CN114186583A - 一种储油罐罐壁腐蚀检测异常信号恢复方法及*** - Google Patents

一种储油罐罐壁腐蚀检测异常信号恢复方法及*** Download PDF

Info

Publication number
CN114186583A
CN114186583A CN202111463978.8A CN202111463978A CN114186583A CN 114186583 A CN114186583 A CN 114186583A CN 202111463978 A CN202111463978 A CN 202111463978A CN 114186583 A CN114186583 A CN 114186583A
Authority
CN
China
Prior art keywords
signal
training
abnormal
signals
coding
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.)
Granted
Application number
CN202111463978.8A
Other languages
English (en)
Other versions
CN114186583B (zh
Inventor
王维斌
杨玉锋
张强
张希祥
高晞光
林明春
王春明
许琛琛
刘硕
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.)
China Oil and Gas Pipeline Network Corp
National Pipe Network Group North Pipeline Co Ltd
Original Assignee
China Oil and Gas Pipeline Network Corp
National Pipe Network Group North Pipeline 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 China Oil and Gas Pipeline Network Corp, National Pipe Network Group North Pipeline Co Ltd filed Critical China Oil and Gas Pipeline Network Corp
Priority to CN202111463978.8A priority Critical patent/CN114186583B/zh
Publication of CN114186583A publication Critical patent/CN114186583A/zh
Application granted granted Critical
Publication of CN114186583B publication Critical patent/CN114186583B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种储油罐罐壁腐蚀检测异常信号恢复方法及***，所述方法包括：获得第一信号训练集D＝{x1,x2,...,xn}，在第一信号训练集D＝{x1,x2,...,xn}中添加异常信号，生成第一训练样本
Figure DDA0003389632250000011
构建降噪稀疏自编码异常信号恢复模型；将第一训练样本输入降噪稀疏自编码异常信号恢复模型中的多层卷积层，获得特征信息；获得第一特征向量；重构第一训练样本；根据重构的第一训练样本，训练降噪稀疏自编码异常信号恢复模型；获得分段信号；重新整合获得完整信号。解决了现有技术中存在储油罐壁腐蚀缺陷检测信号异常或丢失，进行信号恢复过程中，训练样本少，工业数据特征难以提取，异常信号恢复能力弱的技术问题。

