CN112949466B - 视频ai烟尘污染源识别与定位方法 - Google Patents
视频ai烟尘污染源识别与定位方法 Download PDFInfo
- Publication number
- CN112949466B CN112949466B CN202110220367.4A CN202110220367A CN112949466B CN 112949466 B CN112949466 B CN 112949466B CN 202110220367 A CN202110220367 A CN 202110220367A CN 112949466 B CN112949466 B CN 112949466B
- Authority
- CN
- China
- Prior art keywords
- ann
- camera
- pollution source
- model
- neural network
- 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
- 239000000779 smoke Substances 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 239000004071 soot Substances 0.000 claims 2
- 210000002569 neuron Anatomy 0.000 description 9
- 239000000428 dust Substances 0.000 description 6
- 230000006872 improvement Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 3
- 238000003915 air pollution Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
- Fire-Detection Mechanisms (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种视频AI烟尘污染源识别与定位方法,包括样本数据标定收集:收集摄像头可拍摄范围内的目标物的经纬度坐标、在对应图像中的坐标以及摄像头的实时转动角度;ANN‑LMBP模型训练:根据标定收集到的样本数据,基于ANN‑LMBP神经网络进行每个摄像头的一对一模型训练,然后将训练好的ANN‑LMBP神经网络模型进行保存;烟尘污染源预测定位:将摄像头实时监测到的烟尘污染源检测输出的图像坐标位置和摄像头的实时参数,输入ANN‑LMBP神经网络模型进行烟尘污染源在世界坐标系下的经纬度坐标预测。本申请采用ANN‑LMBP神经网络进行基于视觉的烟尘污染源预测模型的训练,精度相对较高,模型整体均方误差小,最终预测的经纬度与实际位置的误差在允许范围内,能有效减少成本。
Description
技术领域
本发明涉及烟尘污染源定位技术领域,具体涉及一种视频AI烟尘污染源识别与定位方法。
背景技术
大气污染是全球环境污染的突出问题,随着科技和经济的高速发展,大气污染的危害日益加重。近年来,生态环境问题越来越受到重视,研究户外烟尘污染源的定位对于有关部门进行及时的环境预防与整治具有重要意义。目前,神经网络的研究重点是解决复杂的实际问题。人工神经网络已被证明能够对高维度且数目巨大的变量之间的复杂关系进行建模。很多研究也证实使用人工神经网络对工业、工程等问题进行建模预测的有效性和准确性。
BP算法是训练前馈神经网络的一种普遍方法,它在一定程度上是前馈神经网络的核心,体现了人工神经网络最重要部分。而将BP神经网络应用于实际问题时,其训练过程有时往往需要花费大量的时间,该缺点在很大程度上限制了其广泛的应用。因此,许多学者在提高BP算法的收敛速度方面进行了大量的研究,并提出了一些改进算法。第一类改进主要是基于启发式信息技术,比如动量反向传播算法(MOBP)和可变学习速率反向传播算法(VLBP);第二类改进主要是基于数值优化技术,比如共轭梯度方向反向传播算法(CGBP)和LMBP。这些算法在不同程度上提高了BP神经网络的收敛速度。与ANN-BP算法相比,ANN-LMBP算法在收敛速度方面提升最大,效果最优,不仅具有较快的收敛速度,而且具有不错的全局收敛性。
而在生态环境问题越来越受到重视的今天,户外污染源是一个亟待解决的问题。本发明的发明人经过研究发现,目前对于污染源定位的研究大多都是基于无线传感器进行的,针对户外环境下的烟尘污染源定位,该方法的硬件成本较高,且后期的维护运行也很困难。因此,如何创新地设计一种高效而精准的烟尘污染源定位方法显得尤为重要。
发明内容
针对现有对于烟尘污染源定位的研究大多都是基于无线传感器进行的,该方法存在硬件成本较高,且后期维护运行也很困难的技术问题,本发明提供一种视频AI烟尘污染源识别与定位方法。
为了解决上述技术问题,本发明采用了如下的技术方案:
