CN116840693A - 基于人工智能的充放电测试控制方法及系统 - Google Patents

基于人工智能的充放电测试控制方法及系统 Download PDF

Info

Publication number
CN116840693A
CN116840693A CN202310795839.8A CN202310795839A CN116840693A CN 116840693 A CN116840693 A CN 116840693A CN 202310795839 A CN202310795839 A CN 202310795839A CN 116840693 A CN116840693 A CN 116840693A
Authority
CN
China
Prior art keywords
charge
discharge test
image
test
image block
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
Application number
CN202310795839.8A
Other languages
English (en)
Other versions
CN116840693B (zh
Inventor
李镇仕
黎柬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Shenghong New Energy Equipment Co ltd
Original Assignee
Shenzhen Shenghong New Energy Equipment Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Shenghong New Energy Equipment Co ltd filed Critical Shenzhen Shenghong New Energy Equipment Co ltd
Priority to CN202310795839.8A priority Critical patent/CN116840693B/zh
Publication of CN116840693A publication Critical patent/CN116840693A/zh
Application granted granted Critical
Publication of CN116840693B publication Critical patent/CN116840693B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/389—Measuring internal impedance, internal conductance or related variables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
  • Image Analysis (AREA)

Abstract

本发明的基于人工智能的充放电测试控制方法及系统，鉴于充放电测试聚合表征向量聚合了待进行处理的充放电测试图像记录高阶的充放电测试图像描述知识和低阶的测试结果图像块描述子和全局强度任务知识向量，对待进行处理的充放电测试图像记录进行充放电测试需求判别时，聚合了待进行处理的充放电测试图像记录的高阶和低阶的图像描述知识，从而使得充放电测试需求判别的精度得以提升，在提升充放电测试图像记录的充放电测试需求判别精度的前提下，确保了充放电测试需求判别的时效性。将充放电测试图像记录与目标充放电测试需求进行关联存储以作为后续充放电测试控制的参考，能够便于后续根据关联存储结果快速准确地进行充放电测试控制。

