CN107506695A - 视频监控设备故障自动检测方法 - Google Patents
视频监控设备故障自动检测方法 Download PDFInfo
- Publication number
- CN107506695A CN107506695A CN201710629187.5A CN201710629187A CN107506695A CN 107506695 A CN107506695 A CN 107506695A CN 201710629187 A CN201710629187 A CN 201710629187A CN 107506695 A CN107506695 A CN 107506695A
- Authority
- CN
- China
- Prior art keywords
- image
- convolution
- layer
- video monitoring
- monitoring equipment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06N3/045—Combinations of 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种视频监控设备故障自动检测方法,该方法包括以下步骤,卷积自编码器使用不同网络层数和隐藏节点数提取监控图像的特征,在池化层进行图像特征提取,迭代卷积自编码器直到分类模型的准确率收敛;卷积神经网络将卷积自编码器提取的监控图像的特征作为图像分类的依据,从而实现监督学习;卷积神经网络运用并行化运算架构进行网络模型训练,网络模型训练结束后,将该模型应用到测试图像的分类过程,根据分类结果判断视频监控设备损坏情况。本发明视频监控设备故障自动检测方法,针对视频监控设备故障检测提出相应的算法改进,从而提出自动快速检测故障的方法。
Description
技术领域
本发明属于深度学习算法领域,尤其涉及一种视频监控设备故障自动检测方法。
背景技术
传统的视频监控设备故障检测主要通过机器设备传感器实现,但是,现实检测中传感器本身会存在故障,导致无法及时检查视频设备的故障情况。本发明采用监控图像分类的方式检测视频监控设备故障。监控图像分类是指把监控过程中预留的屏幕截图按照黑屏、偏色、正常和遮挡等特征分为4类。其主要用途是根据分类的结果判断监控设备的损坏情况。图像的分类需要足够的训练样本,但是由于训练样本没有标签,而无法完成卷积神经网络模型的建立。无监督学习可以解决这一问题。无监督学习提供的特征为卷积神经网络的分类提供了分类的依据。
2006年,Hinton对原型自动编码器结构进行改进,先用无监督逐层贪心训练算法完成对隐藏层的预训练,然后用BP算法对整个神经网络进行参数优化调整,有效改善BP算法陷入局部最小的状况。2007年,Benjio提出了稀疏自动编码器的概念,进一步深化了无监督学习的研究。2011年,Jonathan提出卷积自动编码器,用于构建卷积神经网络。通过Hinton,Bengio和Jonathan等神经网络学者的研究,无监督学习的自编码器包含原型自动编码器、稀疏自动编码器、降噪自动编码器、卷积自动编码器和RBM等模型。比较这些无监督学习模型,普通的自编码器不能有效解决图像数据中的池化和白化问题,并且训练时会产生大量的冗余参数降低了运算效率。
发明内容
本发明所要解决的技术问题是,提供一种视频监控设备故障自动检测方法,针对视频监控设备故障检测提出相应的算法改进,从而提出自动快速检测故障的方法。
本发明解决其技术问题所采用的技术方案是:提供一种视频监控设备故障自动检测方法,步骤一,卷积自编码器使用不同网络层数和隐藏节点数提取监控图像的特征,在池化层进行图像特征提取,迭代卷积自编码器直到分类模型的准确率收敛;步骤二,卷积神经网络将卷积自编码器提取的监控图像的特征作为图像分类的依据,从而实现监督学习;步骤三,卷积神经网络运用并行化运算架构进行网络模型训练,网络模型训练结束后,将该模型应用到测试图像的分类过程;步骤四,根据分类结果判断视频监控设备损坏情况。卷积神经网络和卷积自编码器是并行结合在一起。卷积自编码器为无监督特征提取模型。
按上述技术方案,所述步骤二中,卷积神经网络的批量卷积和池化过程中,使用不同大小的卷积核心和池化区域对卷积神经网络的图像分类准确率进行分析,模型准确率的范围为79.8%-82.3%。同时,在卷积神经网络将CUDA并行运算的架构加入训练过程,将训练速度提高了1.1-1.2倍。