视频AI烟尘污染源识别与定位方法,包括以下步骤:
S1、样本数据标定收集:收集摄像头可拍摄范围内的目标物的经纬度坐标、目标物在对应图像中的坐标以及摄像头的实时转动角度,相应关系采用以下公式进行描述:
(E,N)=f(P,T,Z,PicX,PicY)
其中,P为摄像头水平转动角度参数,T为摄像头垂直转动角度参数,Z为摄像头放大倍数参数,由于Z改变的敏感度较低,故将Z设为定值进行数据标定,PicX为目标物检测框在图像坐标系中底部中心点的横坐标,PicY为目标物检测框在图像坐标系中底部中心点的纵坐标,E为目标物在世界坐标系中的经度,N为目标物在世界坐标系中的纬度;
S2、ANN-LMBP模型训练:根据步骤S1中标定收集到的样本数据,基于ANN-LMBP神经网络进行每个摄像头的一对一模型训练,然后将训练好的ANN-LMBP神经网络模型进行保存;
S3、烟尘污染源预测定位:将摄像头实时监测到的烟尘污染源检测输出的图像坐标位置和摄像头的实时参数,作为保存ANN-LMBP神经网络模型的输入进行烟尘污染源在真实世界坐标系下的经纬度坐标预测。
进一步,所述步骤S2还包括先对步骤S1中标定收集到的样本数据进行归一化处理。
进一步,所述归一化处理采用如下线性映射将所有变量缩放至(0,1)之间:
其中,xiNew是变量归一化后的值,xi是变量原始值,ximax和ximin是变量可取的最大值与最小值。
进一步,所述步骤S2中ANN-LMBP神经网络模型通常表示为:
模型的损失函数为:
其中,p为第p个样本,(xp,yp)表示一组训练样本数据。
进一步,所述步骤S2中ANN-LMBP神经网络模型网络权重的迭代增量定义如下:
Δθk=(ATA+λI)-1ATΔyk
与现有技术相比,本发明提供的视频AI烟尘污染源识别与定位方法,首先对样本数据进行标定收集,然后根据标定收集到的样本数据基于ANN-LMBP神经网络进行每个摄像头的一对一模型训练,最后将检测到的烟尘污染源相关位置信息以及摄像头实时参数信息结合作为ANN-LMBP神经网络模型的输入,精确的定位出烟尘污染源的真实经纬度坐标。其中,本发明由于采用ANN-LMBP神经网络进行基于视觉的烟尘污染源预测模型的训练,其精度相对较高,模型的整体均方误差小,最终预测的经纬度坐标与实际位置的误差大约在200米以内,在误差允许的范围内,因此能有效减少基于传感器定位的各项成本。
附图说明
图1是本发明提供的视频AI烟尘污染源识别与定位方法流程示意图。
图2是本发明实施例提供的某一个ANN-LMBP神经网络模型(隐藏层神经元个数为5时)的训练结果示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体图示及较佳实施例,进一步阐述本发明。
请参考图1和图2所示,本发明提供一种视频AI烟尘污染源识别与定位方法,包括以下步骤:
S1、样本数据标定收集:根据摄像头多角度旋转特性以及复杂的户外环境,烟尘污染源的定位主要影响变量为摄像头的转动角度以及污染源在图像中的坐标。而在前期模型训练时,需要收集摄像头可拍摄范围内的目标物的经纬度坐标、目标物在对应图像中的坐标以及摄像头的实时转动角度,相应关系采用以下公式进行描述:
(E,N)=f(P,T,Z,PicX,PicY) 公式(1)
其中,P为摄像头水平转动角度参数,T为摄像头垂直转动角度参数,Z为摄像头放大倍数参数,由于Z改变的敏感度较低,故将Z设为定值进行数据标定,PicX为目标物检测框在图像坐标系中底部中心点的横坐标,PicY为目标物检测框在图像坐标系中底部中心点的纵坐标,E为目标物在世界坐标系中的经度,N为目标物在世界坐标系中的纬度;
S2、ANN-LMBP模型训练:根据步骤S1中标定收集到的样本数据,基于ANN-LMBP神经网络进行每个摄像头的一对一模型训练,然后将训练好的ANN-LMBP神经网络模型进行保存;其中,所述ANN-LMBP神经网络的具体结构为本领域技术人员熟知的现有技术,本申请只是将现有的ANN-LMBP神经网络进行应用,具体人工神经网络ANN是由许多相互连接的神经元组成,这些神经元包括顺序互连的输入层神经元、隐藏层神经元和输出层神经元,ANN输入层神经元的数量等于自变量的特征维度,隐藏层的数量以及每个隐藏层中神经元的数量在模型训练前是没有预先定义的,每个隐藏层中神经元的数量可以在ANN训练过程中进行更改,直到模型训练得到最佳的性能;
S3、烟尘污染源预测定位:将摄像头实时监测到的烟尘污染源检测输出的图像坐标位置和摄像头的实时参数,作为保存ANN-LMBP神经网络模型的输入进行烟尘污染源在真实世界坐标系下的经纬度坐标预测。
作为具体实施例,为了消除变量单位范围不一致带来的影响,需将步骤S1中标定收集到的样本数据先进行归一化处理。作为优选实施例,所述归一化处理采用如下线性映射将所有变量缩放至(0,1)之间:
其中,xiNew是变量归一化后的值,xi是变量原始值,ximax和ximin是变量可取的最大值与最小值。