Description

基于人工智能的充放电测试控制方法及系统
技术领域
本发明涉及人工智能技术领域，特别涉及一种基于人工智能的充放电测试控制方法及系统。
背景技术
电池的充放电测试用于确定电池的容量、内阻、电压等参数，进而评估电池性能和使用寿命。由于充放电技术的复杂性不断增加，针对充放电测试的控制尤为重要。传统的充放电测试控制大多通过手动实现，这样难以根据不同的测试需求进行快速准确的充放电测试控制。
发明内容
为改善相关技术中存在的技术问题，本发明提供了一种基于人工智能的充放电测试控制方法及系统。
第一方面，本发明实施例提供了一种基于人工智能的充放电测试控制方法，应用于充放电测试控制系统，所述方法包括：
获取待进行处理的充放电测试图像记录，并对所述充放电测试图像记录进行测试结果图像块抽取，得到所述充放电测试图像记录中包含测试强度描述变量的测试结果图像块；
对所述测试结果图像块进行图像块描述子挖掘，得到所述测试结果图像块的测试结果图像块描述子，并对所述充放电测试图像记录的图像信息进行图像描述知识挖掘，得到所述充放电测试图像记录的充放电测试图像描述知识；
获取所述充放电测试图像记录的全局强度任务知识向量，所述全局强度任务知识向量用于反映所述充放电测试图像记录的整体充放电测试强度；
将所述测试结果图像块描述子、所述充放电测试图像描述知识和所述全局强度任务知识向量进行聚合，得到所述充放电测试图像记录的充放电测试聚合表征向量；
通过所述充放电测试聚合表征向量，对所述充放电测试图像记录进行充放电测试需求判别，得到所述充放电测试图像记录属于目标充放电测试需求的判别观点；
将所述充放电测试图像记录与所述目标充放电测试需求进行关联存储以作为后续充放电测试控制的参考。
在一些可选的实施例中，所述对所述充放电测试图像记录进行测试结果图像块抽取，得到所述充放电测试图像记录中包含测试强度描述变量的测试结果图像块，包括：
对所述充放电测试图像记录进行图像块拆解操作，得到所述充放电测试图像记录中的各图像分块；
将所述各图像分块中的背景图像块清洗，得到所述充放电测试图像记录中的备选测试结果图像块；
对各所述备选测试结果图像块进行测试强度代表权重确定，得到各所述备选测试结果图像块的测试强度代表权重值；
将所述测试强度代表权重值处于设定权重值范围的备选测试结果图像块，确定为所述充放电测试图像记录中包含所述测试强度描述变量的测试结果图像块。
在一些可选的实施例中，所述对各所述备选测试结果图像块进行测试强度代表权重确定，得到各所述备选测试结果图像块的测试强度代表权重值，包括：
针对各所述备选测试结果图像块分别实施如下步骤：
获取包括多个所述目标充放电测试需求的充放电测试图像日志池和包括多个噪声充放电测试需求的噪声充放电测试图像日志池；
通过所述充放电测试图像日志池和所述备选测试结果图像块，确定所述备选测试结果图像块的充放电测试评价系数；
通过所述噪声充放电测试图像日志池和所述备选测试结果图像块，确定所述备选测试结果图像块的噪声充放电测试评价系数；
将所述充放电测试评价系数和所述噪声充放电测试评价系数的比较结果，确定为所述备选测试结果图像块的测试强度代表权重值。
在一些可选的实施例中，所述通过所述充放电测试图像日志池和所述备选测试结果图像块，确定所述备选测试结果图像块的充放电测试评价系数，包括：
获取所述备选测试结果图像块在所述充放电测试图像日志池中的活跃度，以及所述充放电测试图像日志池的图像分块数目；
将所述备选测试结果图像块在所述充放电测试图像日志池中的活跃度，与所述充放电测试图像日志池的图像分块数目的设定运算结果，确定为第一整体充放电测试强度值；
获取所述充放电测试图像日志池中充放电测试图像日志的数目；
依据所述充放电测试图像日志的数目以及所述备选测试结果图像块在所述充放电测试图像日志池中的活跃度，得到第二整体充放电测试强度值；
根据所述第一整体充放电测试强度值和所述第二整体充放电测试强度值，确定所述备选测试结果图像块的充放电测试评价系数。
在一些可选的实施例中，所述通过所述噪声充放电测试图像日志池和所述备选测试结果图像块，确定所述备选测试结果图像块的噪声充放电测试评价系数，包括：
获取所述备选测试结果图像块在所述噪声充放电测试图像日志池中的活跃度，以及所述噪声充放电测试图像日志池的图像分块数目；
将所述备选测试结果图像块在噪声充放电测试图像日志池中的活跃度，与所述噪声充放电测试图像日志池的图像分块数目的设定运算结果，确定为第一整体充放电测试强度噪声值；
获取所述噪声充放电测试图像日志池中噪声充放电测试图像日志的数目；
依据所述噪声充放电测试图像日志的数目和所述备选测试结果图像块在所述噪声充放电测试图像日志池中的活跃度，得到第二整体充放电测试强度噪声值；
通过所述第一整体充放电测试强度噪声值和所述第二整体充放电测试强度噪声值，确定所述备选测试结果图像块的噪声充放电测试评价系数。
在一些可选的实施例中，所述对所述测试结果图像块进行图像块描述子挖掘，得到所述测试结果图像块的测试结果图像块描述子，包括：