按上述技术方案,卷积自编码器由输入层、卷积层、池化层、反池化层、反卷积层、输出层依次组成,输入层运用6个8*8的卷积核进行卷积运算得到卷积层;然后将卷积层作为输入,利用2*2的均值池化操作缩小图像矩阵;然后将缩小后的图像矩阵进行2*2的平均反池化操作,部分还原图像矩阵;最后利用矩阵补零操作还原矩阵。提出了5层自编码器结构,加入反池化层和反卷积层的操作,极大稀疏了网络结构,实验证明5层结构的CAE具有较好的特征提取效果。
按上述技术方案,步骤三中所述网络模型训练中,基于卷积自编码器自动提取的视频监控图像的特征,为训练样本添加标签。卷积神经网络属于监督学习网络。
按上述技术方案,卷积神经网络由输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层、输出层依次组成。输入层运用6个8*8的卷积核进行卷积运算得到卷积层,然后将卷积层作为输入,利用2*2的均值池化操作缩小图像矩阵,如此循环3次,最后将图像矩阵转化为120元的一维向量,将一维向量输入到分类器中实现分类。
按上述技术方案,在反向传播过程中,卷积神经网络进行网络模型训练的训练方法采用类梯度下降法,即按极小化误差的算法传播调整权值和阈值,学习率在训练时会初始为(0,1)之间的数,然而当学习率取值较大时,网络在训练时会发生收敛震荡的问题;当学习率较小时,网络收敛会极其缓慢。选择动量法改变学习率,在梯度方向一致的地方,学习率选择在(0.65,0.95]之间,在梯度方向由正变为负再由负变为正再变为负,这样梯度方向变化超过2次时,将学习率根据公式(1)进行改变:
Δηt=ρΔηt-1-θ[▽C(ηt-1)]T (1)
Δηt为第t次迭代后学习率的变化值,Δηt-1表示第t-1次迭代学习率的变化值,t表示迭代次数。其中学习率η∈(0,1),初值取0.9。ρ∈(0,1)是动量因子,决定学习率改变的程度,值越大,学习率改动越小,取0.8。θ=0.2为梯度方向变化次数除10的结果,为常数,梯度方向变化2次则需进行学习率调整。▽C(ηt-1)为图像矩阵变化值,值为与第t-1次迭代调整后图像矩阵相减的结果,其中C表示图像矩阵,T表示转置。
这样既可以避免收敛点震荡问题,也解决了收敛缓慢的问题。卷积核初始值选取不当容易产生局部最优解。本文采用微批量梯度下降算法,每次选择50个样本更新梯度和样本。这样可以避免一次性初始化所有的卷积核,将问题细化,分解迭代。
本发明产生的有益效果是:提出了卷积神经网络结合改进的卷积自编码器进行监控图像分类,在卷积神经网络训练过程中实行并行化运算架构,从而提出自动快速检测故障的方法。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例视频监控设备故障自动检测方法的流程图;
图2是本发明实施例视频监控设备故障自动检测方法中CAE结构示意图;
图3是本发明实施例微批量梯度下降算法流程图;
图4是本发明实施例深层CNN的基本结构;
图5是本发明实施例中并行运算效率对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明实施例中,提供一种视频监控设备故障自动检测方法,如图1所示,步骤一,卷积自编码器使用不同网络层数和隐藏节点数提取监控图像的特征,在池化层进行图像特征提取,迭代卷积自编码器直到分类模型的准确率收敛;步骤二,卷积神经网络将卷积自编码器提取的监控图像的特征作为图像分类的依据,从而实现监督学习;步骤三,卷积神经网络运用并行化运算架构进行网络模型训练,网络模型训练结束后,将该模型应用到测试图像的分类过程;步骤四,根据分类结果判断视频监控设备损坏情况。卷积神经网络和卷积自编码器是并行结合在一起。卷积自编码器为无监督特征提取模型。
进一步地,所述步骤二中,卷积神经网络的批量卷积和池化过程中,使用不同大小的卷积核心和池化区域对卷积神经网络的图像分类准确率进行分析,模型准确率的范围为79.8%-82.3%。同时,在卷积神经网络将CUDA并行运算的架构加入训练过程,将训练速度提高了1.1-1.2倍。
进一步地,如图2所示,卷积自编码器由输入层、卷积层、池化层、反池化层、反卷积层、输出层依次组成,输入层运用6个8*8的卷积核进行卷积运算得到卷积层;然后将卷积层作为输入,利用2*2的均值池化操作缩小图像矩阵;然后将缩小后的图像矩阵进行2*2的平均反池化操作,部分还原图像矩阵;最后利用矩阵补零操作还原矩阵。提出了5层自编码器结构,加入反池化层和反卷积层的操作,极大稀疏了网络结构,实验证明5层结构的CAE具有较好的特征提取效果。
进一步地,步骤三中所述网络模型训练中,基于卷积自编码器自动提取的视频监控图像的特征,为训练样本添加标签。卷积神经网络属于监督学习网络。
进一步地,卷积神经网络由输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层、输出层依次组成。输入层运用6个8*8的卷积核进行卷积运算得到卷积层,然后将卷积层作为输入,利用2*2的均值池化操作缩小图像矩阵,如此循环3次,最后将图像矩阵转化为120元的一维向量,将一维向量输入到分类器中实现分类。
