CN116259012A - 嵌入式增压柴油罐的监测***及其方法 - Google Patents
嵌入式增压柴油罐的监测***及其方法 Download PDFInfo
- Publication number
- CN116259012A CN116259012A CN202310547149.0A CN202310547149A CN116259012A CN 116259012 A CN116259012 A CN 116259012A CN 202310547149 A CN202310547149 A CN 202310547149A CN 116259012 A CN116259012 A CN 116259012A
- Authority
- CN
- China
- Prior art keywords
- tank
- feature
- diesel
- image
- embedded
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious 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
- G06V10/20—Image preprocessing
-
- 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
-
- 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
- G06V10/82—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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
一种嵌入式增压柴油罐的监测***及其方法,其获取由摄像头采集的嵌入式增压柴油罐的柴油母罐的监测图像;采用基于深度学习的人工智能技术,对所述柴油母罐的外表面图像进行图像处理和分析,基于此生成是否产生泄露的预警提示。这样,可以智能地对所述柴油母罐进行泄露监测,以确保所述嵌入式增压柴油罐的运行稳定性。
Description
技术领域
本申请涉及智能化监测技术领域,并且更具体地,涉及一种嵌入式增压柴油罐的监测***及其方法。
背景技术
柴油罐作为钻井等野外作业动力设备的燃料储存设备,每个作业单元都会配备,因现场配备柴油机离柴油罐距离较远,用油管线较长,当罐内液位较低时造成发动机燃油供给压力偏小,导致发动机供油不良从而影响发动机正常工作。
为解决以上问题,通常将柴油罐做成大小不同的两个叠加到一起用管线联通使用,下罐作为储油罐,上罐作为供油罐,由于供油罐与用油设备总是存在落差,从而满足现场设备的使用。
存在的缺点如下:1、上罐每次搬家时需要吊装作业安装及拆卸,存在安全风险,2、上下罐联通管线外置,存在渗漏情况,不满足环保要求。3、搬家时上下罐联通管线需要拆掉,管线内柴油泄漏,同时污染柴油。4、增加运输成本,上下罐需要两个车辆运输。
因此,期待一种优化的增压柴油罐及其监测方案。
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嵌入式增压柴油罐的监测***及其方法,其获取由摄像头采集的嵌入式增压柴油罐的柴油母罐的监测图像;采用基于深度学习的人工智能技术,对所述柴油母罐的外表面图像进行图像处理和分析,基于此生成是否产生泄露的预警提示。这样,可以智能地对所述柴油母罐进行泄露监测,以确保所述嵌入式增压柴油罐的运行稳定性。
第一方面,提供了一种嵌入式增压柴油罐的监测***,其包括:图像获取模块,用于获取由摄像头采集的嵌入式增压柴油罐的柴油母罐的监测图像;图像预处理模块,用于对所述柴油母罐的监测图像进行图像预处理以得到预处理后监测图像;特征提取模块,用于将所述预处理后监测图像通过作为特征提取器的卷积神经网络模型以得到柴油母罐表面特征矩阵;特征矩阵划分模块,用于对所述柴油母罐表面特征矩阵进行特征矩阵划分以得到多个局部特征矩阵;上下文编码模块,用于将所述多个局部特征矩阵展开为多个局部展开特征向量后通过基于转换器的上下文编码器以得到柴油母罐表面全局特征矩阵;以及预警提示生成模块,用于将所述柴油母罐表面全局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泄露预警提示。
