CN116026528A - 一种高防水安全型三防灯 - Google Patents
一种高防水安全型三防灯 Download PDFInfo
- Publication number
- CN116026528A CN116026528A CN202310061219.1A CN202310061219A CN116026528A CN 116026528 A CN116026528 A CN 116026528A CN 202310061219 A CN202310061219 A CN 202310061219A CN 116026528 A CN116026528 A CN 116026528A
- Authority
- CN
- China
- Prior art keywords
- matrix
- humidity
- scale
- feature
- vector
- 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
Links
- 239000011159 matrix material Substances 0.000 claims abstract description 244
- 239000013598 vector Substances 0.000 claims description 191
- 230000008859 change Effects 0.000 claims description 148
- 238000000605 extraction Methods 0.000 claims description 72
- 238000013527 convolutional neural network Methods 0.000 claims description 25
- 230000007246 mechanism Effects 0.000 claims description 22
- 230000004927 fusion Effects 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000001427 coherent effect Effects 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000009412 basement excavation Methods 0.000 abstract description 3
- 241001465382 Physalis alkekengi Species 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 29
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000005457 optimization Methods 0.000 description 7
- HDDSHPAODJUKPD-UHFFFAOYSA-N fenbendazole Chemical compound C1=C2NC(NC(=O)OC)=NC2=CC=C1SC1=CC=CC=C1 HDDSHPAODJUKPD-UHFFFAOYSA-N 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000007547 defect Effects 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 230000007797 corrosion Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000003647 oxidation Effects 0.000 description 3
- 238000007254 oxidation reaction Methods 0.000 description 3
- 241000258971 Brachiopoda Species 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
Images
Classifications
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
- Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请涉及照明灯具技术领域，且更为具体的涉及一种高防水安全型三防灯。其中，所述高防水安全型三防灯能够通过对于实时采集的表面图像进行深度的特征挖掘，并且利用表面图像特征与所述三防灯表面的湿度特征之间的转移矩阵来评估在不同湿度环境中三防灯表面的防水特性是否满足要求，进而进行智能预警，以提高三防灯的安全性。
Description
技术领域
本申请涉及照明灯具技术领域，且更为具体的涉及一种高防水安全型三防灯。
背景技术
三防灯是一类防水、防尘、防腐的灯具，防护等级IP65，适用于食品厂，停车场，工厂，货场等场所的照明。现有三防灯结构较为复杂，多为注塑上下灯壳，光源使用T管光源。
虽然三防灯具有相对较强的防水能力，但是如果将三防灯长时间被置放于潮湿或水下环境中，由于三防灯的表面被氧化或腐蚀，水就容易从这些缝隙中进入灯管体，进而导致灯管发生损坏，安全性不足。
现有的改进方案大多沿着材料优化或结构优化的方向来提升三防灯的防水性以提高其安全性，这种优化也取得了良好的效果，但是由于无法得知三防灯在使用过程的防水性能的变化，因此，其永远无法得知三防灯何时会发生水泄露而导致三防灯失效。
因此，期待一种优化的高防水安全型三防灯。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种高防水安全型三防灯，其中，所述高防水安全型三防灯能够通过对于实时采集的表面图像进行深度的特征挖掘，并且利用表面图像特征与所述三防灯表面的湿度特征之间的转移矩阵来评估在不同湿度环境中三防灯表面的防水特性是否满足要求，进而进行智能预警，以提高三防灯的安全性。
根据本申请的一个方面，提供了一种高防水安全型三防灯，其包括：
数据监控与采集模块，用于获取由部署于三防灯表面的湿度传感器采集的预定时间段内多个预定时间点的三防灯表面的湿度值以及由部署于所述三防灯内的摄像头采集的所述三防灯的表面图像；
表面状态分析模块，用于将所述三防灯的表面图像通过使用空间注意力机制的卷积神经网络模型以得到表面特征矩阵；
湿度特征提取模块，用于将所述预定时间段内多个预定时间点的三防灯表面的湿度值按照时间维度排列为湿度输入向量后通过多尺度邻域特征提取模块以得到多尺度湿度变化特征向量；
高斯增强模块，用于使用高斯密度图对所述多尺度湿度变化特征向量进行数据增强以得到多尺度湿度变化矩阵；
特征校正模块，用于对所述多尺度湿度变化矩阵的特征分布进行校正以得到校正后多尺度湿度变化矩阵；
