CN115601674A - 一种输电工程烟雾隐患识别方法、装置及存储介质 - Google Patents

一种输电工程烟雾隐患识别方法、装置及存储介质 Download PDF

Info

Publication number
CN115601674A
CN115601674A CN202211191844.XA CN202211191844A CN115601674A CN 115601674 A CN115601674 A CN 115601674A CN 202211191844 A CN202211191844 A CN 202211191844A CN 115601674 A CN115601674 A CN 115601674A
Authority
CN
China
Prior art keywords
hidden danger
smoke
power transmission
network
data
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.)
Pending
Application number
CN202211191844.XA
Other languages
English (en)
Inventor
申朕
徐鹏翱
侯松
宋宁
朱言庆
张磊
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.)
Zhiyang Innovation Technology Co Ltd
Original Assignee
Zhiyang Innovation 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 Zhiyang Innovation Technology Co Ltd filed Critical Zhiyang Innovation Technology Co Ltd
Priority to CN202211191844.XA priority Critical patent/CN115601674A/zh
Publication of CN115601674A publication Critical patent/CN115601674A/zh
Pending legal-status Critical Current

Links

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
    • 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
    • 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
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种输电工程烟雾隐患识别方法、装置及存储介质。本发明中识别网络架构将DBG视频动作识别网络的中动作识别的输出特征与GMFlow全局匹配光流网络的输出光流特征级联操作之后输入到第一Transformer中进行深度的特征融合；在第一Transformer中，将进行目标特征提取后的特征图转化为输入输出序列，然后通过多头自我注意力层进行优化计算将多个注意输出线性连接到期望的维度；获取输电工程中含有烟雾隐患的隐患数据，通过隐患数据训练识别网络架构获取参数最终得到用于输电工程烟雾隐患的识别模型。本发明通过结合空间特征和时序特征进行烟雾检测，极大的降低了烟雾误报的频率并提升了预测的准确性。