进一步地,在反向传播过程中,卷积神经网络进行网络模型训练的训练方法采用类梯度下降法,即按极小化误差的算法传播调整权值和阈值,学习率在训练时会初始为(0,1)之间的数,然而当学习率取值较大时,网络在训练时会发生收敛震荡的问题;当学习率较小时,网络收敛会极其缓慢。如图3所示。选择动量法改变学习率,在梯度方向一致的地方,学习率选择在(0.65,0.95]之间,在梯度方向由正变为负再由负变为正再变为负,这样梯度方向变化超过2次时,将学习率根据公式(1)进行改变:
Δηt=ρΔηt-1-θ[▽C(ηt-1)]T (1)
Δηt为第t次迭代后学习率的变化值,Δηt-1表示第t-1次迭代学习率的变化值,t表示迭代次数。其中学习率η∈(0,1),初值取0.9。ρ∈(0,1)是动量因子,决定学习率改变的程度,值越大,学习率改动越小,取0.8。θ=0.2为梯度方向变化次数除10的结果,为常数,梯度方向变化2次则需进行学习率调整。▽C(ηt-1)为图像矩阵变化值,值为与第t-1次迭代调整后图像矩阵相减的结果,其中C表示图像矩阵,T表示转置。
这样既可以避免收敛点震荡问题,也解决了收敛缓慢的问题。卷积核初始值选取不当容易产生局部最优解。本文采用微批量梯度下降算法,每次选择50个样本更新梯度和样本。这样可以避免一次性初始化所有的卷积核,将问题细化,分解迭代。
本发明的一个较佳实施例中,本发明实施例采用的设备是4核Intel Core 2.2GHzi5-5200U CPU和英伟达Geforce GT 750MGPU。软件环境采用Matlab和JAVA编程实现,程序底层用到了CUDA的并行运算框架。Matlab主要用于处预处理图像,图像预处理主要包含数据标准化和图像降维处理。本发明选择1000张监控图像作为训练样本,该数据集总共包含4个类别,分别是正常、偏色、黑屏和遮挡各有250张图片。从中随机选取100张图片作为测试样本,每种类型各选择25张。数据集的每个数据样本都为53*53的RGB图像,像素值的取值范围是0至255,图像数据采样保存为一个一维向量。
本发明实施例用到的CNN架构如图4所示,具体卷积核大小等参数设置详见表1。输入图片被限定为53*53的RGB图;输出对应4种类型的图像(正常、偏色、黑屏、遮挡)。本发明实施例用到的CNN参考了LeNet。基于LeNet的参数设置,本实施例根据实际图像大小将CNN参数设置调整为如表1所示。实验最后得到的训练准确率稳定在82.3%,具体每个类别识别的准确率见表2,其中对于黑屏的识别效率为100%,对于偏色和正常图像识别率为68%和76.9%,对于遮挡图像的识别率为84.4%。
表1
表2
本发明在实现神经网络的同时并入了CUDA的并行化运算架构,本发明并行化运行架构本文采用java实现,java无法直接调用CUDA,需要通过JNI来调用CUDA的内核程序。下面介绍JNI调用CUDA的过程:
(1)编写带有native声明的抽象方法的java类,不需要实现,该类主要为卷积的计算提供并行化的运行接口。
(2)利用javah命令来编译ExtactLib文件生成.h的头文件,以便导入C程序中。具体命令为javah-jni ExtactLib。
(3)实现C的本地方法,编写CUDA kernel程序,在程序中导入生成的ExtactLib.h文件,并把C程序保存在以.cu为后缀名的文件中。并把生成的.cu文件编译成动态链接库LibGPU.dll供java程序调用。
通过并行化运算架构的加入,极大的提高了训练效率和预测效率。比较并行和串行的实现方式,效率提高了1.1-1.2倍,见图5所示。
在分类准确度和训练时间方面,本发明与如下经典算法做了对比分析:
(1)统计直方图:图像的偏色和黑屏可以通过统计色彩直方图直观分析结果。
(2)BP神经网络:经典的三层神经网络。
(3)GoogLeNet:2014年***提出22层的深度神经网络结构。
(4)VGGnet:2014年Oxford的团队在ILSVRC2014上建立的网络结构。
各个方法对比的实现效果如表3所示:
表3
卷积神经网络(CNN)的权值共享结构降低了网络模型的复杂度,减少了权值的数量。该优点在网络的输入是多维图像时表现的更为明显,使图像可以直接作为网络的输入,避免了传统识别算法中复杂的特征提取和数据重建过程。而CAE利用重要的局部特征重构原始数据,且输入数据的所有局部特征共享权值矩阵,对图像特征的提取具有巨大优势。本文是基于改进的卷积自动编码器实现对监控图像的局部特征提取。