特征融合模块，用于融合所述表面特征矩阵和所述多尺度湿度变化矩阵以得到分类特征矩阵；以及预警模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生安全预警提示。
在上述高防水安全型三防灯中，所述表面状态分析模块，进一步用于：对所述卷积神经网络模型的各层在层的正向传递中对输入数据进行：将所述三防灯的表面图像输入所述卷积神经网络模型的多层卷积层以由所述多层卷积层的最后一层输出初始表面状态特征矩阵；将所述初始表面状态特征矩阵输入所述卷积神经网络模型的空间注意力模块以得到空间注意力矩阵；以及，计算所述空间注意力矩阵和所述初始表面状态特征矩阵的按位置点乘以得到所述表面特征矩阵。
在上述高防水安全型三防灯中，所述湿度特征提取模块，包括：第一尺度特征提取单元，用于将所述湿度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度湿度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度特征提取单元，用于将所述湿度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度湿度特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，多尺度级联单元，用于将所述第一尺度湿度特征向量和所述第二尺度湿度特征向量进行级联以得到所述多尺度湿度变化特征向量。
在上述高防水安全型三防灯中，所述第一尺度特征提取单元，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述湿度输入向量进行一维卷积编码以得到所述第一尺度湿度特征向量；其中，所述公式为：
其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述湿度输入向量。
在上述高防水安全型三防灯中，所述第二尺度特征提取单元，进一步用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述湿度输入向量进行一维卷积编码以得到所述第二尺度湿度特征向量；其中，所述公式为：
其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述湿度输入向量。
在上述高防水安全型三防灯中，所述高斯增强模块，包括：高斯密度图构造单元，用于构造所述多尺度湿度变化特征向量的自高斯密度图，其中，所述自高斯密度图的均值向量为所述多尺度湿度变化特征向量，所述高斯密度图的协方差矩阵中各个位置的值为所述多尺度湿度变化特征向量中相应两个位置的特征值之间的方差；以及，高斯离散单元，用于对所述高斯密度图的各个位置的高斯分布进行离散化以得到所述多尺度湿度变化矩阵。
在上述高防水安全型三防灯中，所述特征校正模块，进一步用于：以如下公式对所述多尺度湿度变化矩阵进行基于预分类的类概率相干补偿机制校正以得到所述校正后多尺度湿度变化矩阵；其中，所述公式为：
M′＝pp·Mp-1⊙e-p·M
其中M是所述多尺度湿度变化矩阵，p是所述多尺度湿度变化矩阵M通过所述分类器进行预分类而获得的概率值，⊙表示按位置点乘。
在上述高防水安全型三防灯中，所述特征融合模块，进一步用于：以如下公式融合所述表面特征矩阵和所述多尺度湿度变化矩阵以得到分类特征矩阵；其中，所述公式为：
其中M1表示所述表面特征矩阵，M2表示所述多尺度湿度变化矩阵，M表示所述分类特征矩阵，
表示矩阵相乘。
在上述高防水安全型三防灯中，所述预警模块，包括：矩阵展开单元，用于将所述分类特征矩阵按照行向量或者列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面，还提供了一种高防水安全型三防灯的运行方法，其包括：
获取由部署于三防灯表面的湿度传感器采集的预定时间段内多个预定时间点的三防灯表面的湿度值以及由部署于所述三防灯内的摄像头采集的所述三防灯的表面图像；
将所述三防灯的表面图像通过使用空间注意力机制的卷积神经网络模型以得到表面特征矩阵；
将所述预定时间段内多个预定时间点的三防灯表面的湿度值按照时间维度排列为湿度输入向量后通过多尺度邻域特征提取模块以得到多尺度湿度变化特征向量；
使用高斯密度图对所述多尺度湿度变化特征向量进行数据增强以得到多尺度湿度变化矩阵；
对所述多尺度湿度变化矩阵的特征分布进行校正以得到校正后多尺度湿度变化矩阵；
融合所述表面特征矩阵和所述多尺度湿度变化矩阵以得到分类特征矩阵；以及将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生安全预警提示。
在上述高防水安全型三防灯的运行方法中，所述将所述三防灯的表面图像通过使用空间注意力机制的卷积神经网络模型以得到表面特征矩阵，包括：对所述卷积神经网络模型的各层在层的正向传递中对输入数据进行：将所述三防灯的表面图像输入所述卷积神经网络模型的多层卷积层以由所述多层卷积层的最后一层输出初始表面状态特征矩阵；将所述初始表面状态特征矩阵输入所述卷积神经网络模型的空间注意力模块以得到空间注意力矩阵；以及，计算所述空间注意力矩阵和所述初始表面状态特征矩阵的按位置点乘以得到所述表面特征矩阵。
在上述高防水安全型三防灯的运行方法中，所述将所述预定时间段内多个预定时间点的三防灯表面的湿度值按照时间维度排列为湿度输入向量后通过多尺度邻域特征提取模块以得到多尺度湿度变化特征向量，包括：将所述湿度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度湿度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述湿度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度湿度特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一尺度湿度特征向量和所述第二尺度湿度特征向量进行级联以得到所述多尺度湿度变化特征向量。
在上述高防水安全型三防灯的运行方法中，所述将所述湿度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度湿度特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述湿度输入向量进行一维卷积编码以得到所述第一尺度湿度特征向量；其中，所述公式为：
其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述湿度输入向量。
在上述高防水安全型三防灯的运行方法中，所述第将所述湿度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度湿度特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述湿度输入向量进行一维卷积编码以得到所述第二尺度湿度特征向量；其中，所述公式为：
