集,在这些模型上进行训练并输出结果,实验结果如表2所示。
表2 不同模型识别准确率对比
模型名称 | 验证集准确率 |
AlexNet | 88.9% |
VGG16 | 92.5% |
DenseNet121 | 78.6% |
Resnet18 | 92.8% |
VGG16+SAE | 95.3% |
ResCNSNP(ours) | 99.7% |
从表中数据可知,在同一个数据集上,DenseNet121识别准确率最低,AlexNet其次,传统Resnet18残差网络模型与VGG16准确率都在92%左右,VGG16+SAE使用稀疏自编码器(SAE)优化卷积特征,在此验证集上达到了95.3%的识别率,而本文的改进ResNet18残差网络模型达到了最高的99.7%,证明了此ResCNSNP识别方法在27.5kV可视化接地装置刀闸识别上的优越性。
本发明通过构建受非线性脉冲神经P系统启发的识别网络,进行27.5kV可视化接地装置的刀闸状态识别,通过利用卷积核大小为7×7的卷积层,提取了更细微的特征,还引入了新型组合型激活函数S_ReLU,提升模型处理非线性的能力,进一步解决了“神经元死亡”问题。利用深度学习的技术,在对ResCNSNP识别方法训练前,使用数据增强技术对数据集进行预处理,扩充了数据集数量,提升了模型的泛化性。同时,引入迁移学习技术,使模型的训练时间大幅缩短。实验结果表明,本发明提出的一种受非线性脉冲神经P系统启发的27.5kV可视化接地刀闸状态识别方法,即ResCNSNP识别方法在27.5kV可视化接地装置刀闸状态识别上取得了99.7%的识别精度,具有更强的鲁棒性,相较于其他模型取得了更好的分类效果,模型判断出的刀闸状态信息能够为地铁检修作业人员提供可靠参考。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.一种27.5kV可视化接地刀闸状态识别方法,其特征在于:包括以下步骤:
步骤一:采用受非线性脉冲神经P系统启发的识别网络,对可视化接地装置刀闸状态进行识别分类,用于识别刀闸的三类状态图像,分别为刀闸闭合、刀闸断开与刀闸异常;
步骤二:将识别网络中的首层特征提取滤波器设置为7×7,再提出一个新的组合型非线性激活函数S_ReLU;
步骤三:对原始27.5kV可视化接地刀闸状态数据集采用了数据增强操作,并利用深度学习中迁移学习技术,提升识别网络的特征提取能力。
2.根据权利要求1所述的一种27.5kV可视化接地刀闸状态识别方法,其特征在于:所述步骤一中,识别网络构建具体步骤为:
A1:利用非线性脉冲神经P系统,构建了一个SRCBlock,再利用SRCBlock对识别网络进行搭建;
A2:根据生物神经元的非线性脉冲机制来构建数字模型,其公式表达为:
式中,是神经元的输入,/>是神经元的输出,为突触权重,并且/>为偏置。
3.根据权利要求2所述的一种27.5kV可视化接地刀闸状态识别方法,其特征在于:所述SRCBlock包括三个层,分别为步骤二中的激活函数S_ReLU层、Batch Normalization层以及卷积层。
4.根据权利要求1所述的一种27.5kV可视化接地刀闸状态识别方法,其特征在于:所述步骤二中,组合型非线性激活函数S_ReLU公式表达为:
式中,其中表示输入信号。
5.根据权利要求1所述的一种27.5kV可视化接地刀闸状态识别方法,其特征在于:所述步骤三中,提升特征提取能力的具体步骤为:
S1:利用深度学习技术,通过训练学习的方式,对所提出的识别网络进行训练,采用的数据集为实地采集数据集,并将该数据集分为训练集和验证集;
S2:使用迁移学习技术,通过借助在ImageNet上已经成功训练的权重参数作为指导,来对识别网络的部分网络进行训练,提取图像的初步特征;
S3:通过验证集对训练的结果进行验证。
6.一种27.5kV可视化接地刀闸状态识别装置,其特征在于:包括可视化接地装置(201)和部署主机(202),所述可视化接地装置(201)与部署主机(202)电连接,所述部署主机(202)内设有监控模块(203)、状态识别模块(204)和信号处理模块(205)。
7.根据权利要求6所述的一种27.5kV可视化接地刀闸状态识别装置,其特征在于:所述可视化接地装置(201)包括可视化摄像头和接地刀闸。
8.根据权利要求6所述的一种27.5kV可视化接地刀闸状态识别装置,其特征在于:所述部署主机(202)内还设有管理员界面(206)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311082736.3A CN116824512B (zh) | 2023-08-28 | 2023-08-28 | 一种27.5kV可视化接地刀闸状态识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311082736.3A CN116824512B (zh) | 2023-08-28 | 2023-08-28 | 一种27.5kV可视化接地刀闸状态识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116824512A true CN116824512A (zh) | 2023-09-29 |
CN116824512B CN116824512B (zh) | 2023-11-07 |
Family
ID=88122437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311082736.3A Active CN116824512B (zh) | 2023-08-28 | 2023-08-28 | 一种27.5kV可视化接地刀闸状态识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116824512B (zh) |
Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010143124A1 (en) * | 2009-06-05 | 2010-12-16 | Nxp B.V. | A limiting circuit for an active clamp and a method of controlling a converter having a limiting circuit |
CN102831477A (zh) * | 2012-09-13 | 2012-12-19 | 西华大学 | 一种自适应模糊脉冲神经膜系统及推理算法和学习算法 |
CN103430186A (zh) * | 2012-01-20 | 2013-12-04 | 松下电器产业株式会社 | 神经网络电路的学习方法 |
CN107516128A (zh) * | 2017-06-12 | 2017-12-26 | 南京邮电大学 | 一种基于ReLU激活函数的卷积神经网络的花卉识别方法 |
CN109510201A (zh) * | 2018-12-20 | 2019-03-22 | 烟台东方威思顿电气有限公司 | 一种基于梯形模糊数系统的配电网可靠性评估方法 |
CN110348380A (zh) * | 2019-07-10 | 2019-10-18 | 无锡地铁集团有限公司 | 一种可视化接地刀闸状态视频识别系统及方法 |
CN110503004A (zh) * | 2019-07-29 | 2019-11-26 | 七彩安科智慧科技有限公司 | 一种开关电源运行状态的在线判别方法 |
CN110569965A (zh) * | 2019-08-27 | 2019-12-13 | 中山大学 | 一种基于ThLU函数的神经网络模型优化方法及系统 |
CN111026006A (zh) * | 2019-11-15 | 2020-04-17 | 中铁二局集团电务工程有限公司 | 一种便于观察的地铁可视化接地管理装置及安装工法 |
CN111934176A (zh) * | 2020-08-07 | 2020-11-13 | 中国科学院物理研究所 | 少周期量级高能飞秒脉冲产生装置和应用 |
CN112906866A (zh) * | 2021-02-20 | 2021-06-04 | 合肥云诊信息科技有限公司 | 一种基于激活函数sgrlu的深度神经网络计算系统 |
CN113038134A (zh) * | 2019-12-25 | 2021-06-25 | 武汉Tcl集团工业研究院有限公司 | 一种图片处理方法、智能终端及存储介质 |
CN113038084A (zh) * | 2021-03-25 | 2021-06-25 | 广州地铁设计研究院股份有限公司 | 状态识别方法、装置及系统 |
CN113933935A (zh) * | 2021-11-03 | 2022-01-14 | 山东师范大学 | 一种制备ktp非线性跑道型微环谐振器的方法 |
CN114187962A (zh) * | 2021-11-05 | 2022-03-15 | 南方医科大学 | 一种基于联合结构约束和不完整多模态数据非线性关联分析方法 |
US20220101135A1 (en) * | 2020-09-30 | 2022-03-31 | Grail, Llc | Systems and methods for using a convolutional neural network to detect contamination |
CN114298267A (zh) * | 2021-10-13 | 2022-04-08 | 华南理工大学 | 一种基于双向注意力生成对抗网络的故障诊断方法及应用 |
CN114612968A (zh) * | 2022-03-02 | 2022-06-10 | 盐城工学院 | 一种基于卷积神经网络的唇纹识别方法 |
WO2022252272A1 (zh) * | 2021-06-03 | 2022-12-08 | 江苏大学 | 一种基于迁移学习的改进vgg16网络猪的身份识别方法 |
US20230123322A1 (en) * | 2021-04-16 | 2023-04-20 | Strong Force Vcn Portfolio 2019, Llc | Predictive Model Data Stream Prioritization |
US20230162004A1 (en) * | 2021-09-08 | 2023-05-25 | The Board Of Regents Of The University Of Oklahoma | Deep neural networks for estimating polygenic risk scores |
CN116345415A (zh) * | 2023-02-10 | 2023-06-27 | 江西清华泰豪三波电机有限公司 | 一种微电网系统断路器控制装置和微电网系统 |
US20230206261A1 (en) * | 2021-11-23 | 2023-06-29 | Strong Force TX Portfolio 2018, LLC | Transaction platforms where systems include sets of other systems |
CN116664609A (zh) * | 2023-05-17 | 2023-08-29 | 西华大学 | 一种易部署的图像边缘检测方法、装置及其电子设备 |