本发明针对目前拥有大量摄像头而无法快速定位损坏设备问题,提出运用深度学习的方法解决视频监控设备故障检测。同时针对深度学习的方法提出了卷积神经网络结合改进的卷积自编码器进行监控图像分类。在卷积神经网络训练过程中提出并行化运算架构,提高了算法的运行效率。最后在1000图像迭代训练500次的准确率为82.3%。测试一张图像的时间为1.252s。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (6)
1.一种视频监控设备故障自动检测方法,其特征在于,步骤一,卷积自编码器使用不同网络层数和隐藏节点数提取监控图像的特征,在池化层进行图像特征提取,迭代卷积自编码器直到分类模型的准确率收敛;步骤二,卷积神经网络将卷积自编码器提取的监控图像的特征作为图像分类的依据,从而实现监督学习;步骤三,卷积神经网络运用并行化运算架构进行网络模型训练,网络模型训练结束后,将该模型应用到测试图像的分类过程;步骤四,根据分类结果判断视频监控设备损坏情况。
2.根据权利要求1所述的视频监控设备故障自动检测方法,其特征在于,所述步骤二中,卷积神经网络的批量卷积和池化过程中,使用不同大小的卷积核心和池化区域对卷积神经网络的图像分类准确率进行分析,模型准确率的范围为79.8%-82.3%。
3.根据权利要求1或2所述的视频监控设备故障自动检测方法,其特征在于,卷积自编码器由输入层、卷积层、池化层、反池化层、反卷积层、输出层依次组成,输入层运用6个8*8的卷积核进行卷积运算得到卷积层;然后将卷积层作为输入,利用2*2的均值池化操作缩小图像矩阵;然后将缩小后的图像矩阵进行2*2的平均反池化操作,部分还原图像矩阵;最后利用矩阵补零操作还原矩阵。
4.根据权利要求1或2所述的视频监控设备故障自动检测方法,其特征在于,步骤三中所述网络模型训练中,基于卷积自编码器自动提取的视频监控图像的特征,为训练样本添加标签。
5.根据权利要求1或2所述的视频监控设备故障自动检测方法,其特征在于,卷积神经网络由输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层、输出层依次组成。输入层运用6个8*8的卷积核进行卷积运算得到卷积层,然后将卷积层作为输入,利用2*2的均值池化操作缩小图像矩阵,如此循环3次,最后将图像矩阵转化为120元的一维向量,将一维向量输入到分类器中实现分类。
6.根据权利要求4所述的视频监控设备故障自动检测方法,其特征在于,在反向传播过程中,卷积神经网络进行网络模型训练的训练方法采用类梯度下降法,即按极小化误差的算法传播调整权值和阈值,选择动量法改变学习率,在梯度方向一致的地方,学习率选择在(0.65,0.95]之间,在梯度方向由正变为负再由负变为正再变为负,这样梯度方向变化超过2次时,将学习率根据公式(1)进行改变:
Δηt=ρΔηt-1-θ[▽C(ηt-1)]T (1)
Δηt为第t次迭代后学习率的变化值,Δηt-1表示第t-1次迭代学习率的变化值,t表示迭代次数;ρ∈(0,1)是动量因子,θ=0.2为梯度方向变化次数除10的结果,为常数,▽C(ηt-1)为图像矩阵变化值,值为与第t-1次迭代调整后图像矩阵相减的结果,其中C表示图像矩阵,T表示转置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710629187.5A CN107506695A (zh) | 2017-07-28 | 2017-07-28 | 视频监控设备故障自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710629187.5A CN107506695A (zh) | 2017-07-28 | 2017-07-28 | 视频监控设备故障自动检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107506695A true CN107506695A (zh) | 2017-12-22 |
Family
ID=60690287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710629187.5A Pending CN107506695A (zh) | 2017-07-28 | 2017-07-28 | 视频监控设备故障自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107506695A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182452A (zh) * | 2017-12-29 | 2018-06-19 | 哈尔滨工业大学(威海) | 基于分组卷积自编码器的航空发动机故障检测方法及*** |