其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述湿度输入向量。
在上述高防水安全型三防灯的运行方法中，所述使用高斯密度图对所述多尺度湿度变化特征向量进行数据增强以得到多尺度湿度变化矩阵，包括：构造所述多尺度湿度变化特征向量的自高斯密度图，其中，所述自高斯密度图的均值向量为所述多尺度湿度变化特征向量，所述高斯密度图的协方差矩阵中各个位置的值为所述多尺度湿度变化特征向量中相应两个位置的特征值之间的方差；以及，对所述高斯密度图的各个位置的高斯分布进行离散化以得到所述多尺度湿度变化矩阵。
在上述高防水安全型三防灯的运行方法中，所述对所述多尺度湿度变化矩阵的特征分布进行校正以得到校正后多尺度湿度变化矩阵，包括：以如下公式对所述多尺度湿度变化矩阵进行基于预分类的类概率相干补偿机制校正以得到所述校正后多尺度湿度变化矩阵；其中，所述公式为：
M′＝pp·Mp-1⊙e-p·M
其中M是所述多尺度湿度变化矩阵，p是所述多尺度湿度变化矩阵M通过所述分类器进行预分类而获得的概率值，⊙表示按位置点乘。
在上述高防水安全型三防灯的运行方法中，所述融合所述表面特征矩阵和所述多尺度湿度变化矩阵以得到分类特征矩阵，包括：以如下公式融合所述表面特征矩阵和所述多尺度湿度变化矩阵以得到分类特征矩阵；其中，所述公式为：
其中M1表示所述表面特征矩阵，M2表示所述多尺度湿度变化矩阵，M表示所述分类特征矩阵，
表示矩阵相乘。
在上述高防水安全型三防灯的运行方法中，所述将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生安全预警提示，包括：将所述分类特征矩阵按照行向量或者列向量展开为分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
与现有技术相比，本申请提供的高防水安全型三防灯，其中，所述高防水安全型三防灯能够通过对于实时采集的表面图像进行深度的特征挖掘，并且利用表面图像特征与所述三防灯表面的湿度特征之间的转移矩阵来评估在不同湿度环境中三防灯表面的防水特性是否满足要求，进而进行智能预警，以提高三防灯的安全性。
附图说明
图1图示了根据本申请实施例的高防水安全型三防灯的应用场景图。
图2图示了根据本申请实施例的高防水安全型三防灯的框图。
图3图示了根据本申请实施例的高防水安全型三防灯的***架构图。
图4图示了根据本申请实施例的高防水安全型三防灯中湿度特征提取模块的框图。
图5图示了根据本申请实施例的高防水安全型三防灯中预警模块的框图。
图6图示了根据本申请实施例的高防水安全型三防灯的运行方法的流程图。
附图标号：100-高防水安全型三防灯,110-数据监控与采集模块,120-表面状态分析模块,130-湿度特征提取模块,140-高斯增强模块,150-特征校正模块,160-特征融合模块,170-预警模块,131-第一尺度特征提取单元,132-第二尺度特征提取单元,133-多尺度级联单元,171-矩阵展开单元,172-全连接编码单元,173-分类单元。
具体实施方式
下面结合附图和实施例对本发明进一步地进行说明。
实施例
如上所述，虽然三防灯具有相对较强的防水能力，但是如果将三防灯长时间被置放于潮湿或水下环境中，由于三防灯的表面被氧化或腐蚀，水就容易从这些缝隙中进入灯管体，进而导致灯管发生损坏，安全性不足。现有的改进方案大多沿着材料优化或结构优化的方向来提升三防灯的防水性以提高其安全性，但是由于无法得知三防灯在使用过程的防水性能的变化，因此，其永远无法得知三防灯何时会发生水泄露而导致三防灯失效。
因此，期待一种优化的高防水安全型三防灯，其能够对三防灯的表面防水性能进行实时监测并基于三防灯表面的湿度特征来进行智能预警，以提高三防灯的安全性。
具体地，在本申请的技术方案中，三防灯表面的防水特性可通过由部署于三防灯内的摄像头所采集的三防灯表面图像来表示，应可以理解，如果观察到三防灯表面存在裂缝或刮痕等表面缺陷，则可以认为三防灯的防水性能被弱化。进一步地，在进行三防灯安全预警时，除了要观察三防灯表面的防水特性，还需要考虑当下的三防灯表面的湿度情况，应可以理解，如果三防灯的表面湿度较低，则对三防灯的防水性能要求相对较低，则如果三防灯的表面湿度较大，在对三防灯的防水性能要求相对较高。
具体地，首先获取由部署于三防灯表面的湿度传感器采集的预定时间段内多个预定时间点的三防灯表面的湿度值以及由部署于所述三防灯内的摄像头采集的所述三防灯的表面图像。
然后，将所述三防灯的表面图像通过使用空间注意力机制的卷积神经网络模型以得到表面特征矩阵。也就是，在本申请的技术方案中，使用在图像特征提取领域具有优异性能表面的卷积神经网络模型作为特征提取器来提取三防灯表面的表面状态特征，用以表示三防灯的防水特性。特别地，考虑到如果三防灯的表面状态发生变化，例如出现裂纹、刮痕等，其虽然会在图像中被感知到，但是，因裂纹、刮痕等属于浅层线条特征，在进行提取时，不仅容易与其他浅层特征混淆，还容易在卷积编码过程中随着编码深度的加深而导致特征被模糊甚至被忽略。因此，在本申请的技术方案中，将空间注意力机制集成于所述卷积神经网络模型以使得用于表示表面缺陷的表面特征在进行特征提取中被施予更高的关注度，从而提高表面状态特征提取的精准度。
针对所述预定时间段内多个预定时间点的三防灯表面的湿度值，首先将所述预定时间段内多个预定时间点的三防灯表面的湿度值按照时间维度排列为湿度输入向量后通过多尺度邻域特征提取模块以得到多尺度湿度变化特征向量。也就是，使用包含多个并行的一维卷积层的多尺度邻域特征提取模块作为特征提取器来捕捉不同时间跨度内的湿度分布的模式特征以得到所述多尺度湿度变化特征向量。
但是，因所述三防灯表面的湿度值在其源域端的数据量较少，即便所述多尺度邻域特征提取模块能够因其模型结构的特殊性而提取出颇为丰富的湿度特征，但是，源域端的数据量稀疏仍会导致湿度特征表示略显贫瘠。特别地，在本申请的技术方案中，使用高斯密度图思想来对所述湿度特征分布进行数据增强。
具体地，高斯密度图在深度学习中，广泛地用于基于先验的目标后验的估计，因此可以用于修正数据分布，从而实现上述目的。具体地，首先构造所述多尺度湿度变化特征向量的自高斯密度图，其中，所述自高斯密度图的均值向量为所述多尺度湿度变化特征向量，所述高斯密度图的协方差矩阵中各个位置的值为所述多尺度湿度变化特征向量中相应两个位置的特征值之间的方差。然后，对所述高斯密度图中各个位置的高斯分布进行高斯离散化以得到多尺度湿度变化矩阵。
在本申请的技术方案中，在使用高斯密度图对所述多尺度湿度变化特征向量进行数据增强以得到多尺度湿度变化矩阵时，由于对高斯密度图进行的高斯离散化不可避免地会在所述多尺度湿度变化矩阵中引入部分的局部随机分布，因此在融合所述表面特征矩阵和所述多尺度湿度变化矩阵得到分类特征矩阵时，期望抑制这种局部随机分布对分类结果的负面影响。
因此，优选地，对所述多尺度湿度变化矩阵进行基于预分类的类概率相干补偿机制校正，表示为：
M′＝pp·Mp-1⊙e-p·M
其中M是所述多尺度湿度变化矩阵，p是所述多尺度湿度变化矩阵M通过所述分类器进行预分类而获得的概率值。
