CN113255690B - 一种基于轻量级卷积神经网络的复合绝缘子憎水性检测方法 - Google Patents
一种基于轻量级卷积神经网络的复合绝缘子憎水性检测方法 Download PDFInfo
- Publication number
- CN113255690B CN113255690B CN202110405621.8A CN202110405621A CN113255690B CN 113255690 B CN113255690 B CN 113255690B CN 202110405621 A CN202110405621 A CN 202110405621A CN 113255690 B CN113255690 B CN 113255690B
- Authority
- CN
- China
- Prior art keywords
- hydrophobicity
- composite insulator
- model
- network
- 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
Images
Classifications
-
- 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
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- 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
- 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
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)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Insulators (AREA)
Abstract
本发明公开了一种基于轻量级卷积神经网络的复合绝缘子憎水性检测方法,首先构建含有七个憎水性等级的复合绝缘子喷水图像样本集并加注标签,通过预处理扩充样本集并划分训练、验证和测试集;然后迁移MobileNet、ShuffleNet和GhostNet等在大型数据集中训练过的轻量级卷积神经网络模型,修改模型结构与输出,对网络层进行分段式学习率设置,构建憎水性检测模型,并通过Adam、SGDM等算法进行模型优化;最后利用复合绝缘子憎水性等级智能识别模型对测试集喷水图像进行憎水性检测,输出识别结果与准确率。本发明能够克服传统检测方法需要人工裁剪图片且受光照影响严重的局限性,可以提高复合绝缘子憎水性检测的效率与准确性。
Description
技术领域
本发明涉及复合绝缘子憎水性检测技术领域,具体涉及一种基于轻量级卷积神经网络的复合绝缘子憎水性检测方法。
背景技术
复合绝缘子因其表面憎水性与憎水迁移性而具有良好的耐污闪性能,但在长期运行过程中,硅橡胶材料会发生老化而导致憎水性下降。工程中通常采用喷水分级法(HC法)对运行复合绝缘子的憎水性等级进行抽检,根据测试结果确定检测周期并判定是否能够继续运行。然而,HC等级的判定结果取决于测试人员对喷水图像的主观理解,容易引起误判。基于图像识别技术与人工智能算法的憎水性检测方法能够克服喷水分级法人为因素的影响,降低人力、物力,提高憎水性检测的效率。
目前应用较为广泛的憎水性检测方法主要基于图像处理、特征提取和机器学习算法的组合,此类方法较依赖图像处理技术能否有效提取出水珠形态特征,识别准确率取决于喷水图像处理效果,受绝缘子表面状态、光照条件、拍摄角度等因素影响,采用传统的图像处理方法往往难以有效分割出水珠边缘,在计算水珠特征量时存在一定误差。卷积神经网络(convolutional neural network,CNN)是一种可以自我学习数据特征的机器学习算法,它将特征提取与分类识别进行有效组合,各种图像数据特征由监督式的端到端拟合学习得到,该类模型可通过增加训练图像样本数量和调整网络结构大小实现较高的鲁棒性,且在大量的测试样本中可达到较高的检测准确率。CNN对复合绝缘子憎水性检测的准确率和高鲁棒性依赖于网络深度,对硬件设备的存储和计算量要求较高,难以应用于存储和计算量都受限的移动设备。因此,构建性能优良而参数和计算量都较小的轻量级憎水性检测模型,将其应用于移动设备并实现复合绝缘子憎水性的带电检测,是目前亟待解决的问题。
发明内容
针对现有技术存在的问题,本发明的目的在于提供一种基于轻量级卷积神经网络的复合绝缘子憎水性检测方法,利用复合绝缘子喷水图像训练性能优异而参数与计算量要求都较少的CNN模型,该模型能够快速地检测复合绝缘子的憎水性,提高憎水性在线检测的效率与准确性。
为实现上述目的,本发明提供如下技术方案:一种基于轻量级卷积神经网络的复合绝缘子憎水性检测方法,包括如下步骤:
S1:采用喷水分级法对复合绝缘子进行喷水试验,拍摄伞裙表面水珠形态分布图像,并给每张图像加注憎水性等级标签,建立包含HC1~HC7的复合绝缘子喷水图像样本集,并对图像进行预处理,扩充图像样本集,按一定比例划分训练集、验证集与测试集;