-
2023
- 2023-08-28 CN CN202311082736.3A patent/CN116824512B/zh active Active
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010143124A1 (en) * | 2009-06-05 | 2010-12-16 | Nxp B.V. | A limiting circuit for an active clamp and a method of controlling a converter having a limiting circuit |
CN103430186A (zh) * | 2012-01-20 | 2013-12-04 | 松下电器产业株式会社 | 神经网络电路的学习方法 |
CN102831477A (zh) * | 2012-09-13 | 2012-12-19 | 西华大学 | 一种自适应模糊脉冲神经膜系统及推理算法和学习算法 |
CN107516128A (zh) * | 2017-06-12 | 2017-12-26 | 南京邮电大学 | 一种基于ReLU激活函数的卷积神经网络的花卉识别方法 |
CN109510201A (zh) * | 2018-12-20 | 2019-03-22 | 烟台东方威思顿电气有限公司 | 一种基于梯形模糊数系统的配电网可靠性评估方法 |
CN110348380A (zh) * | 2019-07-10 | 2019-10-18 | 无锡地铁集团有限公司 | 一种可视化接地刀闸状态视频识别系统及方法 |
CN110503004A (zh) * | 2019-07-29 | 2019-11-26 | 七彩安科智慧科技有限公司 | 一种开关电源运行状态的在线判别方法 |
CN110569965A (zh) * | 2019-08-27 | 2019-12-13 | 中山大学 | 一种基于ThLU函数的神经网络模型优化方法及系统 |
CN111026006A (zh) * | 2019-11-15 | 2020-04-17 | 中铁二局集团电务工程有限公司 | 一种便于观察的地铁可视化接地管理装置及安装工法 |
CN113038134A (zh) * | 2019-12-25 | 2021-06-25 | 武汉Tcl集团工业研究院有限公司 | 一种图片处理方法、智能终端及存储介质 |
CN111934176A (zh) * | 2020-08-07 | 2020-11-13 | 中国科学院物理研究所 | 少周期量级高能飞秒脉冲产生装置和应用 |
US20220101135A1 (en) * | 2020-09-30 | 2022-03-31 | Grail, Llc | Systems and methods for using a convolutional neural network to detect contamination |
CN112906866A (zh) * | 2021-02-20 | 2021-06-04 | 合肥云诊信息科技有限公司 | 一种基于激活函数sgrlu的深度神经网络计算系统 |
CN113038084A (zh) * | 2021-03-25 | 2021-06-25 | 广州地铁设计研究院股份有限公司 | 状态识别方法、装置及系统 |
US20230123322A1 (en) * | 2021-04-16 | 2023-04-20 | Strong Force Vcn Portfolio 2019, Llc | Predictive Model Data Stream Prioritization |
WO2022252272A1 (zh) * | 2021-06-03 | 2022-12-08 | 江苏大学 | 一种基于迁移学习的改进vgg16网络猪的身份识别方法 |
US20230162004A1 (en) * | 2021-09-08 | 2023-05-25 | The Board Of Regents Of The University Of Oklahoma | Deep neural networks for estimating polygenic risk scores |
CN114298267A (zh) * | 2021-10-13 | 2022-04-08 | 华南理工大学 | 一种基于双向注意力生成对抗网络的故障诊断方法及应用 |
CN113933935A (zh) * | 2021-11-03 | 2022-01-14 | 山东师范大学 | 一种制备ktp非线性跑道型微环谐振器的方法 |
CN114187962A (zh) * | 2021-11-05 | 2022-03-15 | 南方医科大学 | 一种基于联合结构约束和不完整多模态数据非线性关联分析方法 |
US20230206261A1 (en) * | 2021-11-23 | 2023-06-29 | Strong Force TX Portfolio 2018, LLC | Transaction platforms where systems include sets of other systems |
CN114612968A (zh) * | 2022-03-02 | 2022-06-10 | 盐城工学院 | 一种基于卷积神经网络的唇纹识别方法 |
CN116345415A (zh) * | 2023-02-10 | 2023-06-27 | 江西清华泰豪三波电机有限公司 | 一种微电网系统断路器控制装置和微电网系统 |