这里，在所述基于预分类的类概率相干补偿机制校正中，考虑到分类器本身的权重矩阵与特征分布中可能存在的局部随机分布所发生的类相干干涉，将分类器的类别概率值作为分类特征的乘性干扰噪声项，来对分类特征进行类概率的相干补偿，这样，就可以恢复出所述多尺度湿度变化矩阵M的无干扰情况下的等效概率强度表征，再将所述表面特征矩阵和所述多尺度湿度变化矩阵融合，就可以提高所述分类特征矩阵的分类结果的准确性。
然后，融合所述表面特征矩阵和所述多尺度湿度变化矩阵以得到分类特征矩阵。在本申请一个具体的示例中，可通过计算所述多尺度湿度变化矩阵相对于所述表面特征矩阵的响应性估计来得到所述分类特征向量，也就是，计算三防灯的表面湿度特征相对于所述三防灯的防水特征的相对量来作为用于评价三防灯的安全性的特征表示。接着，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生安全预警提示。
基于此，本申请提出了一种高防水安全型三防灯，其包括：数据监控与采集模块，用于获取由部署于三防灯表面的湿度传感器采集的预定时间段内多个预定时间点的三防灯表面的湿度值以及由部署于所述三防灯内的摄像头采集的所述三防灯的表面图像；表面状态分析模块，用于将所述三防灯的表面图像通过使用空间注意力机制的卷积神经网络模型以得到表面特征矩阵；湿度特征提取模块，用于将所述预定时间段内多个预定时间点的三防灯表面的湿度值按照时间维度排列为湿度输入向量后通过多尺度邻域特征提取模块以得到多尺度湿度变化特征向量；高斯增强模块，用于使用高斯密度图对所述多尺度湿度变化特征向量进行数据增强以得到多尺度湿度变化矩阵；特征校正模块，用于对所述多尺度湿度变化矩阵的特征分布进行校正以得到校正后多尺度湿度变化矩阵；特征融合模块，用于融合所述表面特征矩阵和所述多尺度湿度变化矩阵以得到分类特征矩阵；以及，预警模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生安全预警提示。
图1图示了根据本申请实施例的高防水安全型三防灯的应用场景图。如图1所示，在该应用场景中，首先获取由部署于三防灯(例如，如图1中所示意的L)表面的湿度传感器(例如，如图1中所示意的Se)采集的预定时间段内多个预定时间点的三防灯表面的湿度值以及由部署于所述三防灯内的摄像头(例如，如图1中所示意的C)采集的所述三防灯的表面图像。进而，将所述预定时间段内多个预定时间点的三防灯表面的湿度值和所述三防灯的表面图像输入至部署有高防水安全型三防灯算法的服务器(例如，如图1所示意的S)中，其中，所述服务器能够基于高防水安全型三防灯算法对所述预定时间段内多个预定时间点的三防灯表面的湿度值和所述三防灯的表面图像进行处理，以得到用于表示是否产生安全预警提示的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性***
图2图示了根据本申请实施例的高防水安全型三防灯的框图。如图2所示，根据本申请实施例的高防水安全型三防灯100，包括：数据监控与采集模块110，用于获取由部署于三防灯表面的湿度传感器采集的预定时间段内多个预定时间点的三防灯表面的湿度值以及由部署于所述三防灯内的摄像头采集的所述三防灯的表面图像；表面状态分析模块120，用于将所述三防灯的表面图像通过使用空间注意力机制的卷积神经网络模型以得到表面特征矩阵；湿度特征提取模块130，用于将所述预定时间段内多个预定时间点的三防灯表面的湿度值按照时间维度排列为湿度输入向量后通过多尺度邻域特征提取模块以得到多尺度湿度变化特征向量；高斯增强模块140，用于使用高斯密度图对所述多尺度湿度变化特征向量进行数据增强以得到多尺度湿度变化矩阵；特征校正模块150，用于对所述多尺度湿度变化矩阵的特征分布进行校正以得到校正后多尺度湿度变化矩阵；特征融合模块160，用于融合所述表面特征矩阵和所述多尺度湿度变化矩阵以得到分类特征矩阵；以及，预警模块170，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生安全预警提示。
图3图示了根据本申请实施例的高防水安全型三防灯100的***架构图。如图3所示，在所述高防水安全型三防灯100的***架构中，首先，获取由部署于三防灯表面的湿度传感器采集的预定时间段内多个预定时间点的三防灯表面的湿度值以及由部署于所述三防灯内的摄像头采集的所述三防灯的表面图像。接着，将所述三防灯的表面图像通过使用空间注意力机制的卷积神经网络模型以得到表面特征矩阵。然后，将所述预定时间段内多个预定时间点的三防灯表面的湿度值按照时间维度排列为湿度输入向量后通过多尺度邻域特征提取模块以得到多尺度湿度变化特征向量。进而，使用高斯密度图对所述多尺度湿度变化特征向量进行数据增强以得到多尺度湿度变化矩阵。接着，对所述多尺度湿度变化矩阵的特征分布进行校正以得到校正后多尺度湿度变化矩阵。然后，融合所述表面特征矩阵和所述多尺度湿度变化矩阵以得到分类特征矩阵。进而，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生安全预警提示。
在上述高防水安全型三防灯100中，所述数据监控与采集模块110，用于获取由部署于三防灯表面的湿度传感器采集的预定时间段内多个预定时间点的三防灯表面的湿度值以及由部署于所述三防灯内的摄像头采集的所述三防灯的表面图像。如上所述，虽然三防灯具有相对较强的防水能力，但是如果将三防灯长时间被置放于潮湿或水下环境中，由于三防灯的表面被氧化或腐蚀，水就容易从这些缝隙中进入灯管体，进而导致灯管发生损坏，安全性不足。现有的改进方案大多沿着材料优化或结构优化的方向来提升三防灯的防水性以提高其安全性，但是由于无法得知三防灯在使用过程的防水性能的变化，因此，其永远无法得知三防灯何时会发生水泄露而导致三防灯失效。
因此，期待一种优化的高防水安全型三防灯，其能够对三防灯的表面防水性能进行实时监测并基于三防灯表面的湿度特征来进行智能预警，以提高三防灯的安全性。
具体地，在本申请的技术方案中，三防灯表面的防水特性可通过由部署于三防灯内的摄像头所采集的三防灯表面图像来表示，应可以理解，如果观察到三防灯表面存在裂缝或刮痕等表面缺陷，则可以认为三防灯的防水性能被弱化。进一步地，在进行三防灯安全预警时，除了要观察三防灯表面的防水特性，还需要考虑当下的三防灯表面的湿度情况，应可以理解，如果三防灯的表面湿度较低，则对三防灯的防水性能要求相对较低，则如果三防灯的表面湿度较大，在对三防灯的防水性能要求相对较高。
具体地，首先获取由部署于三防灯表面的湿度传感器采集的预定时间段内多个预定时间点的三防灯表面的湿度值以及由部署于所述三防灯内的摄像头采集的所述三防灯的表面图像。