Description

一种输电工程烟雾隐患识别方法、装置及存储介质
技术领域
本发明涉及输电工程烟雾隐患识别方法领域，尤其涉及一种输电工程烟雾隐患识别方法、装置及存储介质。
背景技术
烟雾隐患是影响输电工程安全问题最重要隐患之一，在一些山区输电线路海拔高时，可能遇到云雾场景，烟雾和云雾具有很强的相似性，存在识别难度大的问题。
人力识别能够很好的识别烟雾和云雾，然而人力巡检能力无法满足输电线路里程的提升，从而导致人工巡检的劳动强度大，无法全天候有效的进行隐患排查。而目前的图像检测算法，多是使用烟雾的形状或位置特征进行预测识别，但在某些场景下烟雾与云雾在形状和位置上差异较小，对于云雾和烟雾不能够很好的识别，从而导致误报率偏高。因此，需要建设一种具有烟雾隐患排查能力的算法模型，可以解放人力，替代人工进行输电线路及周围环境的隐患排查，保障输电工程建设过程中的安全和质量。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本发明提供一种输电工程烟雾隐患识别方法、装置及存储介质。
第一方面，本发明提供一种输电工程烟雾隐患识别方法，包括：构建融合DBG视频动作识别网络和GMFlow全局匹配光流网络的识别网络架构；所述识别网络架构将DBG视频动作识别网络中动作识别的输出特征与GMFlow全局匹配光流网络的输出光流特征级联操作之后输入到第一Transformer中进行深度的特征融合；在第一 Transformer中，将进行目标特征提取后的特征图转化为输入输出序列，然后通过多头自我注意力层进行优化计算将多个注意输出线性连接到期望的维度；获取输电工程中含有烟雾隐患的隐患数据，通过隐患数据训练识别网络架构获取参数最终得到用于输电工程烟雾隐患的识别模型。
更进一步地，获取输电工程中含有烟雾隐患场景的隐患数据，将隐患数据按预设比例划分为训练集、验证集和测试集；训练集、验证集和测试集的预设划分比例为7：1：2；所述隐患数据为等时间间隔连续的RGB图。
更进一步地，将训练集预处理后输入到识别网络架构经多次迭代优化进行识别模型的训练，训练过程中，对于获得的识别模型检测其在预处理的验证集上的表现，根据表现选出最优的参数形成识别模型，生成的识别模型对预处理的测试集进行测试。
更进一步地，将隐患数据按照DBG视频动作识别网络和GMFlow 全局匹配光流网络的需求进行所述预处理，处理手段包括：数据增强、分帧、尺寸变换和归一化处理；其中，对于同一隐患数据通过随机缩放、随机裁剪、高斯模糊进行数据增强。
更进一步地，多次迭代优化进行识别模型的训练时采用adam优化器进行梯度更新，使用AUC和mIoU作为评价指标。
更进一步地，通过时间网络和空间网络对隐患数据的内容进行编码然后输入到DBG视频动作识别网络，所述DBG视频动作识别网络包括：DSB双流基网、TBC时间边界分类模块和ACR动作感知完全回归模块，其中，DSB双流基网以编码后隐患数据的时序特征和空间特征为输入，将一维卷积处理的空间特征、一维卷积处理的时间特征以及一维卷积处理的时间特征和空间特征的元素级和三者均值融合并经特征生成层处理后输入到ACR动作感知完全回归模块，将卷积处理的时间特征和空间特征和经特征生成层处理后输入到TBC时间边界分类模块，ACR动作感知完全回归模块输出行动完整性评分图，TBC时间边界分类模块输出时间边界置信图。
更进一步地，GMFlow全局匹配光流网络包括包括共享权重的卷积层，通过共享权重的卷积层对时序上相邻的隐患数据帧进行下采样，对下采样得到的特征添加位置特征得到深度特征，并输入到第二 Transformer中利用交叉注意力机制建模相邻隐患数据帧的深度特征相互依赖关系并据其进行全局匹配。
更进一步地，利用大规模公共数据集预训练识别网络架构，识别网络架构在导入预训练网络参数后在隐患数据上重新训练。
第二方面，本发明提供一种输电工程烟雾隐患识别装置，包括：至少一采集单元、处理单元、存储单元和总线单元，所述采集单元通过网络或者通讯线路连接总线单元，用于采集隐患数据，所述总线单元连接处理单元和存储单元，所述存储单元存储至少一指令及隐患数据，所述处理单元读取并执行所述指令实现如权利要求1-8任一所述的输电工程烟雾隐患识别方法。
第三方面，本发明提供一种输电工程烟雾隐患识别方法的存储介质，所述存储介质存储计算机程序，所述计算机程序被处理器执行时，实现所述的输电工程烟雾隐患识别方法。
本发明实施例提供的上述技术方案与现有技术相比具有如下优点：
本发明通过将视频动作识别网络DBG和全局匹配光流网络 GMFlow相结合，将两者对隐患数据的预测信息进行融合，在全局匹配光流网络GMFlow提供的光流信息对视频动作识别网络DBG动作特征的引导下，使得算法较易摆脱局部最优从而更快收敛全局最优点，加强了视频上下文的依赖关系，并增强了特征的提取能力，降低背景干扰，从而实现更准确的隐患排查。本发明不只关注烟雾的空间特征如形状、颜色和位置，还关注于在一段时间序列内烟雾的时序特征如运动方向和速度。通过结合空间特征和时序特征进行烟雾检测，极大的降低了烟雾误报的频率并提升了预测的准确性。本发明使用全局匹配网络GMFlow提取烟雾隐患数据的光流特征，光流特征清晰的以运动烟雾为前景特征和无关场景为后景噪声，光流特征不仅携带了烟雾散发时的运动信息，而且还携带了烟雾的丰富的三维结构信息，排除无关项的干扰，从而进一步降低误报频率。本发明将以上两种网络的输出特征进行融合，在全局匹配网络GMFlow首先判断出运动物体的情况下，预测其动作或运动的变化情况，据此对烟雾进行有效识别。最终实现对输电工程建设过程中的烟雾隐患进行检测。本发明提高了整体识别算法的鲁棒性，并在复杂场景下具有更好的定位能力，对小时长片段的识别也有较好的结果。提高了整体识别算法的泛化性和迁移能力，在模型未接触过的场景上应用有较好的识别效果。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
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，对于本领域普通技术人员而言，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为本发明实施例提供的一种输电工程烟雾隐患识别方法的流程图；
图2为本发明实施例提供的控制器的架构示意图；