Description

一种储油罐罐壁腐蚀检测异常信号恢复方法及***
技术领域
本发明涉及人工智能领域，具体涉及一种储油罐罐壁腐蚀检测异常信号恢复方法及***。
背景技术
石油作为最重要的能源，在国家经济发展方面有着不可或缺的地位。一旦石油发生泄漏，将会对环境造成污染，容易引发***等危险。储罐作为石油的储藏体，保证石油的安全存储。然而，石油长时间内处于储罐内，导致储罐易受腐蚀，进而发生石油泄漏的状况。通过缺陷检测技术，将储罐罐壁的缺陷情况检测出来，以实现预防石油的泄露问题。对储罐罐壁进行缺陷检测，容易出现信号异常或丢失的情况，这可能造成重要数据的丢失，进而使得无法得到储罐罐壁准确的腐蚀情况。常见的数据恢复方法有基于完备字典的稀疏矩阵重构方法和基于数据驱动的方法。其中，基于完全字典的稀疏矩阵恢复算法中完备字典数据恢复需要满足稀疏分布，不适合用于工业领域的数据恢复。由于复杂工业环境，数据异常是不确定的，因此很难保证数据矩阵的稀疏性。建立和优化完整的字典，严重影响数据恢复的准确性。并且，高精度的恢复结果需要多次迭代，而工业上数据处理速度需求很高。
但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
存在储油罐壁腐蚀缺陷检测信号异常或丢失，进行信号恢复过程中，训练样本少，工业数据特征难以提取，异常信号恢复能力弱的问题。
发明内容
针对现有技术中的缺陷，本申请实施例的目的是，通过提供一种储油罐罐壁腐蚀检测异常信号恢复方法及***，解决了现有技术中存在储油罐壁腐蚀缺陷检测信号异常或丢失，进行信号恢复过程中，训练样本少，工业数据特征难以提取，异常信号恢复能力弱的技术问题。达到了扩大训练样本数量，增强对异常信号处理的鲁棒性，提高对异常信号核心特征的提取能力，从而增强储油罐罐壁异常信号恢复能力的技术效果。
第一方面，本申请实施例提供一种储油罐罐壁腐蚀检测异常信号恢复方法，其中，所述方法包括：获得第一信号训练集D＝{x1,x2,...,xn}，其中，所述第一信号训练集中包括储油罐第一罐壁信号；在所述第一信号训练集D＝{x1,x2,...,xn}中添加异常信号，生成第一训练样本
Figure BDA0003389632230000021
其中xi与
Figure BDA0003389632230000022
为一组对应的训练样本；构建降噪稀疏自编码异常信号恢复模型；将所述第一训练样本输入所述降噪稀疏自编码异常信号恢复模型中的多层卷积层，获得特征信息；通过惩罚因子对所述特征信息进行稀疏化处理，获得第一特征向量；将所述第一特征向量输入所述降噪稀疏自编码异常信号恢复模型中的解码器，重构所述第一训练样本；根据所述重构的所述第一训练样本，训练所述降噪稀疏自编码异常信号恢复模型；将待恢复信号输入到训练完成的所述降噪稀疏自编码异常信号恢复模型中，获得分段信号；将所述分段信号重新整合，获得完整信号。
另一方面，本申请还提供了一种储油罐罐壁腐蚀检测异常信号恢复***，其中，所述***包括：第一获得单元，所述第一获得单元用于获得第一信号训练集D＝{x1,x2,...,xn}，其中，所述第一信号训练集中包括储油罐第一罐壁信号；第一生成单元，所述第一生成单元用于在所述第一信号训练集D＝{x1,x2,...,xn}中添加异常信号，生成第一训练样本
Figure BDA0003389632230000031
其中xi与
Figure BDA0003389632230000032
为一组对应的训练样本；第一构建单元，所述第一构建单元用于构建降噪稀疏自编码异常信号恢复模型；第二获得单元，所述第二获得单元用于将所述第一训练样本输入所述降噪稀疏自编码异常信号恢复模型中的多层卷积层，获得特征信息；第三获得单元，所述第三获得单元用于通过惩罚因子对所述特征信息进行稀疏化处理，获得第一特征向量；第一执行单元，所述第一执行单元用于将所述第一特征向量输入所述降噪稀疏自编码异常信号恢复模型中的解码器，重构所述第一训练样本；第二执行单元，所述第二执行单元用于根据所述重构的所述第一训练样本，训练所述降噪稀疏自编码异常信号恢复模型；第四获得单元，所述第四获得单元用于将待恢复信号输入到训练完成的所述降噪稀疏自编码异常信号恢复模型中，获得分段信号；第五获得单元，所述第五获得单元用于将所述分段信号重新整合，获得完整信号。
另一方面，本发明提供了一种储油罐罐壁腐蚀检测异常信号恢复***，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现第一方面所述方法的步骤。
本申请实施例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：
由于采用了获得第一信号训练集D＝{x1,x2,...,xn}，其中，所述第一信号训练集中包括储油罐第一罐壁信号；在所述第一信号训练集D＝{x1,x2,...,xn}中添加异常信号，生成第一训练样本
Figure BDA0003389632230000041
其中xi与
Figure BDA0003389632230000042
为一组对应的训练样本；构建降噪稀疏自编码异常信号恢复模型；将所述第一训练样本输入所述降噪稀疏自编码异常信号恢复模型中的多层卷积层，获得特征信息；通过惩罚因子对所述特征信息进行稀疏化处理，获得第一特征向量；将所述第一特征向量输入所述降噪稀疏自编码异常信号恢复模型中的解码器，重构所述第一训练样本；根据所述重构的所述第一训练样本，训练所述降噪稀疏自编码异常信号恢复模型；将待恢复信号输入到训练完成的所述降噪稀疏自编码异常信号恢复模型中，获得分段信号；将所述分段信号重新整合，获得完整信号的技术方案。基于此，能够构建一种储油罐罐壁腐蚀检测异常信号恢复方法，达到了扩大训练样本数量，增强对异常信号处理的鲁棒性，提高对异常信号核心特征的提取能力，从而增强储油罐罐壁异常信号恢复能力的技术效果。
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