作为具体实施例,LM(Levenberg-Marquardt)算法是Gauss-Newton法的改进,具有二阶收敛性。该算法不仅具有Gauss-Newton法的局部特点,而且具有梯度下降法的全局特点,参数求解时不仅能加快收敛速度,也能增加模型的稳定性。具体地,所述步骤S2中ANN-LMBP神经网络模型通常可以表示为:
其中,p为第p个样本,(xp,yp)表示一组训练样本数据。
Gauss-Newton法和LM算法都可以用于最小化目标函数,Gauss-Newton法使用泰勒级数为原始非线性问题提供近似解,然后使用最小二乘法计算相关参数。如果是参数当前取值,则当仅保留线性项时,公式(3)中针对第p个样本在第k维输出上可以改写为:
根据公式(4)的整体平方误差,针对第k维输出上,对θk进行求导得到:
Δθk=(ATA)-1ATΔyk 公式(9)
但是,(ATA)-1并不总是存在,因此Gauss-Newton法存在一定的缺陷,可以使用LM算法解决该问题。因而作为具体实施例,所述步骤S2中ANN-LMBP神经网络模型网络权重的迭代增量Δθk定义如下:
Δθk=(ATA+λI)-1ATΔyk
如前所述,Gauss-Newton法可能非常有效,但存在潜在问题。相反,梯度下降法效率较低,但更稳定。LM算法可以通过设置适当的λ值在Gauss-Newton法(λ→0)和梯度下降法(λ→∞)之间有效转换。
对大型矩阵(ATA+λI)的逆运算不可避免地导致计算耗时巨大。为了避免这个问题,可以将矩阵(ATA+λI)转移到公式(10)的左侧。这样,可以通过线性方程组的直接数值解来提取ANN-LMBP模型网络权重的迭代增量Δθk。该改进可以有效地避免大型矩阵求逆,使模型训练时间大大减少。
作为具体实施例,下表1是ANN-BP模型与ANN-LMBP模型的均方误差(MSE)的对比情况,可以看出,基于LM算法训练的ANN模型(ANN-LMBP)比标准的BP算法训练的模型(ANN-BP)具有更小的均方误差,其效果更好,收敛速度更快。
表1 ANN模型性能评估(MSE)
作为具体实施例,所述步骤S3中针对不同的监控摄像头进行烟尘污染源预测定位的结果如下表2所示,误差大约在200米以内,其在误差允许的范围内,因而能大大减少现有技术中基于传感器定位的成本。
表2部分定位预测结果
与现有技术相比,本发明提供的视频AI烟尘污染源识别与定位方法,首先对样本数据进行标定收集,然后根据标定收集到的样本数据基于ANN-LMBP神经网络进行每个摄像头的一对一模型训练,最后将检测到的烟尘污染源相关位置信息以及摄像头实时参数信息结合作为ANN-LMBP神经网络模型的输入,精确的定位出烟尘污染源的真实经纬度坐标。其中,本发明由于采用ANN-LMBP神经网络进行基于视觉的烟尘污染源预测模型的训练,其精度相对较高,模型的整体均方误差小,最终预测的经纬度坐标与实际位置的误差大约在200米以内,在误差允许的范围内,因此能有效减少基于传感器定位的各项成本。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.视频AI烟尘污染源识别与定位方法,其特征在于,包括以下步骤:
S1、样本数据标定收集:收集摄像头可拍摄范围内的目标物的经纬度坐标、目标物在对应图像中的坐标以及摄像头的实时转动角度,相应关系采用以下公式进行描述:
(E,N)=f(P,T,Z,PicX,PicY)
其中,P为摄像头水平转动角度参数,T为摄像头垂直转动角度参数,Z为摄像头放大倍数参数,由于Z改变的敏感度较低,故将Z设为定值进行数据标定,PicX为目标物检测框在图像坐标系中底部中心点的横坐标,PicY为目标物检测框在图像坐标系中底部中心点的纵坐标,E为目标物在世界坐标系中的经度,N为目标物在世界坐标系中的纬度;
S2、ANN-LMBP模型训练:根据步骤S1中标定收集到的样本数据,基于ANN-LMBP神经网络进行每个摄像头的一对一模型训练,然后将训练好的ANN-LMBP神经网络模型进行保存;
S3、烟尘污染源预测定位:将摄像头实时监测到的烟尘污染源检测输出的图像坐标位置和摄像头的实时参数,作为保存ANN-LMBP神经网络模型的输入进行烟尘污染源在真实世界坐标系下的经纬度坐标预测。
2.根据权利要求1所述的视频AI烟尘污染源识别与定位方法,其特征在于,所述步骤S2还包括先对步骤S1中标定收集到的样本数据进行归一化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110220367.4A CN112949466B (zh) | 2021-02-26 | 2021-02-26 | 视频ai烟尘污染源识别与定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110220367.4A CN112949466B (zh) | 2021-02-26 | 2021-02-26 | 视频ai烟尘污染源识别与定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112949466A CN112949466A (zh) | 2021-06-11 |