在上述嵌入式增压柴油罐的监测***中,所述图像预处理模块,用于:采用滤波器和直方图均衡化对所述柴油母罐的监测图像进行图像预处理以得到所述预处理后监测图像。
在上述嵌入式增压柴油罐的监测***中,所述特征提取模块,用于:使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出为所述柴油母罐表面特征矩阵,其中,所述作为特征提取器的卷积神经网络模型的第一层的输入为所述预处理后监测图像。
在上述嵌入式增压柴油罐的监测***中,所述特征矩阵划分模块,用于:对所述柴油母罐表面特征矩阵进行均匀划分处理以得到所述多个局部特征矩阵。
在上述嵌入式增压柴油罐的监测***中,所述上下文编码模块,包括:自注意力单元,用于使用所述基于转换器的上下文编码器对所述多个局部展开特征向量进行基于自注意力机制的上下文语义编码以得到多个上下文局部展开特征向量;高斯回归因数计算单元,用于计算所述多个上下文局部展开特征向量中的每个上下文局部展开特征向量的高斯回归不确定性因数;加权单元,用于以所述每个上下文局部展开特征向量的高斯回归不确定性因数作为权重,分别对所述每个上下文局部展开特征向量进行加权以得到多个加权后上下文局部展开特征向量;以及,二维排列单元,用于将所述多个加权后上下文局部展开特征向量进行二维排列以得到所述柴油母罐表面全局特征矩阵。
在上述嵌入式增压柴油罐的监测***中,所述高斯回归因数计算单元,用于:以如下优化公式计算所述多个上下文局部展开特征向量中的每个上下文局部展开特征向量的高斯回归不确定性因数;其中,所述优化公式为:其中,/>是特征向量的长度,/>和/>分别是所述多个上下文局部展开特征向量中各个位置的特征集合的均值和方差,其中/>是所述多个上下文局部展开特征向量的第/>个位置的特征值,且/>为以2为底的对数函数,/>是所述高斯回归不确定性因数。
在上述嵌入式增压柴油罐的监测***中,所述预警提示生成模块,包括:矩阵展开单元,用于将所述柴油母罐表面全局特征矩阵按照行向量或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多个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通过所述分类器的Softmax分类函数以得到所述分类结果。
第二方面,提供了一种嵌入式增压柴油罐的监测方法,其包括:获取由摄像头采集的嵌入式增压柴油罐的柴油母罐的监测图像;对所述柴油母罐的监测图像进行图像预处理以得到预处理后监测图像;将所述预处理后监测图像通过作为特征提取器的卷积神经网络模型以得到柴油母罐表面特征矩阵;对所述柴油母罐表面特征矩阵进行特征矩阵划分以得到多个局部特征矩阵;将所述多个局部特征矩阵展开为多个局部展开特征向量后通过基于转换器的上下文编码器以得到柴油母罐表面全局特征矩阵;以及将所述柴油母罐表面全局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泄露预警提示。
在上述嵌入式增压柴油罐的监测方法中,对所述柴油母罐的监测图像进行图像预处理以得到预处理后监测图像,包括:采用滤波器和直方图均衡化对所述柴油母罐的监测图像进行图像预处理以得到所述预处理后监测图像。
在上述嵌入式增压柴油罐的监测方法中,将所述预处理后监测图像通过作为特征提取器的卷积神经网络模型以得到柴油母罐表面特征矩阵,包括:使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出为所述柴油母罐表面特征矩阵,其中,所述作为特征提取器的卷积神经网络模型的第一层的输入为所述预处理后监测图像。
与现有技术相比,本申请提供的嵌入式增压柴油罐的监测***及其方法,其获取由摄像头采集的嵌入式增压柴油罐的柴油母罐的监测图像;采用基于深度学习的人工智能技术,对所述柴油母罐的外表面图像进行图像处理和分析,基于此生成是否产生泄露的预警提示。这样,可以智能地对所述柴油母罐进行泄露监测,以确保所述嵌入式增压柴油罐的运行稳定性。
附图说明