在上述高防水安全型三防灯100中，所述表面状态分析模块120，用于将所述三防灯的表面图像通过使用空间注意力机制的卷积神经网络模型以得到表面特征矩阵。也就是，在本申请的技术方案中，使用在图像特征提取领域具有优异性能表面的卷积神经网络模型作为特征提取器来提取三防灯表面的表面状态特征，用以表示三防灯的防水特性。特别地，考虑到如果三防灯的表面状态发生变化，例如出现裂纹、刮痕等，其虽然会在图像中被感知到，但是，因裂纹、刮痕等属于浅层线条特征，在进行提取时，不仅容易与其他浅层特征混淆，还容易在卷积编码过程中随着编码深度的加深而导致特征被模糊甚至被忽略。因此，在本申请的技术方案中，将空间注意力机制集成于所述卷积神经网络模型以使得用于表示表面缺陷的表面特征在进行特征提取中被施予更高的关注度，从而提高表面状态特征提取的精准度。
在一个示例中，在上述高防水安全型三防灯100中，所述表面状态分析模块120，进一步用于：对所述卷积神经网络模型的各层在层的正向传递中对输入数据进行：将所述三防灯的表面图像输入所述卷积神经网络模型的多层卷积层以由所述多层卷积层的最后一层输出初始表面状态特征矩阵；将所述初始表面状态特征矩阵输入所述卷积神经网络模型的空间注意力模块以得到空间注意力矩阵；以及，计算所述空间注意力矩阵和所述初始表面状态特征矩阵的按位置点乘以得到所述表面特征矩阵。
在上述高防水安全型三防灯100中，所述湿度特征提取模块130，用于将所述预定时间段内多个预定时间点的三防灯表面的湿度值按照时间维度排列为湿度输入向量后通过多尺度邻域特征提取模块以得到多尺度湿度变化特征向量。针对所述预定时间段内多个预定时间点的三防灯表面的湿度值，首先将所述预定时间段内多个预定时间点的三防灯表面的湿度值按照时间维度排列为湿度输入向量后通过多尺度邻域特征提取模块以得到多尺度湿度变化特征向量。也就是，使用包含多个并行的一维卷积层的多尺度邻域特征提取模块作为特征提取器来捕捉不同时间跨度内的湿度分布的模式特征以得到所述多尺度湿度变化特征向量。
图4图示了根据本申请实施例的高防水安全型三防灯中湿度特征提取模块的框图。如图4所示，在上述高防水安全型三防灯100中，所述湿度特征提取模块130，包括：第一尺度特征提取单元131，用于将所述湿度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度湿度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度特征提取单元132，用于将所述湿度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度湿度特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，多尺度级联单元133，用于将所述第一尺度湿度特征向量和所述第二尺度湿度特征向量进行级联以得到所述多尺度湿度变化特征向量。
在一个示例中，在上述高防水安全型三防灯100中，所述第一尺度特征提取单元131，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述湿度输入向量进行一维卷积编码以得到所述第一尺度湿度特征向量；其中，所述公式为：
其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述湿度输入向量。
在一个示例中，在上述高防水安全型三防灯100中，所述第二尺度特征提取单元132，进一步用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述湿度输入向量进行一维卷积编码以得到所述第二尺度湿度特征向量；其中，所述公式为：
其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述湿度输入向量。
在上述高防水安全型三防灯100中，所述高斯增强模块140，用于使用高斯密度图对所述多尺度湿度变化特征向量进行数据增强以得到多尺度湿度变化矩阵。因所述三防灯表面的湿度值在其源域端的数据量较少，即便所述多尺度邻域特征提取模块能够因其模型结构的特殊性而提取出颇为丰富的湿度特征，但是，源域端的数据量稀疏仍会导致湿度特征表示略显贫瘠。特别地，在本申请的技术方案中，使用高斯密度图思想来对所述湿度特征分布进行数据增强。
具体地，高斯密度图在深度学习中，广泛地用于基于先验的目标后验的估计，因此可以用于修正数据分布，从而实现上述目的。具体地，首先构造所述多尺度湿度变化特征向量的自高斯密度图，其中，所述自高斯密度图的均值向量为所述多尺度湿度变化特征向量，所述高斯密度图的协方差矩阵中各个位置的值为所述多尺度湿度变化特征向量中相应两个位置的特征值之间的方差。然后，对所述高斯密度图中各个位置的高斯分布进行高斯离散化以得到多尺度湿度变化矩阵。
在一个示例中，在上述高防水安全型三防灯100中，所述高斯增强模块140，包括：高斯密度图构造单元，用于构造所述多尺度湿度变化特征向量的自高斯密度图，其中，所述自高斯密度图的均值向量为所述多尺度湿度变化特征向量，所述高斯密度图的协方差矩阵中各个位置的值为所述多尺度湿度变化特征向量中相应两个位置的特征值之间的方差；以及，高斯离散单元，用于对所述高斯密度图的各个位置的高斯分布进行离散化以得到所述多尺度湿度变化矩阵。
在上述高防水安全型三防灯100中，所述特征校正模块150，用于对所述多尺度湿度变化矩阵的特征分布进行校正以得到校正后多尺度湿度变化矩阵。
在本申请的技术方案中，在使用高斯密度图对所述多尺度湿度变化特征向量进行数据增强以得到多尺度湿度变化矩阵时，由于对高斯密度图进行的高斯离散化不可避免地会在所述多尺度湿度变化矩阵中引入部分的局部随机分布，因此在融合所述表面特征矩阵和所述多尺度湿度变化矩阵得到分类特征矩阵时，期望抑制这种局部随机分布对分类结果的负面影响。
因此，优选地，对所述多尺度湿度变化矩阵进行基于预分类的类概率相干补偿机制校正。在一个示例中，在上述高防水安全型三防灯100中，所述特征校正模块150，进一步用于：以如下公式对所述多尺度湿度变化矩阵进行基于预分类的类概率相干补偿机制校正以得到所述校正后多尺度湿度变化矩阵；其中，所述公式为：
M′＝pp·Mp-1⊙e-p·M
其中M是所述多尺度湿度变化矩阵，p是所述多尺度湿度变化矩阵M通过所述分类器进行预分类而获得的概率值，⊙表示按位置点乘。
这里，在所述基于预分类的类概率相干补偿机制校正中，考虑到分类器本身的权重矩阵与特征分布中可能存在的局部随机分布所发生的类相干干涉，将分类器的类别概率值作为分类特征的乘性干扰噪声项，来对分类特征进行类概率的相干补偿，这样，就可以恢复出所述多尺度湿度变化矩阵M的无干扰情况下的等效概率强度表征，再将所述表面特征矩阵和所述多尺度湿度变化矩阵融合，就可以提高所述分类特征矩阵的分类结果的准确性。
在上述高防水安全型三防灯100中，所述特征融合模块160，用于融合所述表面特征矩阵和所述多尺度湿度变化矩阵以得到分类特征矩阵。在本申请一个具体的示例中，可通过计算所述多尺度湿度变化矩阵相对于所述表面特征矩阵的响应性估计来得到所述分类特征向量，也就是，计算三防灯的表面湿度特征相对于所述三防灯的防水特征的相对量来作为用于评价三防灯的安全性的特征表示。
在一个示例中，在上述高防水安全型三防灯100中，所述特征融合模块160，进一步用于：以如下公式融合所述表面特征矩阵和所述多尺度湿度变化矩阵以得到分类特征矩阵；其中，所述公式为：
