CN117540337B - 一种多源融合的智能化区域安全精准感知方法 - Google Patents
一种多源融合的智能化区域安全精准感知方法 Download PDFInfo
- Publication number
- CN117540337B CN117540337B CN202311519143.9A CN202311519143A CN117540337B CN 117540337 B CN117540337 B CN 117540337B CN 202311519143 A CN202311519143 A CN 202311519143A CN 117540337 B CN117540337 B CN 117540337B
- Authority
- CN
- China
- Prior art keywords
- target
- monitoring
- regional
- perception
- dynamic
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000004927 fusion Effects 0.000 title claims abstract description 39
- 238000012544 monitoring process Methods 0.000 claims abstract description 257
- 230000008447 perception Effects 0.000 claims abstract description 210
- 238000004519 manufacturing process Methods 0.000 claims abstract description 41
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 230000003068 static effect Effects 0.000 claims description 51
- 238000004458 analytical method Methods 0.000 claims description 43
- 238000012360 testing method Methods 0.000 claims description 41
- 238000007726 management method Methods 0.000 claims description 39
- 238000012795 verification Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 14
- 238000012545 processing Methods 0.000 abstract description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 210000000697 sensory organ Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
Abstract
本发明公开了一种多源融合的智能化区域安全精准感知方法,涉及数据处理领域,其中,所述方法包括:基于区域布局信息对目标生产作业现场进行区域划分,获得A个现场区域,基于监测算力调度模型,获得A个区域监测算力;基于所述A个区域监测算力,根据多源融合监测中心对A个现场区域进行实时监测,获得A个区域监测数据源;基于所述A个区域监测数据源进行预处理,获得A个区域监测数据集;根据区域目标安全感知算法,基于A个区域监测数据集和白名单监测体对A个现场区域进行多维安全感知,生成区域目标安全感知报告。解决了现有技术中针对区域内的监测对象的安全感知准确性低,导致区域的安全感知效果差的技术问题。
Description
技术领域
本发明涉及数据处理领域,具体地,涉及一种多源融合的智能化区域安全精准感知方法。
背景技术
在生产作业现场,安全生产是至关重要的。区域安全感知是保障安全生产的重要手段之一。现有技术中,存在针对区域内的监测对象的安全感知准确性低,导致区域的安全感知效果差的技术问题。研究设计一种对区域内的监测对象进行精准安全感知的方法,具有重大的现实意义。
发明内容
本申请提供了一种多源融合的智能化区域安全精准感知方法。解决了现有技术中针对区域内的监测对象的安全感知准确性低,导致区域的安全感知效果差的技术问题。达到了提高区域内的监测对象的安全感知准确性及可靠度,提升区域的安全感知质量的技术效果。
鉴于上述问题,本申请提供了一种多源融合的智能化区域安全精准感知方法。
第一方面,本申请提供了一种多源融合的智能化区域安全精准感知方法,其中,所述方法应用于一种多源融合的智能化区域安全精准感知系统,所述方法包括:交互区域安全管理端,获得目标生产作业现场的区域布局信息和白名单监测体;基于所述区域布局信息对所述目标生产作业现场进行区域划分,获得A个现场区域,且,A为大于1的正整数;基于监测算力调度模型,对所述A个现场区域进行监测算力解析,获得A个区域监测算力;基于所述A个区域监测算力,根据所述区域安全管理端内的多源融合监测中心对所述A个现场区域进行实时监测,获得A个区域监测数据源,其中,所述多源融合监测中心包括雷达监测中心和光电监测中心;基于所述A个区域监测数据源进行预处理,获得A个区域监测数据集;根据区域目标安全感知算法,基于所述A个区域监测数据集和所述白名单监测体对所述A个现场区域进行多维安全感知,生成区域目标安全感知报告。