对各所述测试结果图像块进行图像分块特征挖掘，得到各所述测试结果图像块的图像分块表征向量；
结合各所述测试结果图像块的图像分块表征向量，生成测试结果图像块描述子关系网；
获取充放电测试图像日志池，并结合各所述测试结果图像块和充放电测试图像日志池，确定选定图像特征；
根据所述选定图像特征和所述测试结果图像块关系网，确定所述测试结果图像块描述子。
在一些可选的实施例中，所述结合各所述测试结果图像块和充放电测试图像日志池，确定选定图像特征，包括：
针对各所述测试结果图像块实施如下步骤：
确定所述测试结果图像块与所述充放电测试图像日志池的联系特征，并通过所述联系特征，确定所述测试结果图像块的选定决策标签，其中，所述选定决策标签，用于反映所述测试结果图像块是否属于所述充放电测试图像日志池；
结合各所述测试结果图像块的选定决策标签，生成所述选定图像特征。
在一些可选的实施例中，所述通过所述联系特征，确定所述测试结果图像块的选定决策标签，包括：
当所述联系特征表征所述充放电测试图像日志池中存在所述测试结果图像块时，将所述测试结果图像块的选定图像单元注释为第一选定决策标签；
当所述联系特征表征所述充放电测试图像日志池中不存在所述测试结果图像块时，将所述测试结果图像块的选定图像单元注释为第二选定决策标签；
其中，所述第一选定决策标签，用于反映所述测试结果图像块属于所述充放电测试图像日志池，所述第二选定决策标签，用于反映所述测试结果图像块不属于所述充放电测试图像日志池。
在一些可选的实施例中，所述获取所述充放电测试图像记录的全局强度任务知识向量，包括：
获取最少两个充放电测试强度分析要求；
将所述充放电测试图像记录分别与各所述充放电测试强度分析要求进行配对，得到配对信息，其中，所述配对信息表征所述充放电测试图像记录是否符合所述充放电测试强度分析要求；
对各所述配对信息的图像数据进行图像块描述子挖掘，得到所述充放电测试图像记录的全局强度任务知识向量。
在一些可选的实施例中，所述充放电测试图像记录的图像信息包括区分标识、图形化总结信息和图像细节；
所述对所述充放电测试图像记录的图像信息进行图像描述知识挖掘，得到所述充放电测试图像记录的充放电测试图像描述知识，包括：
分别对所述区分标识、所述图形化总结信息和所述图像细节进行图像块描述子挖掘，对应得到区分标识描述向量、图形化总结信息描述向量和图像细节描述向量；
将所述区分标识描述向量、所述图形化总结信息描述向量和所述图像细节描述向量进行聚合，得到所述充放电测试图像记录的充放电测试图像描述知识。
在一些可选的实施例中，所述将所述测试结果图像块描述子、所述充放电测试图像描述知识和所述全局强度任务知识向量进行聚合，得到所述充放电测试图像记录的充放电测试聚合表征向量，包括：
将所述测试结果图像块描述子、所述充放电测试图像描述知识和所述全局强度任务知识向量进行组合，得到联动描述向量，所述联动描述向量包括最少两个知识成员；
通过最少一个深度残差模型，对所述联动描述向量中的各知识成员进行特征聚合，得到所述充放电测试图像记录的充放电测试聚合表征向量。
第二方面，本发明还提供了一种充放电测试控制系统，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述的方法。
第三方面，本发明还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。
本发明通过聚合了测试结果图像块描述子、充放电测试图像描述知识和全局强度任务知识向量的充放电测试聚合表征向量，对待进行处理的充放电测试图像记录进行充放电测试需求判别，鉴于充放电测试聚合表征向量聚合了待进行处理的充放电测试图像记录高阶的充放电测试图像描述知识和低阶的测试结果图像块描述子和全局强度任务知识向量，换言之，对待进行处理的充放电测试图像记录进行充放电测试需求判别时，聚合了待进行处理的充放电测试图像记录的高阶和低阶的图像描述知识，从而使得充放电测试需求判别的精度得以提升，在提升充放电测试图像记录的充放电测试需求判别精度的前提下，确保了充放电测试需求判别的时效性。在此基础上，将充放电测试图像记录与目标充放电测试需求进行关联存储以作为后续充放电测试控制的参考，能够便于后续根据关联存储结果快速准确地进行充放电测试控制。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。
图1是本发明实施例提供的一种基于人工智能的充放电测试控制方法的流程示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