图3为本发明实施例提供的寄存器堆模块的架构示意图；
图4为本发明实施例提供的数据流控制模块的架构的示意图；
图5为本发明实施例提供的算法引擎核模块的架构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明的一部分实施例，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做出创造性劳动的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。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
实施例1
参阅图1所示，本发明提供一种输电工程烟雾隐患识别方法，包括：
S100，获取输电工程中含有烟雾隐患场景的隐患数据，所述隐患数据为等时间间隔连续的RGB图，可从视频格式数据取帧获得等时间间隔连续的RGB图；将隐患数据按预设比例划分为训练集、验证集和测试集；具体实施过程中，一种可行的训练集、验证集和测试集的预设划分比例为7：1：2。
S200，构建融合DBG视频动作识别网络和GMFlow全局匹配光流网络的识别网络架构。所述识别网络架构将DBG视频动作识别网络中动作识别的输出特征与GMFlow全局匹配光流网络的输出光流特征级联操作(Concatenate)之后输入到第一Transformer中进行深度的特征融合；在第一Transformer中，将进行目标特征提取后的特征图转化为输入输出序列，然后通过多头自我注意力层进行优化计算将多个注意输出线性连接到期望的维度。
具体实施过程中，参阅图2所示，通过时间网络和空间网络对隐患数据的内容进行编码然后输入到DBG视频动作识别网络，所述DBG 视频动作识别网络包括：DSB双流基网、TBC时间边界分类模块和ACR 动作感知完全回归模块，其中，DSB双流基网以编码后隐患数据的时序特征和空间特征为输入，将一维卷积处理的空间特征、一维卷积处理的时间特征以及一维卷积处理的时间特征和空间特征的元素级和三者均值融合并经特征生成层处理后输入到ACR动作感知完全回归模块，将卷积处理的时间特征和空间特征和经特征生成层处理后输入到TBC时间边界分类模块，ACR动作感知完全回归模块输出行动完整性评分图，TBC时间边界分类模块输出时间边界置信图。
具体实施过程中，参阅图3所示，GMFlow全局匹配光流网络包括包括共享权重的卷积层，通过共享权重的卷积层对时序上相邻的隐患数据帧进行下采样，对下采样得到的特征添加位置特征得到深度特征，将深度特征输入到第二Transformer中利用交叉注意力机制建模相邻隐患数据帧的深度特征相互依赖关系并据其进行全局匹配。通过 GMFlow全局匹配光流网络建模隐患数据帧间关系，提取得到涵盖图像前后的运动性的光流信息，使用交叉注意力机制建模隐患数据帧间的相互依赖关系和像素点间的关联性，在无遮挡的情况下根据相似度进行全局匹配，得到的光流特征用以指导时序动作特征。
在步骤S200中，利用DBG视频动作识别网络关注隐患数据的时序动作特征(DBG视频动作识别网络中动作识别的输出特征)，利用 GMflow全局匹配光流网络捕获隐患数据中目标的相对运行性(GMFlow 全局匹配光流网络的输出光流特征)，将时序动作特征和相对运动性级联操作(Concatenate)之后输入到第一Transformer中进行深度的特征融合；在第一Transformer中，将进行目标特征提取后的特征图转化为输入输出序列，然后通过多头自我注意力层进行优化计算将多个注意输出线性连接到期望的维度，在光流特征对时序动作特征的引导下，使得算法较易摆脱局部最优从而更快收敛全局最优点，以实现更准确的隐患排查。
S300，通过隐患数据训练识别网络架构获取参数最终得到用于输电工程烟雾隐患的识别模型。
将训练集预处理后输入到识别网络架构经多次迭代优化进行识别模型的训练，训练过程中，对于获得的识别模型检测其在预处理的验证集上的表现，根据表现选出最优的参数形成识别模型。
具体实施过程中，将隐患数据按照DBG视频动作识别网络和GMFlow全局匹配光流网络的需求进行所述预处理，处理手段包括：
采用数据增强的方式来增加数据量，对于同一隐患数据通过随机缩放、随机裁剪、高斯模糊进行数据增强。
对于视频类的隐患数据按照设定的时间间隔进行分帧、如按照 1s的时间间隔。
对于输入到所述识别网络架构中的隐患数据图像，按照DBG视频动作识别网络和GMFlow全局匹配光流网络的需求进行尺寸变换；如 DBG视频动作识别网络和GMFlow全局匹配光流网络需要512*512像素的图则将隐患数据图像缩放成512*512像素的。
对于输入到所述识别网络架构中的隐患数据图像的像素值归一化处理。
作为一种可行的实施方式，在对所述识别网络架构进行训练得到识别模型时，利用大规模公共数据集预训练识别网络架构，识别网络架构在导入预训练网络参数后在隐患数据上重新训练。提高了整体识别模型的泛化性和迁移能力，在模型未接触过的场景上应用有较好的识别效果。
多次迭代优化进行识别模型的训练时采用adam优化器进行梯度更新，使用AUC和mIoU作为评价指标。
训练初期快速学习到图像的通用特征，后期可选择冻结上层权重参数，进行下层权重值的参数微调，使之识别模型能够更加聚焦于需要识别的区域。
S400，对生成的识别模型进行测试验证识别效果。生成的识别模型对预处理的测试集进行测试验证识别效果。根据测试集的测试结果判断识别模型是否发生过拟合。
实施例2
参阅图4所示，本发明实施例提供一种输电工程烟雾隐患识别装置，包括：至少一采集单元、处理单元、存储单元和总线单元，所述采集单元通过网络或者通讯线路连接总线单元，用于采集隐患数据，所述总线单元连接处理单元和存储单元，所述存储单元存储至少一指令及隐患数据，所述处理单元读取并执行所述指令实现所述的输电工程烟雾隐患识别方法。
实施例3
本发明实施例提供一种输电工程烟雾隐患识别方法的存储介质，所述存储介质存储计算机程序，所述计算机程序被处理器执行时，实现所述的输电工程烟雾隐患识别方法。
实施例4
参阅图5所示，基于实施例1的一种输电工程烟雾隐患识别方法，本发明实施例提供一种输电工程烟雾隐患识别***，包括：采集模块，构建模块，训练模块和测试模块。