其中M1表示所述表面特征矩阵，M2表示所述多尺度湿度变化矩阵，M表示所述分类特征矩阵，
表示矩阵相乘。
在上述高防水安全型三防灯100中，所述预警模块170，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生安全预警提示。这样，对三防灯的表面防水性能进行实时监测并基于三防灯表面的湿度特征来进行智能预警，以提高三防灯的安全性。
图5图示了根据本申请实施例的高防水安全型三防灯中预警模块的框图。如图5所示，在上述高防水安全型三防灯100中，所述预警模块170，包括：矩阵展开单元171，用于将所述分类特征矩阵按照行向量或者列向量展开为分类特征向量；全连接编码单元172，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元173，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
综上，根据本申请实施例的所述高防水安全型三防灯100被阐明，其中，所述高防水安全型三防灯能够通过对于实时采集的表面图像进行深度的特征挖掘，并且利用表面图像特征与所述三防灯表面的湿度特征之间的转移矩阵来评估在不同湿度环境中三防灯表面的防水特性是否满足要求，进而进行智能预警，以提高三防灯的安全性。
示例性方法
图6图示了根据本申请实施例的高防水安全型三防灯的运行方法的流程图。如图6所示，根据本申请实施例的所述高防水安全型三防灯的运行方法，包括步骤：S110，获取由部署于三防灯表面的湿度传感器采集的预定时间段内多个预定时间点的三防灯表面的湿度值以及由部署于所述三防灯内的摄像头采集的所述三防灯的表面图像；S120，将所述三防灯的表面图像通过使用空间注意力机制的卷积神经网络模型以得到表面特征矩阵；S130，将所述预定时间段内多个预定时间点的三防灯表面的湿度值按照时间维度排列为湿度输入向量后通过多尺度邻域特征提取模块以得到多尺度湿度变化特征向量；S140，使用高斯密度图对所述多尺度湿度变化特征向量进行数据增强以得到多尺度湿度变化矩阵；S150，对所述多尺度湿度变化矩阵的特征分布进行校正以得到校正后多尺度湿度变化矩阵；S160，融合所述表面特征矩阵和所述多尺度湿度变化矩阵以得到分类特征矩阵；以及，S170，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生安全预警提示。
在一个示例中，在上述高防水安全型三防灯的运行方法中，所述将所述三防灯的表面图像通过使用空间注意力机制的卷积神经网络模型以得到表面特征矩阵，包括：对所述卷积神经网络模型的各层在层的正向传递中对输入数据进行：将所述三防灯的表面图像输入所述卷积神经网络模型的多层卷积层以由所述多层卷积层的最后一层输出初始表面状态特征矩阵；将所述初始表面状态特征矩阵输入所述卷积神经网络模型的空间注意力模块以得到空间注意力矩阵；以及，计算所述空间注意力矩阵和所述初始表面状态特征矩阵的按位置点乘以得到所述表面特征矩阵。
在一个示例中，在上述高防水安全型三防灯的运行方法中，所述将所述预定时间段内多个预定时间点的三防灯表面的湿度值按照时间维度排列为湿度输入向量后通过多尺度邻域特征提取模块以得到多尺度湿度变化特征向量，包括：将所述湿度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度湿度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述湿度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度湿度特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一尺度湿度特征向量和所述第二尺度湿度特征向量进行级联以得到所述多尺度湿度变化特征向量。
在一个示例中，在上述高防水安全型三防灯的运行方法中，所述将所述湿度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度湿度特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述湿度输入向量进行一维卷积编码以得到所述第一尺度湿度特征向量；其中，所述公式为：
其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述湿度输入向量。
在一个示例中，在上述高防水安全型三防灯的运行方法中，所述第将所述湿度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度湿度特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述湿度输入向量进行一维卷积编码以得到所述第二尺度湿度特征向量；其中，所述公式为：
其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述湿度输入向量。
在一个示例中，在上述高防水安全型三防灯的运行方法中，所述使用高斯密度图对所述多尺度湿度变化特征向量进行数据增强以得到多尺度湿度变化矩阵，包括：构造所述多尺度湿度变化特征向量的自高斯密度图，其中，所述自高斯密度图的均值向量为所述多尺度湿度变化特征向量，所述高斯密度图的协方差矩阵中各个位置的值为所述多尺度湿度变化特征向量中相应两个位置的特征值之间的方差；以及，对所述高斯密度图的各个位置的高斯分布进行离散化以得到所述多尺度湿度变化矩阵。
在一个示例中，在上述高防水安全型三防灯的运行方法中，所述对所述多尺度湿度变化矩阵的特征分布进行校正以得到校正后多尺度湿度变化矩阵，包括：以如下公式对所述多尺度湿度变化矩阵进行基于预分类的类概率相干补偿机制校正以得到所述校正后多尺度湿度变化矩阵；其中，所述公式为：
M′＝pp·Mp-1⊙e-p·M
其中M是所述多尺度湿度变化矩阵，p是所述多尺度湿度变化矩阵M通过所述分类器进行预分类而获得的概率值，⊙表示按位置点乘。
在一个示例中，在上述高防水安全型三防灯的运行方法中，所述融合所述表面特征矩阵和所述多尺度湿度变化矩阵以得到分类特征矩阵，包括：以如下公式融合所述表面特征矩阵和所述多尺度湿度变化矩阵以得到分类特征矩阵；其中，所述公式为：
其中M1表示所述表面特征矩阵，M2表示所述多尺度湿度变化矩阵，M表示所述分类特征矩阵，
表示矩阵相乘。
在一个示例中，在上述高防水安全型三防灯的运行方法中，所述将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生安全预警提示，包括：将所述分类特征矩阵按照行向量或者列向量展开为分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
综上，根据本申请实施例的所述高防水安全型三防灯的运行方法被阐明，其中，所述高防水安全型三防灯能够通过对于实时采集的表面图像进行深度的特征挖掘，并且利用表面图像特征与所述三防灯表面的湿度特征之间的转移矩阵来评估在不同湿度环境中三防灯表面的防水特性是否满足要求，进而进行智能预警，以提高三防灯的安全性。
