CN115311493A - 一种判断直流电路状态的方法、***、存储器及设备 - Google Patents
一种判断直流电路状态的方法、***、存储器及设备 Download PDFInfo
- Publication number
- CN115311493A CN115311493A CN202210935477.3A CN202210935477A CN115311493A CN 115311493 A CN115311493 A CN 115311493A CN 202210935477 A CN202210935477 A CN 202210935477A CN 115311493 A CN115311493 A CN 115311493A
- Authority
- CN
- China
- Prior art keywords
- current waveform
- current
- loop
- image
- module
- 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
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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种判断直流电路状态的方法、***、存储器及设备,该方法采用一定时段的回路电流绘制一帧流波形图像作为输入,基于ResNet构建分类模型,对直流***中回路电流状态进行分类,识别出直流***中电弧故障、负载突变和回路开关动作。本发明可以广泛应用于光伏发电***、电动汽车、直流配电***等领域。
Description
技术领域
本发明涉及一种判断直流电路状态的方法、***、存储器及设备,属于光伏组件检测技术领域。
背景技术
光伏发电***中包含大量的光伏组件,在长期运行中,可能发生组件老化、线路老化、连接松弛等情况,导致光伏组件阵列发生串联型或者并联型电弧故障。这些故障可能引起火灾等事故,严重影响光伏发电***的安全可靠运行。
发明内容
本发明的目的在于提供一种判断直流电路状态的方法、***、存储器及设备,基于ResNet算法对直流***中回路电流状态进行分类,识别出直流***中电弧故障、负载突变和回路开关动作。
为达到上述目的,本发明采用的技术方案如下:
本发明第一方面提供一种判断直流电路状态的方法,包括:
获取一组直流***回路电流波形图像;
将所获取的回路电流波形图像进行预处理;
将预处理后的回路电流波形图像输入预先构建的ResNet分类模型,得到直流电路状态,包括稳定状态,发生电弧故障和回路中负载突变。
进一步的,所述获取一组直流***回路电流波形图像,包括:
获取直流***回路电流,将每25ms的回路电流绘制一帧电流波形图像,按时间顺序绘制多帧流波形图像作为一组输入。
进一步的,所述将所获取的回路电流波形图像进行预处理,包括:
对所述回路电流波形图像进行卷积和最大池化操作。
进一步的,预先构建ResNet分类模型,包括:
通过实验采集直流***中3种不同状态的电流,包括稳定状态的电流、发生电弧故障的电流和回路中负载突变的电流;
将每25ms的电流绘制一帧电流波形图像,将该电流波形图像与该图像所对应的状态作为一个样本,得到训练样本集;
对训练样本集进行卷积及最大池化操作;
将最大池化操作的输出输入至ResNet模型中,进行训练,得到训练好的ResNet分类模型。
进一步的,所述稳定状态的电流包括:含有突起的稳定状态的电流波形和不含突起的稳定状态的电流波形。
进一步的,所述对训练样本集进行卷积及最大池化操作,包括:
将训练集中的样本按照时间顺序输入卷积层,将当前25ms绘成的电流波形图像减去上25ms绘成的电流波形图像组合形成一个新的图像作为下一步的输入;
对输入的组合后的新的图像进行轴对称复制;
将复制后的每张图片竖着切成若干份,计算每份的像素点个位数,作为特征图;
对特征图进行最大池化操作。
本发明第二方面提供一种判断直流电路状态的***,包括:
采样模块,用于获取一组直流***回路电流波形图像;
预处理模块,用于将所获取的回路电流波形图像进行预处理,作为分类模型的输入;
分类模块,用于对直流电路状态进行分类,输出分类结果包括稳定状态,发生电弧故障和回路中负载突变。
进一步的,所述采样模块具体用于,
获取直流***回路电流,将每25ms的回路电流绘制一帧电流波形图像,按时间顺序绘制多帧流波形图像作为一组输入。
进一步的,所述预处理模块包括:
卷积层,用于将当前输入的25ms绘成的电流波形图像减去上25ms绘成的电流波形图像组合形成一个新的图像作为下一步的输入;对输入的组合后的新的图像进行轴对称复制;将复制后的每张图片竖着切成若干份,计算每份的像素点个位数,作为特征图;
最大池化层,用于对特征图进行最大池化操作。
进一步的,所述分类模块包括:ResNet模型;
所述ResNet模型包括四层网络以及最大池化层、全连接层和Softmax层;
第一层由3个残差模块构成;
第二层由降采样残差模块和3个残差模块构成;
第三层由降采样残差模块和5个残差模块构成;
第四层由降采样残差模块和2个残差模块构成。