为了更清楚地说明本申请实施例的技术方案,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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的嵌入式增压柴油罐的示意图。
图2为根据本申请实施例的嵌入式增压柴油罐的监测***的应用场景图。
图3为根据本申请实施例的嵌入式增压柴油罐的监测***的框图。
图4为根据本申请实施例的嵌入式增压柴油罐的监测***中所述上下文编码模块的框图。
图5为根据本申请实施例的嵌入式增压柴油罐的监测***中所述预警提示生成模块的框图。
图6为根据本申请实施例的嵌入式增压柴油罐的监测方法的流程图。
图7为根据本申请实施例的嵌入式增压柴油罐的监测方法的***架构的示意图。
其中,1、柴油母罐;2、柴油子罐;3、泵房;4、柴油泵、5、柴油吸入管;6、柴油排出管;7、柴油取油口。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
针对上述技术问题,本申请的技术构思是提供一种嵌入式增压柴油罐,如图1所示,其包括柴油母罐 1、柴油泵 4、柴油子罐 2、柴油取油口 7、柴油吸入管 5、泵房 3和柴油排出管 6,其中,先将柴油装入所述柴油母罐 1中,通过所述柴油泵 4将所述柴油母罐 1中的柴油转入所述柴油子罐 2。用油设备通过所述柴油取油口 7从所述柴油子罐2 取油实现供给带压柴油给用油设备。当所述柴油子罐 2中柴油使用减少到一定高度后,启动所述柴油泵 4将所述柴油母罐 1中的柴油补充到所述柴油子罐 2中,重复以上过程实现给用油设备提供带压柴油。
产生的有益效果为:1.储油罐与供油罐集成到了一起,现场使用不用安装,减少了安装时间。2.因为现场使用不用安装,避免了吊装作业存在的安全风险。3.较现有技术相比减少了外置管线,避免了滴漏现象,更环保。4.较现有技术相比设备体积变小了,减少了拉运成本。
在上述嵌入式增压柴油罐***运行过程中,还需要对所述嵌入式增压柴油罐进行泄露监测以确保所述嵌入式增压柴油罐运行稳定。也就是说,在本申请的技术方案中,还提供一种嵌入式增压柴油罐的监测***,其用于对所述柴油母罐进行泄露监测,以确保所述嵌入式增压柴油罐的运行稳定性。
针对上述技术需求,本申请的技术构思为:通过摄像头采集所述柴油母罐的外表面图像,进而通过对所述柴油母罐的外表面图像进行图像处理和分析,通过这样的方式,来实现泄露检测。这里,应可以理解,如果所述柴油母罐发生泄露,且外表面会出现油渍从而导致所述柴油母罐的外表面图像产生变化,因此,可基于此图像端的变化来判断所述柴油母罐是否发生泄露。
具体地,在本申请的技术方案中,首先获取由摄像头采集的嵌入式增压柴油罐的柴油母罐的监测图像。应可以理解,在所述嵌入式增压柴油罐***中,柴油母罐是该***中柴油存储的主要部分,因此对柴油母罐进行监测是非常重要的。相应地,通过摄像头采集柴油母罐的监测图像,可以实时地观察柴油母罐表面的情况。
接着,对所述柴油母罐的监测图像进行图像预处理以得到预处理后监测图像。在实际应用中,由于摄像头环境的不确定性和其他因素的干扰,获取的图像可能包含各种噪声,如亮度不均匀、伪影、阴影等。这些噪声会影响后续计算机视觉和深度学***滑化来消除噪声;也可以使用直方图均衡化来调整图像的亮度和对比度。
在进行图像预处理之后,将所述预处理后监测图像通过作为特征提取器的卷积神经网络模型以得到柴油母罐表面特征矩阵。也就是,使用在图像特征提取领域具有优异性能表现的卷积神经网络模型对所述预处理后监测图像进行基于卷积核的图像局部特征提取以得到所述柴油母罐表面特征矩阵。
本领域普通技术人员应知晓,所述卷积神经网络(CNN)是一种在计算机视觉领域广泛使用的深度学习模型,其能够自动从大量数据中学习特征表示,并且能够高效地处理图像等二维数据。在本方案中,使用预训练好的卷积神经网络模型作为特征提取器,对所提取的监测图像进行卷积处理、沿通道维度的池化处理和非线性激活处理以得到所述柴油母罐表面特征矩阵。
受限于所述卷积神经网络模型的卷积编码特征,所述柴油母罐表面特征矩阵由多个局部特征组成,为了捕捉各个局部特征之间的长程依赖信息,在本申请的技术方案中,首先对所述柴油母罐表面特征矩阵进行特征矩阵划分以得到多个局部特征矩阵,并将所述多个局部特征矩阵展开为多个局部展开特征向量后通过基于转换器的上下文编码器以得到柴油母罐表面全局特征矩阵。