第二方面,本申请还提供了一种多源融合的智能化区域安全精准感知系统,其中,所述系统包括:信息获得模块,所述信息获得模块用于交互区域安全管理端,获得目标生产作业现场的区域布局信息和白名单监测体;区域划分模块,所述区域划分模块用于基于所述区域布局信息对所述目标生产作业现场进行区域划分,获得A个现场区域,且,A为大于1的正整数;监测算力解析模块,所述监测算力解析模块用于基于监测算力调度模型,对所述A个现场区域进行监测算力解析,获得A个区域监测算力;实时监测模块,所述实时监测模块用于基于所述A个区域监测算力,根据所述区域安全管理端内的多源融合监测中心对所述A个现场区域进行实时监测,获得A个区域监测数据源,其中,所述多源融合监测中心包括雷达监测中心和光电监测中心;预处理模块,所述预处理模块用于基于所述A个区域监测数据源进行预处理,获得A个区域监测数据集;安全感知模块,所述安全感知模块用于根据区域目标安全感知算法,基于所述A个区域监测数据集和所述白名单监测体对所述A个现场区域进行多维安全感知,生成区域目标安全感知报告。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过区域安全管理端,调取目标生产作业现场的区域布局信息和白名单监测体,根据区域布局信息对目标生产作业现场进行区域划分,获得A个现场区域,并通过监测算力调度模型对A个现场区域进行监测算力解析,获得A个区域监测算力;基于A个区域监测算力,根据区域安全管理端内的多源融合监测中心对A个现场区域进行实时监测,获得A个区域监测数据源,并对A个区域监测数据源进行预处理,获得A个区域监测数据集;根据区域目标安全感知算法,基于A个区域监测数据集和白名单监测体对A个现场区域进行多维安全感知,生成区域目标安全感知报告。达到了提高区域内的监测对象的安全感知准确性及可靠度,提升区域的安全感知质量的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的附图作简单地介绍。明显地,下面描述中的附图仅仅涉及本发明的一些实施例,而非对本发明的限制。
图1为本申请一种多源融合的智能化区域安全精准感知方法的流程示意图;
图2为本申请一种多源融合的智能化区域安全精准感知系统的结构示意图。
具体实施方式
本申请通过提供一种多源融合的智能化区域安全精准感知方法。解决了现有技术中针对区域内的监测对象的安全感知准确性低,导致区域的安全感知效果差的技术问题。达到了提高区域内的监测对象的安全感知准确性及可靠度,提升区域的安全感知质量的技术效果。
实施例一
请参阅附图1,本申请提供一种多源融合的智能化区域安全精准感知方法,其中,所述方法应用于一种多源融合的智能化区域安全精准感知系统,所述方法具体包括如下步骤:
交互区域安全管理端,获得目标生产作业现场的区域布局信息和白名单监测体;
基于所述区域布局信息对所述目标生产作业现场进行区域划分,获得A个现场区域,且,A为大于1的正整数;
本申请中的一种多源融合的智能化区域安全精准感知系统与区域安全管理端通信连接。区域安全管理端具有对生产作业现场进行监测、数据收集、数据存储等功能。连接区域安全管理端,调取目标生产作业现场的区域布局信息和白名单监测体。其中,目标生产作业现场可以为使用所述一种多源融合的智能化区域安全精准感知系统进行智慧安全感知的任意生产作业现场。例如,目标生产作业现场可以为工业制造工厂、产品生产车间等。区域布局信息包括目标生产作业现场对应的位置、面积、现场布局图等布局参数信息。白名单监测体包括在待监测时间范围内,目标生产作业现场对应的多个待监测目标(如,人、车等)。
继而,按照区域布局信息对目标生产作业现场进行区域划分,获得A个现场区域,且,A为大于1的正整数。A个现场区域包括目标生产作业现场对应的多个区域。A值为多个区域的总数量。例如,在按照区域布局信息对目标生产作业现场进行区域划分时,可以按照区域布局信息内的现场布局图将目标生产作业现场划分为生产区域、停车区域、办公区域等多个区域。
通过区域布局信息对目标生产作业现场进行区域划分,提高了对目标生产作业现场的白名单监测体进行安全感知的精确度和可靠性。
基于监测算力调度模型,对所述A个现场区域进行监测算力解析,获得A个区域监测算力;
其中,基于监测算力调度模型,对所述A个现场区域进行监测算力解析,获得A个区域监测算力,包括:
交互所述区域安全管理端,获得A个区域-时区监测算力;
连接区域安全管理端,调取目标生产作业现场的待监测算力,并将A个现场区域对应的A个区域-时区监测算力均记为待监测算力。其中,待监测算力包括由区域安全管理端预先设置确定的待监测时间范围内,目标生产作业现场对应的监测算力。待监测算力越大,在待监测时间范围内,对目标生产作业现场进行监测的频率越密集。每个区域-时区监测算力均为待监测算力。
对所述A个现场区域进行监测需求度分析,获得A个区域监测需求度;
其中,对所述A个现场区域进行监测需求度分析,获得A个区域监测需求度,包括:
交互所述区域安全管理端,获得所述白名单监测体的待作业任务;
根据所述待作业任务对所述A个现场区域进行目标触发度预测,获得A个区域目标触发度;
根据所述A个区域目标触发度进行占比计算,生成所述A个区域监测需求度。
连接区域安全管理端,读取白名单监测体的待作业任务。待作业任务包括白名单监测体内的每个待监测目标对应的工作任务、作业位置等数据信息。
进一步,根据待作业任务对A个现场区域进行目标触发度预测,获得A个区域目标触发度。目标触发度预测是指根据待作业任务对A个现场区域出现待监测目标的频繁程度进行预测。每个区域目标触发度是用于表征待作业任务下,对应的现场区域出现待监测目标的频繁程度的数据信息。待作业任务下,现场区域内出现待监测目标的数量越多、出现待监测目标的时间越密集,则,该现场区域出现待监测目标的频繁程度越高,对应的区域目标触发度越大。
优选的,在根据待作业任务对A个现场区域进行目标触发度预测时,根据待作业任务对区域安全管理端进行历史数据读取,获得多个目标触发度分析数据。每个目标触发度分析数据包括历史作业任务、历史现场区域,以及历史作业任务、历史现场区域对应的历史区域目标触发度。继而,根据全连接神经网络将多个目标触发度分析数据进行不断的自我训练学习至收敛状态,得到目标触发度预测网络。将待作业任务和A个现场区域输入目标触发度预测网络,得到A个区域目标触发度。全连接神经网络是一种连接方式较为简单的人工神经网络结构。目标触发度预测网络包括输入层、隐藏层、输出层。
进一步,根据A个区域目标触发度进行占比计算,即,将A个区域目标触发度的和记为总区域目标触发度。分别将A个区域目标触发度与总区域目标触发度进行比值计算,获得A个区域监测需求度。每个区域监测需求度包括每个区域目标触发度与总区域目标触发度之间的比值。
将所述A个区域监测需求度输入所述监测算力调度模型,获得A个区域算力调度系数;
根据所述A个区域算力调度系数对所述A个区域-时区监测算力进行调整,生成所述A个区域监测算力。