本发明实施例所提供的方法实施例可以在充放电测试控制系统、计算机设备或者类似的运算装置中执行。以运行在充放电测试控制系统上为例，充放电测试控制系统可以包括一个或多个处理器（处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器，可选地，上述充放电测试控制系统还可以包括用于通信功能的传输装置。本领域普通技术人员可以理解，上述结构仅为示意，其并不对上述充放电测试控制系统的结构造成限定。例如，充放电测试控制系统还可包括比上述所示更多或者更少的组件，或者具有与上述所示不同的配置。
存储器可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的一种基于人工智能的充放电测试控制方法对应的计算机程序，处理器通过运行存储在存储器内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至充放电测试控制系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括充放电测试控制系统的通信供应商提供的无线网络。在一个实例中，传输装置包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。
基于此，请参阅图1，图1是本发明实施例所提供的一种基于人工智能的充放电测试控制方法的流程示意图，该方法应用于充放电测试控制系统，进一步可以包括步骤101-步骤106。
步骤101、获取待进行处理的充放电测试图像记录，并对所述充放电测试图像记录进行测试结果图像块抽取，得到所述充放电测试图像记录中包含测试强度描述变量的测试结果图像块。
本发明实施例中，充放电测试用于确定电池（比如动力电池、燃料电池、锂电池等）的容量、内阻、电压等参数，进而评估电池性能和使用寿命。充放电测试图像记录是通过图像形式（比如曲线、动图等）对充电过程中/放电过程中的容量、内阻、电压等参数进行记录的。充放电测试图像记录可以由多个图像块构成，基于此，可以对充放电测试图像记录进行测试结果图像块抽取，从而得到包含测试强度描述变量的测试结果图像块。进一步地，测试结果图像块用于记载电池在充放电测试过程中的结果，比如容量测试结果、内阻测试结果、电压测试结果等。测试强度描述变量用于表征电池的充放电测试强度/复杂度特征，可以通过特征向量的形式进行表征。
步骤102、对所述测试结果图像块进行图像块描述子挖掘，得到所述测试结果图像块的测试结果图像块描述子，并对所述充放电测试图像记录的图像信息进行图像描述知识挖掘，得到所述充放电测试图像记录的充放电测试图像描述知识。
本发明实施例中，图像块描述子挖掘用于提取测试结果图像块中的图像特征（也即测试结果图像块描述子），测试结果图像块描述子能够表征电池参数的变化情况或者性能情况。进一步地，测试结果图像块的测试结果图像块描述子可以理解为局部的图像特征，充放电测试图像记录的充放电测试图像描述知识可以理解为全局的图像特征。
步骤103、获取所述充放电测试图像记录的全局强度任务知识向量，所述全局强度任务知识向量用于反映所述充放电测试图像记录的整体充放电测试强度。
本发明实施例中，全局强度任务知识向量可以理解为整体层面的充放电强度/复杂度特征，比如针对电池的过充强度进行测试的特征，又比如针对电池的过放强度进行测试的特征等。
步骤104、将所述测试结果图像块描述子、所述充放电测试图像描述知识和所述全局强度任务知识向量进行聚合，得到所述充放电测试图像记录的充放电测试聚合表征向量。
本发明实施例中，通过实现测试结果图像块描述子、充放电测试图像描述知识和全局强度任务知识向量的特征聚合，能够得到充放电测试聚合表征向量（可以理解为已聚合的图像特征）。
步骤105、通过所述充放电测试聚合表征向量，对所述充放电测试图像记录进行充放电测试需求判别，得到所述充放电测试图像记录属于目标充放电测试需求的判别观点。
本发明实施例中，充放电测试需求能够表征充放电测试图像记录的测试需求类别，充放电测试需求可以是针对高强度过充测试的需求类别，也可以是针对高强度过放测试的需求类别，还可以是针对电压稳定性的测试需求类别等。在此基础上，本领域技术人员可以灵活选择目标充放电测试需求，因此判别观点可以理解为充放电测试图像记录属于目标充放电测试需求的预测结果。
步骤106、将所述充放电测试图像记录与所述目标充放电测试需求进行关联存储以作为后续充放电测试控制的参考。
本发明实施例中，如果判别观点表征充放电测试图像记录属于目标充放电测试需求，则可以将充放电测试图像记录与目标充放电测试需求进行关联存储。这样一来，后期在进行充放电测试时，如果确定后续充放电测试需求与目标充放电测试需求匹配，则可以调用关联存储的标充放电测试需求-充放电测试图像记录，从而根据充放电测试图像记录进行针对性的充放电测试控制，这样可以快速、准确第进行充放电测试控制。
在一些可能的实施例中，步骤101中的对所述充放电测试图像记录进行测试结果图像块抽取，得到所述充放电测试图像记录中包含测试强度描述变量的测试结果图像块，包括步骤1011-步骤1014。
步骤1011、对所述充放电测试图像记录进行图像块拆解操作，得到所述充放电测试图像记录中的各图像分块。