CN116664609A (zh) * | 2023-05-17 | 2023-08-29 | 西华大学 | 一种易部署的图像边缘检测方法、装置及其电子设备 |
Non-Patent Citations (7)
Title |
---|
HONG PENG 等: "Nonlinear Spiking Neural P Systems", INT J NEURAL SYST, vol. 30, no. 10, pages 1 - 18 * |
LIU QIAN 等: "Nonlinear Spiking Neural Systems With Autapses for Predicting Chaotic Time Series", IEEE TRANSACTIONS ON CYBERNETICS, pages 1 - 5 * |
QIAN YANG 等: "Nonlinear spiking neural P systems with multiple channels", THEORETICAL COMPUTER SCIENCE, pages 1 - 6 * |
李泰运: "基于红外热成像的电气设备故障诊断和预测", 中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑), no. 2023, pages 042 - 1743 * |
杨倩 等: "非线性脉冲神经P系统作为函数计算设备的最小通用性研究", 信息与电脑(理论版), vol. 34, no. 14, pages 53 - 55 * |
石琪: "基于卷积神经网络图像分类优化算法的研究与验证", 中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑), no. 2018, pages 138 - 1792 * |
钱春龙;黎兴源;陈大春;: "可视化接地装置接地状态自动识别方法研究", 电气化铁道, vol. 31, no. 04, pages 82 - 85 * |
Also Published As
Publication number | Publication date |
---|---|
CN116824512B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178197B (zh) | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 | |
CN110163143A (zh) | 违规行为识别方法、装置及终端设备 | |
CN109359697A (zh) | 一种电力设备巡检中使用的图形图像识别方法及巡查系统 | |
CN111401418A (zh) | 一种基于改进Faster r-cnn的员工着装规范检测方法 | |
CN114862838A (zh) | 基于无监督学习的缺陷检测方法及设备 | |
CN110599459A (zh) | 基于深度学习的地下管网风险评估云系统 | |
CN116012653A (zh) | 一种注意力残差单元神经网络高光谱图像分类方法及系统 | |
He et al. | MFI-YOLO: multi-fault insulator detection based on an improved YOLOv8 | |
CN116824512B (zh) | 一种27.5kV可视化接地刀闸状态识别方法及装置 | |
CN114743089A (zh) | 一种基于ssa-svm的图像识别gis故障诊断装置及方法 | |
CN114580501A (zh) | 骨髓细胞分类方法、系统、计算机设备及存储介质 | |
Zhang et al. | Fabric defect detection based on visual saliency map and SVM | |
CN105426926A (zh) | 一种对amoled进行检测分类的方法及装置 | |
CN112837281A (zh) | 基于级联卷积神经网络的销钉缺陷识别方法、装置和设备 | |
Cao et al. | A spatial pyramid pooling convolutional neural network for smoky vehicle detection | |
CN112183182A (zh) | 针对输电线路的缺陷识别方法 | |
Guo et al. | Fault diagnosis of power equipment based on infrared image analysis | |
CN115187259A (zh) | 基于无监督式机器学习的区块链异常交易识别方法和系统 | |
CN115223157A (zh) | 一种基于循环神经网络的电网设备铭牌光学字符识别方法 | |
CN115205743A (zh) | 基于tsn与注意力lstm网络模型的电气设备完整度监测方法 | |
CN113657310A (zh) | 基于多层卷积神经网络的光伏组件红外热斑故障识别方法 | |
Choi | Deep learning implemented structural defect detection on digital images | |
CN112396104A (zh) | 一种基于机器学习的等离子体放电识别方法及系统 | |
CN114077663A (zh) | 应用日志的分析方法及装置 | |
CN117456286B (zh) | 一种人参分级方法、装置及设备 |
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 |