CN108844735A (zh) * | 2018-06-22 | 2018-11-20 | 上海电力学院 | 基于卷积编码器和闵式距离的行星齿轮箱故障检测方法 |
CN109063854A (zh) * | 2018-08-23 | 2018-12-21 | 河南中裕广恒科技股份有限公司 | 智能运维云平台***及其控制方法 |
CN109087259A (zh) * | 2018-08-01 | 2018-12-25 | 中国石油大学(北京) | 基于卷积自编码器的叠前数据去噪方法及*** |
CN109413411A (zh) * | 2018-09-06 | 2019-03-01 | 腾讯数码(天津)有限公司 | 一种监控线路的黑屏识别方法、装置及服务器 |
CN109816625A (zh) * | 2018-11-27 | 2019-05-28 | 广东电网有限责任公司 | 一种视频质量评分实现方法 |
EP3522079A1 (en) * | 2018-02-01 | 2019-08-07 | Siemens Healthcare Limited | Data encoding and classification |
CN110210378A (zh) * | 2019-05-30 | 2019-09-06 | 中国电子科技集团公司第三十八研究所 | 一种基于边缘计算的嵌入式视频图像解析方法及装置 |
CN110415220A (zh) * | 2019-07-09 | 2019-11-05 | 国电大渡河瀑布沟发电有限公司 | 一种大型水电站的设备智能巡检方法 |
CN110458838A (zh) * | 2019-08-23 | 2019-11-15 | 讯飞智元信息科技有限公司 | 一种故障类型的检测方法、装置、存储介质及设备 |
CN110472695A (zh) * | 2019-08-22 | 2019-11-19 | 李世鹏 | 一种工业生产过程的异常工况检测和分类方法 |
CN111079631A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车钩提杆脱落故障识别方法及*** |
CN111225202A (zh) * | 2018-11-27 | 2020-06-02 | 杭州海康威视数字技术股份有限公司 | 一种图片故障诊断方法、装置及*** |
CN111404274A (zh) * | 2020-04-29 | 2020-07-10 | 平顶山天安煤业股份有限公司 | 一种输电***位移在线监控及预警*** |
CN112233074A (zh) * | 2020-09-30 | 2021-01-15 | 国网山西省电力公司大同供电公司 | 一种基于可见光及红外融合图像的电力故障检测方法 |
CN112595918A (zh) * | 2020-12-26 | 2021-04-02 | 广东电网有限责任公司广州供电局 | 一种低压集抄故障的检测方法及装置 |
CN113194297A (zh) * | 2021-04-30 | 2021-07-30 | 重庆市科学技术研究院 | 一种智能监控***及方法 |
WO2021238734A1 (zh) * | 2020-05-29 | 2021-12-02 | 华为技术有限公司 | 一种神经网络的训练方法及相关设备 |
CN115331155A (zh) * | 2022-10-14 | 2022-11-11 | 智慧齐鲁(山东)大数据科技有限公司 | 一种海量视频监控点位出图状态检测方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268594A (zh) * | 2014-09-24 | 2015-01-07 | 中安消技术有限公司 | 一种视频异常事件检测方法及装置 |
CN106709511A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 基于深度学习的城市轨道交通全景监控视频故障检测方法 |
CN106778740A (zh) * | 2016-12-06 | 2017-05-31 | 北京航空航天大学 | 一种基于深度学习的tfds非故障图像检测方法 |
-
2017
- 2017-07-28 CN CN201710629187.5A patent/CN107506695A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268594A (zh) * | 2014-09-24 | 2015-01-07 | 中安消技术有限公司 | 一种视频异常事件检测方法及装置 |