监测算力调度模型包括监测算力调度数据库。监测算力调度数据库包括由区域安全管理端预先设置确定多个预设区域监测需求度,以及多个预设区域监测需求度对应的多个预设区域算力调度系数。继而,将A个区域监测需求度输入监测算力调度模型,根据监测算力调度模型内的监测算力调度数据库对A个区域监测需求度进行预设区域算力调度系数匹配,获得A个区域算力调度系数。每个区域算力调度系数包括每个区域监测需求度对应的预设区域算力调度系数。
优选地,在根据A个区域算力调度系数对A个区域-时区监测算力进行调整时,将A个区域算力调度系数和A个区域-时区监测算力输入算力调度调整公式,获得A个区域监测算力。算力调度调整公式为:
Y=(1+a)*X;
其中,Y表征区域监测算力,a表征区域算力调度系数,X表征区域-时区监测算力。
通过对A个现场区域进行多维的监测算力分析,获得可靠的A个区域监测算力,提高A个现场区域的监测适应度,从而提高区域的安全感知效果。
基于所述A个区域监测算力,根据所述区域安全管理端内的多源融合监测中心对所述A个现场区域进行实时监测,获得A个区域监测数据源,其中,所述多源融合监测中心包括雷达监测中心和光电监测中心;
基于所述A个区域监测数据源进行预处理,获得A个区域监测数据集;
区域安全管理端包括多源融合监测中心。多源融合监测中心包括雷达监测中心和光电监测中心。雷达监测中心为现有技术中的雷达监测系统。雷达监测系统是一种利用雷达技术对目标进行监测的系统。雷达监测系统由雷达设备、数据处理设备和显示设备等组成。雷达设备是雷达监测系统的核心,它发射电磁波并接收从目标反射回来的电磁波,通过对反射回来的电磁波进行分析,可以获得目标的距离、速度、方位角等信息。数据处理设备对雷达设备获得的数据进行处理和分析,提取出有用的信息,如,目标的位置、速度、形状等,并将这些信息传输到显示设备进行显示。光电监测中心包括现有技术中的光电监控系统。光电监控系统使用超高清摄像头等视频监控设备实现对目标的实时监测和记录。
多源融合监测中心内的雷达监测中心、光电监测中心按照A个区域监测算力分别对A个现场区域进行实时监测,获得A个区域监测数据源。每个区域监测数据源包括每个现场区域对应的雷达监测数据(现场区域内,各目标对应的速度、位置、形状等),以及视频监测数据(现场区域对应的多个实时视频帧)。
进一步,对A个区域监测数据源进行预处理,即,通过主成分分析算法对各个区域监测数据源内的雷达监测数据进行降维,并通过中值滤波算法对各个区域监测数据源内的视频监测数据进行去噪,从而对A个区域监测数据源进行数据清洗,获得高质量的A个区域监测数据集(A个区域监测数据集即为完成数据清洗的A个区域监测数据源)。其中,主成分分析算法是一种最常用的线性降维方法,它的目标是通过某种线性投影,将高维的雷达监测数据映射到低维的空间中,并期望在所投影的维度上数据的信息量最大,以此使用较少的数据维度,同时保留较多的原数据点的特性。中值滤波算法是一种能有效抑制噪声的非线性信号处理技术。中值滤波算法的基本原理是把视频帧中一点的值用该点的一个邻域中各点值的中值代替,让周围的像素值接近真实值,从而消除孤立的噪声点,提高视频帧的清晰度。
根据区域目标安全感知算法,基于所述A个区域监测数据集和所述白名单监测体对所述A个现场区域进行多维安全感知,生成区域目标安全感知报告。
其中,根据区域目标安全感知算法,基于所述A个区域监测数据集和所述白名单监测体对所述A个现场区域进行多维安全感知,生成区域目标安全感知报告,包括:
根据所述A个区域监测数据集,提取第a区域监测数据集,a为正整数,a属于A;
根据所述第a区域监测数据集进行同目标聚类,获得多个区域目标数据集;
遍历所述多个区域目标数据集,提取第一区域目标数据集;
优选的,本申请基于A个区域监测数据集和白名单监测体,采用区域目标安全感知算法对A个现场区域进行多维安全感知,生成区域目标安全感知报告,从而提高区域的安全感知效果。
区域目标安全感知算法包括:对A个区域监测数据集进行依次提取,获得第a区域监测数据集。且,a为正整数,a属于A。第a区域监测数据集依次为A个区域监测数据集中的每个区域监测数据集。继而,对第a区域监测数据集进行同目标聚类,即,将第a区域监测数据集中,同一个目标(如,同一个人、同一辆车)对应的雷达监测数据、实时视频帧归为一类,获得多个区域目标数据集。每个区域目标数据集包括第a区域监测数据集中,同一个目标对应的雷达监测数据、实时视频帧。进而,对多个区域目标数据集进行遍历提取,获得第一区域目标数据集。第一区域目标数据集依次为多个区域目标数据集中的每个区域目标数据集。
基于所述白名单监测体,对所述第一区域目标数据集进行静态安全感知,获得第一目标静态安全感知结果;
其中,基于所述白名单监测体,对所述第一区域目标数据集进行静态安全感知,获得第一目标静态安全感知结果,包括:
基于所述第一区域目标数据集进行目标身份特征识别,获得第一目标身份特征;
基于所述白名单监测体进行身份特征信息采集,获得白名单身份特征源;
基于所述白名单身份特征源对所述第一目标身份特征进行身份验证,获得最优身份验证系数;
将所述最优身份验证系数输入静态安全感知器,生成所述第一目标静态安全感知结果;
其中,所述静态安全感知器包括静态安全感知算子,所述静态安全感知算子包括:当所述最优身份验证系数满足预设身份验证约束时,获得的所述第一目标静态安全感知结果为正态身份验证算子;
所述静态安全感知算子还包括:当所述最优身份验证系数不满足所述预设身份验证约束时,获得的所述第一目标静态安全感知结果为异态身份验证算子。
区域目标安全感知算法还包括:根据第一区域目标数据集进行目标身份特征识别,即,根据第一区域目标数据集提取目标身份特征信息,并将目标身份特征信息设置为第一目标身份特征。目标身份特征信息包括第一区域目标数据集内的人对应的五官信息等。此外,目标身份特征信息也可以为第一区域目标数据集内的车辆对应的车牌号、车辆颜色、车辆形状等。同时,连接区域安全管理端,对白名单监测体进行身份特征信息读取,得到白名单身份特征源。白名单身份特征源包括白名单监测体内的多个待监测目标对应的多个身份特征信息(人对应的五官信息,或车辆对应的车牌号、车辆颜色、车辆形状等)。
