CN113536989B - 基于摄像视频逐帧分析的制冷机结霜监控方法及*** - Google Patents

基于摄像视频逐帧分析的制冷机结霜监控方法及*** Download PDF

Info

Publication number
CN113536989B
CN113536989B CN202110727931.1A CN202110727931A CN113536989B CN 113536989 B CN113536989 B CN 113536989B CN 202110727931 A CN202110727931 A CN 202110727931A CN 113536989 B CN113536989 B CN 113536989B
Authority
CN
China
Prior art keywords
image
model
refrigerator
condenser
convolution
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
Application number
CN202110727931.1A
Other languages
English (en)
Other versions
CN113536989A (zh
Inventor
陈靖宇
张园园
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.)
Guangzhou Botong Information Technology Co ltd
Original Assignee
Guangzhou Botong Information Technology 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 Guangzhou Botong Information Technology Co ltd filed Critical Guangzhou Botong Information Technology Co ltd
Priority to CN202110727931.1A priority Critical patent/CN113536989B/zh
Publication of CN113536989A publication Critical patent/CN113536989A/zh
Application granted granted Critical
Publication of CN113536989B publication Critical patent/CN113536989B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N3/044—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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Cold Air Circulating Systems And Constructional Details In Refrigerators (AREA)

Abstract

本发明提出了一种基于摄像视频逐帧分析的制冷机结霜监控方法及***，所述方法包括以下步骤：步骤1，获取制冷机中冷凝器所在区域的视频数据；步骤2，从视频数据中分离出冷凝器区域图像；步骤3，确定所分离出的冷凝器区域图像是否需要预处理，是则进行预处理之后进入步骤4，否则进入步骤6；步骤4，判断所分离出的冷凝器区域图像是否需要图像质量增强，是则进行超分辨率图像增强后进入步骤5，否则进入步骤6；步骤5，构建卷积神经网络模型并利用构建好的卷积神经网络模型实时对制冷机的结霜情况进行预测；步骤6，构建ConvLSTM模型并利用构建好的ConvLSTM模型实时对制冷机的结霜情况进行预测。本发明能够对制冷机的结霜情况进行准确诊断。