进一步的,所述降采样残差模块用于对输入进行二分之一降采样。
本发明第三方面提供一种存储一个或多个程序的存储器,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据前述的方法中的任一方法。
本发明第四方面提供一种计算设备,其特征在于:包括,
一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据前述的方法中的任一方法的指令。
本发明的有益效果为:
本发明采用一定时段的回路电流绘制一帧流波形图像作为输入,基于ResNet构建分类模型,可以用于直流***电弧故障、负载突变和开关动作的检测,还可以应用于光伏发电***、电动汽车、直流配电***等领域。
附图说明
图1为本发明实施例提供的一种判断直流电路状态的方法流程图;
图2为本发明实施例中一种稳定状态的25ms的电流波形图;
图3为本发明实施例中另一种稳定状态的25ms的电流波形图;
图4为本发明实施例中电弧故障的25ms的电流波形图;
图5为本发明实施例中发生负载突变的25ms的电流波形图;
图6为本发明实施例中训练集损失值曲线图;
图7为本发明实施例中测试集损失值曲线图;
图8为本发明实施例中经过20轮训练的识别正确率曲线。
具体实施方式
下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例1
本实施例提供一种判断直流电路状态的方法,包括:
获取一组直流***回路电流波形图像;
将所获取的回路电流波形图像进行预处理;
将预处理后的回路电流波形图像输入预先构建的ResNet分类模型,得到直流电路状态,包括稳定状态,发生电弧故障和回路中负载突变。
本实施例中,获取一组直流***回路电流波形图像,是指,
将每25ms的回路电流绘制一帧电流波形图像,按时间顺序绘制多帧流波形图像作为一组输入。
本实施例中,预先构建ResNet分类模型,具体实现过程如下:
S1、通过实验采集直流***中3种不同状态的电流,包括稳定状态的电流、发生电弧故障的电流和回路中负载突变的电流;
S2、将每25ms的电流绘制一帧电流波形图像,将该电流波形图像与该图像所对应的状态作为一个样本,得到训练样本集;
具体的,稳定状态的电流有两种波形,其中一种含有突起波形如图2和无突起的正常电流如图3;含有电弧故障的电流波形图像和负载突变的电流波形图像如图4和图5。
每帧电流波形图像作为一个样本,本实施例中,选取了2574个样本作为训练集,选取286个样本作为测试集。
S3、对输入图像进行卷积及最大池化操作得到特征图,
S31、将训练集中的样本按照时间顺序输入卷积层,将当前25ms绘成的电流波形图像减去上25ms绘成的电流波形图像组合形成一个新的图像作为下一步的输入,该步骤可以保留当前时间段相较于上一时间段电流变化的特征。
对输入的组合后的新的图像进行轴对称复制,图像的上下部分图像数据图像相同,若电流发生动作则图像的特征点增多,增加图像有用信息量。需要说明的是,本实施例的轴对称复制指以图片上下等齐的中心线为轴进行复制。
将复制后的每张图片竖着切成若干份(用po表示数量),计算每份的像素点个位数(用pix(x)表示),作为特征图。
S32、进行最大池化操作
池化可以看成是对滑动窗口内的激活值线性加权。
设F为池化函数,I为输入的特征图,O为池化后的输出,考虑单通道情况下,Ix,y、Ox,y分别表示输入和输出在坐标(x,y)处的激活值,Ω为池化窗口的索引集合,例如池化范围是2×2,则Ω={0,1,2},所有的池化方式可看作:
其中,δx,y为坐标(x,y)处的微分,Ix为在x轴方向的激活值,F(I)x为x轴滑动窗口的权值,exp函数是为了防止负数,乘法代表线性加权。
S4、将最大池化操作的输出输入至ResNet模型中,进行训练,得到训练好的ResNet分类模型;
本实施例中,ResNet模型包括四层网络以及最大池化层、全连接层和Softmax层,
第一层由3个残差模块构成;
第二层由降采样残差模块和3个残差模块构成;
第三层由降采样残差模块和5个残差模块构成;
第四层由降采样残差模块和2个残差模块构成;
残差结构是上层特征图x作为部分输出的初始结果,输出结果为H(x)=F(x)+x,当F(x)=0时,即变为恒等映射。因此,这样的结构相当于学习H(x)-x部分,即为残差,后面的层次就是为了将残差结果逼近与0。
需要说明的是,各残差模块的种处理函数F(x)不同,具体根据实际情况选择。
降采样函数目的是为了使输入通道相同的preact的shape经过池化,shape达到一样。
需要说明的是,各降采样残差模块对输入进行二分之一降采样。
经过四层网络后,再次进行最大池化,通过全连接层和Softmax输出分类结果。
将分类结果与实际状态进行比对,优化网络参数,进行迭代训练,直至达到终止条件。
本实施例中,训练共进行20轮,如图6是训练集损失值,图7是测试集损失值,图8是经过20轮训练的识别正确率,达到98.3%,并稳定保持不变。
实施例2
本实施例提供一种判断直流电路状态的***,包括:
采样模块,用于获取一组直流***回路电流波形图像;
预处理模块,用于将所获取的回路电流波形图像进行预处理,作为分类模型的输入;