进一步,根据白名单身份特征源对第一目标身份特征进行身份验证,即,分别将白名单身份特征源内的多个身份特征信息与第一目标身份特征进行一致性比对,获得多个身份一致性系数,并将多个身份一致性系数内的最大值输出为最优身份验证系数。身份一致性系数是用于表征第一目标身份特征与白名单身份特征源内的身份特征信息之间的一致性的数据信息。第一目标身份特征与白名单身份特征源内的身份特征信息之间的一致性越高,对应的身份一致性系数越大。
进一步,将最优身份验证系数输入静态安全感知器,静态安全感知器包括静态安全感知算子。静态安全感知算子包括:当输入的最优身份验证系数满足预设身份验证约束时,获得的第一目标静态安全感知结果为正态身份验证算子。此外,静态安全感知算子还包括:当最优身份验证系数不满足预设身份验证约束时,获得的第一目标静态安全感知结果为异态身份验证算子。预设身份验证约束包括由所述一种多源融合的智能化区域安全精准感知系统预先设置确定的身份一致性系数范围。优选的,正态身份验证算子为1(表征身份验证通过),异态身份验证算子为0(表征身份验证不通过)。
通过静态安全感知器对第一区域目标数据集进行静态安全感知,提高了对区域内的监测对象进行安全感知的智能性及可靠度。
基于所述第一区域目标数据集进行动态安全感知,获得第一目标动态安全感知结果;
其中,基于所述第一区域目标数据集进行动态安全感知,获得第一目标动态安全感知结果,包括:
基于所述第一区域目标数据集进行动态特征识别,获得第一区域目标动态特征;
连接所述区域安全管理端,调取所述第一区域目标动态特征的同组样本目标动态安全感知记录;
区域目标安全感知算法还包括:对第一区域目标数据集进行动态特征识别,即,提取第一区域目标数据集内的目标对应的速度、位置、形状、运动轨迹等动态参数,并将其设置为第一区域目标动态特征。第一区域目标动态特征包括第一区域目标数据集内的目标对应的速度、位置、形状、运动轨迹等动态参数。
进一步,连接区域安全管理端,读取第一区域目标动态特征的同组样本目标动态安全感知记录。同组样本目标动态安全感知记录包括第一区域目标动态特征的多个同组样本(例如,当第一区域目标动态特征为人的动态参数时,多个同组样本为多个人;当第一区域目标动态特征为车的动态参数时,多个同组样本为多辆车)对应的多个历史区域目标动态特征、多个历史动态安全系数。
构建动态安全感知精度解析函数,其中,所述动态安全感知精度解析函数为:
其中,SAC表征动态安全感知精度,SAX表征感知测试准确率,SAY表征感知测试误差损失率;
基于所述动态安全感知精度解析函数,根据所述同组样本目标动态安全感知记录进行训练、测试,获得满足预设收敛条件的第一动态安全感知通道;
其中,基于所述动态安全感知精度解析函数,根据所述同组样本目标动态安全感知记录进行训练、测试,获得满足预设收敛条件的第一动态安全感知通道,包括:
根据预设样本划分算子对所述同组样本目标动态安全感知记录进行样本划分,获得样本训练数据序列和样本测试数据序列;
基于BP神经网络对所述样本训练数据序列进行有监督训练,获得动态安全感知网络;
基于所述动态安全感知精度解析函数,根据所述样本测试数据序列对所述动态安全感知网络进行测试分析,获得动态安全感知精度;
判断所述动态安全感知精度是否满足所述预设收敛条件;
若所述动态安全感知精度满足所述预设收敛条件,将所述动态安全感知网络嵌入至所述第一动态安全感知通道。
将所述第一区域目标动态特征输入所述第一动态安全感知通道,生成所述第一目标动态安全感知结果。
根据所述第一目标静态安全感知结果和所述第一目标动态安全感知结果,生成第一区域目标安全感知结果;
根据所述第一区域目标安全感知结果,生成第一区域目标安全感知源,并将所述第一区域目标安全感知源添加至所述区域目标安全感知报告。
区域目标安全感知算法还包括:预设样本划分算子为由所述一种多源融合的智能化区域安全精准感知系统预先设置确定的样本划分比例。例如,预设样本划分算子为8:2。则,在根据预设样本划分算子对同组样本目标动态安全感知记录进行样本划分时,将同组样本目标动态安全感知记录内随机80%的数据信息划分为样本训练数据序列,将同组样本目标动态安全感知记录内剩余20%的数据信息划分为样本训练数据序列样本测试数据序列。
进一步,根据BP神经网络对样本训练数据序列进行有监督训练,获得动态安全感知网络。BP神经网络是一种按照误差逆向传播算法进行训练的多层前馈神经网络。误差逆向传播算法是指BP神经网络可以进行正向计算、反向计算。正向计算时,输入信息从输入层经过多层神经元逐层处理,转向输出层,每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出,则转入反向计算,将误差信号沿原来的连接通路返回,通过修改各神经元的权值,使得误差信号最小。有监督训练是机器学习中使用的一种训练方法。有监督训练是指在训练过程中,需要标注的数据集(即样本训练数据序列)参与训练,这些数据集通常具有标签或已知输出。通过训练,模型(即BP神经网络)可以学习到从输入到输出的映射关系,从而在测试时能够给出准确的预测结果。动态安全感知网络包括输入层、隐含层、输出层。
进一步,将样本测试数据序列作为输入信息,输入动态安全感知网络,根据样本测试数据序列对动态安全感知网络进行测试,获得感知测试准确率、感知测试误差损失率。感知测试准确率为动态安全感知网络对样本测试数据序列的输出准确率。感知测试误差损失率为1与感知测试准确率之间的差值。继而,将感知测试准确率、感知测试误差损失率输入动态安全感知精度解析函数,获得动态安全感知精度。动态安全感知精度解析函数为:
其中,SAC为输出的动态安全感知精度,SAX为输入的感知测试准确率,SAY为输入的感知测试误差损失率。
进一步,预设收敛条件包括由所述一种多源融合的智能化区域安全精准感知系统预先设置确定的动态安全感知精度范围。对动态安全感知精度是否满足预设收敛条件进行判断。如果动态安全感知精度满足预设收敛条件,将动态安全感知网络嵌入至第一动态安全感知通道。第一动态安全感知通道包括满足预设收敛条件的动态安全感知网络。
继而,将第一区域目标动态特征输入第一动态安全感知通道,由第一动态安全感知通道内的动态安全感知网络对第一区域目标动态特征进行动态安全系数匹配,获得第一目标动态安全感知结果,结合第一目标静态安全感知结果,得到第一区域目标安全感知结果。第一目标动态安全感知结果包括第一区域目标动态特征对应的动态安全系数。动态安全系数是用于表征第一区域目标动态特征对应的动态安全程度的数据信息。第一区域目标动态特征对应的动态安全程度越高,对应的动态安全系数越大。第一区域目标安全感知结果包括第一区域目标数据集对应的第一目标静态安全感知结果和第一目标动态安全感知结果。