具体地,对所述柴油母罐表面特征矩阵进行特征矩阵划分,是为了将一个大的、高维度的特征矩阵划分成多个较小的局部特征矩阵,为后续局部特征矩阵之间的上下文编码提供前序支持。接着,将所述多个局部特征矩阵展开为多个局部展开特征向量后通过基于转换器的上下文编码器以得到多个上下文局部展开特征向量,其中,所述基于转换器的上下文编码器利用转换器思想中自注意力机制以捕捉所述各个局部展开特征向量相对于所述多个局部展开特征向量的全局的上下文关联信息以得到所述多个上下文局部展开特征向量。在得到所述多个上下文局部展开特征向量后,将所述多个上下文局部展开特征向量排列为所述柴油母罐表面全局特征矩阵。
最终,将所述柴油母罐表面全局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泄露预警提示。也就是,使用所述分类器来确定所述柴油母罐表面全局特征矩阵所属的类概率标签,所述类概率标签用于表示是否产生泄露预警提示。这样基于机器视觉和图像智能分析和处理计算来构建柴油母罐的智能监测方案。
特别地,在本申请的技术方案中,针对所述柴油母罐的监测图像在图像采集过程中引入的源图像噪声,在通过作为特征提取器的卷积神经网络模型得到所述柴油母罐表面特征矩阵并进行特征矩阵划分后,引起了各个局部特征矩阵的特征分布的高斯分布误差不确定性,之后,在基于转换器的上下文编码器进行图像语义特征的上下文关联编码后,进一步在多个上下文局部展开特征向量中各自的特征分布的高斯分布误差不确定性,从而在多个上下文局部展开特征向量二维排列得到的所述柴油母罐表面全局特征矩阵中导致分类回归误差,影响所述柴油母罐表面全局特征矩阵通过分类器得到的分类结果的准确性。
基于此,在本申请的技术方案中,分别计算所述多个上下文局部展开特征向量中的每个上下文局部展开特征向量的高斯回归不确定性因数,表示为:其中,/>是特征向量的长度,/>和分别是所述多个上下文局部展开特征向量中各个位置的特征集合的均值和方差,其中是所述多个上下文局部展开特征向量的第/>个位置的特征值,且/>为以2为底的对数函数,/>是所述高斯回归不确定性因数。/>
这里,针对所述多个上下文局部展开特征向量中的每个上下文局部展开特征向量各自的集成特征集合由于其分布不确定性信息可能导致的所述柴油母罐表面全局特征矩阵的不可知回归,利用作为统计量化参数的均值和方差来进行特征集合的统计特性的标量度量,从而将特征误差表示的正态分布认知模式扩展到未知的分布回归模式,实现特征集合尺度上的基于自然分布转移的迁移学习,这样,通过以上述高斯回归不确定性因数分别对每个上下文局部展开特征向量加权后再二维排列得到所述柴油母罐表面全局特征矩阵,就可以实现所述每个上下文局部展开特征向量在组成所述柴油母罐表面全局特征矩阵时基于自校准的不确定性修正,从而修正所述柴油母罐表面全局特征矩阵存在的分类回归误差,提升其通过分类器得到的分类结果的准确性。
图2为根据本申请实施例的嵌入式增压柴油罐的监测***的应用场景图。如图2所示,在该应用场景中,首先,获取由摄像头采集的嵌入式增压柴油罐的柴油母罐1的监测图像(例如,如图2中所示意的C);然后,将获取的监测图像输入至部署有嵌入式增压柴油罐的监测算法的服务器(例如,如图2中所示意的S)中,其中所述服务器能够基于嵌入式增压柴油罐的监测算法对所述监测图像进行处理,以生成用于表示是否产生泄露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。
在本申请的一个实施例中,图3为根据本申请实施例的嵌入式增压柴油罐的监测***的框图。如图3所示,根据本申请实施例的嵌入式增压柴油罐的监测***100,包括:图像获取模块110,用于获取由摄像头采集的嵌入式增压柴油罐的柴油母罐的监测图像;
图像预处理模块120,用于对所述柴油母罐的监测图像进行图像预处理以得到预处理后监测图像;特征提取模块130,用于将所述预处理后监测图像通过作为特征提取器的卷积神经网络模型以得到柴油母罐表面特征矩阵;特征矩阵划分模块140,用于对所述柴油母罐表面特征矩阵进行特征矩阵划分以得到多个局部特征矩阵;上下文编码模块150,用于将所述多个局部特征矩阵展开为多个局部展开特征向量后通过基于转换器的上下文编码器以得到柴油母罐表面全局特征矩阵;以及,预警提示生成模块160,用于将所述柴油母罐表面全局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泄露预警提示。