S2:迁移轻量级卷积神经网络模型,修改模型结构与输出,使其匹配憎水性检测问题;具体地,采用ImageNet数据集对MobileNet、ShuffleNet和GhostNet进行预训练,然后对网络结构进行微调,删除原网络的最后三层,代替以一个包含7个输出节点的全连接层、softmax层以及HC1~HC7类别输出层的结构,最后对网络层进行三段式划分并设置不同的学习率,完成憎水性检测模型的构建;
S3:分批次将训练样本图像输入到憎水性检测模型中,通过Adam、SGDM算法最小化交叉熵损失函数对模型进行优化,调整卷积神经网络中卷积层、归一化层和全连接层中可学习参数,每10次迭代对模型检测效果进行1次验证,当验证损失值在50次验证内不再下降时停止网络训练,得到复合绝缘子憎水性等级智能识别模型;
S4:利用训练好的憎水性等级智能识别模型对测试集的复合绝缘子喷水图像进行检测,输出憎水性识别结果,计算识别准确率。
进一步地,S1中所述对图像进行预处理包括对图像进行去色、水平翻转、亮度和对比度调整。
进一步地,S2中对网络层进行三段式划分并设置不同的学习率,特定结构单元前为第一段,连续的结构单元组合为第二段,最后的分类输出为第三段;各段的初始学习率分别设置为0.001、0.005、0.01。
进一步地,S3中所述对模型进行优化,具体为先采用Adam算法更新网络参数,当准确率不再提升时保存模型,固定前70%网络层参数后采用SGDM算法进一步优化网络。
本发明的有益效果是:
本发明提供的一种基于轻量级卷积神经网络的复合绝缘子憎水性检测方法,能够自动学习复合绝缘子喷水图像中具有代表性的水珠区域特征,并据此判定憎水性等级,能够克服传统检测方法需要人工裁剪图片且受光照影响严重的局限性,可以提高复合绝缘子憎水性检测的效率与准确性。
附图说明
图1是本发明中基于轻量级卷积神经网络的复合绝缘子憎水性检测模型构建与训练流程图;
图2是本发明实施例中喷水试验复合绝缘子布置图;
图3是本发明实施例中拍摄得到的复合绝缘子喷水图像;
图4是本发明实施例中构建的轻量级卷积神经网络模型结构;
图5是本发明实施例中复合绝缘子憎水性检测模型对测试样本图像的输出结果。
具体实施方式
下面结合实施例对本发明做进一步的描述,有必要在此指出的是以下实施例只是用于对本发明进行进一步的说明,不能理解为对本发明保护范围的限制,该领域的技术熟练人员根据上述发明内容所做出的一些非本质的改进和调整,仍属于本发明的保护范围。
以下利用喷水试验获取的含七个憎水性等级的复合绝缘子喷水图像样本,通过迁移轻量级卷积神经网络模型,用喷水图像样本对轻量级卷积神经网络进行训练、验证与测试,其流程图如图1所示。包括以下步骤:
S1:采用喷水分级法对复合绝缘子进行喷水试验,拍摄伞裙表面水珠形态分布图像,并给每张图像加注憎水性等级标签,建立包含HC1~HC7的复合绝缘子喷水图像样本集,并对图像进行去色、水平翻转、亮度和对比度调整等预处理,扩充图像样本集,按一定比例划分训练集、验证集与测试集。
利用纯净水和不同憎水性等级复合绝缘子,或者异丙醇与水混合溶液和全新的复合绝缘子,根据喷水分级法的标准流程进行喷水试验,拍摄大量含HC1~HC7的喷水图像样本。复合绝缘子的摆放位置可根据实际运行时的安装方式进行调整,如图2所示,悬垂串与地面夹角可以为80°~90°,水平串与地面夹角可以为10°~20°。憎水性图像拍摄过程中拍摄角度和光照可以在多种典型条件下改变多次,以获得更多具有代表性的样本图像,用于训练具有高鲁棒性的复合绝缘子憎水性检测模型。根据憎水性评判标准比对复合绝缘子表面水珠形态,给收集的复合绝缘子表面喷水图像加注憎水性等级标签,如图3所示,每一张喷水图像数据代表该憎水性等级下的一个样本。将加注了标签的喷水图像进行下采样操作,归一化图像使之符合模型规定图像输入的大小,例如ShuffleNet的输入图像大小为224×224×3。同时对图像进行去色、水平翻转、亮度和对比度调整等预处理,扩充图像样本集。将样本集划分成训练集、验证集与测试集,再将训练集中图像样本平均分成100个子样本集。本实施例中,喷水图像样本集共包含4885幅,从各个HC等级的图像中随机选取100幅作为测试集,从剩余样本中按照约8:2的比例划分训练集和验证集。
S2:迁移轻量级卷积神经网络模型,修改模型结构与输出,使其匹配憎水性检测问题。具体地,采用ImageNet数据集对MobileNet、ShuffleNet和GhostNet进行预训练,然后对网络结构进行微调,删除原网络的最后三层,代替以一个包含7个输出节点的全连接层、softmax层以及HC1~HC7类别输出层的结构,最后对网络层进行三段式划分并设置不同的学习率,完成憎水性检测模型的构建。
本实施例中,采用ShuffleNet建立轻量级卷积神经网络模型,修改模型结构与输出使其适应憎水性检测问题。导入在ImageNet数据集中预训练过的含有1000个类别输出的ShuffleNet网络,用一个包含七个输出的全连接层替换该网络最后的全连接层,采用七个HC等级作为输出,替换网络原有的输出层,完成憎水性检测模型构建,修改后ShuffleNet网络结构如图4所示,对网络层进行三段式划分并设置不同的学习率,特定结构单元前为第一段,连续的结构单元组合为第二段,最后的分类输出为第三段;各段的初始学习率分别设置为0.001、0.005、0.01。