分类模块,用于对直流电路状态进行分类,输出分类结果包括稳定状态,发生电弧故障和回路中负载突变。
本实施例中,采样模块具体用于,
获取直流***回路电流,将每25ms的回路电流绘制一帧电流波形图像,按时间顺序绘制多帧流波形图像作为一组输入。
本实施例中,预处理模块包括:
卷积层,用于将当前输入的25ms绘成的电流波形图像减去上25ms绘成的电流波形图像组合形成一个新的图像作为下一步的输入;对输入的组合后的新的图像进行轴对称复制;将复制后的每张图片竖着切成若干份,计算每份的像素点个位数,作为特征图;
最大池化层,用于对特征图进行最大池化操作。
本实施例中,分类模块包括:ResNet模型;
所述ResNet模型包括四层网络以及最大池化层、全连接层和Softmax层;
第一层由3个残差模块构成;
第二层由降采样残差模块和3个残差模块构成;
第三层由降采样残差模块和5个残差模块构成;
第四层由降采样残差模块和2个残差模块构成。
本实施例中,降采样残差模块用于对输入进行二分之一降采样。
实施例3
本实施例提供一种存储一个或多个程序的存储器,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据前述的实施例1的方法中的任一方法。
实施例4
本实施例提供一种计算设备,包括,
一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据前述的实施例1的方法中的任一方法的指令。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、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装置。
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装置的制造品,该指令装置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。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (13)
1.一种判断直流电路状态的方法,其特征在于,包括:
获取一组直流***回路电流波形图像;
将所获取的回路电流波形图像进行预处理;
将预处理后的回路电流波形图像输入预先构建的ResNet分类模型,得到直流电路状态,包括稳定状态,发生电弧故障和回路中负载突变。
2.根据权利要求1所述的一种判断直流电路状态的方法,其特征在于,所述获取一组直流***回路电流波形图像,包括:
获取直流***回路电流,将每25ms的回路电流绘制一帧电流波形图像,按时间顺序绘制多帧流波形图像作为一组输入。
3.根据权利要求1所述的一种判断直流电路状态的方法,其特征在于,所述将所获取的回路电流波形图像进行预处理,包括:
对所述回路电流波形图像进行卷积和最大池化操作。
4.根据权利要求1所述的一种判断直流电路状态的方法,其特征在于,预先构建ResNet分类模型,包括:
通过实验采集直流***中3种不同状态的电流,包括稳定状态的电流、发生电弧故障的电流和回路中负载突变的电流;
将每25ms的电流绘制一帧电流波形图像,将该电流波形图像与该图像所对应的状态作为一个样本,得到训练样本集;
对训练样本集进行卷积及最大池化操作;
将最大池化操作的输出输入至ResNet模型中,进行训练,得到训练好的ResNet分类模型。
5.根据权利要求4所述的一种判断直流电路状态的方法,其特征在于,所述稳定状态的电流包括:含有突起的稳定状态的电流波形和不含突起的稳定状态的电流波形。
6.根据权利要求4所述的一种判断直流电路状态的方法,其特征在于,所述对训练样本集进行卷积及最大池化操作,包括:
将训练集中的样本按照时间顺序输入卷积层,将当前25ms绘成的电流波形图像减去上25ms绘成的电流波形图像组合形成一个新的图像作为下一步的输入;
对输入的组合后的新的图像进行轴对称复制;
将复制后的每张图片竖着切成若干份,计算每份的像素点个位数,作为特征图;
对特征图进行最大池化操作。
7.一种判断直流电路状态的***,其特征在于,包括:
采样模块,用于获取一组直流***回路电流波形图像;
预处理模块,用于将所获取的回路电流波形图像进行预处理,作为分类模型的输入;
分类模块,用于对直流电路状态进行分类,输出分类结果包括稳定状态,发生电弧故障和回路中负载突变。
8.根据权利要求7所述的一种判断直流电路状态的***,其特征在于,所述采样模块具体用于,
获取直流***回路电流,将每25ms的回路电流绘制一帧电流波形图像,按时间顺序绘制多帧流波形图像作为一组输入。
9.根据权利要求7所述的一种判断直流电路状态的***,其特征在于,所述预处理模块包括:
卷积层,用于将当前输入的25ms绘成的电流波形图像减去上25ms绘成的电流波形图像组合形成一个新的图像作为下一步的输入;对输入的组合后的新的图像进行轴对称复制;将复制后的每张图片竖着切成若干份,计算每份的像素点个位数,作为特征图;
最大池化层,用于对特征图进行最大池化操作。
10.根据权利要求7所述的一种判断直流电路状态的***,其特征在于,所述分类模块包括:ResNet模型;