具体地,在本申请实施例中,所述图像获取模块110,用于获取由摄像头采集的嵌入式增压柴油罐的柴油母罐的监测图像。在上述嵌入式增压柴油罐***运行过程中,还需要对所述嵌入式增压柴油罐进行泄露监测以确保所述嵌入式增压柴油罐运行稳定。
针对上述技术需求,本申请的技术构思为:通过摄像头采集所述柴油母罐的外表面图像,进而通过对所述柴油母罐的外表面图像进行图像处理和分析,通过这样的方式,来实现泄露检测。这里,应可以理解,如果所述柴油母罐发生泄露,且外表面会出现油渍从而导致所述柴油母罐的外表面图像产生变化,因此,可基于此图像端的变化来判断所述柴油母罐是否发生泄露。
具体地,在本申请的技术方案中,首先获取由摄像头采集的嵌入式增压柴油罐的柴油母罐的监测图像。应可以理解,在所述嵌入式增压柴油罐***中,柴油母罐是该***中柴油存储的主要部分,因此对柴油母罐进行监测是非常重要的。相应地,通过摄像头采集柴油母罐的监测图像,可以实时地观察柴油母罐表面的情况。
具体地,在本申请实施例中,所述图像预处理模块120,用于对所述柴油母罐的监测图像进行图像预处理以得到预处理后监测图像。在实际应用中,由于摄像头环境的不确定性和其他因素的干扰,获取的图像可能包含各种噪声,如亮度不均匀、伪影、阴影等。这些噪声会影响后续计算机视觉和深度学***滑化来消除噪声;也可以使用直方图均衡化来调整图像的亮度和对比度。
其中,所述图像预处理模块120,用于:采用滤波器和直方图均衡化对所述柴油母罐的监测图像进行图像预处理以得到所述预处理后监测图像。
具体地,在本申请实施例中,所述特征提取模块130,用于将所述预处理后监测图像通过作为特征提取器的卷积神经网络模型以得到柴油母罐表面特征矩阵。在进行图像预处理之后,将所述预处理后监测图像通过作为特征提取器的卷积神经网络模型以得到柴油母罐表面特征矩阵。也就是,使用在图像特征提取领域具有优异性能表现的卷积神经网络模型对所述预处理后监测图像进行基于卷积核的图像局部特征提取以得到所述柴油母罐表面特征矩阵。
本领域普通技术人员应知晓,所述卷积神经网络是一种在计算机视觉领域广泛使用的深度学习模型,其能够自动从大量数据中学习特征表示,并且能够高效地处理图像等二维数据。在本方案中,使用预训练好的卷积神经网络模型作为特征提取器,对所提取的监测图像进行卷积处理、沿通道维度的池化处理和非线性激活处理以得到所述柴油母罐表面特征矩阵。
其中,所述特征提取模块130,用于:使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出为所述柴油母罐表面特征矩阵,其中,所述作为特征提取器的卷积神经网络模型的第一层的输入为所述预处理后监测图像。
卷积神经网络是一种人工神经网络,在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层,其中,隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等,上一层根据输入的数据进行相应的运算,将运算结果输出给下一层,输入的初始数据经过多层的运算之后得到一个最终的结果。
卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现,且相较于传统的基于统计或者基于特征工程的图像特征提取算法,所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。
具体地,在本申请实施例中,所述特征矩阵划分模块140,用于对所述柴油母罐表面特征矩阵进行特征矩阵划分以得到多个局部特征矩阵。受限于所述卷积神经网络模型的卷积编码特征,所述柴油母罐表面特征矩阵由多个局部特征组成,为了捕捉各个局部特征之间的长程依赖信息,在本申请的技术方案中,首先对所述柴油母罐表面特征矩阵进行特征矩阵划分以得到多个局部特征矩阵,并将所述多个局部特征矩阵展开为多个局部展开特征向量后通过基于转换器的上下文编码器以得到柴油母罐表面全局特征矩阵。