通过阅读参照以下附图对非限制性实施例所做的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本申请实施例一种储油罐罐壁腐蚀检测异常信号恢复方法的流程示意图；
图2为本申请实施例一种储油罐罐壁腐蚀检测异常信号恢复方法中的获得第一信号训练集的流程示意图；
图3为本申请实施例一种储油罐罐壁腐蚀检测异常信号恢复方法中的生成第一训练样本的流程示意图；
图4为本申请实施例一种储油罐罐壁腐蚀检测异常信号恢复方法中的构建降噪稀疏自编码异常信号恢复模型的流程示意图；
图5为本申请实施例一种储油罐罐壁腐蚀检测异常信号恢复方法中的训练降噪稀疏自编码异常信号恢复模型的流程示意图；
图6为本申请实施例一种储油罐罐壁腐蚀检测异常信号恢复***的结构示意图；
图7为本申请实施例示例性电子设备的结构示意图。
附图标记说明：第一获得单元11，第一生成单元12，第一构建单元13，第二获得单元14，第三获得单元15，第一执行单元16，第二执行单元17，第四获得单元18，第五获得单元19，总线300，接收器301，处理器302，发送器303，存储器304，总线接口305。
具体实施方式
本申请实施例通过提供一种储油罐罐壁腐蚀检测异常信号恢复方法及***，解决了现有技术中存在储油罐壁腐蚀缺陷检测信号异常或丢失，进行信号恢复过程中，训练样本少，工业数据特征难以提取，异常信号恢复能力弱的技术问题。达到了扩大训练样本数量，增强对异常信号处理的鲁棒性，提高对异常信号核心特征的提取能力，从而增强储油罐罐壁异常信号恢复能力的技术效果。
下面，将参考附图详细的描述根据本申请的示例实施例。显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
石油作为最重要的能源，在国家经济发展方面有着不可或缺的地位。一旦石油发生泄漏，将会对环境造成污染，容易引发***等危险。储罐作为石油的储藏体，保证石油的安全存储。然而，石油长时间内处于储罐内，导致储罐易受腐蚀，进而发生石油泄漏的状况。通过缺陷检测技术，将储罐罐壁的缺陷情况检测出来，以实现预防石油的泄露问题。对储罐罐壁进行缺陷检测，容易出现信号异常或丢失的情况，这可能造成重要数据的丢失，进而使得无法得到储罐罐壁准确的腐蚀情况。常见的数据恢复方法有基于完备字典的稀疏矩阵重构方法和基于数据驱动的方法。其中，基于完全字典的稀疏矩阵恢复算法中完备字典数据恢复需要满足稀疏分布，不适合用于工业领域的数据恢复。由于复杂工业环境，数据异常是不确定的，因此很难保证数据矩阵的稀疏性。建立和优化完整的字典，严重影响数据恢复的准确性。并且，高精度的恢复结果需要多次迭代，而工业上数据处理速度需求很高。现有技术中存在储油罐壁腐蚀缺陷检测信号异常或丢失，进行信号恢复过程中，训练样本少，工业数据特征难以提取，异常信号恢复能力弱的技术问题。
针对上述技术问题，本申请提供的技术方案总体思路如下：
本申请实施例提供一种储油罐罐壁腐蚀检测异常信号恢复方法，其中，所述方法包括：获得第一信号训练集D＝{x1,x2,...,xn}，其中，所述第一信号训练集中包括储油罐第一罐壁信号；在所述第一信号训练集D＝{x1,x2,...,xn}中添加异常信号，生成第一训练样本
Figure BDA0003389632230000071
其中xi与
Figure BDA0003389632230000072
为一组对应的训练样本；构建降噪稀疏自编码异常信号恢复模型；将所述第一训练样本输入所述降噪稀疏自编码异常信号恢复模型中的多层卷积层，获得特征信息；通过惩罚因子对所述特征信息进行稀疏化处理，获得第一特征向量；将所述第一特征向量输入所述降噪稀疏自编码异常信号恢复模型中的解码器，重构所述第一训练样本；根据所述重构的所述第一训练样本，训练所述降噪稀疏自编码异常信号恢复模型；将待恢复信号输入到训练完成的所述降噪稀疏自编码异常信号恢复模型中，获得分段信号；将所述分段信号重新整合，获得完整信号。
为了更好地理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例一
如图1所示，本申请实施例提供了一种储油罐罐壁腐蚀检测异常信号恢复方法，其中，所述方法包括：
步骤S100：获得第一信号训练集D＝{x1,x2,...,xn}，其中，所述第一信号训练集中包括储油罐第一罐壁信号；
步骤S200：在所述第一信号训练集D＝{x1,x2,...,xn}中添加异常信号，生成第一训练样本
Figure BDA0003389632230000081
其中xi与
Figure BDA0003389632230000082
为一组对应的训练样本；
具体而言，通过传感器采集储油罐第一罐壁信号，通过两阶段基值校正并按照预定步长进行信号分割，获得所述第一信号训练集D＝{x1,x2,...,xn}。为了生成训练样本，在所述第一信号训练集D＝{x1,x2,...,xn}中进行异常信号添加，生成第一训练样本，其中训练样本样本数与所述第一信号训练集中的样本数一一对应。为后续模型的构建奠定了基础。
步骤S300：构建降噪稀疏自编码异常信号恢复模型；
步骤S400：将所述第一训练样本输入所述降噪稀疏自编码异常信号恢复模型中的多层卷积层，获得特征信息；
具体而言，自编码器是一种高效率的无监督学习方法，本质为一种人工神经网络。它的特征提取能力强大，可实现数据的降维。通过训练样本的学习，迅速的提取出数据的特征，进而生成模型，产生与训练数据相似的数据，进而可用于实现数据的恢复。降噪自编码器是一种去噪能力强的非监督学习方法，为一种人工神经网络。在自编码器强大的特征提取能力的基础上，增加了去噪能力。通过对训练数据进行学习，其输入的数据有一部分是损坏的，得到相应的网络模型，能够实现对损坏的原始数据进行编码与解码，使得真正的原始数据得以恢复。稀疏自编码器是一种准确度高的非监督学习方法，为一种人工神经网络，其在自编码器强大的特征提取能力的基础上，加入了对网络的隐层节点进行稀疏性限制部分，以防网络失去自动学习特征的能力，以实现网络的输出达到稀疏的效果。