S3:分批次将训练样本图像输入到憎水性检测模型中,通过Adam、SGDM算法最小化交叉熵损失函数对模型进行优化,调整卷积神经网络中卷积层、归一化层和全连接层中可学习参数,每10次迭代对模型检测效果进行1次验证,当验证损失值在50次验证内不再下降时停止网络训练,得到复合绝缘子憎水性等级智能识别模型。
本实施例中,一次迭代导入30幅图像样本,从均值为0、标准差为1的高斯分布中随机选取数值,给替换的全连接层中连接权值和偏置赋初始值。将子样本集的训练样本图像依次输入到模型中,计算模型输出与标签值的差异并更新网络学习参数,当整个训练样本集图像都被憎水性检测模型学习完成后,将验证集中图像依次输入该模型计算检测准确率。重复进行训练和验证多次,在每次验证之后与图像输入模型之前,将图像进行随机放大、左右或者上下翻转操作,进而防止网络过拟合。每次验证后观察模型的准确率和损失值,根据模型的拟合和泛化能力对模型的参数进行调整与优化,当模型学习达到较高准确率和较好的泛化能力时停止训练。
S4:利用训练好的憎水性等级智能识别模型对测试集的复合绝缘子喷水图像进行检测,输出憎水性识别结果,计算识别准确率。
本实施例在CPU为Intel Core i5-9500H、主频3.00GHz、GPU为GTX1080Ti的硬件环境和Matlab 2020b的软件环境下开展复合绝缘子憎水性识别,将归一化的喷水图像测试样本输入到模型进行自动检测,输出模型检测结果。对700幅测试样本憎水性等级的识别准确率为95.43%。随机选取16幅测试样本图像为例,其憎水性检测结果如图5所示,可见模型能够有效识别出复合绝缘子表面的憎水性等级,并且具有很高的确定概率。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.一种基于轻量级卷积神经网络的复合绝缘子憎水性检测方法,其特征在于:包括如下步骤:
S1:采用喷水分级法对复合绝缘子进行喷水试验,拍摄伞裙表面水珠形态分布图像,并给每张图像加注憎水性等级标签,建立包含HC1~HC7的复合绝缘子喷水图像样本集,并对图像进行预处理,扩充图像样本集,按一定比例划分训练集、验证集与测试集;
S2:迁移轻量级卷积神经网络模型,修改模型结构与输出,使其匹配憎水性检测问题;具体地,采用ImageNet数据集对MobileNet、ShuffleNet和GhostNet进行预训练,然后对网络结构进行微调,删除原网络的最后三层,代替以一个包含7个输出节点的全连接层、softmax层以及HC1~HC7类别输出层的结构,最后对网络层进行三段式划分并设置不同的学习率,完成憎水性检测模型的构建;
S3:分批次将训练样本图像输入到憎水性检测模型中,通过Adam、SGDM算法最小化交叉熵损失函数对模型进行优化,调整卷积神经网络中卷积层、归一化层和全连接层中可学习参数,每10次迭代对模型检测效果进行1次验证,当验证损失值在50次验证内不再下降时停止网络训练,得到复合绝缘子憎水性等级智能识别模型;
S4:利用训练好的憎水性等级智能识别模型对测试集的复合绝缘子喷水图像进行检测,输出憎水性识别结果,计算识别准确率。
2.根据权利要求1所述的一种基于轻量级卷积神经网络的复合绝缘子憎水性检测方法,其特征在于:S1中所述对图像进行预处理包括对图像进行去色、水平翻转、亮度和对比度调整。
3.根据权利要求1所述的一种基于轻量级卷积神经网络的复合绝缘子憎水性检测方法,其特征在于:S2中对网络层进行三段式划分并设置不同的学习率,特定结构单元前为第一段,连续的结构单元组合为第二段,最后的分类输出为第三段;各段的初始学习率分别设置为0.001、0.005、0.01。
4.根据权利要求1所述的一种基于轻量级卷积神经网络的复合绝缘子憎水性检测方法,其特征在于:S3中所述对模型进行优化,具体为先采用Adam算法更新网络参数,当准确率不再提升时保存模型,固定前70%网络层参数后采用SGDM算法进一步优化网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110405621.8A CN113255690B (zh) | 2021-04-15 | 2021-04-15 | 一种基于轻量级卷积神经网络的复合绝缘子憎水性检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110405621.8A CN113255690B (zh) | 2021-04-15 | 2021-04-15 | 一种基于轻量级卷积神经网络的复合绝缘子憎水性检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113255690A CN113255690A (zh) | 2021-08-13 |
CN113255690B true CN113255690B (zh) | 2022-04-12 |
Family