具体地,对所述柴油母罐表面特征矩阵进行特征矩阵划分,是为了将一个大的、高维度的特征矩阵划分成多个较小的局部特征矩阵,为后续局部特征矩阵之间的上下文编码提供前序支持。
其中,所述特征矩阵划分模块140,用于:对所述柴油母罐表面特征矩阵进行均匀划分处理以得到所述多个局部特征矩阵。
具体地,在本申请实施例中,所述上下文编码模块150,用于将所述多个局部特征矩阵展开为多个局部展开特征向量后通过基于转换器的上下文编码器以得到柴油母罐表面全局特征矩阵。接着,将所述多个局部特征矩阵展开为多个局部展开特征向量后通过基于转换器的上下文编码器以得到多个上下文局部展开特征向量,其中,所述基于转换器的上下文编码器利用转换器思想中自注意力机制以捕捉所述各个局部展开特征向量相对于所述多个局部展开特征向量的全局的上下文关联信息以得到所述多个上下文局部展开特征向量。在得到所述多个上下文局部展开特征向量后,将所述多个上下文局部展开特征向量排列为所述柴油母罐表面全局特征矩阵。
图4为根据本申请实施例的嵌入式增压柴油罐的监测***中所述上下文编码模块的框图,如图4所示,所述上下文编码模块150,包括:自注意力单元151,用于使用所述基于转换器的上下文编码器对所述多个局部展开特征向量进行基于自注意力机制的上下文语义编码以得到多个上下文局部展开特征向量;高斯回归因数计算单元152,用于计算所述多个上下文局部展开特征向量中的每个上下文局部展开特征向量的高斯回归不确定性因数;加权单元153,用于以所述每个上下文局部展开特征向量的高斯回归不确定性因数作为权重,分别对所述每个上下文局部展开特征向量进行加权以得到多个加权后上下文局部展开特征向量;以及,二维排列单元154,用于将所述多个加权后上下文局部展开特征向量进行二维排列以得到所述柴油母罐表面全局特征矩阵。
特别地,在本申请的技术方案中,针对所述柴油母罐的监测图像在图像采集过程中引入的源图像噪声,在通过作为特征提取器的卷积神经网络模型得到所述柴油母罐表面特征矩阵并进行特征矩阵划分后,引起了各个局部特征矩阵的特征分布的高斯分布误差不确定性,之后,在基于转换器的上下文编码器进行图像语义特征的上下文关联编码后,进一步在多个上下文局部展开特征向量中各自的特征分布的高斯分布误差不确定性,从而在多个上下文局部展开特征向量二维排列得到的所述柴油母罐表面全局特征矩阵中导致分类回归误差,影响所述柴油母罐表面全局特征矩阵通过分类器得到的分类结果的准确性。
基于此,在本申请的技术方案中,分别计算所述多个上下文局部展开特征向量中的每个上下文局部展开特征向量的高斯回归不确定性因数,表示为:以如下优化公式计算所述多个上下文局部展开特征向量中的每个上下文局部展开特征向量的高斯回归不确定性因数;其中,所述优化公式为:其中,是特征向量的长度,/>和/>分别是所述多个上下文局部展开特征向量中各个位置的特征集合的均值和方差,其中/>是所述多个上下文局部展开特征向量的第/>个位置的特征值,且/>为以2为底的对数函数,/>是所述高斯回归不确定性因数。
这里,针对所述多个上下文局部展开特征向量中的每个上下文局部展开特征向量各自的集成特征集合由于其分布不确定性信息可能导致的所述柴油母罐表面全局特征矩阵的不可知回归,利用作为统计量化参数的均值和方差来进行特征集合的统计特性的标量度量,从而将特征误差表示的正态分布认知模式扩展到未知的分布回归模式,实现特征集合尺度上的基于自然分布转移的迁移学习,这样,通过以上述高斯回归不确定性因数分别对每个上下文局部展开特征向量加权后再二维排列得到所述柴油母罐表面全局特征矩阵,就可以实现所述每个上下文局部展开特征向量在组成所述柴油母罐表面全局特征矩阵时基于自校准的不确定性修正,从而修正所述柴油母罐表面全局特征矩阵存在的分类回归误差,提升其通过分类器得到的分类结果的准确性。
具体地,在本申请实施例中,所述预警提示生成模块160,用于将所述柴油母罐表面全局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泄露预警提示。最终,将所述柴油母罐表面全局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泄露预警提示。也就是,使用所述分类器来确定所述柴油母罐表面全局特征矩阵所属的类概率标签,所述类概率标签用于表示是否产生泄露预警提示。这样基于机器视觉和图像智能分析和处理计算来构建柴油母罐的智能监测方案。