CN112949466B true CN112949466B (zh) | 2022-11-22 |
Family
ID=76246591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110220367.4A Active CN112949466B (zh) | 2021-02-26 | 2021-02-26 | 视频ai烟尘污染源识别与定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949466B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554700B (zh) * | 2021-07-26 | 2022-10-25 | 贵州电网有限责任公司 | 一种不可见光瞄准方法 |
CN113837121B (zh) * | 2021-09-28 | 2024-03-01 | 中国科学技术大学先进技术研究院 | 一种基于类脑的防疫机器人视听觉协同感知方法及*** |
CN114429501B (zh) * | 2022-04-06 | 2022-06-21 | 湖南九九智能环保股份有限公司 | 一种空域大气污染溯源跟踪与定位方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103578109A (zh) * | 2013-11-08 | 2014-02-12 | 中安消技术有限公司 | 一种监控摄像机测距方法及装置 |
CN103607772A (zh) * | 2013-12-09 | 2014-02-26 | 青岛百灵信息科技有限公司 | 一种基于lmbp神经网络的泰勒定位算法 |
CN104361406A (zh) * | 2014-10-31 | 2015-02-18 | 许继集团有限公司 | 一种光伏电站可利用太阳能发电量预测方法 |
CN107948946A (zh) * | 2017-11-09 | 2018-04-20 | 南京南自信息技术有限公司 | 一种工业场所高精度人员定位球型摄像机跟踪方法 |
CN107991721A (zh) * | 2017-11-21 | 2018-05-04 | 上海电力学院 | 一种基于天文和气象环境因子的逐时散射比预测方法 |
WO2018194236A1 (ko) * | 2017-04-20 | 2018-10-25 | 유버 주식회사 | 환경 정화 장치 |
CN111103899A (zh) * | 2018-10-25 | 2020-05-05 | 杭州海康威视数字技术股份有限公司 | 一种云台定位的方法和装置 |
CN112241987A (zh) * | 2019-07-19 | 2021-01-19 | 杭州海康威视数字技术股份有限公司 | 确定防区的***、方法、装置及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999664B (zh) * | 2012-11-20 | 2015-05-13 | 天津大学 | 一种室内污染源位置识别方法 |
CN108444452B (zh) * | 2018-02-11 | 2020-11-17 | 武汉雄楚高晶科技有限公司 | 目标经纬度和拍摄装置的三维空间姿态的检测方法及装置 |
-
2021
- 2021-02-26 CN CN202110220367.4A patent/CN112949466B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103578109A (zh) * | 2013-11-08 | 2014-02-12 | 中安消技术有限公司 | 一种监控摄像机测距方法及装置 |
CN103607772A (zh) * | 2013-12-09 | 2014-02-26 | 青岛百灵信息科技有限公司 | 一种基于lmbp神经网络的泰勒定位算法 |
CN104361406A (zh) * | 2014-10-31 | 2015-02-18 | 许继集团有限公司 | 一种光伏电站可利用太阳能发电量预测方法 |
WO2018194236A1 (ko) * | 2017-04-20 | 2018-10-25 | 유버 주식회사 | 환경 정화 장치 |
CN107948946A (zh) * | 2017-11-09 | 2018-04-20 | 南京南自信息技术有限公司 | 一种工业场所高精度人员定位球型摄像机跟踪方法 |
CN107991721A (zh) * | 2017-11-21 | 2018-05-04 | 上海电力学院 | 一种基于天文和气象环境因子的逐时散射比预测方法 |
CN111103899A (zh) * | 2018-10-25 | 2020-05-05 | 杭州海康威视数字技术股份有限公司 | 一种云台定位的方法和装置 |