CN106778740A (zh) * | 2016-12-06 | 2017-05-31 | 北京航空航天大学 | 一种基于深度学习的tfds非故障图像检测方法 |
CN106709511A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 基于深度学习的城市轨道交通全景监控视频故障检测方法 |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182452A (zh) * | 2017-12-29 | 2018-06-19 | 哈尔滨工业大学(威海) | 基于分组卷积自编码器的航空发动机故障检测方法及*** |
US10977558B2 (en) | 2018-02-01 | 2021-04-13 | Siemens Healthcare Gmbh | Data encoding and classification |
EP3522079A1 (en) * | 2018-02-01 | 2019-08-07 | Siemens Healthcare Limited | Data encoding and classification |
CN108844735A (zh) * | 2018-06-22 | 2018-11-20 | 上海电力学院 | 基于卷积编码器和闵式距离的行星齿轮箱故障检测方法 |
CN109087259A (zh) * | 2018-08-01 | 2018-12-25 | 中国石油大学(北京) | 基于卷积自编码器的叠前数据去噪方法及*** |
CN109063854A (zh) * | 2018-08-23 | 2018-12-21 | 河南中裕广恒科技股份有限公司 | 智能运维云平台***及其控制方法 |
CN109413411A (zh) * | 2018-09-06 | 2019-03-01 | 腾讯数码(天津)有限公司 | 一种监控线路的黑屏识别方法、装置及服务器 |
CN111225202A (zh) * | 2018-11-27 | 2020-06-02 | 杭州海康威视数字技术股份有限公司 | 一种图片故障诊断方法、装置及*** |
CN111225202B (zh) * | 2018-11-27 | 2022-02-11 | 杭州海康威视数字技术股份有限公司 | 一种图片故障诊断方法、装置及*** |
CN109816625A (zh) * | 2018-11-27 | 2019-05-28 | 广东电网有限责任公司 | 一种视频质量评分实现方法 |
CN110210378A (zh) * | 2019-05-30 | 2019-09-06 | 中国电子科技集团公司第三十八研究所 | 一种基于边缘计算的嵌入式视频图像解析方法及装置 |
CN110210378B (zh) * | 2019-05-30 | 2023-04-07 | 中国电子科技集团公司第三十八研究所 | 一种基于边缘计算的嵌入式视频图像解析方法及装置 |
CN110415220A (zh) * | 2019-07-09 | 2019-11-05 | 国电大渡河瀑布沟发电有限公司 | 一种大型水电站的设备智能巡检方法 |
CN110472695B (zh) * | 2019-08-22 | 2022-10-18 | 李世鹏 | 一种工业生产过程的异常工况检测和分类方法 |
CN110472695A (zh) * | 2019-08-22 | 2019-11-19 | 李世鹏 | 一种工业生产过程的异常工况检测和分类方法 |
CN110458838A (zh) * | 2019-08-23 | 2019-11-15 | 讯飞智元信息科技有限公司 | 一种故障类型的检测方法、装置、存储介质及设备 |
CN111079631A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车钩提杆脱落故障识别方法及*** |
CN111404274A (zh) * | 2020-04-29 | 2020-07-10 | 平顶山天安煤业股份有限公司 | 一种输电***位移在线监控及预警*** |
CN113743570B (zh) * | 2020-05-29 | 2024-06-04 | 华为技术有限公司 | 一种神经网络的训练方法及相关设备 |
WO2021238734A1 (zh) * | 2020-05-29 | 2021-12-02 | 华为技术有限公司 | 一种神经网络的训练方法及相关设备 |