所述采集模块用于获取输电工程中含有烟雾隐患场景的隐患数据；并将隐患数据按预设比例划分为训练集、验证集和测试集；具体实施过程中，一种可行的训练集、验证集和测试集的预设划分比例为 7：1：2。
所述构建模块用于构建融合DBG视频动作识别网络和GMFlow全局匹配光流网络的识别网络架构。所述识别网络架构将DBG视频动作识别网络中动作识别的输出特征与GMFlow全局匹配光流网络的输出光流特征级联操作(Concatenate)之后输入到第一Transformer中进行深度的特征融合；在第一Transformer中，将进行目标特征提取后的特征图转化为输入输出序列，然后通过多头自我注意力层进行优化计算将多个注意输出线性连接到期望的维度。
所述训练模块用于利用训练集数据对识别网络架构的参数进行训练，并保存在验证集上表现最优的参数得到识别模型。
所述测试模块用于识别模型在测试集上进行测试，验证识别模型的识别效果。
在本发明所提供的几个实施例中，应该理解到，所揭露的模块和单元，可以通过其它的方式实现。例如，以上所描述的结构实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，***或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述，但本发明并不限于此。在不脱离本发明的精神和实质的前提下，本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换，而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种输电工程烟雾隐患识别方法，其特征在于，包括：构建融合DBG视频动作识别网络和GMFlow全局匹配光流网络的识别网络架构；所述识别网络架构将DBG视频动作识别网络的中动作识别的输出特征与GMFlow全局匹配光流网络的输出光流特征级联操作之后输入到第一Transformer中进行深度的特征融合；在第一Transformer中，将进行目标特征提取后的特征图转化为输入输出序列，然后通过多头自我注意力层进行优化计算将多个注意输出线性连接到期望的维度；获取输电工程中含有烟雾隐患的隐患数据，通过隐患数据训练识别网络架构获取参数最终得到用于输电工程烟雾隐患的识别模型。
2.根据权利要求1所述的输电工程烟雾隐患识别方法，其特征在于，获取输电工程中含有烟雾隐患场景的隐患数据，将隐患数据按预设比例划分为训练集、验证集和测试集；训练集、验证集和测试集的预设划分比例为7：1：2；所述隐患数据为等时间间隔连续的RGB图。
3.根据权利要求2所述的输电工程烟雾隐患识别方法，其特征在于，将训练集预处理后输入到识别网络架构经多次迭代优化进行识别模型的训练，训练过程中，对于获得的识别模型检测其在预处理的验证集上的表现，根据表现选出最优的参数形成识别模型，生成的识别模型对预处理的测试集进行测试。
4.根据权利要求3所述的输电工程烟雾隐患识别方法，其特征在于，将隐患数据按照DBG视频动作识别网络和GMFlow全局匹配光流网络的需求进行所述预处理，处理手段包括：数据增强、分帧、尺寸变换和归一化处理；其中，对于同一隐患数据通过随机缩放、随机裁剪、高斯模糊进行数据增强。
5.根据权利要求3所述的输电工程烟雾隐患识别方法，其特征在于，多次迭代优化进行识别模型的训练时采用adam优化器进行梯度更新，使用AUC和mIoU作为评价指标。
6.根据权利要求1所述的输电工程烟雾隐患识别方法，其特征在于，通过时间网络和空间网络对隐患数据的内容进行编码然后输入到DBG视频动作识别网络，所述DBG视频动作识别网络包括：DSB双流基网、TBC时间边界分类模块和ACR动作感知完全回归模块，其中，DSB双流基网以编码后隐患数据的时序特征和空间特征为输入，将一维卷积处理的空间特征、一维卷积处理的时间特征以及一维卷积处理的时间特征和空间特征的元素级和三者均值融合并经特征生成层处理后输入到ACR动作感知完全回归模块，将卷积处理的时间特征和空间特征和经特征生成层处理后输入到TBC时间边界分类模块，ACR动作感知完全回归模块输出行动完整性评分图，TBC时间边界分类模块输出时间边界置信图。
7.根据权利要求1所述的输电工程烟雾隐患识别方法，其特征在于，GMFlow全局匹配光流网络包括包括共享权重的卷积层，通过共享权重的卷积层对时序上相邻的隐患数据帧进行下采样，对下采样得到的特征添加位置特征得到深度特征，并输入到第二Transformer中利用交叉注意力机制建模相邻隐患数据帧的深度特征相互依赖关系并据其进行全局匹配。
8.根据权利要求1所述的输电工程烟雾隐患识别方法，其特征在于，利用大规模公共数据集预训练识别网络架构，识别网络架构在导入预训练网络参数后在隐患数据上重新训练。
9.一种输电工程烟雾隐患识别装置，其特征在于，包括：至少一采集单元、处理单元、存储单元和总线单元，所述采集单元通过网络或者通讯线路连接总线单元，用于采集隐患数据，所述总线单元连接处理单元和存储单元，所述存储单元存储至少一指令及隐患数据，所述处理单元读取并执行所述指令实现如权利要求1-8任一所述的输电工程烟雾隐患识别方法。
10.一种输电工程烟雾隐患识别方法的存储介质，所述存储介质存储计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-8任一所述的输电工程烟雾隐患识别方法。
CN202211191844.XA 2022-09-28 2022-09-28 一种输电工程烟雾隐患识别方法、装置及存储介质 Pending CN115601674A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211191844.XA CN115601674A (zh) 2022-09-28 2022-09-28 一种输电工程烟雾隐患识别方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211191844.XA CN115601674A (zh) 2022-09-28 2022-09-28 一种输电工程烟雾隐患识别方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN115601674A true CN115601674A (zh) 2023-01-13