Description

基于摄像视频逐帧分析的制冷机结霜监控方法及***
技术领域
本发明涉及制冷设备结霜诊断技术领域，具体涉及一种基于摄像视频逐帧分析的制冷机结霜监控方法及***。
背景技术
随着社会发展和居民生活水平的提高，食品品质保证和食品安全问题越来越受到社会的重视，食品保质、贮藏和流通也一直是农业和食品工业领域最重要的研究内容之一。2019年我国冷冻冷藏水产和肉制品进口量上涨至1000万吨，果蔬、肉制品、水产品、乳制品总产量预计将突破13亿吨，冷链市场需求巨大，但同时综合冷链流通率仅为17％(2.2563亿吨)，腐损率高(果蔬、肉类和水产品分别达到20％～30％、12％、15％)，导致的直接经济损失超过6800亿元(约占全国GDP的1％)，造成了社会资源的极大浪费。冷链物流能够为易腐食品贮藏和流通提供适宜的温度环境，是降低腐损率、保持食品品质和安全的关键。
冷库是食品冷冻加工、储存与流通的重要基础设施，是全程冷链的关键节点，在冷链商品贮藏和保质方面具有无可替代的作用，在国民经济中占有重要地位，总量非常巨大。2018年全国冷库总量达到5238万吨(折合约1.3亿立方米)，物流总额超4万亿元，冷库建设和技术研发是食品工业和物流管理领域重要的研究内容。然而，随着以冷库为代表的冷链物流的快速发展，其能耗也快速增加，以食品工业为例，仅生产、流通和储存各环节在内的制冷***能耗就占食品工业总能耗的35.0％，在全球范围内能耗总量达到1300TWh/年，冷链物流的能耗是一项严峻的挑战。且由于需要对物流过程中的环境进行控制，冷链物流的成本较普通物流高出40.0％以上，其高成本和低效率问题显得尤为突出。在冷链物流的各个环节中，制冷***的工作效率是增加制冷效果、降低能耗的关键因素，由于低温环境下制冷机出风口极易结霜，严重制约制冷效率，不仅会影响物流***的产品制冷，并且大大增加了能耗成本。
因此，设计智能制冷机工作状态诊断方法，对提高制冷效率和降低能耗成本具有重要意义。然而，传统的传感器监控方式仅能反应环境的温度和湿度，无法对制冷机的结霜情况进行准确诊断。
发明内容
针对现有技术的不足，本发明提出一种基于摄像视频逐帧分析的制冷机结霜监控方法，能够对制冷机的结霜情况进行准确诊断。
为了实现上述目的，本发明提出了一种基于摄像视频逐帧分析的制冷机结霜监控方法，包括以下步骤：
步骤1，获取制冷机中冷凝器所在区域的视频数据；
步骤2，根据所述视频数据，从视频数据中分离出冷凝器区域图像；
步骤3，确定所分离出的冷凝器区域图像是否需要预处理，是则进行预处理之后进入步骤4，否则进入步骤6；
步骤4，判断所分离出的冷凝器区域图像是否需要图像质量增强，是则对所分离出的冷凝器区域图像进行超分辨率图像增强后进入步骤5，否则进入步骤6；
步骤5，根据处理过的冷凝器区域图像数据构建卷积神经网络模型，然后利用构建好的卷积神经网络模型实时对制冷机的结霜情况进行预测；
步骤6，根据所分离出的冷凝器区域图像构建ConvLSTM模型，然后利用构建好的ConvLSTM模型实时对制冷机的结霜情况进行预测。
进一步的，步骤2中，从视频数据中分离出冷凝器区域图像的步骤包括：
步骤201，构建分割卷积神经网络模型运行环境；
步骤202，对所输入图像进行卷积计算实现图像的下采样后，再进行多尺度特征融合计算，然后将计算得出的抽象特征输入至下一个卷积层；
步骤203，对所述下一个卷积层的输入进行转置卷积计算实现抽象特征的上采样，将抽象特征的尺寸还原为原始图像大小，并保留抽象特征的数据区域，从而分割出冷凝器区域图像。
进一步的，步骤3中，确定所分离出的冷凝器区域图像是否需要预处理的步骤包括：
步骤301，计算图像中存在的噪声点，所述噪声点包括但不限于高斯噪声及脉冲噪声所形成的噪声点；
步骤302，根据噪声点统计噪声图像面积，并判断噪声图像面积是否在预设阈值范围内；是则需要进行预处理，否则不需要进行预处理。
进一步的，步骤4中，判断所分离出的冷凝器区域图像是否需要图像增强的步骤包括：统计所分离出的冷凝器区域图像的平均像素值，并判断所述平均像素值是否在预设像素平均值范围内，是则需要进行图像增强，否则不需要进行图像增强。
进一步的，步骤4中，对所分离出的冷凝器区域图像进行超分辨率图像增强的步骤包括：
步骤401，构建分割卷积神经网络模型运行环境；
步骤402，通过在深度学习模型中设置卷积层提取目标图像特征，构建目标特征集；
步骤403，通过感知损失函数计算目标特征集与生成特征集在高维特征空间中的距离，使用反向传播算法计算最佳优化梯度，对目标图像特征进行优化；
步骤404，对经过优化的特征进行上采样计算，输出经过分辨率增强的图像。
进一步的，步骤5中，根据处理过的冷凝器区域图像数据构建卷积神经网络模型的步骤包括：
步骤501，构建序贯结构的卷积神经网络模型，所述卷积神经网络模型包括2组卷积模块，每个卷积模块包括2个卷积层和1个池化采样层；
步骤502，进行模型初始化方法、激活函数和优化器的最优项选择；
步骤503，计算确定最佳卷积核数。
进一步的，步骤6中，根据所分离出的冷凝器区域图像构建ConvLSTM模型的步骤包括：
步骤601，构建序贯结构的ConvLSTM模型，在模型中设置ConvLSTM功能层；
步骤602，使用TimeDistributed包装器计算每一个时序下图像的卷积操作；
步骤603，使用Bidirectional双向封装器计算图像在时序方向上的逻辑关系，提取图像数据的时序特征；
步骤604，进行模型初始化方法、激活函数和优化器的最优项选择；
步骤605，计算确定其他模型参数。
另一方面，本发明还提出了一种基于摄像视频逐帧分析的制冷机结霜监控***，包括
视频数据获取模块，用于获取制冷机中冷凝器所在区域的视频数据；
图像分割模块，用于根据所述视频数据，从视频数据中分离出冷凝器区域图像；
图像预处理模块，用于确定所分离出的冷凝器区域图像是否需要预处理，是则进行预处理；