CN112241987A (zh) * | 2019-07-19 | 2021-01-19 | 杭州海康威视数字技术股份有限公司 | 确定防区的***、方法、装置及存储介质 |
Non-Patent Citations (5)
Title |
---|
"Application of backpropagation artificial neural network prediction model for the PAH bioremediation of polluted soil";Richard Olawoyin;《Chemosphere》;20160715;第145-150页 * |
"Based On Improved BP Neural Network Model Generating Power Predicting For PV System";Xiaobo Duan等;《IEEE》;20121004;第1-4页 * |
"Location Method of Smoke Pollution Source based on LMBP Neural Network";Jianwu Long等;《ICCEA》;20211028;第98-101页 * |
"基于BP神经网络的华东地区太阳辐射模拟及时空变化分析";冯姣姣等;《遥感技术与应用》;20181020;第881-955页 * |
基于LM算法的BP神经网络对汽车排放污染物的预测;简晓春等;《重庆理工大学学报(自然科学)》;20120715(第07期);第11-16页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112949466A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112949466B (zh) | 视频ai烟尘污染源识别与定位方法 | |
CN111178206B (zh) | 一种基于改进yolo的建筑预埋件检测方法及*** | |
CN103514366B (zh) | 一种城市空气质量浓度监测缺失数据的修复方法 | |
CN112766103B (zh) | 一种机房巡检方法及装置 | |
CN108627798B (zh) | 基于线性判别分析和梯度提升树的wlan室内定位算法 | |
CN116229052B (zh) | 一种基于孪生网络的变电站设备状态变化检测方法 | |
CN111275744B (zh) | 基于深度学习及图像处理的非接触振动频率测量方法 | |
CN110988263B (zh) | 一种基于改进的Stacking模型的车辆尾气浓度估计方法 | |
CN114154401A (zh) | 基于机器学习和观测数据的土壤侵蚀模数计算方法及*** | |
CN110703764B (zh) | 自适应光学***可动导引星最优位置实时规划方法 | |
CN116542912A (zh) | 一种多目标视觉跟踪的柔性体桥梁振动检测模型、应用 | |
CN117761261B (zh) | 一种基于大数据的碳排放监测***及方法 | |
Wang et al. | Research on air pollution gases recognition method based on lstm recurrent neural network and gas sensors array | |
CN114462717A (zh) | 一种基于改进gan与lstm的小样本气体浓度预测方法 | |
CN117710689A (zh) | 基于粒子滤波的高精度sar图像目标检测方法及*** | |
CN109934151B (zh) | 一种基于movidius计算芯片和Yolo face的人脸检测方法 | |
CN117593243A (zh) | 可靠伪标签引导的压缩机外观自适应检测方法 | |
CN116778435A (zh) | 一种基于计算机视觉技术的车辆轴重分布识别方法 | |
CN117131654A (zh) | 基于预分析初猜值条件非线性最优扰动的目标观测方法 | |
CN109187898B (zh) | 水产养殖环境中水质氨氮含量的软测量方法及装置 | |
CN116227389A (zh) | 气动热数据的预测方法及装置 | |
CN113553708B (zh) | 一种溯源仿真模型关键影响因素的方法和装置 | |
CN114723998A (zh) | 基于大边界贝叶斯原型学习的小样本图像分类方法及装置 | |
Long et al. | Location Method of Smoke Pollution Source based on LMBP Neural Network | |
CN112200856A (zh) | 一种基于事件相机的视觉测距方法 |
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 |