进一步,将第一区域目标安全感知结果添加至第一区域目标安全感知源。第一区域目标安全感知源包括第a区域监测数据集的多个区域目标数据集对应的多个区域目标安全感知结果。且,多个区域目标安全感知结果与第一区域目标安全感知结果的获得方式相同,在此不再赘述。继而,第一区域目标安全感知源添加至区域目标安全感知报告。区域目标安全感知报告包括A个区域监测数据集对应的A个区域目标安全感知源。且,A个区域目标安全感知源与第一区域目标安全感知源的获得方式相同,在此不再赘述。
通过区域目标安全感知算法分别对A个区域监测数据集进行多维安全感知分析,提升了区域内的监测对象的安全感知质量。
综上所述,本申请所提供的一种多源融合的智能化区域安全精准感知方法具有如下技术效果:
1.通过区域安全管理端,调取目标生产作业现场的区域布局信息和白名单监测体,根据区域布局信息对目标生产作业现场进行区域划分,获得A个现场区域,并通过监测算力调度模型对A个现场区域进行监测算力解析,获得A个区域监测算力;基于A个区域监测算力,根据区域安全管理端内的多源融合监测中心对A个现场区域进行实时监测,获得A个区域监测数据源,并对A个区域监测数据源进行预处理,获得A个区域监测数据集;根据区域目标安全感知算法,基于A个区域监测数据集和白名单监测体对A个现场区域进行多维安全感知,生成区域目标安全感知报告。达到了提高区域内的监测对象的安全感知准确性及可靠度,提升区域的安全感知质量的技术效果。
2.通过区域目标安全感知算法分别对A个区域监测数据集进行多维安全感知分析,提升了区域内的监测对象的安全感知质量。
实施例二
基于与前述实施例中一种多源融合的智能化区域安全精准感知方法,同样发明构思,本发明还提供了一种多源融合的智能化区域安全精准感知系统,请参阅附图2,所述系统包括:
信息获得模块,所述信息获得模块用于交互区域安全管理端,获得目标生产作业现场的区域布局信息和白名单监测体;
区域划分模块,所述区域划分模块用于基于所述区域布局信息对所述目标生产作业现场进行区域划分,获得A个现场区域,且,A为大于1的正整数;
监测算力解析模块,所述监测算力解析模块用于基于监测算力调度模型,对所述A个现场区域进行监测算力解析,获得A个区域监测算力;
实时监测模块,所述实时监测模块用于基于所述A个区域监测算力,根据所述区域安全管理端内的多源融合监测中心对所述A个现场区域进行实时监测,获得A个区域监测数据源,其中,所述多源融合监测中心包括雷达监测中心和光电监测中心;
预处理模块,所述预处理模块用于基于所述A个区域监测数据源进行预处理,获得A个区域监测数据集;
安全感知模块,所述安全感知模块用于根据区域目标安全感知算法,基于所述A个区域监测数据集和所述白名单监测体对所述A个现场区域进行多维安全感知,生成区域目标安全感知报告。
进一步而言,所述监测算力解析模块还用于:
交互所述区域安全管理端,获得A个区域-时区监测算力;
对所述A个现场区域进行监测需求度分析,获得A个区域监测需求度;
将所述A个区域监测需求度输入所述监测算力调度模型,获得A个区域算力调度系数;
根据所述A个区域算力调度系数对所述A个区域-时区监测算力进行调整,生成所述A个区域监测算力。
进一步而言,所述监测算力解析模块还用于:
交互所述区域安全管理端,获得所述白名单监测体的待作业任务;
根据所述待作业任务对所述A个现场区域进行目标触发度预测,获得A个区域目标触发度;
根据所述A个区域目标触发度进行占比计算,生成所述A个区域监测需求度。
进一步而言,所述安全感知模块还用于:
根据所述A个区域监测数据集,提取第a区域监测数据集,a为正整数,a属于A;
根据所述第a区域监测数据集进行同目标聚类,获得多个区域目标数据集;
遍历所述多个区域目标数据集,提取第一区域目标数据集;
基于所述白名单监测体,对所述第一区域目标数据集进行静态安全感知,获得第一目标静态安全感知结果;
基于所述第一区域目标数据集进行动态安全感知,获得第一目标动态安全感知结果;
根据所述第一目标静态安全感知结果和所述第一目标动态安全感知结果,生成第一区域目标安全感知结果;
根据所述第一区域目标安全感知结果,生成第一区域目标安全感知源,并将所述第一区域目标安全感知源添加至所述区域目标安全感知报告。
进一步而言,所述安全感知模块还用于:
基于所述第一区域目标数据集进行目标身份特征识别,获得第一目标身份特征;
基于所述白名单监测体进行身份特征信息采集,获得白名单身份特征源;
基于所述白名单身份特征源对所述第一目标身份特征进行身份验证,获得最优身份验证系数;
将所述最优身份验证系数输入静态安全感知器,生成所述第一目标静态安全感知结果;
其中,所述静态安全感知器包括静态安全感知算子,所述静态安全感知算子包括:当所述最优身份验证系数满足预设身份验证约束时,获得的所述第一目标静态安全感知结果为正态身份验证算子;
所述静态安全感知算子还包括:当所述最优身份验证系数不满足所述预设身份验证约束时,获得的所述第一目标静态安全感知结果为异态身份验证算子。
进一步而言,所述安全感知模块还用于:
基于所述第一区域目标数据集进行动态特征识别,获得第一区域目标动态特征;
连接所述区域安全管理端,调取所述第一区域目标动态特征的同组样本目标动态安全感知记录;
构建动态安全感知精度解析函数,其中,所述动态安全感知精度解析函数为:
其中,SAC表征动态安全感知精度,SAX表征感知测试准确率,SAY表征感知测试误差损失率;
基于所述动态安全感知精度解析函数,根据所述同组样本目标动态安全感知记录进行训练、测试,获得满足预设收敛条件的第一动态安全感知通道;
将所述第一区域目标动态特征输入所述第一动态安全感知通道,生成所述第一目标动态安全感知结果。
进一步而言,所述安全感知模块还用于:
根据预设样本划分算子对所述同组样本目标动态安全感知记录进行样本划分,获得样本训练数据序列和样本测试数据序列;
基于BP神经网络对所述样本训练数据序列进行有监督训练,获得动态安全感知网络;
基于所述动态安全感知精度解析函数,根据所述样本测试数据序列对所述动态安全感知网络进行测试分析,获得动态安全感知精度;
判断所述动态安全感知精度是否满足所述预设收敛条件;