ID=77220794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110405621.8A Active CN113255690B (zh) | 2021-04-15 | 2021-04-15 | 一种基于轻量级卷积神经网络的复合绝缘子憎水性检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255690B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780371B (zh) * | 2021-08-24 | 2024-06-18 | 上海电力大学 | 基于边缘计算与深度学习的绝缘子状态边缘识别方法 |
CN113989206A (zh) * | 2021-10-20 | 2022-01-28 | 杭州深睿博联科技有限公司 | 一种基于轻量化模型的骨龄预测方法及装置 |
CN117132787B (zh) * | 2023-09-04 | 2024-05-31 | 北京闪电侠科技有限公司 | 基于图像识别的机车车顶绝缘子憎水性能评价方法及装置 |
CN117132911A (zh) * | 2023-09-07 | 2023-11-28 | 海南电网有限责任公司输电运检分公司 | 一种复合绝缘子憎水性分析方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205542210U (zh) * | 2016-04-18 | 2016-08-31 | 温州益坤电气有限公司 | 一种动车组用高寒抗风沙柱式复合绝缘子 |
CN110874825A (zh) * | 2019-10-29 | 2020-03-10 | 南昌大学 | 一种复合绝缘子表面水迹二值图像提取方法 |
CN111161236A (zh) * | 2019-12-27 | 2020-05-15 | 华南理工大学 | 复合绝缘子憎水性检测方法、装置、介质和设备 |
CN111368702A (zh) * | 2020-02-28 | 2020-07-03 | 西安工程大学 | 基于YOLOv3网络的复合绝缘子憎水性等级识别方法 |
CN111476766A (zh) * | 2020-03-31 | 2020-07-31 | 哈尔滨商业大学 | 基于深度学习的肺结节ct图像检测*** |
CN111855500A (zh) * | 2020-07-30 | 2020-10-30 | 华北电力大学(保定) | 一种基于深度学习的复合绝缘子老化程度智能检测方法 |
CN111868080A (zh) * | 2018-02-27 | 2020-10-30 | 磨石肿瘤生物技术公司 | 利用泛等位基因模型进行的新抗原鉴别 |
CN112098409A (zh) * | 2020-09-17 | 2020-12-18 | 国网河南省电力公司濮阳供电公司 | 一种输电线路复合绝缘子憎水性带电测试方法 |
CN112381787A (zh) * | 2020-11-12 | 2021-02-19 | 福州大学 | 一种基于迁移学习的钢板表面缺陷的分类方法 |
CN113711239A (zh) * | 2019-03-06 | 2021-11-26 | 磨石生物公司 | 利用ii类mhc模型鉴别新抗原 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170107413A1 (en) * | 2015-10-19 | 2017-04-20 | Liang Wang | Anti-icing composition driven by catalytic hydrogen generation under subzero temperatures |
US20210104294A1 (en) * | 2019-10-02 | 2021-04-08 | The General Hospital Corporation | Method for predicting hla-binding peptides using protein structural features |
-
2021
- 2021-04-15 CN CN202110405621.8A patent/CN113255690B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205542210U (zh) * | 2016-04-18 | 2016-08-31 | 温州益坤电气有限公司 | 一种动车组用高寒抗风沙柱式复合绝缘子 |
CN111868080A (zh) * | 2018-02-27 | 2020-10-30 | 磨石肿瘤生物技术公司 | 利用泛等位基因模型进行的新抗原鉴别 |
CN113711239A (zh) * | 2019-03-06 | 2021-11-26 | 磨石生物公司 | 利用ii类mhc模型鉴别新抗原 |
CN110874825A (zh) * | 2019-10-29 | 2020-03-10 | 南昌大学 | 一种复合绝缘子表面水迹二值图像提取方法 |
CN111161236A (zh) * | 2019-12-27 | 2020-05-15 | 华南理工大学 | 复合绝缘子憎水性检测方法、装置、介质和设备 |
CN111368702A (zh) * | 2020-02-28 | 2020-07-03 | 西安工程大学 | 基于YOLOv3网络的复合绝缘子憎水性等级识别方法 |