步骤1012、将所述各图像分块中的背景图像块清洗，得到所述充放电测试图像记录中的备选测试结果图像块。
本发明实施例中，通过清洗背景图像块，能够过滤掉没有携带实质性内容的图像块，从而保障备选测试结果图像块的质量。
步骤1013、对各所述备选测试结果图像块进行测试强度代表权重确定，得到各所述备选测试结果图像块的测试强度代表权重值。
其中，测试强度代表权重值用于表征备选测试结果图像块的测试强度评分，测试强度代表权重值的取值范围可以是0~1。
步骤1014、将所述测试强度代表权重值处于设定权重值范围的备选测试结果图像块，确定为所述充放电测试图像记录中包含所述测试强度描述变量的测试结果图像块。
本发明实施例中，设定权重值范围可以是0.6~1，如此设计，通过清洗背景图像块，能够过滤掉没有携带实质性内容的图像块，从而保障备选测试结果图像块的质量，通过设定权重值范围确定包含测试强度描述变量的测试结果图像块，能够提升测试结果图像块的测试强度代表性。
在一些可能的实施例中，步骤1013中的对各所述备选测试结果图像块进行测试强度代表权重确定，得到各所述备选测试结果图像块的测试强度代表权重值，可以针对各所述备选测试结果图像块分别实施步骤10131-步骤10134。
步骤10131、获取包括多个所述目标充放电测试需求的充放电测试图像日志池和包括多个噪声充放电测试需求的噪声充放电测试图像日志池。
其中，噪声充放电测试需求是不同于目标充放电测试需求的充放电测试需求，用于作为扰动特征。
步骤10132、通过所述充放电测试图像日志池和所述备选测试结果图像块，确定所述备选测试结果图像块的充放电测试评价系数。
本发明实施例中，充放电测试评价系数用于表征充放电测试强度的置信度。
步骤10133、通过所述噪声充放电测试图像日志池和所述备选测试结果图像块，确定所述备选测试结果图像块的噪声充放电测试评价系数。
本发明实施例中，充放电测试评价系数用于表征非充放电测试强度的置信度。
步骤10134、将所述充放电测试评价系数和所述噪声充放电测试评价系数的比较结果，确定为所述备选测试结果图像块的测试强度代表权重值。
本发明实施例中，通过将所述充放电测试评价系数和所述噪声充放电测试评价系数的比值确定为备选测试结果图像块的测试强度代表权重值，能够提高测试强度代表权重值的精度和可信度。
在一些可能的实施例中，步骤10132中的通过所述充放电测试图像日志池和所述备选测试结果图像块，确定所述备选测试结果图像块的充放电测试评价系数，包括步骤10132a-步骤10132e。
步骤10132a、获取所述备选测试结果图像块在所述充放电测试图像日志池中的活跃度（可以理解为出现次数），以及所述充放电测试图像日志池的图像分块数目。
步骤10132b、将所述备选测试结果图像块在所述充放电测试图像日志池中的活跃度，与所述充放电测试图像日志池的图像分块数目的设定运算结果（比如可以是比值），确定为第一整体充放电测试强度值。
步骤10132c、获取所述充放电测试图像日志池中充放电测试图像日志的数目。
步骤10132d、依据所述充放电测试图像日志的数目以及所述备选测试结果图像块在所述充放电测试图像日志池中的活跃度，得到第二整体充放电测试强度值。
比如，可以将充放电测试图像日志的数目与备选测试结果图像块在所述充放电测试图像日志池中的活跃度的比值确定为第二整体充放电测试强度值。
步骤10132e、根据所述第一整体充放电测试强度值和所述第二整体充放电测试强度值，确定所述备选测试结果图像块的充放电测试评价系数。
示例性的，可以将第一整体充放电测试强度值和第二整体充放电测试强度值的乘积确定为备选测试结果图像块的充放电测试评价系数，这样一来，可以引入充放电测试图像日志池进行分析，以准确得到备选测试结果图像块的充放电测试评价系数。
在一些示例下，步骤10133中的通过所述噪声充放电测试图像日志池和所述备选测试结果图像块，确定所述备选测试结果图像块的噪声充放电测试评价系数，包括：获取所述备选测试结果图像块在所述噪声充放电测试图像日志池中的活跃度，以及所述噪声充放电测试图像日志池的图像分块数目；将所述备选测试结果图像块在噪声充放电测试图像日志池中的活跃度，与所述噪声充放电测试图像日志池的图像分块数目的设定运算结果，确定为第一整体充放电测试强度噪声值；获取所述噪声充放电测试图像日志池中噪声充放电测试图像日志的数目；依据所述噪声充放电测试图像日志的数目和所述备选测试结果图像块在所述噪声充放电测试图像日志池中的活跃度，得到第二整体充放电测试强度噪声值；通过所述第一整体充放电测试强度噪声值和所述第二整体充放电测试强度噪声值，确定为所述备选测试结果图像块的噪声充放电测试评价系数。如此设计，引入噪声充放电测试图像日志池进行分析，以准确得到备选测试结果图像块的噪声充放电测试评价系数。
在一些可选的实施例中，步骤102中的对所述测试结果图像块进行图像块描述子挖掘，得到所述测试结果图像块的测试结果图像块描述子，包括步骤1021-步骤1024。