进一步而言，通过将第一训练样本中的训练样本作为降噪稀疏自编码器的输入信息，经过多个卷积层的编码，每个卷积层包含一个激活函数，深度特征提取，特征激活，经过多个反卷积层进行解码，从而构建降噪稀疏自编码异常信号恢复模型。进一步，将所述第一训练样本输入所述降噪稀疏自编码异常信号恢复模型中的多层卷积层，获得特征信息，特征信息包含储油罐罐壁信号的特征部分。完成储油罐罐壁信号的特征提取。
步骤S500：通过惩罚因子对所述特征信息进行稀疏化处理，获得第一特征向量；
步骤S600：将所述第一特征向量输入所述降噪稀疏自编码异常信号恢复模型中的解码器，重构所述第一训练样本；
步骤S700：根据所述重构的所述第一训练样本，训练所述降噪稀疏自编码异常信号恢复模型；
具体而言，把训练样本输入到编码器中，通过多层卷积层得到特征。通过惩罚因子KL散度将特征稀疏化，获得稀疏后的特征向量即为所述第一特征向量。由于检测容易出现异常信号或信号丢失的情况，故需要对所述第一训练样本进行重构。将所述第一特征向量输入解码器中，通过多层反卷积重构出信号，获得重构后的所述第一训练样本，根据所述重构的所述第一训练样本，训练所述降噪稀疏自编码异常信号恢复模型。训练模式采取无监督训练模式，增强了对异常信号处理的鲁棒性，并且提高异常信号核心特征的提取能力，增强储油罐罐壁异常信号恢复能力。
步骤S800：将待恢复信号输入到训练完成的所述降噪稀疏自编码异常信号恢复模型中，获得分段信号；
步骤S900：将所述分段信号重新整合，获得完整信号。
具体而言，待恢复信号图片为采集到的储油罐内壁破损、腐蚀的图片信息，将待恢复信号图片输入到训练完成的降噪稀疏自编码模型中，将异常恢复完成的分段信号重新整合成完整信号，从而完成待处理信号异常信号的恢复，通过添加了稀疏惩罚因子，达到了提高降噪自编码器对异常信号核心特征的提取能力，增强储油罐罐壁异常信号恢复能力。
进一步的，如图2所示，所述获得第一信号训练集，步骤S100还包括：
步骤S110：获得储油罐第一罐壁信号；
步骤S120：对所述第一罐壁信号进行两阶段基值校正；
步骤S130：对基值校正后的所述第一罐壁信号按照预定步长进行信号分割，得到第一信号训练集D＝{x1,x2,...,xn}。
进一步的，所述对所述第一罐壁信号进行两阶段基值校正，步骤S120包括：
步骤S121：根据公式(1)对所述第一罐壁信号进行分段基值校正。
Figure BDA0003389632230000111
其中：P为分段信号的通道数；k1为分段信号计数点数量；xij为第j通道在第i个计数点位置的原始值；xij′为第j通道在第i个计数点位置的校正值；s1为该段信号所有通道的中值；
步骤S122：根据公式(2)对分段校正完成的所述第一罐壁信号进行二次全通道基值校正：
Figure BDA0003389632230000112
其中：Q为采集的全部信号的通道数；k2为全部信号计数点数量；xij′为第j通道在第i个计数点位置的分段校正后的校正值；xij″为第j通道在第i个计数点位置的二次全通道校正后的校正值；s2为分段校正后所有通道的中值。
具体而言，通过传感器采集所述储油罐第一罐壁信号，将采集到的储油罐罐壁信号进行两阶段基值校正，以检测储油罐罐壁一周信号为单位，按照公式(1)对每一个传感器通道采集到的信号进行分段基值校正，对分段校正完成的信号进行二次全通道基值校正，确保在不同位置不同传感器采集到的信号基准值相同，降低基值对异常恢复的影响。对基值校正完成的信号使用尺寸为a×b的滑动窗口，按照步长进行信号分割，分割后得到的训练集信号D＝{x1,x2,...,xn}包含n个样本，测试样本
Figure BDA0003389632230000121
包含n1个样本。
进一步的，如图3所示，所述在所述第一信号训练集D＝{x1,x2,...,xn}中添加异常信号，生成第一训练样本
Figure BDA0003389632230000122
步骤S200包括：
步骤S210：在所述第一信号训练集D中随机选取部分矩阵，对选择的矩阵随机增加噪声信号，获得噪声训练信号；
步骤S220：在所述第一信号训练集D中随机选取部分矩阵，对选择的矩阵随机选择部分通道，将选择的通道信号设为相同值，获得全通道异常训练信号；
步骤S230：在所述第一信号训练集中随机选取部分矩阵，对选择的矩阵随机添加一定量的脉冲信号，获得点异常训练信号；
步骤S240：在所述第一信号训练集D中随机选取部分矩阵，对选择的矩阵随机选取部分块状位置，设为相同值，获得块状异常训练信号；
步骤S250：将所述噪声训练信号、所述全通道异常训练信号、所述点异常训练信号和所述块状异常训练信号整合为
Figure BDA0003389632230000123
其中xi与
Figure BDA0003389632230000124
为一组对应的训练样本。
具体而言，在所述第一信号训练集D中随机选取部分矩阵，分别对选取的矩阵进行异常信号添加、信号值设置等操作，获得所述噪声训练信号、所述全通道异常训练信号、所述点异常训练信号和所述块状异常训练信号，将其整合后，获得所述第一训练样本
Figure BDA0003389632230000125
从而完成训练样本的生成，丰富训练样本，较好解决储油罐壁腐蚀缺陷检测信号异常或丢失时，进行信号恢复过程中训练样本少的问题。
进一步的，如图4所示，其中，所述构建降噪稀疏自编码异常信号恢复模型，步骤S300包括：
步骤S310：将所述第一训练样本作为自编码器的输入信息；
步骤S320：所述输入信息经过c个卷积层进行编码，提取深度特征，每个卷积层包含一个激活函数；
步骤S330：使用惩罚因子KL散度将提取的特征稀疏化处理来激活所述深度特征；
步骤S340：将激活后的所述深度特征经过c个反卷积层进行解码，实现图片重构，其中每个所述反卷积层包含一个激活函数；
步骤S350：将反卷积层的输出数据
Figure BDA0003389632230000131
与所述第一信号训练集D中的数据进行对比，构建降噪稀疏自编码异常信号恢复模型。
进一步的，所述使用惩罚因子KL散度将提取的特征稀疏化处理来激活所述深度特征，本申请实施例还包括：
Figure BDA0003389632230000132
其中：λ为稀疏参数，
Figure BDA0003389632230000133
为第t个特征节点的特征均值。