图像质量增强模块，用于判断所分离出的冷凝器区域图像是否需要图像质量增强，是则对所分离出的冷凝器区域图像进行超分辨率图像增强；
第一预测模块，用于对经过图像质量增强模块进行超分辨率图像增强的冷凝器区域图像数据构建卷积神经网络模型，然后利用构建好的卷积神经网络模型实时对制冷机的结霜情况进行预测；
第二预测模块，用于对不需要进行预处理和/或图像质量增强模块的冷凝器区域图像构建ConvLSTM模型，然后利用构建好的ConvLSTM模型实时对制冷机的结霜情况进行预测。
进一步的，第一预测模块包括
卷积神经网络模型构建单元，用于构建序贯结构的卷积神经网络模块，其中卷积神经网络模型包括2组卷积模块，每个卷积模块包括2个卷积层和1个池化采样层；
第一最优项选择单元，用于进行模型初始化方法、激活函数和优化器的最优项选择；
卷积核数计算单元，用于计算确定最佳卷积核数。
进一步的，第二预测模块包括
ConvLSTM模型构建单元，用于构建序贯结构的ConvLSTM模型，并在模型中设置ConvLSTM功能层；
卷积操作计算单元，用于通过TimeDistributed包装器计算每一个时序下图像的卷积操作；
时序特征确定单元，用于使用Bidirectional双向封装器计算图像在时序方向上的逻辑关系，提取图像数据的时序特征；
第二最优项选择单元，用于进行模型初始化方法、激活函数和优化器的最优项选择；
模型参数计算单元，用于计算确定其他模型参数。
与现有技术相比，本发明具有以下优点：本发明通过采用摄像头视频监控的方式，采集出风口冷凝器区域的图像，通过视频图像逐帧的分析方法，对图像质量进行结霜区域分割及图像超分辨率增强，实现精准的制冷机***出风口冷凝器结霜情况判断方法。具体的，当图像中存在环境干扰时，通过构建卷积神经网络模型对制冷机的结霜情况进行预测；而图像不存在干扰时，则通过构建ConvLSTM模型对制冷机的结霜情况进行预测，克服了监控设备易受冷库环境影响、画质清晰度不够、视频信息提取困难等不足，以低廉的成本实现制冷机工作状态实时精准监控的目的。
另外，基于深度学习的卷积神经网络群模型可以有效的处理视频时序数据，通过小范围时间内的视频图像内容变化分析，结合实时分析信息，可以实现精准实时的结霜诊断分析，为出风口冷凝器除霜和人工干预提供及时、准确的智能预警功能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于摄像视频逐帧分析的制冷机结霜监控方法的流程图；
图2为本发明基于摄像视频逐帧分析的制冷机结霜监控***的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，本发明实施方式公开了一种基于摄像视频逐帧分析的制冷机结霜监控方法，包括以下步骤：
步骤1，获取制冷机中冷凝器所在区域的视频数据；
步骤2，根据所述视频数据，从视频数据中分离出冷凝器区域图像；
步骤3，确定所分离出的冷凝器区域图像是否需要预处理，是，则进行预处理之后进入步骤4，否则进入步骤6；
步骤4，判断所分离出的冷凝器区域图像是否需要图像质量增强，是则对所分离出的冷凝器区域图像进行超分辨率图像增强后进入步骤5，否则进入步骤6；
步骤5，根据处理过的冷凝器区域图像数据构建卷积神经网络模型，然后利用构建好的卷积神经网络模型实时对制冷机的结霜情况进行预测；
步骤6，根据所分离出的冷凝器区域图像构建ConvLSTM模型，然后利用构建好的ConvLSTM模型实时对制冷机的结霜情况进行预测。
相应的，参见图2，本发明实施方式还公开了一种基于摄像视频逐帧分析的制冷机结霜监控***，包括
视频数据获取模块，用于获取制冷机中冷凝器所在区域的视频数据；
图像分割模块，用于根据所述视频数据，从视频数据中分离出冷凝器区域图像；
图像预处理模块，用于确定所分离出的冷凝器区域图像是否需要预处理，是则进行预处理；
图像质量增强模块，用于判断所分离出的冷凝器区域图像是否需要图像质量增强，是则对所分离出的冷凝器区域图像进行超分辨率图像增强；
第一预测模块，用于对经过图像质量增强模块进行超分辨率图像增强的冷凝器区域图像数据构建卷积神经网络模型，然后利用构建好的卷积神经网络模型实时对制冷机的结霜情况进行预测；
第二预测模块，用于对不需要进行预处理和/或图像质量增强模块的冷凝器区域图像构建ConvLSTM模型，然后利用构建好的ConvLSTM模型实时对制冷机的结霜情况进行预测。
在该实施方式中，基于摄像视频逐帧分析的制冷机结霜监控方法以基于摄像视频逐帧分析的制冷机结霜监控***作为步骤的执行对象，或者以基于摄像视频逐帧分析的制冷机结霜监控***内的组成部分作为步骤的执行对象。具体地，步骤1以视频数据获取模块作为步骤的执行对象，步骤2以图像分割模块作为步骤的执行对象，步骤3以图像预处理模块作为步骤的执行对象，步骤4以图像质量增强模块作为步骤的执行对象，步骤5以第一预测模块作为步骤的执行对象，步骤6以第二预测模块作为步骤的执行对象。
由于冷凝器(或蒸发器)结霜会堵塞风道，显著影响制冷机的工作效率，因此本发明使用摄像头监控冷凝器区域的结霜情况，从而对制冷机的工作效率进行诊断。然而，使用摄像头得到图像在冷库的低温环境下容易受到环境因素的干扰，出现分辨率低、成像效果差以及无法智能识别等问题；本发明针对这一情况，基于摄像头所采集到的视频数据进行分析，判断摄像头实时采集到的图像是否存在环境干扰，若存在环境干扰则对所分离出的冷凝器区域图像进行超分辨率图像增强后，利用冷凝器区域图像数据构建卷积神经网络模型，然后利用构建好的卷积神经网络模型实时对制冷机的结霜情况进行预测；若摄像头实时采集到的图像不存在环境干扰，则根据所分离出的冷凝器区域图像构建ConvLSTM模型，然后利用构建好的ConvLSTM模型实时对制冷机的结霜情况进行预测；本发明中，针对是否存在环境干扰而采用不同的深度学习模型对制冷机的结霜情况进行预测，从而能够对制冷机的结霜情况进行准确诊断。