Family

ID=84844716

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211191844.XA Pending CN115601674A (zh) 2022-09-28 2022-09-28 一种输电工程烟雾隐患识别方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN115601674A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117037288A (zh) * 2023-10-08 2023-11-10 之江实验室 基于Transformer双流融合网络的多模态人体动作识别方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117037288A (zh) * 2023-10-08 2023-11-10 之江实验室 基于Transformer双流融合网络的多模态人体动作识别方法及装置

Similar Documents

Publication Publication Date Title
CN112633231B (zh) 一种火灾识别的方法和装置
CN110633632A (zh) 一种基于循环指导的弱监督联合目标检测和语义分割方法
CN113642474A (zh) 一种基于yolov5的危险区域人员监控方法
CN111199238A (zh) 一种基于双流卷积神经网络的行为识别方法及设备
CN113128481A (zh) 一种人脸活体检测方法、装置、设备及存储介质
CN114998830A (zh) 一种变电站人员安全帽佩戴检测方法及***
Geng et al. An improved helmet detection method for YOLOv3 on an unbalanced dataset
CN112668672A (zh) 基于TensorRT的目标检测模型加速方法及装置
CN114708518A (zh) 基于半监督学习与先验知识嵌入策略的螺栓缺陷检测方法
CN116579616A (zh) 一种基于深度学习的风险识别方法
CN115272882A (zh) 一种基于遥感影像的离散建筑物检测方法及***
CN115601674A (zh) 一种输电工程烟雾隐患识别方法、装置及存储介质
CN111275694A (zh) 一种注意力机制引导的递进式划分人体解析模型及方法
CN114332071A (zh) 一种基于前景信息增强的视频异常检测方法
CN114219763A (zh) 基于Faster RCNN算法的配电设备异常发热点红外图片检测方法
CN117671450A (zh) 一种基于transformer的属地网络图像内容***的DETR架构方法
CN116168438A (zh) 关键点检测方法、装置及电子设备
CN115620083A (zh) 模型训练方法、人脸图像质量评价方法、设备及介质
CN115393802A (zh) 一种基于小样本学习的铁路场景不常见入侵目标识别方法
CN114898140A (zh) 一种基于paa算法的行为检测方法、装置及可读介质
CN114663953A (zh) 一种基于面部关键点和深度神经网络的人脸表情识别方法
CN114140879A (zh) 基于多头级联注意网络与时间卷积网络的行为识别方法及装置
CN117152668B (zh) 一种基于物联网的智慧后勤实现方法、装置及设备
Ramani et al. Automatic Feature Extraction from High-Resolution Satellite Imagery using Deep Learning techniques
CN117671584A (zh) 人员聚集区域的检测方法、装置、设备、介质及产品

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