具体而言，所述第一训练样本为通过添加异常信号获得的，将所述第一训练样本作为自编码器的输入信息，即将D*中的图片作为降噪稀疏自编码器的输入。输入图片经过c个卷积层进行编码，提取深度特征。每个卷积层包含一个激活函数，通过公式(3)以KL散度为惩罚因子将提取的特征稀疏化处理来激活特征。将激活后的特征经过c个反卷积层进行解码，实现图片重构。每个反卷积层包含一个激活函数。如尺寸为30×15的图片经过3个卷积层进行编码，提取深度特征后激活特征，将激活后的特征经过3个反卷积层进行解码，实现图片重构。进一步，将反卷积输出的图片
Figure BDA0003389632230000141
与训练集D中的图片进行对比，计算重构误差，从而构建降噪稀疏自编码异常信号恢复模型。在降噪自编码器的基础上添加了稀疏惩罚因子，能够提高降噪自编码器对异常信号核心特征的提取能力。
进一步的，如图5所示，所述根据所述重构的所述第一训练样本，训练所述降噪稀疏自编码异常信号恢复模型，步骤S700还包括：
步骤S710：构建损失函数；
步骤S720：根据所述重构的所述第一训练样本，最小化所述损失函数；
步骤S730：使用随机梯度下降法进行反向传播，优化网络参数，训练所述降噪稀疏自编码异常信号恢复模型。
进一步的，所述构建损失函数，步骤S710还包括：
步骤S711：构建卷积降噪自编码的损失函数：
Figure BDA0003389632230000142
步骤S712：构建所述惩罚因子KL散度稀疏变化损失函数：
Figure BDA0003389632230000143
其中：s为输出特征节点个数；
步骤S713：根据所述卷积降噪自编码的损失函数和所述惩罚因子KL散度稀疏变化损失函数，构建所述损失函数：
Figure BDA0003389632230000151
具体而言，卷积降噪自编码的损失函数如式(4)所示，惩罚因子KL散度稀疏变化损失函数如式(5)所示，降噪稀疏自编码的损失函数如式(6)所示。通过构建卷积降噪自编码的损失函数、惩罚因子KL散度稀疏变化损失函数得到降噪稀疏自编码的损失函数，把训练样本x*输入到编码器中，通过多层卷积层得到特征。通过惩罚因子KL散度将特征稀疏化。将稀疏后的特征向量输入解码器中，通过多层反卷积重构出信号。并且根据所述重构的所述第一训练样本，最小化损失函数，使用随机梯度下降法来反向传播，优化网络参数，实现训练所述降噪稀疏自编码异常信号恢复模型。
与现有技术相比，本发明具有如下的有益效果：
1、由于采用了获得第一信号训练集D＝{x1,x2,...,xn}，其中，所述第一信号训练集中包括储油罐第一罐壁信号；在所述第一信号训练集D＝{x1,x2,...,xn}中添加异常信号，生成第一训练样本
Figure BDA0003389632230000152
其中xi与
Figure BDA0003389632230000153
为一组对应的训练样本；构建降噪稀疏自编码异常信号恢复模型；将所述第一训练样本输入所述降噪稀疏自编码异常信号恢复模型中的多层卷积层，获得特征信息；通过惩罚因子对所述特征信息进行稀疏化处理，获得第一特征向量；将所述第一特征向量输入所述降噪稀疏自编码异常信号恢复模型中的解码器，重构所述第一训练样本；根据所述重构的所述第一训练样本，训练所述降噪稀疏自编码异常信号恢复模型；将待恢复信号输入到训练完成的所述降噪稀疏自编码异常信号恢复模型中，获得分段信号；将所述分段信号重新整合，获得完整信号的技术方案。基于此，能够构建一种储油罐罐壁腐蚀检测异常信号恢复方法，达到了扩大训练样本数量，增强对异常信号处理的鲁棒性，提高对异常信号核心特征的提取能力，从而增强储油罐罐壁异常信号恢复能力的技术效果。
2、由于采用了进行异常信号添加、设置信号值等方法，从而完成训练样本的生成，丰富训练样本，较好解决储油罐壁腐蚀缺陷检测信号异常或丢失时，进行信号恢复过程中训练样本不足的技术效果。
实施例二
基于与前述实施例中一种储油罐罐壁腐蚀检测异常信号恢复方法同样发明构思，本发明还提供了一种储油罐罐壁腐蚀检测异常信号恢复***，如图6所示，所述***包括：
第一获得单元11，所述第一获得单元11用于获得第一信号训练集D＝{x1,x2,...,xn}，其中，所述第一信号训练集中包括储油罐第一罐壁信号；
第一生成单元12，所述第一生成单元12用于在所述第一信号训练集D＝{x1,x2,...,xn}中添加异常信号，生成第一训练样本
Figure BDA0003389632230000161
其中xi与
Figure BDA0003389632230000162
为一组对应的训练样本；
第一构建单元13，所述第一构建单元13用于构建降噪稀疏自编码异常信号恢复模型；
第二获得单元14，所述第二获得单元14用于将所述第一训练样本输入所述降噪稀疏自编码异常信号恢复模型中的多层卷积层，获得特征信息；
第三获得单元15，所述第三获得单元15用于通过惩罚因子对所述特征信息进行稀疏化处理，获得第一特征向量；
第一执行单元16，所述第一执行单元16用于将所述第一特征向量输入所述降噪稀疏自编码异常信号恢复模型中的解码器，重构所述第一训练样本；
第二执行单元17，所述第二执行单元17用于根据所述重构的所述第一训练样本，训练所述降噪稀疏自编码异常信号恢复模型；
第四获得单元18，所述第四获得单元18用于将待恢复信号输入到训练完成的所述降噪稀疏自编码异常信号恢复模型中，获得分段信号；
第五获得单元19，所述第五获得单元19用于将所述分段信号重新整合，获得完整信号。
进一步的，所述***还包括：
第六获得单元，所述第六获得单元用于获得储油罐第一罐壁信号；
第三执行单元，所述第三执行单元用于对所述第一罐壁信号进行两阶段基值校正；
第四执行单元，所述第四执行单元用于对基值校正后的所述第一罐壁信号按照预定步长进行信号分割，得到第一信号训练集D＝{x1,x2,...,xn}。
进一步的，所述***还包括：
第七获得单元，所述第七获得单元用于在所述第一信号训练集D中随机选取部分矩阵，对选择的矩阵随机增加噪声信号，获得噪声训练信号；