Claims (9)
1.一种高防水安全型三防灯，其特征在于，包括：
数据监控与采集模块，用于获取由部署于三防灯表面的湿度传感器采集的预定时间段内多个预定时间点的三防灯表面的湿度值以及由部署于所述三防灯内的摄像头采集的所述三防灯的表面图像；
表面状态分析模块，用于将所述三防灯的表面图像通过使用空间注意力机制的卷积神经网络模型以得到表面特征矩阵；
湿度特征提取模块，用于将所述预定时间段内多个预定时间点的三防灯表面的湿度值按照时间维度排列为湿度输入向量后通过多尺度邻域特征提取模块以得到多尺度湿度变化特征向量；
高斯增强模块，用于使用高斯密度图对所述多尺度湿度变化特征向量进行数据增强以得到多尺度湿度变化矩阵；
特征校正模块，用于对所述多尺度湿度变化矩阵的特征分布进行校正以得到校正后多尺度湿度变化矩阵；
特征融合模块，用于融合所述表面特征矩阵和所述多尺度湿度变化矩阵以得到分类特征矩阵；以及预警模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生安全预警提示。
2.根据权利要求1所述的高防水安全型三防灯，其特征在于，所述表面状态分析模块，进一步用于：对所述卷积神经网络模型的各层在层的正向传递中对输入数据进行：
将所述三防灯的表面图像输入所述卷积神经网络模型的多层卷积层以由所述多层卷积层的最后一层输出初始表面状态特征矩阵；
将所述初始表面状态特征矩阵输入所述卷积神经网络模型的空间注意力模块以得到空间注意力矩阵；以及计算所述空间注意力矩阵和所述初始表面状态特征矩阵的按位置点乘以得到所述表面特征矩阵。
3.根据权利要求2所述的高防水安全型三防灯，其特征在于，所述湿度特征提取模块，包括：
第一尺度特征提取单元，用于将所述湿度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度湿度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；
第二尺度特征提取单元，用于将所述湿度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度湿度特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及
多尺度级联单元，用于将所述第一尺度湿度特征向量和所述第二尺度湿度特征向量进行级联以得到所述多尺度湿度变化特征向量。
4.根据权利要求3所述的高防水安全型三防灯，其特征在于，所述第一尺度特征提取单元，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述湿度输入向量进行一维卷积编码以得到所述第一尺度湿度特征向量；
其中，所述公式为：
其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述湿度输入向量。
5.根据权利要求4所述的高防水安全型三防灯，其特征在于，所述第二尺度特征提取单元，进一步用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述湿度输入向量进行一维卷积编码以得到所述第二尺度湿度特征向量；
其中，所述公式为：
其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述湿度输入向量。
6.根据权利要求5所述的高防水安全型三防灯，其特征在于，所述高斯增强模块，包括：
高斯密度图构造单元，用于构造所述多尺度湿度变化特征向量的自高斯密度图，其中，所述自高斯密度图的均值向量为所述多尺度湿度变化特征向量，所述高斯密度图的协方差矩阵中各个位置的值为所述多尺度湿度变化特征向量中相应两个位置的特征值之间的方差；以及高斯离散单元，用于对所述高斯密度图的各个位置的高斯分布进行离散化以得到所述多尺度湿度变化矩阵。
7.根据权利要求6所述的高防水安全型三防灯，其特征在于，所述特征校正模块，进一步用于：以如下公式对所述多尺度湿度变化矩阵进行基于预分类的类概率相干补偿机制校正以得到所述校正后多尺度湿度变化矩阵；
其中，所述公式为：
M′＝pp·Mp-1⊙e-p·M
其中M是所述多尺度湿度变化矩阵，p是所述多尺度湿度变化矩阵M通过所述分类器进行预分类而获得的概率值，⊙表示按位置点乘。
8.根据权利要求7所述的高防水安全型三防灯，其特征在于，所述特征融合模块，进一步用于：以如下公式融合所述表面特征矩阵和所述多尺度湿度变化矩阵以得到分类特征矩阵；
其中，所述公式为：
其中M1表示所述表面特征矩阵，M2表示所述多尺度湿度变化矩阵，M表示所述分类特征矩阵，
表示矩阵相乘。
9.根据权利要求8所述的高防水安全型三防灯，其特征在于，所述预警模块，包括：
矩阵展开单元，用于将所述分类特征矩阵按照行向量或者列向量展开为分类特征向量；
全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及分类单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310061219.1A CN116026528A (zh) | 2023-01-14 | 2023-01-14 | 一种高防水安全型三防灯 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310061219.1A CN116026528A (zh) | 2023-01-14 | 2023-01-14 | 一种高防水安全型三防灯 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116026528A true CN116026528A (zh) | 2023-04-28 |
Family
ID=86079298
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310061219.1A Pending CN116026528A (zh) | 2023-01-14 | 2023-01-14 | 一种高防水安全型三防灯 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116026528A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019080488A1 (zh) * | 2017-10-27 | 2019-05-02 | 东南大学 | 一种基于多尺度协方差描述子与局部敏感黎曼核稀疏分类的三维人脸识别方法 |
| US20210073637A1 (en) * | 2019-08-16 | 2021-03-11 | Leidos, Inc. | Deep Rapid Class Augmentation |
| CN114475350A (zh) * | 2022-02-14 | 2022-05-13 | 杭州鸽然科技有限公司 | 智能充电***及其工作方法 |