步骤1021、对各所述测试结果图像块进行图像分块特征挖掘，得到各所述测试结果图像块的图像分块表征向量。
步骤1022、结合各所述测试结果图像块的图像分块表征向量，生成测试结果图像块描述子关系网（可以理解为图像特征矩阵）。
步骤1023、获取充放电测试图像日志池，并结合各所述测试结果图像块和充放电测试图像日志池，确定选定图像特征（可以理解为已标记的图像特征）。
步骤1024、根据所述选定图像特征和所述测试结果图像块关系网，确定所述测试结果图像块描述子。
应用步骤1021-步骤1024，通过图像分块特征挖掘能够得到测试结果图像块的图像分块表征向量，进而可以确定出测试结果图像块描述子关系网，然后结合选定图像特征能够准确高效地确定出测试结果图像块描述子。
在一些可能的实施例中，步骤1023中的结合各所述测试结果图像块和充放电测试图像日志池，确定选定图像特征，可以通过针对各所述测试结果图像块实施步骤10231和步骤10232。
步骤10231、确定所述测试结果图像块与所述充放电测试图像日志池的联系特征，并通过所述联系特征，确定所述测试结果图像块的选定决策标签。
其中，所述选定决策标签，用于反映所述测试结果图像块是否属于所述充放电测试图像日志池。其中，联系特征可以理解为从属关系特征。
步骤10232、确结合各所述测试结果图像块的选定决策标签，生成所述选定图像特征。
其中，选定决策标签可以理解为图像特征的标记结果，基于此，应用步骤10231和步骤10232，能够结合联系特征准确确定选定决策标签，以保障选定图像特征的精度。
在一些可选的实施例中，步骤10231中的通过所述联系特征，确定所述测试结果图像块的选定决策标签，包括：当所述联系特征表征所述充放电测试图像日志池中存在所述测试结果图像块时，将所述测试结果图像块的选定图像单元注释为第一选定决策标签；当所述联系特征表征所述充放电测试图像日志池中不存在所述测试结果图像块时，将所述测试结果图像块的选定图像单元注释为第二选定决策标签；其中，所述第一选定决策标签，用于反映所述测试结果图像块属于所述充放电测试图像日志池，所述第二选定决策标签，用于反映所述测试结果图像块不属于所述充放电测试图像日志池。这样一来，可以准确、可靠地确定测试结果图像块的选定决策标签，避免选定决策标签出现误差。
在一些示例性实施例中，步骤103中的获取所述充放电测试图像记录的全局强度任务知识向量，包括步骤1031-步骤1033。
步骤1031、获取最少两个充放电测试强度分析要求（充放电测试强度分析条件）。
步骤1032、将所述充放电测试图像记录分别与各所述充放电测试强度分析要求进行配对，得到配对信息，其中，所述配对信息表征所述充放电测试图像记录是否符合所述充放电测试强度分析要求。
步骤1033、对各所述配对信息的图像数据进行图像块描述子挖掘，得到所述充放电测试图像记录的全局强度任务知识向量。
可以理解，通过步骤1031-步骤1033，能够引入充放电测试强度分析要求进行分析，从而结合配对信息的图像数据实现图像块描述子挖掘，以准确确定出全局强度任务知识向量。
在一些实施例中，所述充放电测试图像记录的图像信息包括区分标识（名称标识）、图形化总结信息（类别信息）和图像细节（图像内容）。基于此，步骤102中的对所述充放电测试图像记录的图像信息进行图像描述知识挖掘，得到所述充放电测试图像记录的充放电测试图像描述知识，包括：分别对所述区分标识、所述图形化总结信息和所述图像细节进行图像块描述子挖掘，对应得到区分标识描述向量、图形化总结信息描述向量和图像细节描述向量；将所述区分标识描述向量、所述图形化总结信息描述向量和所述图像细节描述向量进行聚合，得到所述充放电测试图像记录的充放电测试图像描述知识。这样一来，能够准确完整第确定出充放电测试图像描述知识。
在一些可能的实施例中，步骤104中的将所述测试结果图像块描述子、所述充放电测试图像描述知识和所述全局强度任务知识向量进行聚合，得到所述充放电测试图像记录的充放电测试聚合表征向量，包括步骤1041和步骤1042。
步骤1041、将所述测试结果图像块描述子、所述充放电测试图像描述知识和所述全局强度任务知识向量进行组合，得到联动描述向量，所述联动描述向量包括最少两个知识成员（向量元素）。
步骤1042、通过最少一个深度残差模型，对所述联动描述向量中的各知识成员进行特征聚合，得到所述充放电测试图像记录的充放电测试聚合表征向量。
应用步骤1041和步骤1042，能够基于深度残差模型实现特征聚合，从而避免充放电测试聚合表征向量的特征丢失，以保障充放电测试聚合表征向量的完整性和特征表征性能。
进一步地，还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。
在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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 (10)