若所述动态安全感知精度满足所述预设收敛条件,将所述动态安全感知网络嵌入至所述第一动态安全感知通道。
本发明实施例所提供的一种多源融合的智能化区域安全精准感知系统可执行本发明任意实施例所提供的一种多源融合的智能化区域安全精准感知方法,具备执行方法相应的功能模块和有益效果。
所包括的各个模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
本申请提供了一种多源融合的智能化区域安全精准感知方法,其中,所述方法应用于一种多源融合的智能化区域安全精准感知系统,所述方法包括:通过区域安全管理端,调取目标生产作业现场的区域布局信息和白名单监测体,根据区域布局信息对目标生产作业现场进行区域划分,获得A个现场区域,并通过监测算力调度模型对A个现场区域进行监测算力解析,获得A个区域监测算力;基于A个区域监测算力,根据区域安全管理端内的多源融合监测中心对A个现场区域进行实时监测,获得A个区域监测数据源,并对A个区域监测数据源进行预处理,获得A个区域监测数据集;根据区域目标安全感知算法,基于A个区域监测数据集和白名单监测体对A个现场区域进行多维安全感知,生成区域目标安全感知报告。解决了现有技术中针对区域内的监测对象的安全感知准确性低,导致区域的安全感知效果差的技术问题。达到了提高区域内的监测对象的安全感知准确性及可靠度,提升区域的安全感知质量的技术效果。
虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (5)
1.一种多源融合的智能化区域安全精准感知方法,其特征在于,所述方法包括:
交互区域安全管理端,获得目标生产作业现场的区域布局信息和白名单监测体;
基于所述区域布局信息对所述目标生产作业现场进行区域划分,获得A个现场区域,且,A为大于1的正整数;
基于监测算力调度模型,对所述A个现场区域进行监测算力解析,获得A个区域监测算力;
基于所述A个区域监测算力,根据所述区域安全管理端内的多源融合监测中心对所述A个现场区域进行实时监测,获得A个区域监测数据源,其中,所述多源融合监测中心包括雷达监测中心和光电监测中心;
基于所述A个区域监测数据源进行预处理,获得A个区域监测数据集;
根据区域目标安全感知算法,基于所述A个区域监测数据集和所述白名单监测体对所述A个现场区域进行多维安全感知,生成区域目标安全感知报告;
其中,根据区域目标安全感知算法,基于所述A个区域监测数据集和所述白名单监测体对所述A个现场区域进行多维安全感知,生成区域目标安全感知报告,包括:
根据所述A个区域监测数据集,提取第a区域监测数据集,a为正整数,a属于A;
根据所述第a区域监测数据集进行同目标聚类,获得多个区域目标数据集;
遍历所述多个区域目标数据集,提取第一区域目标数据集;
基于所述白名单监测体,对所述第一区域目标数据集进行静态安全感知,获得第一目标静态安全感知结果;
基于所述第一区域目标数据集进行动态安全感知,获得第一目标动态安全感知结果;
根据所述第一目标静态安全感知结果和所述第一目标动态安全感知结果,生成第一区域目标安全感知结果;
根据所述第一区域目标安全感知结果,生成第一区域目标安全感知源,并将所述第一区域目标安全感知源添加至所述区域目标安全感知报告;
其中,基于所述第一区域目标数据集进行动态安全感知,获得第一目标动态安全感知结果,包括:
基于所述第一区域目标数据集进行动态特征识别,获得第一区域目标动态特征;
连接所述区域安全管理端,调取所述第一区域目标动态特征的同组样本目标动态安全感知记录;
构建动态安全感知精度解析函数,其中,所述动态安全感知精度解析函数为:
其中,SAC表征动态安全感知精度,SAX表征感知测试准确率,SAY表征感知测试误差损失率;
基于所述动态安全感知精度解析函数,根据所述同组样本目标动态安全感知记录进行训练、测试,获得满足预设收敛条件的第一动态安全感知通道;
将所述第一区域目标动态特征输入所述第一动态安全感知通道,生成所述第一目标动态安全感知结果;
其中,基于所述动态安全感知精度解析函数,根据所述同组样本目标动态安全感知记录进行训练、测试,获得满足预设收敛条件的第一动态安全感知通道,包括:
根据预设样本划分算子对所述同组样本目标动态安全感知记录进行样本划分,获得样本训练数据序列和样本测试数据序列;
基于BP神经网络对所述样本训练数据序列进行有监督训练,获得动态安全感知网络;
基于所述动态安全感知精度解析函数,根据所述样本测试数据序列对所述动态安全感知网络进行测试分析,获得动态安全感知精度;
判断所述动态安全感知精度是否满足所述预设收敛条件;
若所述动态安全感知精度满足所述预设收敛条件,将所述动态安全感知网络嵌入至所述第一动态安全感知通道。
2.如权利要求1所述的方法,其特征在于,基于监测算力调度模型,对所述A个现场区域进行监测算力解析,获得A个区域监测算力,包括:
交互所述区域安全管理端,获得A个区域-时区监测算力;
对所述A个现场区域进行监测需求度分析,获得A个区域监测需求度;
将所述A个区域监测需求度输入所述监测算力调度模型,获得A个区域算力调度系数;
根据所述A个区域算力调度系数对所述A个区域-时区监测算力进行调整,生成所述A个区域监测算力。
3.如权利要求2所述的方法,其特征在于,对所述A个现场区域进行监测需求度分析,获得A个区域监测需求度,包括:
交互所述区域安全管理端,获得所述白名单监测体的待作业任务;
根据所述待作业任务对所述A个现场区域进行目标触发度预测,获得A个区域目标触发度;
根据所述A个区域目标触发度进行占比计算,生成所述A个区域监测需求度。
4.如权利要求1所述的方法,其特征在于,基于所述白名单监测体,对所述第一区域目标数据集进行静态安全感知,获得第一目标静态安全感知结果,包括:
基于所述第一区域目标数据集进行目标身份特征识别,获得第一目标身份特征;
基于所述白名单监测体进行身份特征信息采集,获得白名单身份特征源;
基于所述白名单身份特征源对所述第一目标身份特征进行身份验证,获得最优身份验证系数;
将所述最优身份验证系数输入静态安全感知器,生成所述第一目标静态安全感知结果;
其中,所述静态安全感知器包括静态安全感知算子,所述静态安全感知算子包括:当所述最优身份验证系数满足预设身份验证约束时,获得的所述第一目标静态安全感知结果为正态身份验证算子;