步骤1中，获取摄像头所采集到的制冷机中冷凝器所在区域的视频数据。
步骤2中，对摄像头所采集到的视频帧进行分割，以分离出冷凝器区域图像，避免图像中其他无关因素对于后面的分析产生干扰。
具体的，步骤2中，从视频数据中分离出冷凝器区域图像的步骤包括：
步骤201，构建分割卷积神经网络模型运行环境；
步骤202，对所输入图像进行卷积计算实现图像的下采样后，通过特征逐点相加和特征通道维度拼接进行多尺度特征融合计算，然后将计算出的抽象特征输入至下一个卷积层；
步骤203，对该下一个卷积层输入进行转置卷积计算实现抽象特征的上采样，将抽象特征的尺寸还原为原始图像大小，并保留抽象特征的数据区域，从而分割出冷凝器区域图像。
本发明实施例中，通过构建一个分割卷积神经网络模型，以对图像进行下采样和上采样，并通过特征逐点相加和特征通道维度拼接将采集到的多尺度特征融合，对每一个像素点进行判断类别，实现像素级别的图像分割结果。
由于要使得网络可以接受任意大小的图片，并输出和原图一样大小的或更大尺寸的分割图，因此在网络结构中设置转置卷积层，将特征图映射回原图大小或者更大的尺寸，从小的特征图卷出大的特征图。
常规的卷积神经网络在处理图像分割时使用化整近似来寻找图像区域在网络结构中对应的模型参数，会导致对应关系与实际情况有偏移。这个偏移在图像分类任务中通常可以忽略，但在精细度更高的图像分割任务中可能会产生较大影响。因此，本实施例使用区域特征聚集方式，通过步骤202将输入图像中任意一块区域对应到神经网络特征图中的对应区域进行卷积计算实现图像的下采样，以使区域特征聚集，从而解决常规卷积神经网络中两次量化造成的区域不匹配问题。
步骤3中，在获取到分割出的冷凝器区域图像后，需要确定分离出的冷凝器区域图像是否需要预处理，即是否存在噪声，若不存在则可通过构建ConvLSTM模型进行预测结霜情况；而若存在噪声，则需要进行再一步判断。
具体的，步骤3中，确定所分离出的冷凝器区域图像是否需要预处理的步骤包括：
步骤301，计算图像中存在的噪声点，所述噪声点包括但不限于高斯噪声及脉冲噪声所形成的噪声点；
步骤302，根据噪声点统计噪声图像面积，并判断噪声图像面积是否在预设阈值范围内；是则需要进行预处理，否则不需要进行预处理。
本发明实施例中，获取到分割出的冷凝器区域图像后，计算该图像中存在的噪声点，并统计噪声图像面积，当噪声图像面积大于预设阈值范围时，表示所采集到的图像有可能存在环境干扰，需要进一步的判断；而若噪声图像面积在预设阈值内，则证明所采集到的图像并不存在环境干扰，因此可直接通过构建ConvLSTM模型进行预测结霜情况。
步骤4中，对所分割出的冷凝器区域图像去除噪声后，还需要进一步判断该图像是否存在环境干扰，具体通过判断所分离出的冷凝器区域图像是否需要图像增强来确定是否存在环境干扰。
具体的，步骤4中，判断所分离出的冷凝器区域图像是否需要图像增强的步骤包括：统计所分离出的冷凝器区域图像的平均像素值，并判断所述平均像素值是否在预设像素平均值范围内，是则需要进行图像增强，否则不需要进行图像增强。
本发明实施例中，预设像素平均值范围的确定，是通过计算存在环境干扰的多个图像的像素平均值进行确定；若所分离出的冷凝器区域图像的平均像素值在该预设像素平均值范围内，则证明该图像也存在环境干扰的情况，因此需要对该图像进行超分辨率图像增强后，再构建卷积神经网络模型进行预测结霜情况。
具体的，步骤4中，对所分离出的冷凝器区域图像进行超分辨率图像增强的步骤包括：
步骤401，构建分割卷积神经网络模型运行环境；
步骤402，通过在深度学习模型中设置卷积层提取目标图像特征，构建目标特征集；
步骤403，通过感知损失函数计算目标特征集与生成特征集在高维特征空间中的距离，使用反向传播算法计算最佳优化梯度，对目标图像特征进行优化；
步骤404，对经过优化的特征进行上采样计算，输出经过分辨率增强的图像。
由于常规的卷积神经网络通常使用均方差作为训练网络时的损失函数，虽然能保证较高的峰值信噪比，但是生成的图像通常会丢失高频细节，无法应用于识别冷凝器(或蒸发器)的结霜程度。本发明实施例中，为了提升恢复出的图片的特征细节，采用感知损失计算当前模型权重跟目标期望之间的差距，通过不断修正模型系数达到训练的效果；具体的，利用卷积层提取到的冷凝器(或蒸发器)区域图像特征，通过比较生成图片经过卷积神经网络后的特征和目标图片经过卷积神经网络后的特征的差别，使生成图片和目标图片在语义和风格上更相似。
步骤402中，在深度学习模型中需要设置卷积层，考虑到蒸发器(或冷凝器)区域的像素规模，在卷积模块中设置多个卷积层，卷积核的尺寸分别设置为3×3，5×5和7×7。
步骤5中，若所采集的图像存在环境干扰，则利用环境存在干扰的冷凝器区域图像经超分辨率增强后，构建卷积神经网络模型对制冷机的结霜情况进行预测。
具体的，步骤5中，根据处理过的冷凝器区域图像数据构建卷积神经网络模型的步骤包括：
步骤501，构建序贯结构的卷积神经网络模型，所述卷积神经网络模型包括2组卷积模块，每个卷积模块包括2个卷积层和1个池化采样层；
步骤502，进行模型初始化方法、激活函数和优化器的最优项选择；
步骤503，计算确定最佳卷积核数。
对应的，基于摄像视频逐帧分析的制冷机结霜监控***中，第一预测模块包括
卷积神经网络模型构建单元，用于构建序贯结构的卷积神经网络模块，其中卷积神经网络模型包括2组卷积模块，每个卷积模块包括2个卷积层和1个池化采样层；
第一最优项选择单元，用于进行模型初始化方法、激活函数和优化器的最优项选择；
卷积核数计算单元，用于计算确定最佳卷积核数。
该实施例中，步骤5以第一预测模块作为步骤的执行对象，或者以第一预测模块的组成部分作为步骤的执行对象。具体地，步骤501以卷积神经网络模型构建单元作为步骤的执行对象，步骤502以第一最优项选择单元作为步骤的执行对象，步骤503以卷积核数计算单元作为步骤的执行对象。