1.一种基于人工智能的充放电测试控制方法，其特征在于，应用于充放电测试控制系统，所述方法包括：
获取待进行处理的充放电测试图像记录，并对所述充放电测试图像记录进行测试结果图像块抽取，得到所述充放电测试图像记录中包含测试强度描述变量的测试结果图像块；
对所述测试结果图像块进行图像块描述子挖掘，得到所述测试结果图像块的测试结果图像块描述子，并对所述充放电测试图像记录的图像信息进行图像描述知识挖掘，得到所述充放电测试图像记录的充放电测试图像描述知识；
获取所述充放电测试图像记录的全局强度任务知识向量，所述全局强度任务知识向量用于反映所述充放电测试图像记录的整体充放电测试强度；
将所述测试结果图像块描述子、所述充放电测试图像描述知识和所述全局强度任务知识向量进行聚合，得到所述充放电测试图像记录的充放电测试聚合表征向量；
通过所述充放电测试聚合表征向量，对所述充放电测试图像记录进行充放电测试需求判别，得到所述充放电测试图像记录属于目标充放电测试需求的判别观点；
将所述充放电测试图像记录与所述目标充放电测试需求进行关联存储以作为后续充放电测试控制的参考。
2.根据权利要求1所述的方法，其特征在于，所述对所述充放电测试图像记录进行测试结果图像块抽取，得到所述充放电测试图像记录中包含测试强度描述变量的测试结果图像块，包括：
对所述充放电测试图像记录进行图像块拆解操作，得到所述充放电测试图像记录中的各图像分块；
将所述各图像分块中的背景图像块清洗，得到所述充放电测试图像记录中的备选测试结果图像块；
对各所述备选测试结果图像块进行测试强度代表权重确定，得到各所述备选测试结果图像块的测试强度代表权重值；
将所述测试强度代表权重值处于设定权重值范围的备选测试结果图像块，确定为所述充放电测试图像记录中包含所述测试强度描述变量的测试结果图像块。
3.根据权利要求2所述的方法，其特征在于，所述对各所述备选测试结果图像块进行测试强度代表权重确定，得到各所述备选测试结果图像块的测试强度代表权重值，包括：
针对各所述备选测试结果图像块分别实施如下步骤：
获取包括多个所述目标充放电测试需求的充放电测试图像日志池和包括多个噪声充放电测试需求的噪声充放电测试图像日志池；
通过所述充放电测试图像日志池和所述备选测试结果图像块，确定所述备选测试结果图像块的充放电测试评价系数；
通过所述噪声充放电测试图像日志池和所述备选测试结果图像块，确定所述备选测试结果图像块的噪声充放电测试评价系数；
将所述充放电测试评价系数和所述噪声充放电测试评价系数的比较结果，确定为所述备选测试结果图像块的测试强度代表权重值。
4.根据权利要求3所述的方法，其特征在于，所述通过所述充放电测试图像日志池和所述备选测试结果图像块，确定所述备选测试结果图像块的充放电测试评价系数，包括：
获取所述备选测试结果图像块在所述充放电测试图像日志池中的活跃度，以及所述充放电测试图像日志池的图像分块数目；
将所述备选测试结果图像块在所述充放电测试图像日志池中的活跃度，与所述充放电测试图像日志池的图像分块数目的设定运算结果，确定为第一整体充放电测试强度值；
获取所述充放电测试图像日志池中充放电测试图像日志的数目；
依据所述充放电测试图像日志的数目以及所述备选测试结果图像块在所述充放电测试图像日志池中的活跃度，得到第二整体充放电测试强度值；
根据所述第一整体充放电测试强度值和所述第二整体充放电测试强度值，确定所述备选测试结果图像块的充放电测试评价系数；
其中，所述通过所述噪声充放电测试图像日志池和所述备选测试结果图像块，确定所述备选测试结果图像块的噪声充放电测试评价系数，包括：
获取所述备选测试结果图像块在所述噪声充放电测试图像日志池中的活跃度，以及所述噪声充放电测试图像日志池的图像分块数目；
将所述备选测试结果图像块在噪声充放电测试图像日志池中的活跃度，与所述噪声充放电测试图像日志池的图像分块数目的设定运算结果，确定为第一整体充放电测试强度噪声值；
获取所述噪声充放电测试图像日志池中噪声充放电测试图像日志的数目；
依据所述噪声充放电测试图像日志的数目和所述备选测试结果图像块在所述噪声充放电测试图像日志池中的活跃度，得到第二整体充放电测试强度噪声值；
通过所述第一整体充放电测试强度噪声值和所述第二整体充放电测试强度噪声值，确定所述备选测试结果图像块的噪声充放电测试评价系数。
5.根据权利要求1所述的方法，其特征在于，所述对所述测试结果图像块进行图像块描述子挖掘，得到所述测试结果图像块的测试结果图像块描述子，包括：
对各所述测试结果图像块进行图像分块特征挖掘，得到各所述测试结果图像块的图像分块表征向量；
结合各所述测试结果图像块的图像分块表征向量，生成测试结果图像块描述子关系网；
获取充放电测试图像日志池，并结合各所述测试结果图像块和充放电测试图像日志池，确定选定图像特征；
根据所述选定图像特征和所述测试结果图像块关系网，确定所述测试结果图像块描述子；
其中，所述结合各所述测试结果图像块和充放电测试图像日志池，确定选定图像特征，包括：针对各所述测试结果图像块实施如下步骤：确定所述测试结果图像块与所述充放电测试图像日志池的联系特征，并通过所述联系特征，确定所述测试结果图像块的选定决策标签，其中，所述选定决策标签，用于反映所述测试结果图像块是否属于所述充放电测试图像日志池；结合各所述测试结果图像块的选定决策标签，生成所述选定图像特征；
其中，所述通过所述联系特征，确定所述测试结果图像块的选定决策标签，包括：当所述联系特征表征所述充放电测试图像日志池中存在所述测试结果图像块时，将所述测试结果图像块的选定图像单元注释为第一选定决策标签；当所述联系特征表征所述充放电测试图像日志池中不存在所述测试结果图像块时，将所述测试结果图像块的选定图像单元注释为第二选定决策标签；其中，所述第一选定决策标签，用于反映所述测试结果图像块属于所述充放电测试图像日志池，所述第二选定决策标签，用于反映所述测试结果图像块不属于所述充放电测试图像日志池。
6.根据权利要求1所述的方法，其特征在于，所述获取所述充放电测试图像记录的全局强度任务知识向量，包括：
获取最少两个充放电测试强度分析要求；
将所述充放电测试图像记录分别与各所述充放电测试强度分析要求进行配对，得到配对信息，其中，所述配对信息表征所述充放电测试图像记录是否符合所述充放电测试强度分析要求；
对各所述配对信息的图像数据进行图像块描述子挖掘，得到所述充放电测试图像记录的全局强度任务知识向量。
7.根据权利要求1所述的方法，其特征在于，所述充放电测试图像记录的图像信息包括区分标识、图形化总结信息和图像细节；
所述对所述充放电测试图像记录的图像信息进行图像描述知识挖掘，得到所述充放电测试图像记录的充放电测试图像描述知识，包括：
分别对所述区分标识、所述图形化总结信息和所述图像细节进行图像块描述子挖掘，对应得到区分标识描述向量、图形化总结信息描述向量和图像细节描述向量；
将所述区分标识描述向量、所述图形化总结信息描述向量和所述图像细节描述向量进行聚合，得到所述充放电测试图像记录的充放电测试图像描述知识。
8.根据权利要求1所述的方法，其特征在于，所述将所述测试结果图像块描述子、所述充放电测试图像描述知识和所述全局强度任务知识向量进行聚合，得到所述充放电测试图像记录的充放电测试聚合表征向量，包括：
将所述测试结果图像块描述子、所述充放电测试图像描述知识和所述全局强度任务知识向量进行组合，得到联动描述向量，所述联动描述向量包括最少两个知识成员；
通过最少一个深度残差模型，对所述联动描述向量中的各知识成员进行特征聚合，得到所述充放电测试图像记录的充放电测试聚合表征向量。
9.一种充放电测试控制系统，其特征在于，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时实现权利要求1-8任一项所述的方法。
CN202310795839.8A 2023-06-30 2023-06-30 基于人工智能的充放电测试控制方法及系统 Active CN116840693B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310795839.8A CN116840693B (zh) 2023-06-30 2023-06-30 基于人工智能的充放电测试控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310795839.8A CN116840693B (zh) 2023-06-30 2023-06-30 基于人工智能的充放电测试控制方法及系统