CN111476766A (zh) * | 2020-03-31 | 2020-07-31 | 哈尔滨商业大学 | 基于深度学习的肺结节ct图像检测*** |
CN111855500A (zh) * | 2020-07-30 | 2020-10-30 | 华北电力大学(保定) | 一种基于深度学习的复合绝缘子老化程度智能检测方法 |
CN112098409A (zh) * | 2020-09-17 | 2020-12-18 | 国网河南省电力公司濮阳供电公司 | 一种输电线路复合绝缘子憎水性带电测试方法 |
CN112381787A (zh) * | 2020-11-12 | 2021-02-19 | 福州大学 | 一种基于迁移学习的钢板表面缺陷的分类方法 |
Non-Patent Citations (5)
Title |
---|
A representation transfer learning approach for enhanced prediction of growth hormone binding proteins;AmishaYadav等;《Computational Biology and Chemistry》;20200830;第87卷;第1-10页 * |
Engineering Applications of Artificial Intelligence;Christos-Christodoulos A.Kokalis等;《Engineering Applications of Artificial Intelligence》;20200531;第91卷;第1-10页 * |
基于Faster R-CNN的复合绝缘子憎水性分析研究;张德钦等;《智慧电力》;20190420;第47卷(第4期);第104-117页 * |
基于深度卷积神经网络的绝缘子憎水性图像识别方法;潘龙等;《电工技术》;20190710(第13期);第30-33页 * |
基于深度迁移学习的复合绝缘子憎水性识别;邱志斌等;《高电压技术》;20210824;第1-10页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113255690A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113255690B (zh) | 一种基于轻量级卷积神经网络的复合绝缘子憎水性检测方法 | |
CN111444821B (zh) | 一种城市道路标志自动识别方法 | |
CN109308522B (zh) | 一种基于循环神经网络的gis故障预测方法 | |
CN109272500B (zh) | 基于自适应卷积神经网络的织物分类方法 | |
CN111709465B (zh) | 大坝安全监测数据粗差智能识别方法 | |
CN104992223A (zh) | 基于深度学习的密集人数估计方法 | |
CN112685504B (zh) | 一种面向生产过程的分布式迁移图学习方法 | |
CN116310785B (zh) | 基于YOLO v4的无人机影像路面病害检测方法 | |
CN111695640B (zh) | 地基云图识别模型训练方法及地基云图识别方法 | |
CN111741002B (zh) | 一种网络入侵检测模型的训练方法和装置 | |
CN112149887A (zh) | 一种基于数据时空特征的pm2.5浓度预测方法 | |
CN110599459A (zh) | 基于深度学习的地下管网风险评估云*** | |
CN117152119A (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN110211109B (zh) | 基于深度神经网络结构寻优的图像变化检测方法 | |
CN116542170A (zh) | 基于ssae和mlstm的排水管道淤积病害动态诊断方法 | |
CN114647760A (zh) | 一种基于神经网络自温故及知识传导机制的智能视频图像检索方法 | |
CN112132088B (zh) | 一种巡检点位漏巡识别方法 | |
CN112579777A (zh) | 一种未标注文本的半监督分类方法 | |
CN110349119B (zh) | 基于边缘检测神经网络的路面病害检测方法和装置 | |
CN116630683A (zh) | 一种基于扩散的自适应特征提取的道路损伤检测方法 | |
CN116431988A (zh) | 基于活动模式-马尔科夫链的居民出行活动时间序列生成方法 | |
CN116524209A (zh) | 一种线结构光线条提取方法、装置、存储介质及电子设备 | |
CN107977727B (zh) | 一种基于社会发展和气候因素预测光缆网阻断概率的方法 | |
CN113344915B (zh) | 一种输电线路关键部件缺陷检测方法及*** | |
CN115689921A (zh) | 提取路网拓扑修正方法 |
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 |