所述ResNet模型包括四层网络以及最大池化层、全连接层和Softmax层;
第一层由3个残差模块构成;
第二层由降采样残差模块和3个残差模块构成;
第三层由降采样残差模块和5个残差模块构成;
第四层由降采样残差模块和2个残差模块构成。
11.根据权利要求10所述的一种判断直流电路状态的***,其特征在于,所述降采样残差模块用于对输入进行二分之一降采样。
12.一种存储一个或多个程序的存储器,其特征在于:所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据权利要求1至6所述的方法中的任一方法。
13.一种计算设备,其特征在于:包括,
一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据权利要求1至6所述的方法中的任一方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210935477.3A CN115311493B (zh) | 2022-08-04 | 2022-08-04 | 一种判断直流电路状态的方法、***、存储器及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210935477.3A CN115311493B (zh) | 2022-08-04 | 2022-08-04 | 一种判断直流电路状态的方法、***、存储器及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115311493A true CN115311493A (zh) | 2022-11-08 |
CN115311493B CN115311493B (zh) | 2023-06-20 |
Family
ID=83860817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210935477.3A Active CN115311493B (zh) | 2022-08-04 | 2022-08-04 | 一种判断直流电路状态的方法、***、存储器及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115311493B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101696986A (zh) * | 2009-10-26 | 2010-04-21 | 吴为麟 | 故障电弧检测方法及保护装置 |
CN102253293A (zh) * | 2011-05-30 | 2011-11-23 | 南京航空航天大学 | 一种直流电弧故障检测方法及装置 |
CN104408435A (zh) * | 2014-12-05 | 2015-03-11 | 浙江大学 | 一种基于随机池化卷积神经网络的人脸识别方法 |
CN110794243A (zh) * | 2019-11-14 | 2020-02-14 | 南方电网科学研究院有限责任公司 | 一种直流***故障诊断方法、***以及设备 |
WO2020186942A1 (zh) * | 2019-03-18 | 2020-09-24 | 腾讯科技(深圳)有限公司 | 目标检测方法、***、装置、存储介质和计算机设备 |
CN112240965A (zh) * | 2019-07-17 | 2021-01-19 | 南京南瑞继保工程技术有限公司 | 一种基于深度学习算法的接地选线装置及方法 |
CN114152844A (zh) * | 2021-11-19 | 2022-03-08 | 江苏方天电力技术有限公司 | 一种基于遗传算法优化残差网络模型的电弧检测方法 |
CN114252739A (zh) * | 2021-12-24 | 2022-03-29 | 国家电网有限公司 | 配电网单相接地故障判别方法、***、设备和存储介质 |
CN114441900A (zh) * | 2022-02-10 | 2022-05-06 | 国网四川省电力公司营销服务中心 | 一种配电网单相接地故障选线方法及*** |
-
2022
- 2022-08-04 CN CN202210935477.3A patent/CN115311493B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101696986A (zh) * | 2009-10-26 | 2010-04-21 | 吴为麟 | 故障电弧检测方法及保护装置 |
CN102253293A (zh) * | 2011-05-30 | 2011-11-23 | 南京航空航天大学 | 一种直流电弧故障检测方法及装置 |
CN104408435A (zh) * | 2014-12-05 | 2015-03-11 | 浙江大学 | 一种基于随机池化卷积神经网络的人脸识别方法 |