第八获得单元，所述第八获得单元用于在所述第一信号训练集D中随机选取部分矩阵，对选择的矩阵随机选择部分通道，将选择的通道信号设为相同值，获得全通道异常训练信号；
第九获得单元，所述第九获得单元用于在所述第一信号训练集中随机选取部分矩阵，对选择的矩阵随机添加一定量的脉冲信号，获得点异常训练信号；
第十获得单元，所述第十获得单元用于在所述第一信号训练集D中随机选取部分矩阵，对选择的矩阵随机选取部分块状位置，设为相同值，获得块状异常训练信号；
第五执行单元，所述第五执行单元用于将所述噪声训练信号、所述全通道异常训练信号、所述点异常训练信号和所述块状异常训练信号整合为
Figure BDA0003389632230000181
其中xi与
Figure BDA0003389632230000182
为一组对应的训练样本。
进一步的，所述***还包括：
第六执行单元，所述第六执行单元用于将所述第一训练样本作为自编码器的输入信息；
第七执行单元，所述第七执行单元用于所述输入信息经过c个卷积层进行编码，提取深度特征，每个卷积层包含一个激活函数；
第八执行单元，所述第八执行单元用于使用惩罚因子KL散度将提取的特征稀疏化处理来激活所述深度特征；
第九执行单元，所述第九执行单元用于将激活后的所述深度特征经过c个反卷积层进行解码，实现图片重构，其中每个所述反卷积层包含一个激活函数；
第十执行单元，所述第十执行单元用于将反卷积层的输出数据
Figure BDA0003389632230000191
与所述第一信号训练集D中的数据进行对比，构建降噪稀疏自编码异常信号恢复模型。
进一步的，所述***还包括：
第二构建单元，所述第二构建单元用于构建卷积降噪自编码的损失函数：
Figure BDA0003389632230000192
第三构建单元，所述第三构建单元用于构建所述惩罚因子KL散度稀疏变化损失函数：
Figure BDA0003389632230000193
其中：s为输出特征节点个数；
第四构建单元，所述第四构建单元用于根据所述卷积降噪自编码的损失函数和所述惩罚因子KL散度稀疏变化损失函数，构建所述损失函数：
Figure BDA0003389632230000194
前述图1实施例一中的一种储油罐罐壁腐蚀检测异常信号恢复方法的各种变化方式和具体实例同样适用于本实施例的一种储油罐罐壁腐蚀检测异常信号恢复***，通过前述对一种储油罐罐壁腐蚀检测异常信号恢复方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种储油罐罐壁腐蚀检测异常信号恢复***的实施方法，所以为了说明书的简洁，再次不再详述。
实施例三
下面参考图7来描述本申请实施例的电子设备。
图7图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实例施中一种储油罐罐壁腐蚀检测异常信号恢复方法的发明构思，本发明还提供一种储油罐罐壁腐蚀检测异常信号恢复***，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种储油罐罐壁腐蚀检测异常信号恢复***的任一方法的步骤。
其中，在图7中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他***通信的单元。处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本申请实施例提供一种储油罐罐壁腐蚀检测异常信号恢复方法，其中，所述方法包括：获得第一信号训练集D＝{x1,x2,...,xn}，其中，所述第一信号训练集中包括储油罐第一罐壁信号；在所述第一信号训练集D＝{x1,x2,...,xn}中添加异常信号，生成第一训练样本
Figure BDA0003389632230000211
其中xi与
Figure BDA0003389632230000212
为一组对应的训练样本；构建降噪稀疏自编码异常信号恢复模型；将所述第一训练样本输入所述降噪稀疏自编码异常信号恢复模型中的多层卷积层，获得特征信息；通过惩罚因子对所述特征信息进行稀疏化处理，获得第一特征向量；将所述第一特征向量输入所述降噪稀疏自编码异常信号恢复模型中的解码器，重构所述第一训练样本；根据所述重构的所述第一训练样本，训练所述降噪稀疏自编码异常信号恢复模型；将待恢复信号输入到训练完成的所述降噪稀疏自编码异常信号恢复模型中，获得分段信号；将所述分段信号重新整合，获得完整信号。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的***。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令***的制造品，该指令***实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种储油罐罐壁腐蚀检测异常信号恢复方法，其中，所述方法包括：
获得第一信号训练集D＝{x1,x2,...,xn}，其中，所述第一信号训练集中包括储油罐第一罐壁信号；
在所述第一信号训练集D＝{x1,x2,...,xn}中添加异常信号，生成第一训练样本
Figure FDA0003389632220000011
其中xi与
Figure FDA0003389632220000012
为一组对应的训练样本；
构建降噪稀疏自编码异常信号恢复模型；
将所述第一训练样本输入所述降噪稀疏自编码异常信号恢复模型中的多层卷积层，获得特征信息；
通过惩罚因子对所述特征信息进行稀疏化处理，获得第一特征向量；
将所述第一特征向量输入所述降噪稀疏自编码异常信号恢复模型中的解码器，重构所述第一训练样本；
根据所述重构的所述第一训练样本，训练所述降噪稀疏自编码异常信号恢复模型；
将待恢复信号输入到训练完成的所述降噪稀疏自编码异常信号恢复模型中，获得分段信号；
将所述分段信号重新整合，获得完整信号。
2.如权利要求1所述的方法，其中，所述获得第一信号训练集，包括：
获得储油罐第一罐壁信号；
对所述第一罐壁信号进行两阶段基值校正；
对基值校正后的所述第一罐壁信号按照预定步长进行信号分割，得到第一信号训练集D＝{x1,x2,...,xn}。