本发明实施例中，考虑到本实施例中CNN模型中有很多工作都是基于2/4的分组结构，2/4的性能在大尺寸图像分析中的性能优越稳定，因此在序贯结构的卷积神经网络模型时，卷积神经网络模型包括2组卷积模块，每个卷积模块包括2个卷积层和1个池化采样层，以提高预测模型的稳定性。
构建卷积神经网络模型，确定模型的初始化方法、激活函数以及优化器，然后利用所确定的初始化方法、激活函数以及优化器计算最佳卷积核数，从而最终确定卷积神经网络模型。
具体的，初始化方法包括均匀分布初始化、均匀分布初始化、全0初始化、全1初始化、固定值初始化方法、正态分布初始化、随机均匀分布初始化、截尾高斯分布初始化、随机正交矩阵初始化和单位矩阵初始化等，通过对2000张训练图像数据，模型采用各优化器迭代训练2000轮，以研究不同初始化方法对模型性能的影响；通过综合考虑测试集的损失函数和准确率，来确定最优的初始化方法。
而对于激活函数的选择，本发明实施例对比了深度学习模型中常使用的softmax、relu、sigmoid和LeakyReLu函数作为激活函数，来评估最佳的激活函数性能。通过比较当激活函数未激活时是否有非0的输出来确定最佳的激活函数。
对于优化器的选择，本发明实施例分别对RMSprop算法、Adam算法、随机梯度下降算法、Adagrad算法、Adadelta算法、Adamax算法和Nadam算法等七个算法进行优化器性能分析。
步骤6中，若所采集到的图像不存在环境干扰，则构建ConvLSTM模型对制冷机的结霜情况进行预测。
具体的，步骤6中，根据所分离出的冷凝器区域图像构建ConvLSTM模型的步骤包括：
步骤601，构建序贯结构的ConvLSTM模型，在模型中设置ConvLSTM功能层；
步骤602，使用TimeDistributed包装器计算每一个时序下图像的卷积操作；
步骤603，使用Bidirectional双向封装器计算图像在时序方向上的逻辑关系，提取图像数据的时序特征；
步骤604，进行模型初始化方法、激活函数和优化器的最优项选择；
步骤605，计算确定其他模型参数。
对应的，基于摄像视频逐帧分析的制冷机结霜监控***中，第二预测模块包括
ConvLSTM模型构建单元，用于构建序贯结构的ConvLSTM模型，并在模型中设置ConvLSTM功能层；
卷积操作计算单元，用于通过TimeDistributed包装器计算每一个时序下图像的卷积操作；
时序特征确定单元，用于使用Bidirectional双向封装器计算图像在时序方向上的逻辑关系，提取图像数据的时序特征；
第二最优项选择单元，用于进行模型初始化方法、激活函数和优化器的最优项选择；
模型参数计算单元，用于计算确定其他模型参数。
本实施例中，步骤6以第二预测模块作为步骤的执行对象，或者以第二预测模块的组成部分作为步骤的执行对象。具体地，步骤601以ConvLSTM模型构建单元作为步骤的执行对象，步骤602以卷积操作计算单元作为步骤的执行对象，步骤603以时序特征确定单元作为步骤的执行对象，步骤604以第二最优项选择单元作为步骤的执行对象，步骤605以模型参数计算单元作为步骤的执行对象。
本发明实施例中，为了增加模型对时间维度的学习效果，通过向自下而上的前馈连接添加自上而下的反馈和横向连接，提供了鲁棒性强的视觉时间表征；使用LSTM层进行时序图像内容关联的分析(时间特性)，使用卷积层进行图像内容特征的提取(空间特性)，使用keras深度学习框架将LSTM层和CNN层结合起来组成ConvLSTM层，可实现时空特性的同时利用。ConvLSTM核心本质同LSTM一样，将上一层的输出作下一层的输入，但它的输入变换和循环变换是通过卷积实现的。与CNN不同之处在于LSTM加上卷积操作之后，不仅能够得到时序关系，还能够像卷积层一样提取特征，提取空间特征，并且将状态与状态之间的切换也换成了卷积计算。在ConvLSTM模型中，还需要将一个图层应用于输入的每个时间片，将时间维度的每一个时序单独做卷积操作提取特征，由keras提供的TimeDistributed包装器实现；将单向LSTM扩展，前向传播的时候增加学习参数，利用到后面序列(未来)的信息提取特征，使用Bidirectional双向封装器实现。
本发明实施例中，对于所采集到的监控视频，一方面，相邻两帧图像中的像素的亮度和色度值之间是比较接近的，由于结霜在视频中是一个长达数十秒甚至数百秒的图像渐变过程，不会出现短时间突变为画面内容相差较大的情况，因此在结霜出现的早期可以通过帧记忆预测方法，即卷积神经网络模型进行结霜早期的预警；另一方面，当环境突发干扰时，通过图像超分辨率处理，可以初步排除环境干扰因素的影响，而对于无法排除的干扰，则同样需要帧记忆预测技术，即ConvLSTM模型进行干扰情况下的结霜情况诊断。由于深度学***滑转换；因此，使用来自大量静态图像的数据和标签进行监督训练的前馈性深度神经网络不适用于制冷机组中冷凝器区域的结霜诊断。
综上所述，本发明通过采用摄像头视频监控的方式，采集出风口冷凝器区域的图像，通过视频图像逐帧的分析方法，对图像质量进行结霜区域分割及图像超分辨率增强，实现精准的制冷机***出风口冷凝器结霜情况判断方法。具体的，当图像中存在环境干扰时，通过构建卷积神经网络模型对制冷机的结霜情况进行预测；而图像不存在干扰时，则通过构建ConvLSTM模型对制冷机的结霜情况进行预测，克服了监控设备易受冷库环境影响、画质清晰度不够、视频信息提取困难等不足，以低廉的成本实现制冷机工作状态实时精准监控的目的。
另外，基于深度学习的卷积神经网络群模型可以有效的处理视频时序数据，通过小范围时间内的视频图像内容变化分析，结合实时分析信息，可以实现精准实时的结霜诊断分析，为出风口冷凝器除霜和人工干预提供及时、准确的智能预警功能。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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 (9)