Publications (2)

Publication Number Publication Date
CN116840693A true CN116840693A (zh) 2023-10-03
CN116840693B CN116840693B (zh) 2024-03-19

Family

ID=88170072

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310795839.8A Active CN116840693B (zh) 2023-06-30 2023-06-30 基于人工智能的充放电测试控制方法及系统

Country Status (1)

Country Link
CN (1) CN116840693B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008138063A1 (en) * 2007-05-15 2008-11-20 Digisensory Technologies Pty Ltd Method and system for background estimation in localization and tracking of objects in a smart video camera
CN104297645A (zh) * 2014-09-30 2015-01-21 国家电网公司 电气设备外部放电紫外检测分析方法及装置
KR101521136B1 (ko) * 2013-12-16 2015-05-20 경북대학교 산학협력단 얼굴 인식 방법 및 얼굴 인식 장치
CN105389589A (zh) * 2015-11-06 2016-03-09 北京航空航天大学 一种基于随机森林回归的胸腔x光片肋骨检测方法
CN106338696A (zh) * 2016-10-17 2017-01-18 苏海英 一种锂离子电池电量监测系统
CN107316031A (zh) * 2017-07-04 2017-11-03 北京大学深圳研究生院 用于行人重识别的图像特征提取方法
US20190005069A1 (en) * 2017-06-28 2019-01-03 Google Inc. Image Retrieval with Deep Local Feature Descriptors and Attention-Based Keypoint Descriptors
CN111401384A (zh) * 2020-03-12 2020-07-10 安徽南瑞继远电网技术有限公司 一种变电设备缺陷图像匹配方法
CN111462259A (zh) * 2020-04-02 2020-07-28 吉安诺惠诚莘科技有限公司 一种基于人工智能的汽车充电桩监控系统
CN112967225A (zh) * 2021-01-29 2021-06-15 绍兴隆芙力智能科技发展有限公司 一种基于人工智能的自动检测系统、方法、设备及介质
CN112967224A (zh) * 2021-01-29 2021-06-15 绍兴隆芙力智能科技发展有限公司 一种基于人工智能的电子电路板检测系统、方法及介质
CN115982005A (zh) * 2022-11-29 2023-04-18 中国银行股份有限公司 基于人工智能的自动化测试方法和装置
CN116030325A (zh) * 2023-01-16 2023-04-28 重庆大学 基于深度混合学习框架的肺结节ct图像识别方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008138063A1 (en) * 2007-05-15 2008-11-20 Digisensory Technologies Pty Ltd Method and system for background estimation in localization and tracking of objects in a smart video camera
KR101521136B1 (ko) * 2013-12-16 2015-05-20 경북대학교 산학협력단 얼굴 인식 방법 및 얼굴 인식 장치
CN104297645A (zh) * 2014-09-30 2015-01-21 国家电网公司 电气设备外部放电紫外检测分析方法及装置
CN105389589A (zh) * 2015-11-06 2016-03-09 北京航空航天大学 一种基于随机森林回归的胸腔x光片肋骨检测方法
CN106338696A (zh) * 2016-10-17 2017-01-18 苏海英 一种锂离子电池电量监测系统
US20190005069A1 (en) * 2017-06-28 2019-01-03 Google Inc. Image Retrieval with Deep Local Feature Descriptors and Attention-Based Keypoint Descriptors
CN107316031A (zh) * 2017-07-04 2017-11-03 北京大学深圳研究生院 用于行人重识别的图像特征提取方法
CN111401384A (zh) * 2020-03-12 2020-07-10 安徽南瑞继远电网技术有限公司 一种变电设备缺陷图像匹配方法
CN111462259A (zh) * 2020-04-02 2020-07-28 吉安诺惠诚莘科技有限公司 一种基于人工智能的汽车充电桩监控系统
CN112967225A (zh) * 2021-01-29 2021-06-15 绍兴隆芙力智能科技发展有限公司 一种基于人工智能的自动检测系统、方法、设备及介质
CN112967224A (zh) * 2021-01-29 2021-06-15 绍兴隆芙力智能科技发展有限公司 一种基于人工智能的电子电路板检测系统、方法及介质
CN115982005A (zh) * 2022-11-29 2023-04-18 中国银行股份有限公司 基于人工智能的自动化测试方法和装置
CN116030325A (zh) * 2023-01-16 2023-04-28 重庆大学 基于深度混合学习框架的肺结节ct图像识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
AMIR H. ROUHI: "Enhanced-IPMH as a Robust Visual Descriptor from H.264/AVC and Evaluation of Parameters Effects", 《2015 INTERNATIONAL CONFERENCE ON DIGITAL IMAGE COMPUTING: TECHNIQUES AND APPLICATIONS (DICTA)》, 25 November 2015 (2015-11-25), pages 1 - 8, XP032845912, DOI: 10.1109/DICTA.2015.7371254 *
阴俊恺 等: "一种基于图像块描述子学习的异源遥感图像匹配方", 《通信技术》, vol. 54, no. 02, 31 December 2021 (2021-12-31), pages 344 - 351 *

Also Published As

Publication number Publication date
CN116840693B (zh) 2024-03-19

Similar Documents

Publication Publication Date Title
CN109936582A (zh) 构建基于pu学习的恶意流量检测模型的方法及装置
CN111401418A (zh) 一种基于改进Faster r-cnn的员工着装规范检测方法
CN107809766B (zh) 一种用于网络优化的机器学习样本的生成方法及装置
EP4027584A1 (en) Device information determination method and apparatus, and system
WO2023137864A1 (zh) 基于自动驾驶的感知决策模型升级方法、系统及电子装置
CN114821818A (zh) 基于智慧体育的动作数据分析方法及系统
CN110611715A (zh) 一种服务链路集合云监控信息的系统和方法
CN116840693B (zh) 基于人工智能的充放电测试控制方法及系统
CN116719957B (zh) 基于画像挖掘的学习内容分发方法及系统
CN114528913A (zh) 基于信任和一致性的模型迁移方法、装置、设备及介质
CN116167336B (zh) 基于云计算的传感器数据加工方法、云服务器及介质
CN117009518A (zh) 融合基本属性和文本内容的相似事件判断方法及其应用
CN115982351A (zh) 试题评阅方法及相关装置、电子设备、存储介质
Sirhan et al. Multilabel CNN model for asphalt distress classification
CN111310846B (zh) 一种选取样本图像的方法、装置、存储介质和服务器
CN118014051B (zh) 多模态大模型增量学习方法、装置及计算机设备
CN116843916B (zh) 基于人工智能的板材干燥设备控制系统的优化方法及系统
CN115580492B (zh) 基于网络设备的智能化网络安全防护方法及系统
CN113627834B (zh) 一种果蔬全链条智能监测预警方法及系统
CN116541713B (zh) 基于局部时频特征迁移学习的轴承故障诊断模型训练方法
CN115545580B (zh) 一种医疗培训流程规范化校验方法及系统
CN116560894B (zh) 应用机器学习的无人机故障数据分析方法、服务器及介质
CN117633518B (zh) 一种产业链构建方法及系统
WO2022242447A1 (zh) 一种道路用户识别方法、装置、存储介质及电子装置
CN116682067B (zh) 储能站电池组的热失控风险预警方法、装置和电子设备

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