WO2020186942A1 (zh) * | 2019-03-18 | 2020-09-24 | 腾讯科技(深圳)有限公司 | 目标检测方法、***、装置、存储介质和计算机设备 |
CN112240965A (zh) * | 2019-07-17 | 2021-01-19 | 南京南瑞继保工程技术有限公司 | 一种基于深度学习算法的接地选线装置及方法 |
CN110794243A (zh) * | 2019-11-14 | 2020-02-14 | 南方电网科学研究院有限责任公司 | 一种直流***故障诊断方法、***以及设备 |
CN114152844A (zh) * | 2021-11-19 | 2022-03-08 | 江苏方天电力技术有限公司 | 一种基于遗传算法优化残差网络模型的电弧检测方法 |
CN114252739A (zh) * | 2021-12-24 | 2022-03-29 | 国家电网有限公司 | 配电网单相接地故障判别方法、***、设备和存储介质 |
CN114441900A (zh) * | 2022-02-10 | 2022-05-06 | 国网四川省电力公司营销服务中心 | 一种配电网单相接地故障选线方法及*** |
Non-Patent Citations (4)
Title |
---|
SUMYUNG GANG 等: "Character Recognition of Components Mounted on Printed Circuit Board Using Deep Learning", 《SENSORS》, pages 1 - 21 * |
付 荣 等: "基于 V-ResNet 的电阻抗层析成像方法", 《仪器仪表学报》, pages 279 - 288 * |
母立芳 等: "级联手工特征与深度特征的视频关键帧检测方法", 《信号处理》, pages 1871 - 1879 * |
陈涛: "三相电压源逆变器功率管开路故障诊断方法研究", pages 042 - 6 * |
Also Published As
Publication number | Publication date |
---|---|
CN115311493B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507914B (zh) | 人脸修复模型的训练方法、修复方法、装置、设备和介质 | |
CN113743514A (zh) | 一种基于知识蒸馏的目标检测方法及目标检测终端 | |
CN111160469B (zh) | 一种目标检测***的主动学习方法 | |
CN112508126B (zh) | 深度学习模型训练方法、装置、电子设备及可读存储介质 | |
CN108584598A (zh) | 一种电梯故障自动分析与预警方法、存储介质及智能终端 | |
CN112381763A (zh) | 一种表面缺陷检测方法 | |
CN113222883A (zh) | 处理异常检测的装置及方法 | |
CN116152254B (zh) | 工业泄露目标气体检测模型训练方法、检测方法、电子设备 | |
CN113792850A (zh) | 字体生成模型训练方法、字库建立方法、装置及设备 | |
CN116342624A (zh) | 一种结合特征融合与注意力机制的脑肿瘤图像分割方法 | |
CN115409855A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN113657468A (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
CN113420289A (zh) | 面向深度学习模型的隐蔽中毒攻击防御方法及其装置 | |
CN115311493A (zh) | 一种判断直流电路状态的方法、***、存储器及设备 | |
CN110855474B (zh) | Kqi数据的网络特征提取方法、装置、设备及存储介质 | |
CN116721091A (zh) | 一种布匹瑕疵检测方法、装置及可读介质 | |
CN116824609A (zh) | 文档版式检测方法、装置和电子设备 | |
CN112884730B (zh) | 一种协同显著性物体检测方法及*** | |
CN113256528B (zh) | 基于多尺度级联深度残差网络的低照度视频增强方法 | |
CN114943655A (zh) | 基于循环深度卷积生成对抗网络结构的图像修复*** | |
CN113962332A (zh) | 基于自优化融合反馈的显著目标识别方法 | |
CN115272819A (zh) | 一种基于改进Faster-RCNN的小目标检测方法 | |
CN113177599A (zh) | 一种基于gan的强化样本生成方法 | |
CN111935171A (zh) | 一种边缘计算下基于机器学习的终端安全策略选择方法 | |
CN111783957A (zh) | 模型量化训练方法、装置、机器可读存储介质及电子设备 |
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 |