1.一种基于摄像视频逐帧分析的制冷机结霜监控方法，其特征在于，包括以下步骤：
步骤1，获取制冷机中冷凝器所在区域的视频数据；
步骤2，根据所述视频数据，从视频数据中分离出冷凝器区域图像；
步骤3，确定所分离出的冷凝器区域图像是否需要预处理，是则进行预处理之后进入步骤4，否则进入步骤6；
步骤4，判断所分离出的冷凝器区域图像是否需要图像质量增强，是则对所分离出的冷凝器区域图像进行超分辨率图像增强后进入步骤5，否则进入步骤6；
步骤5，根据处理过的冷凝器区域图像数据构建卷积神经网络模型，然后利用构建好的卷积神经网络模型实时对制冷机的结霜情况进行预测；
步骤6，根据所分离出的冷凝器区域图像构建ConvLSTM模型，然后利用构建好的ConvLSTM模型实时对制冷机的结霜情况进行预测；
其中步骤3中，确定所分离出的冷凝器区域图像是否需要预处理的步骤包括：
步骤301，计算图像中存在的噪声点，所述噪声点包括但不限于高斯噪声及脉冲噪声所形成的噪声点；
步骤302，根据噪声点统计噪声图像面积，并判断噪声图像面积是否在预设阈值范围内；是则需要进行预处理，否则不需要进行预处理。
2.根据权利要求1所述基于摄像视频逐帧分析的制冷机结霜监控方法，其特征在于，步骤2中，从视频数据中分离出冷凝器区域图像的步骤包括：
步骤201，构建分割卷积神经网络模型运行环境；
步骤202，对所输入图像进行卷积计算实现图像的下采样后，再进行多尺度特征融合计算，然后将计算得出的抽象特征输入至下一个卷积层；
步骤203，对所述下一个卷积层的输入进行转置卷积计算实现抽象特征的上采样，将抽象特征的尺寸还原为原始图像大小，并保留抽象特征的数据区域，从而分割出冷凝器区域图像。
3.根据权利要求1所述基于摄像视频逐帧分析的制冷机结霜监控方法，其特征在于，步骤4中，判断所分离出的冷凝器区域图像是否需要图像增强的步骤包括：统计所分离出的冷凝器区域图像的平均像素值，并判断所述平均像素值是否在预设像素平均值范围内，是则需要进行图像增强，否则不需要进行图像增强。
4.根据权利要求1所述基于摄像视频逐帧分析的制冷机结霜监控方法，其特征在于，步骤4中，对所分离出的冷凝器区域图像进行超分辨率图像增强的步骤包括：
步骤401，构建分割卷积神经网络模型运行环境；
步骤402，通过在深度学习模型中设置卷积层提取目标图像特征，构建目标特征集；
步骤403，通过感知损失函数计算目标特征集与生成特征集在高维特征空间中的距离，使用反向传播算法计算最佳优化梯度，对目标图像特征进行优化；
步骤404，对经过优化的特征进行上采样计算，输出经过分辨率增强的图像。
5.根据权利要求1所述基于摄像视频逐帧分析的制冷机结霜监控方法，其特征在于，步骤5中，根据处理过的冷凝器区域图像数据构建卷积神经网络模型的步骤包括：
步骤501，构建序贯结构的卷积神经网络模型，所述卷积神经网络模型包括2组卷积模块，每个卷积模块包括2个卷积层和1个池化采样层；
步骤502，进行模型初始化方法、激活函数和优化器的最优项选择；
步骤503，计算确定最佳卷积核数。
6.根据权利要求1所述基于摄像视频逐帧分析的制冷机结霜监控方法，其特征在于，步骤6中，根据所分离出的冷凝器区域图像构建ConvLSTM模型的步骤包括：
步骤601，构建序贯结构的ConvLSTM模型，在模型中设置ConvLSTM功能层；
步骤602，使用TimeDistributed包装器计算每一个时序下图像的卷积操作；
步骤603，使用Bidirectional双向封装器计算图像在时序方向上的逻辑关系，提取图像数据的时序特征；
步骤604，进行模型初始化方法、激活函数和优化器的最优项选择；
步骤605，计算确定其他模型参数。
7.一种基于摄像视频逐帧分析的制冷机结霜监控***，其特征在于，包括
视频数据获取模块，用于获取制冷机中冷凝器所在区域的视频数据；
图像分割模块，用于根据所述视频数据，从视频数据中分离出冷凝器区域图像；
图像预处理模块，用于计算图像中存在的噪声点，所述噪声点包括但不限于高斯噪声及脉冲噪声所形成的噪声点，并根据噪声点统计噪声图像面积，并判断噪声图像面积是否在预设阈值范围内；是则需要进行预处理，否则不需要进行预处理；
图像质量增强模块，用于判断所分离出的冷凝器区域图像是否需要图像质量增强，是则对所分离出的冷凝器区域图像进行超分辨率图像增强；
第一预测模块，用于对经过图像质量增强模块进行超分辨率图像增强的冷凝器区域图像数据构建卷积神经网络模型，然后利用构建好的卷积神经网络模型实时对制冷机的结霜情况进行预测；
第二预测模块，用于对不需要进行预处理和/或图像质量增强模块的冷凝器区域图像构建ConvLSTM模型，然后利用构建好的ConvLSTM模型实时对制冷机的结霜情况进行预测。
8.根据权利要求7所述基于摄像视频逐帧分析的制冷机结霜监控***，其特征在于，第一预测模块包括
卷积神经网络模型构建单元，用于构建序贯结构的卷积神经网络模块，其中卷积神经网络模型包括2组卷积模块，每个卷积模块包括2个卷积层和1个池化采样层；
第一最优项选择单元，用于进行模型初始化方法、激活函数和优化器的最优项选择；
卷积核数计算单元，用于计算确定最佳卷积核数。
9.根据权利要求7所述基于摄像视频逐帧分析的制冷机结霜监控***，其特征在于，第二预测模块包括
ConvLSTM模型构建单元，用于构建序贯结构的ConvLSTM模型，并在模型中设置ConvLSTM功能层；
卷积操作计算单元，用于通过TimeDistributed包装器计算每一个时序下图像的卷积操作；
时序特征确定单元，用于使用Bidirectional双向封装器计算图像在时序方向上的逻辑关系，提取图像数据的时序特征；
第二最优项选择单元，用于进行模型初始化方法、激活函数和优化器的最优项选择；
模型参数计算单元，用于计算确定其他模型参数。
CN202110727931.1A 2021-06-29 2021-06-29 基于摄像视频逐帧分析的制冷机结霜监控方法及*** Active CN113536989B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110727931.1A CN113536989B (zh) 2021-06-29 2021-06-29 基于摄像视频逐帧分析的制冷机结霜监控方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110727931.1A CN113536989B (zh) 2021-06-29 2021-06-29 基于摄像视频逐帧分析的制冷机结霜监控方法及***