所述静态安全感知算子还包括:当所述最优身份验证系数不满足所述预设身份验证约束时,获得的所述第一目标静态安全感知结果为异态身份验证算子。
5.一种多源融合的智能化区域安全精准感知系统,其特征在于,所述系统用于执行权利要求1至4中任一项所述的方法,所述系统包括:
信息获得模块,所述信息获得模块用于交互区域安全管理端,获得目标生产作业现场的区域布局信息和白名单监测体;
区域划分模块,所述区域划分模块用于基于所述区域布局信息对所述目标生产作业现场进行区域划分,获得A个现场区域,且,A为大于1的正整数;
监测算力解析模块,所述监测算力解析模块用于基于监测算力调度模型,对所述A个现场区域进行监测算力解析,获得A个区域监测算力;
实时监测模块,所述实时监测模块用于基于所述A个区域监测算力,根据所述区域安全管理端内的多源融合监测中心对所述A个现场区域进行实时监测,获得A个区域监测数据源,其中,所述多源融合监测中心包括雷达监测中心和光电监测中心;
预处理模块,所述预处理模块用于基于所述A个区域监测数据源进行预处理,获得A个区域监测数据集;
安全感知模块,所述安全感知模块用于根据区域目标安全感知算法,基于所述A个区域监测数据集和所述白名单监测体对所述A个现场区域进行多维安全感知,生成区域目标安全感知报告;
其中,所述安全感知模块还用于:
根据所述A个区域监测数据集,提取第a区域监测数据集,a为正整数,a属于A;
根据所述第a区域监测数据集进行同目标聚类,获得多个区域目标数据集;
遍历所述多个区域目标数据集,提取第一区域目标数据集;
基于所述白名单监测体,对所述第一区域目标数据集进行静态安全感知,获得第一目标静态安全感知结果;
基于所述第一区域目标数据集进行动态安全感知,获得第一目标动态安全感知结果;
根据所述第一目标静态安全感知结果和所述第一目标动态安全感知结果,生成第一区域目标安全感知结果;
根据所述第一区域目标安全感知结果,生成第一区域目标安全感知源,并将所述第一区域目标安全感知源添加至所述区域目标安全感知报告;
基于所述第一区域目标数据集进行动态特征识别,获得第一区域目标动态特征;
连接所述区域安全管理端,调取所述第一区域目标动态特征的同组样本目标动态安全感知记录;
构建动态安全感知精度解析函数,其中,所述动态安全感知精度解析函数为:
其中,SAC表征动态安全感知精度,SAX表征感知测试准确率,SAY表征感知测试误差损失率;
基于所述动态安全感知精度解析函数,根据所述同组样本目标动态安全感知记录进行训练、测试,获得满足预设收敛条件的第一动态安全感知通道;
将所述第一区域目标动态特征输入所述第一动态安全感知通道,生成所述第一目标动态安全感知结果;
根据预设样本划分算子对所述同组样本目标动态安全感知记录进行样本划分,获得样本训练数据序列和样本测试数据序列;
基于BP神经网络对所述样本训练数据序列进行有监督训练,获得动态安全感知网络;
基于所述动态安全感知精度解析函数,根据所述样本测试数据序列对所述动态安全感知网络进行测试分析,获得动态安全感知精度;
判断所述动态安全感知精度是否满足所述预设收敛条件;
若所述动态安全感知精度满足所述预设收敛条件,将所述动态安全感知网络嵌入至所述第一动态安全感知通道。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311519143.9A CN117540337B (zh) | 2023-11-15 | 2023-11-15 | 一种多源融合的智能化区域安全精准感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311519143.9A CN117540337B (zh) | 2023-11-15 | 2023-11-15 | 一种多源融合的智能化区域安全精准感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117540337A CN117540337A (zh) | 2024-02-09 |
CN117540337B true CN117540337B (zh) | 2024-04-16 |
Family
ID=89783613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311519143.9A Active CN117540337B (zh) | 2023-11-15 | 2023-11-15 | 一种多源融合的智能化区域安全精准感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117540337B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115938095A (zh) * | 2023-02-22 | 2023-04-07 | 湖北通达数科科技有限公司 | 一种基于集成融合模型的山体滑坡监测预警方法及系统 |
CN115966060A (zh) * | 2022-12-22 | 2023-04-14 | 中铁电气化局集团北京建筑工程有限公司 | 一种基于实时监测的基坑及边坡预警方法及系统 |
CN116092251A (zh) * | 2023-02-10 | 2023-05-09 | 青岛慧拓智能机器有限公司 | 一种露天矿山区域入侵监测系统及方法 |
CN116302469A (zh) * | 2022-12-19 | 2023-06-23 | 中国电信股份有限公司 | 一种任务处理的方法和装置 |
CN116401614A (zh) * | 2023-06-06 | 2023-07-07 | 苏州振州机电科技有限公司 | 设备的故障识别方法及系统 |
CN116995280A (zh) * | 2023-09-27 | 2023-11-03 | 苏州欣和智达能源科技有限公司 | 一种氢燃料电池运行状态的智能监测方法 |
-
2023
- 2023-11-15 CN CN202311519143.9A patent/CN117540337B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116302469A (zh) * | 2022-12-19 | 2023-06-23 | 中国电信股份有限公司 | 一种任务处理的方法和装置 |