图5为根据本申请实施例的嵌入式增压柴油罐的监测***中所述预警提示生成模块的框图,如图5所示,所述预警提示生成模块160,包括:矩阵展开单元161,用于将所述柴油母罐表面全局特征矩阵按照行向量或列向量展开为分类特征向量;全连接编码单元162,用于使用所述分类器的多个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163,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上,基于本申请实施例的嵌入式增压柴油罐的监测***100被阐明,其获取由摄像头采集的嵌入式增压柴油罐的柴油母罐的监测图像;采用基于深度学习的人工智能技术,对所述柴油母罐的外表面图像进行图像处理和分析,基于此生成是否产生泄露的预警提示。这样,可以智能地对所述柴油母罐进行泄露监测,以确保所述嵌入式增压柴油罐的运行稳定性。
如上所述,根据本申请实施例的嵌入式增压柴油罐的监测***100可以实现在各种终端设备中,例如用于嵌入式增压柴油罐的监测的服务器等。在一个示例中,根据本申请实施例的嵌入式增压柴油罐的监测***100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该嵌入式增压柴油罐的监测***100可以是该终端设备的操作***中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该嵌入式增压柴油罐的监测***100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该嵌入式增压柴油罐的监测***100与该终端设备也可以是分立的设备,并且该嵌入式增压柴油罐的监测***100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
在本申请的一个实施例中,图6为根据本申请实施例的嵌入式增压柴油罐的监测方法的流程图。如图6所示,根据本申请实施例的嵌入式增压柴油罐的监测方法,其包括:210,获取由摄像头采集的嵌入式增压柴油罐的柴油母罐的监测图像;220,对所述柴油母罐的监测图像进行图像预处理以得到预处理后监测图像;230,将所述预处理后监测图像通过作为特征提取器的卷积神经网络模型以得到柴油母罐表面特征矩阵;240,对所述柴油母罐表面特征矩阵进行特征矩阵划分以得到多个局部特征矩阵;250,将所述多个局部特征矩阵展开为多个局部展开特征向量后通过基于转换器的上下文编码器以得到柴油母罐表面全局特征矩阵;以及,260,将所述柴油母罐表面全局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泄露预警提示。
图7为根据本申请实施例的嵌入式增压柴油罐的监测方法的***架构的示意图。如图7所示,在所述嵌入式增压柴油罐的监测方法的***架构中,首先,获取由摄像头采集的嵌入式增压柴油罐的柴油母罐的监测图像;然后,对所述柴油母罐的监测图像进行图像预处理以得到预处理后监测图像;接着,将所述预处理后监测图像通过作为特征提取器的卷积神经网络模型以得到柴油母罐表面特征矩阵;然后,对所述柴油母罐表面特征矩阵进行特征矩阵划分以得到多个局部特征矩阵;接着,将所述多个局部特征矩阵展开为多个局部展开特征向量后通过基于转换器的上下文编码器以得到柴油母罐表面全局特征矩阵;以及,最后,将所述柴油母罐表面全局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泄露预警提示。
在一个具体示例中,在上述嵌入式增压柴油罐的监测方法中,对所述柴油母罐的监测图像进行图像预处理以得到预处理后监测图像,包括:采用滤波器和直方图均衡化对所述柴油母罐的监测图像进行图像预处理以得到所述预处理后监测图像。
在一个具体示例中,在上述嵌入式增压柴油罐的监测方法中,将所述预处理后监测图像通过作为特征提取器的卷积神经网络模型以得到柴油母罐表面特征矩阵,包括:使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出为所述柴油母罐表面特征矩阵,其中,所述作为特征提取器的卷积神经网络模型的第一层的输入为所述预处理后监测图像。