Publications (2)

Publication Number Publication Date
CN113536989A CN113536989A (zh) 2021-10-22
CN113536989B true CN113536989B (zh) 2024-06-18

Family

ID=78097155

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110727931.1A Active CN113536989B (zh) 2021-06-29 2021-06-29 基于摄像视频逐帧分析的制冷机结霜监控方法及***

Country Status (1)

Country Link
CN (1) CN113536989B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116989510A (zh) * 2023-09-28 2023-11-03 广州冰泉制冷设备有限责任公司 一种结霜检测与热气融霜相结合的智能化制冷方法

Family Cites Families (49)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101860677A (zh) * 2010-06-04 2010-10-13 西安天和防务技术股份有限公司 基于制冷型ccd器件的透雾和夜视***
CN105654522B (zh) * 2015-12-30 2018-09-04 青岛海尔股份有限公司 蒸发器的结霜检测方法以及结霜检测***
US11545013B2 (en) * 2016-10-26 2023-01-03 A9.Com, Inc. Customizable intrusion zones for audio/video recording and communication devices
KR102302725B1 (ko) * 2017-03-17 2021-09-14 매직 립, 인코포레이티드 룸 레이아웃 추정 방법들 및 기술들
CN107091548A (zh) * 2017-05-23 2017-08-25 天津大学 一种空气源热泵除霜控制***及方法
WO2019017855A1 (en) * 2017-07-21 2019-01-24 Vispera Bi̇lgi̇ Teknoloji̇leri̇ Sanayi̇ İç Ve Diş Ti̇caret A.Ş. ELECTRONIC PRODUCT DETECTION AND ARRANGEMENT OF PRODUCTS IN DISPLAY STRUCTURE, ELECTRONIC DETECTION OF OBJECTS AND ARRANGEMENT OF OBJECTS ON AND AROUND THE DISPLAY STRUCTURE, ELECTRONIC DETECTION OF STATES OF THE DISPLAY STRUCTURE AND AROUND THOSE -CI, AND ELECTRONIC NOTATION OF DETECTED PRODUCT AND OBJECT ARRANGEMENTS AND DETECTED STATES
US11257259B2 (en) * 2017-08-15 2022-02-22 Siemens Healthcare Gmbh Topogram prediction from surface data in medical imaging
CN107860099B (zh) * 2017-09-15 2018-11-30 珠海格力电器股份有限公司 一种空调的结霜检测方法、装置、存储介质及设备
CN108009493B (zh) * 2017-11-30 2021-07-06 电子科技大学 基于动作增强的人脸防欺骗识别方法
CN108038846A (zh) * 2017-12-04 2018-05-15 国网山东省电力公司电力科学研究院 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及***
US11534136B2 (en) * 2018-02-26 2022-12-27 Siemens Medical Solutions Usa, Inc. Three-dimensional segmentation from two-dimensional intracardiac echocardiography imaging
DE112019000048T5 (de) * 2018-03-15 2020-01-16 Nvidia Corporation Bestimmung eines befahrbaren freiraums für autonome fahrzeuge
CN108844594B (zh) * 2018-04-17 2021-03-12 广州博通信息技术有限公司 空调压缩机液位识别的报警方法与***
CN109308519A (zh) * 2018-09-29 2019-02-05 广州博通信息技术有限公司 一种基于神经网络的制冷设备故障预测方法
CN109801294A (zh) * 2018-12-14 2019-05-24 深圳先进技术研究院 三维左心房分割方法、装置、终端设备及存储介质
CN109612027B (zh) * 2018-12-18 2023-10-27 天津大学 一种基于显微摄像分析空气源热泵结霜的方法及控制***
CN109886105B (zh) * 2019-01-15 2021-12-14 广州图匠数据科技有限公司 基于多任务学习的价格牌识别方法、***及存储介质
CN110175538A (zh) * 2019-05-10 2019-08-27 国网福建省电力有限公司龙岩供电公司 一种基于机器学习的变电站鸟巢识别方法及***
CN110363327B (zh) * 2019-06-04 2021-09-03 东南大学 基于ConvLSTM和3D-CNN的短临降水预测方法
CN110210429B (zh) * 2019-06-06 2022-11-29 山东大学 一种基于光流、图像、运动对抗生成网络提高焦虑、抑郁、愤怒表情识别正确率的方法
KR20190084913A (ko) * 2019-06-28 2019-07-17 엘지전자 주식회사 냉장고 및 냉장고의 동작 방법
CN110334768B (zh) * 2019-07-08 2023-08-22 创新奇智(重庆)科技有限公司 一种冰柜陈列检测方法、***及电子设备
CN110163828B (zh) * 2019-07-10 2022-02-18 复旦大学 基于超声射频信号的乳腺钙化点图像优化***及方法
CN110363159A (zh) * 2019-07-17 2019-10-22 腾讯科技（深圳）有限公司 图像识别方法、装置、电子设备及计算机可读存储介质
CN110378288B (zh) * 2019-07-19 2021-03-26 合肥工业大学 一种基于深度学习的多级时空运动目标检测方法
US20220326384A1 (en) * 2019-08-23 2022-10-13 Semiconductor Energy Laboratory Co., Ltd. Imaging device, distance estimation device, and moving object
CN110715401B (zh) * 2019-08-29 2020-12-15 珠海格力电器股份有限公司 空调设备的化霜控制方法、装置、介质及空调设备
CN110837776A (zh) * 2019-10-09 2020-02-25 广东工业大学 一种基于stdp的脉冲神经网络手写汉字识别方法
CN111008726B (zh) * 2019-10-28 2023-08-29 武汉理工大学 一种电力负荷预测中类图片转换方法
CN110850717B (zh) * 2019-11-19 2022-05-20 浙江工业大学 利用风机电流的神经网络热泵除霜控制装置及控制方法
CN110853032B (zh) * 2019-11-21 2022-11-01 北京航空航天大学 基于多模态深度学习的无人机视频标签获取方法
CN111156657A (zh) * 2019-12-25 2020-05-15 珠海格力电器股份有限公司 空调结霜状态确定方法和装置
CN111059847A (zh) * 2019-12-30 2020-04-24 南京工程学院 一种蒸发器结霜视觉检测***及其检测方法
CN111199543A (zh) * 2020-01-07 2020-05-26 南京航空航天大学 一种基于卷积神经网络的冰柜表面缺陷检测
CN111353390A (zh) * 2020-01-17 2020-06-30 道和安邦（天津）安防科技有限公司 一种基于深度学习的微表情识别方法
CN111383214B (zh) * 2020-03-10 2021-02-19 长沙慧维智能医疗科技有限公司 实时内窥镜肠镜息肉检测***
CN111428676B (zh) * 2020-04-01 2023-04-07 南京信息工程大学 一种基于稀疏对应和深度神经网络的短临降水预测方法
CN111507929A (zh) * 2020-04-15 2020-08-07 上海眼控科技股份有限公司 气象云图预测方法、装置、计算机设备和存储介质
CN111651941B (zh) * 2020-04-30 2022-05-17 北京航空航天大学 一种全球电离层电子总含量预测的算法
CN111784633B (zh) * 2020-05-26 2024-02-06 西安理工大学 一种面向电力巡检视频的绝缘子缺损自动检测算法
CN111724408B (zh) * 2020-06-05 2021-09-03 广东海洋大学 基于5g通信下异常驾驶行为算法模型的验证实验方法
CN111639719B (zh) * 2020-06-08 2023-04-07 安徽大学 基于时空运动和特征融合的足迹图像检索方法
CN111814611B (zh) * 2020-06-24 2022-09-13 重庆邮电大学 一种嵌入高阶信息的多尺度人脸年龄估计方法及***
CN112507785A (zh) * 2020-11-02 2021-03-16 北京工商大学 一种基于cnn和lstm的滚动轴承故障分析
CN112580777A (zh) * 2020-11-11 2021-03-30 暨南大学 一种基于注意力机制的深度神经网络插件及图像识别方法
CN112529934B (zh) * 2020-12-02 2023-12-19 北京航空航天大学杭州创新研究院 多目标追踪方法、装置、电子设备和存储介质
CN112464844A (zh) * 2020-12-07 2021-03-09 天津科技大学 一种基于深度学习与运动目标检测的人体行为动作识别方法
CN112906787B (zh) * 2021-02-10 2023-09-15 宁波诺丁汉新材料研究院有限公司 一种工业锅炉故障识别方法及***
CN112906631B (zh) * 2021-03-17 2022-07-29 南京邮电大学 一种基于视频的危险驾驶行为检测方法和检测***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于神经网络的空气源热泵除霜诊断模型;曹亮等;《暖通空调》;20060630(第06期);100-103 *
多核并行脉冲神经网络模拟器的设计;陈靖宇等;《计算机工程与应用》;20201115;第56卷(第22期);244-250 *