3.如权利要求1所述的方法，其中，所述对所述第一罐壁信号进行两阶段基值校正，包括：
根据公式(1)对所述第一罐壁信号进行分段基值校正。
Figure FDA0003389632220000021
其中：P为分段信号的通道数；k1为分段信号计数点数量；xij为第j通道在第i个计数点位置的原始值；xij′为第j通道在第i个计数点位置的校正值；s1为该段信号所有通道的中值；
根据公式(2)对分段校正完成的所述第一罐壁信号进行二次全通道基值校正：
Figure FDA0003389632220000022
其中：Q为采集的全部信号的通道数；k2为全部信号计数点数量；xij′为第j通道在第i个计数点位置的分段校正后的校正值；xij″为第j通道在第i个计数点位置的二次全通道校正后的校正值；s2为分段校正后所有通道的中值。
4.如权利要求1所述的方法，其中，所述在所述第一信号训练集D＝{x1,x2,...,xn}中添加异常信号，生成第一训练样本
Figure FDA0003389632220000023
包括：
在所述第一信号训练集D中随机选取部分矩阵，对选择的矩阵随机增加噪声信号，获得噪声训练信号；
在所述第一信号训练集D中随机选取部分矩阵，对选择的矩阵随机选择部分通道，将选择的通道信号设为相同值，获得全通道异常训练信号；
在所述第一信号训练集中随机选取部分矩阵，对选择的矩阵随机添加一定量的脉冲信号，获得点异常训练信号；
在所述第一信号训练集D中随机选取部分矩阵，对选择的矩阵随机选取部分块状位置，设为相同值，获得块状异常训练信号；
将所述噪声训练信号、所述全通道异常训练信号、所述点异常训练信号和所述块状异常训练信号整合为
Figure FDA0003389632220000031
其中xi与
Figure FDA0003389632220000032
为一组对应的训练样本。
5.如权利要求1所述的方法，其中，所述构建降噪稀疏自编码异常信号恢复模型，包括：
将所述第一训练样本作为自编码器的输入信息；
所述输入信息经过c个卷积层进行编码，提取深度特征，每个卷积层包含一个激活函数；
使用惩罚因子KL散度将提取的特征稀疏化处理来激活所述深度特征；
将激活后的所述深度特征经过c个反卷积层进行解码，实现图片重构，其中每个所述反卷积层包含一个激活函数；
将反卷积层的输出数据
Figure FDA0003389632220000033
与所述第一信号训练集D中的数据进行对比，构建降噪稀疏自编码异常信号恢复模型。
6.如权利要求1所述的方法，其中，所述根据所述重构的所述第一训练样本，训练所述降噪稀疏自编码异常信号恢复模型，包括：
构建损失函数；
根据所述重构的所述第一训练样本，最小化所述损失函数；
使用随机梯度下降法进行反向传播，优化网络参数，训练所述降噪稀疏自编码异常信号恢复模型。
7.如权利要求6所述的方法，其中，所述构建损失函数，包括：
构建卷积降噪自编码的损失函数：
Figure FDA0003389632220000041
构建所述惩罚因子KL散度稀疏变化损失函数：
Figure FDA0003389632220000042
其中：s为输出特征节点个数；
根据所述卷积降噪自编码的损失函数和所述惩罚因子KL散度稀疏变化损失函数，构建所述损失函数：
Figure FDA0003389632220000043
8.如权利要求5所述的方法，其中，所述使用惩罚因子KL散度将提取的特征稀疏化处理来激活所述深度特征，包括：
Figure FDA0003389632220000044
其中：λ为稀疏参数，
Figure FDA0003389632220000045
为第t个特征节点的特征均值。
9.一种储油罐罐壁腐蚀检测异常信号恢复***，其中，所述***包括：
第一获得单元，所述第一获得单元用于获得第一信号训练集D＝{x1,x2,...,xn}，其中，所述第一信号训练集中包括储油罐第一罐壁信号；
第一生成单元，所述第一生成单元用于在所述第一信号训练集D＝{x1,x2,...,xn}中添加异常信号，生成第一训练样本
Figure FDA0003389632220000051
其中xi与
Figure FDA0003389632220000052
为一组对应的训练样本；
第一构建单元，所述第一构建单元用于构建降噪稀疏自编码异常信号恢复模型；
第二获得单元，所述第二获得单元用于将所述第一训练样本输入所述降噪稀疏自编码异常信号恢复模型中的多层卷积层，获得特征信息；
第三获得单元，所述第三获得单元用于通过惩罚因子对所述特征信息进行稀疏化处理，获得第一特征向量；
第一执行单元，所述第一执行单元用于将所述第一特征向量输入所述降噪稀疏自编码异常信号恢复模型中的解码器，重构所述第一训练样本；
第二执行单元，所述第二执行单元用于根据所述重构的所述第一训练样本，训练所述降噪稀疏自编码异常信号恢复模型；
第四获得单元，所述第四获得单元用于将待恢复信号输入到训练完成的所述降噪稀疏自编码异常信号恢复模型中，获得分段信号；
第五获得单元，所述第五获得单元用于将所述分段信号重新整合，获得完整信号。
10.一种储油罐罐壁腐蚀检测异常信号恢复***，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现权利要求1-8任一项所述方法的步骤。
CN202111463978.8A 2021-12-02 2021-12-02 一种储油罐罐壁腐蚀检测异常信号恢复方法及*** Active CN114186583B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111463978.8A CN114186583B (zh) 2021-12-02 2021-12-02 一种储油罐罐壁腐蚀检测异常信号恢复方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111463978.8A CN114186583B (zh) 2021-12-02 2021-12-02 一种储油罐罐壁腐蚀检测异常信号恢复方法及***