CN113743570A (zh) * | 2020-05-29 | 2021-12-03 | 华为技术有限公司 | 一种神经网络的训练方法及相关设备 |
CN112233074A (zh) * | 2020-09-30 | 2021-01-15 | 国网山西省电力公司大同供电公司 | 一种基于可见光及红外融合图像的电力故障检测方法 |
CN112595918A (zh) * | 2020-12-26 | 2021-04-02 | 广东电网有限责任公司广州供电局 | 一种低压集抄故障的检测方法及装置 |
CN113194297A (zh) * | 2021-04-30 | 2021-07-30 | 重庆市科学技术研究院 | 一种智能监控***及方法 |
CN115331155A (zh) * | 2022-10-14 | 2022-11-11 | 智慧齐鲁(山东)大数据科技有限公司 | 一种海量视频监控点位出图状态检测方法及*** |
CN115331155B (zh) * | 2022-10-14 | 2023-02-03 | 智慧齐鲁(山东)大数据科技有限公司 | 一种海量视频监控点位出图状态检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107506695A (zh) | 视频监控设备故障自动检测方法 | |
Chen et al. | Global context-aware progressive aggregation network for salient object detection | |
Wang et al. | Detect globally, refine locally: A novel approach to saliency detection | |
CN112651438A (zh) | 多类别图像的分类方法、装置、终端设备和存储介质 | |
CN108961245A (zh) | 基于双通道深度并行卷积网络的图像质量分类方法 | |
US20220180624A1 (en) | Method and device for automatic identification of labels of an image | |
CN106570474A (zh) | 一种基于3d卷积神经网络的微表情识别方法 | |
CN111539290B (zh) | 视频动作识别方法、装置、电子设备及存储介质 | |
CN111242127A (zh) | 基于非对称卷积的具有粒度级多尺度特性的车辆检测方法 | |
CN103761537B (zh) | 基于低秩优化特征字典模型的图像分类方法 | |
CN111860171A (zh) | 一种大规模遥感图像中不规则形状目标的检测方法及*** | |
CN107247952B (zh) | 基于深层监督的循环卷积神经网络的视觉显著性检测方法 | |
CN106874879A (zh) | 基于多特征融合和深度学习网络提取的手写数字识别方法 | |
CN113569881A (zh) | 一种基于链式残差与注意力机制的自适应语义分割方法 | |
CN113468996A (zh) | 一种基于边缘细化的伪装物体检测方法 | |
CN114118303B (zh) | 基于先验约束的人脸关键点检测方法及装置 | |
CN114882278A (zh) | 一种基于注意力机制和迁移学习的轮胎花纹分类方法和装置 | |
CN115272777A (zh) | 面向输电场景的半监督图像解析方法 | |
Bhise et al. | Plant disease detection using machine learning | |
CN114170657A (zh) | 融合注意力机制与高阶特征表示的面部情感识别方法 | |
CN113505640A (zh) | 一种基于多尺度特征融合的小尺度行人检测方法 | |
CN111401209B (zh) | 一种基于深度学习的动作识别方法 | |
Ren et al. | Student behavior detection based on YOLOv4-Bi | |
CN117351414A (zh) | 一种基于深度神经网络的人群密度估计方法 | |
Chen et al. | Saliency detection via topological feature modulated deep learning |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171222 |
|
RJ01 | Rejection of invention patent application after publication |