Also Published As

Publication number Publication date
CN113536989A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN109712127B (zh) 一种用于机巡视频流的输电线路故障检测方法
CN113469050B (zh) 基于图像细分类的火焰检测方法
CN113449660B (zh) 基于自注意增强的时空变分自编码网络的异常事件检测方法
CN114484731A (zh) 一种基于stacking融合算法的中央空调故障诊断方法及装置
CN114120093B (zh) 一种基于改进YOLOv5算法的煤矸目标检测方法
CN113435593B (zh) 基于传感器时序数据分析的制冷设备结霜预测方法
CN113569756B (zh) 异常行为检测与定位方法、***、终端设备及可读存储介质
Chen et al. Unsupervised curriculum domain adaptation for no-reference video quality assessment
CN113536989B (zh) 基于摄像视频逐帧分析的制冷机结霜监控方法及***
CN111191610A (zh) 一种视频监控中人流量检测与处理方法
CN111339892B (zh) 一种基于端到端3d卷积神经网络的泳池溺水检测方法
CN115063648A (zh) 一种绝缘子缺陷检测模型构建方法及***
CN114821155A (zh) 一种基于可变形nts-net神经网络的多标签分类方法及***
Guo et al. Grape leaf disease detection based on attention mechanisms
CN112985494A (zh) 基于大数据和人工智能的冷链智慧物流运输在线实时监测云平台
CN117541534A (zh) 一种基于无人机和CNN-BiLSTM模型的输电线路巡检方法
CN117579513B (zh) 汇聚分流设备的可视化运维***及其方法
CN112861443B (zh) 一种融入先验知识的深度学习故障诊断方法
CN107527060A (zh) 一种冷藏装置存储物管理***和冷藏装置
CN114627286A (zh) 基于PSPNet和改进YOLOv4的地磅人员入侵的检测方法
CN116977807A (zh) 基于多传感器融合的冷库智能监控***及方法
Daogang et al. Anomaly identification of critical power plant facilities based on YOLOX-CBAM
CN116994161A (zh) 一种基于改进YOLOv5的绝缘子缺陷检测方法
CN115830302A (zh) 一种多尺度特征提取融合配电网设备定位识别方法
Pillai et al. Fine-Tuned EfficientNetB4 Transfer Learning Model for Weather 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