Publications (2)

Publication Number Publication Date
CN114186583A true CN114186583A (zh) 2022-03-15
CN114186583B CN114186583B (zh) 2022-12-27

Family

ID=80603289

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111463978.8A Active CN114186583B (zh) 2021-12-02 2021-12-02 一种储油罐罐壁腐蚀检测异常信号恢复方法及***

Country Status (1)

Country Link
CN (1) CN114186583B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118036669A (zh) * 2024-04-15 2024-05-14 深圳精智达技术股份有限公司 一种稀疏自编码模型的训练方法、装置、设备和介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919864A (zh) * 2019-02-20 2019-06-21 重庆邮电大学 一种基于稀疏去噪自编码网络的图像压缩感知方法
CN110550518A (zh) * 2019-08-29 2019-12-10 电子科技大学 一种基于稀疏去噪自编码的电梯运行异常检测方法
CN111046824A (zh) * 2019-12-19 2020-04-21 上海交通大学 一种时间序列信号高效去噪和高精度重构建模方法及***
WO2021204010A1 (zh) * 2020-11-19 2021-10-14 平安科技（深圳）有限公司 一种时序异常检测方法、装置、计算机设备及存储介质
WO2021218828A1 (zh) * 2020-04-27 2021-11-04 支付宝(杭州)信息技术有限公司 基于差分隐私的异常检测模型的训练

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919864A (zh) * 2019-02-20 2019-06-21 重庆邮电大学 一种基于稀疏去噪自编码网络的图像压缩感知方法
CN110550518A (zh) * 2019-08-29 2019-12-10 电子科技大学 一种基于稀疏去噪自编码的电梯运行异常检测方法
CN111046824A (zh) * 2019-12-19 2020-04-21 上海交通大学 一种时间序列信号高效去噪和高精度重构建模方法及***
WO2021218828A1 (zh) * 2020-04-27 2021-11-04 支付宝(杭州)信息技术有限公司 基于差分隐私的异常检测模型的训练
WO2021204010A1 (zh) * 2020-11-19 2021-10-14 平安科技（深圳）有限公司 一种时序异常检测方法、装置、计算机设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118036669A (zh) * 2024-04-15 2024-05-14 深圳精智达技术股份有限公司 一种稀疏自编码模型的训练方法、装置、设备和介质

Also Published As

Publication number Publication date
CN114186583B (zh) 2022-12-27

Similar Documents

Publication Publication Date Title
CN111079683B (zh) 基于卷积神经网络的遥感图像云雪检测方法
US11941721B2 (en) Using watermark information and weight information to train an embedded neural network model
CN111144548B (zh) 抽油机井工况的识别方法及装置
CN113723070B (zh) 文本相似度模型训练方法、文本相似度检测方法及装置
CN106056577B (zh) 基于mds-srm混合级联的sar图像变化检测方法
CN112861795A (zh) 基于多尺度特征融合的遥感图像显著目标检测方法及装置
CN114186583B (zh) 一种储油罐罐壁腐蚀检测异常信号恢复方法及***
CN115184054B (zh) 机械设备半监督故障检测分析方法、装置、终端及介质
CN116522265A (zh) 工业互联网时序数据异常检测方法及装置
CN113065525A (zh) 年龄识别模型训练方法、人脸年龄识别方法及相关装置
CN117057394A (zh) 一种图异常检测***构建方法、图异常检测***及方法
CN116978105A (zh) 一种ai换脸图像异常检测方法
CN113176607B (zh) 基于融入物理规律的稀疏自编码器地震反演方法及***
CN109462457A (zh) 一种Polar码译码方法、译码装置和译码器
CN112967251A (zh) 图片检测方法、图片检测模型的训练方法及装置
CN117633441A (zh) 海表面温度数据的填补与修正方法、装置和电子设备
CN117727043A (zh) 信息重构模型的训练、图像检索方法、装置及设备
Xu et al. xastnn: Improved code representations for industrial practice
CN112712855A (zh) 一种基于联合训练的含缺失值基因微阵列的聚类方法
CN106485014A (zh) 一种强鲁棒性1比特压缩贝叶斯感知方法
CN115712154B (zh) 一种探测船载重力测量粗差的移位双小波迭代方法
CN108491606A (zh) 一种材料强度分布获取方法
CN118297050A (zh) 一种企业物料数据纠错方法
CN115859041A (zh) 一种储油罐罐壁腐蚀检测信号恢复方法及***
CN117351997B (zh) 基于反向知识蒸馏的合成音频检测方法及***

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