CN115966060A (zh) * | 2022-12-22 | 2023-04-14 | 中铁电气化局集团北京建筑工程有限公司 | 一种基于实时监测的基坑及边坡预警方法及系统 |
CN116092251A (zh) * | 2023-02-10 | 2023-05-09 | 青岛慧拓智能机器有限公司 | 一种露天矿山区域入侵监测系统及方法 |
CN115938095A (zh) * | 2023-02-22 | 2023-04-07 | 湖北通达数科科技有限公司 | 一种基于集成融合模型的山体滑坡监测预警方法及系统 |
CN116401614A (zh) * | 2023-06-06 | 2023-07-07 | 苏州振州机电科技有限公司 | 设备的故障识别方法及系统 |
CN116995280A (zh) * | 2023-09-27 | 2023-11-03 | 苏州欣和智达能源科技有限公司 | 一种氢燃料电池运行状态的智能监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117540337A (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tang et al. | Convolutional neural network‐based data anomaly detection method using multiple information for structural health monitoring | |
CN111046583B (zh) | 基于DTW算法和ResNet网络的转辙机故障诊断方法 | |
CN114972213A (zh) | 一种基于机器视觉的两阶段主板图像缺陷检测及定位方法 | |
CN113592905B (zh) | 基于单目摄像头的车辆行驶轨迹预测方法 | |
Lin et al. | Driver fatigue detection based on eye state | |
Shajihan et al. | CNN based data anomaly detection using multi-channel imagery for structural health monitoring | |
Zhang et al. | Gated recurrent unit-enhanced deep convolutional neural network for real-time industrial process fault diagnosis | |
Aydin et al. | Defect classification of railway fasteners using image preprocessing and alightweight convolutional neural network | |
CN112766145B (zh) | 人工神经网络的人脸动态表情识别方法及装置 | |
Cheng et al. | MMFSL: A novel multi-modal few-shot learning framework for fault diagnosis of industrial bearings | |
Bai et al. | Fault diagnosis method research of mechanical equipment based on sensor correlation analysis and deep learning | |
CN117540337B (zh) | 一种多源融合的智能化区域安全精准感知方法 | |
CN113707175A (zh) | 基于特征分解分类器与自适应后处理的声学事件检测系统 | |
CN117093852A (zh) | 工业机器人早期异常监测模型及方法 | |
CN110111358B (zh) | 一种基于多层时序滤波的目标跟踪方法 | |
CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
CN117009916A (zh) | 基于多传感器信息融合与迁移学习的促动器故障诊断方法 | |
CN116503379A (zh) | 基于轻量化改进YOLOv5的零件识别方法 | |
Lu et al. | Facial expression recognition based on wavelet transform and MLP neural network | |
CN111696070A (zh) | 基于深度学习的多光谱图像融合电力物联网故障点检测方法 | |
CN117593684A (zh) | 融合多尺度注意力的时空Transformer的视频异常检测方法 | |
Zheng et al. | Research on optimization of agricultural machinery fault monitoring system based on artificial neural network algorithm. | |
Li et al. | Multi-scale Feature Extraction and Fusion Net: Research on UAVs Image Semantic Segmentation Technology | |
Antonijevic et al. | (Retracted) Target recognition approach using image local features in rehabilitation robots | |
Zhao et al. | SceneNet: A Multi-Feature Joint Embedding Network With Complexity Assessment for Power Line Scene Classification |
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 |