| WO2022160771A1 (zh) * | 2021-01-26 | 2022-08-04 | 武汉大学 | 基于自适应多尺度特征提取模型的高光谱图像分类方法 |
| CN114913401A (zh) * | 2022-07-13 | 2022-08-16 | 江苏烨明光电有限公司 | Led灯芯柱与外壳的焊接设备及其焊接质量监控方法 |
| CN115099684A (zh) * | 2022-07-18 | 2022-09-23 | 江西中科冠物联网科技有限公司 | 企业安全生产管理***及其管理方法 |
| CN115150984A (zh) * | 2022-07-14 | 2022-10-04 | 惠州市慧昊光电有限公司 | Led灯带及其控制方法 |
| CN115294639A (zh) * | 2022-07-11 | 2022-11-04 | 惠州市慧昊光电有限公司 | 色温可调灯带及其控制方法 |
| CN115564203A (zh) * | 2022-09-23 | 2023-01-03 | 杭州国辰智企科技有限公司 | 基于多维数据协同的设备实时性能评估***及其方法 |
-
2023
- 2023-01-14 CN CN202310061219.1A patent/CN116026528A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019080488A1 (zh) * | 2017-10-27 | 2019-05-02 | 东南大学 | 一种基于多尺度协方差描述子与局部敏感黎曼核稀疏分类的三维人脸识别方法 |
| US20210073637A1 (en) * | 2019-08-16 | 2021-03-11 | Leidos, Inc. | Deep Rapid Class Augmentation |
| WO2022160771A1 (zh) * | 2021-01-26 | 2022-08-04 | 武汉大学 | 基于自适应多尺度特征提取模型的高光谱图像分类方法 |
| CN114475350A (zh) * | 2022-02-14 | 2022-05-13 | 杭州鸽然科技有限公司 | 智能充电***及其工作方法 |
| CN115294639A (zh) * | 2022-07-11 | 2022-11-04 | 惠州市慧昊光电有限公司 | 色温可调灯带及其控制方法 |
| CN114913401A (zh) * | 2022-07-13 | 2022-08-16 | 江苏烨明光电有限公司 | Led灯芯柱与外壳的焊接设备及其焊接质量监控方法 |
| CN115150984A (zh) * | 2022-07-14 | 2022-10-04 | 惠州市慧昊光电有限公司 | Led灯带及其控制方法 |
| CN115099684A (zh) * | 2022-07-18 | 2022-09-23 | 江西中科冠物联网科技有限公司 | 企业安全生产管理***及其管理方法 |
| CN115564203A (zh) * | 2022-09-23 | 2023-01-03 | 杭州国辰智企科技有限公司 | 基于多维数据协同的设备实时性能评估***及其方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6586430B2 (ja) | 車両位置の推定 | |
| CN111652227B (zh) | 铁路货车底部地板破损故障检测方法 | |
| CN112232349A (zh) | 模型训练方法、图像分割方法及装置 | |
| Akarsu et al. | A fast and adaptive road defect detection approach using computer vision with real time implementation | |
| CN101315701B (zh) | 运动目标图像分割方法 | |
| CN111275627B (zh) | 一种基于雪模型和深度学习融合的图像去雪算法 | |
| CN101286239A (zh) | 航拍交通视频车辆快速检测方法 | |
| CN113052159B (zh) | 一种图像识别方法、装置、设备及计算机存储介质 | |
| CN116485717B (zh) | 一种基于像素级深度学习的混凝土坝表面裂缝检测方法 | |
| CN112489023A (zh) | 一种基于多尺度和多层次的路面裂缝检测方法 | |
| CN114119586A (zh) | 一种基于机器视觉的飞机蒙皮缺陷智能检测方法 | |
| CN114821018B (zh) | 一种利用多方向性特征构造卷积神经网络的红外弱小目标检测方法 | |
| CN109815802A (zh) | 一种基于卷积神经网络的监控视频车辆检测与识别方法 | |
| CN106709903A (zh) | 基于图像质量的pm2.5浓度预测方法 | |
| CN109784479A (zh) | 基于神经网络的闸杆防砸方法、***、设备及存储介质 | |
| CN114359838A (zh) | 一种基于高斯交叉注意力网络的跨模态行人检测方法 | |
| CN107529647B (zh) | 一种基于多层无监督稀疏学习网络的云图云量计算方法 | |
| Ren et al. | Environment influences on uncertainty of object detection for automated driving systems | |
| CN113222898B (zh) | 基于多元统计量和深度学习的双航过sar图像痕迹检测方法 | |
| CN111598793A (zh) | 一种用于输电线路图像去雾的方法、***及存储介质 | |
| CN116026528A (zh) | 一种高防水安全型三防灯 | |
| Hodne et al. | Detecting and suppressing marine snow for underwater visual slam | |
| Sarafraz et al. | Performance assessment in solving the correspondence problem in underwater stereo imagery | |
| Husain et al. | VRHAZE: The simulation of synthetic haze based on visibility range for dehazing method in single image | |
| CN114550297B (zh) | 一种行人的意图分析方法及*** |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230428 |