在一个具体示例中,在上述嵌入式增压柴油罐的监测方法中,对所述柴油母罐表面特征矩阵进行特征矩阵划分以得到多个局部特征矩阵,包括:对所述柴油母罐表面特征矩阵进行均匀划分处理以得到所述多个局部特征矩阵。
在一个具体示例中,在上述嵌入式增压柴油罐的监测方法中,将所述多个局部特征矩阵展开为多个局部展开特征向量后通过基于转换器的上下文编码器以得到柴油母罐表面全局特征矩阵,包括:使用所述基于转换器的上下文编码器对所述多个局部展开特征向量进行基于自注意力机制的上下文语义编码以得到多个上下文局部展开特征向量;计算所述多个上下文局部展开特征向量中的每个上下文局部展开特征向量的高斯回归不确定性因数;以所述每个上下文局部展开特征向量的高斯回归不确定性因数作为权重,分别对所述每个上下文局部展开特征向量进行加权以得到多个加权后上下文局部展开特征向量;以及,将所述多个加权后上下文局部展开特征向量进行二维排列以得到所述柴油母罐表面全局特征矩阵。
在一个具体示例中,在上述嵌入式增压柴油罐的监测方法中,计算所述多个上下文局部展开特征向量中的每个上下文局部展开特征向量的高斯回归不确定性因数,包括:以如下优化公式计算所述多个上下文局部展开特征向量中的每个上下文局部展开特征向量的高斯回归不确定性因数;其中,所述优化公式为:其中,/>是特征向量的长度,/>和/>分别是所述多个上下文局部展开特征向量中各个位置的特征集合的均值和方差,其中/>是所述多个上下文局部展开特征向量的第/>个位置的特征值,且/>为以2为底的对数函数,/>是所述高斯回归不确定性因数。
在一个具体示例中,在上述嵌入式增压柴油罐的监测方法中,将所述柴油母罐表面全局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泄露预警提示,包括:将所述柴油母罐表面全局特征矩阵按照行向量或列向量展开为分类特征向量;使用所述分类器的多个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通过所述分类器的Softmax分类函数以得到所述分类结果。
本领域技术人员可以理解,上述嵌入式增压柴油罐的监测方法中的各个步骤的具体操作已经在上面参考图1到图5的嵌入式增压柴油罐的监测***的描述中得到了详细介绍,并因此,将省略其重复描述。
本申请还提供了一种计算机程序产品,所述计算机程序产品包括指令,当所述指令被执行时,以使得装置执行对应于上述方法中的操作。
在本申请的一个实施例中,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
应可以理解,本申请的实施例可提供为方法、***、或计算机程序产品。因此,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,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。
本申请实施例的方法、***、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/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实现计算机程序的处理,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/或框图一个方框或多个方框中指定的功能的步骤。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种嵌入式增压柴油罐的监测***,其特征在于,包括:图像获取模块,用于获取由摄像头采集的嵌入式增压柴油罐的柴油母罐的监测图像;图像预处理模块,用于对所述柴油母罐的监测图像进行图像预处理以得到预处理后监测图像;特征提取模块,用于将所述预处理后监测图像通过作为特征提取器的卷积神经网络模型以得到柴油母罐表面特征矩阵;特征矩阵划分模块,用于对所述柴油母罐表面特征矩阵进行特征矩阵划分以得到多个局部特征矩阵;上下文编码模块,用于将所述多个局部特征矩阵展开为多个局部展开特征向量后通过基于转换器的上下文编码器以得到柴油母罐表面全局特征矩阵;以及预警提示生成模块,用于将所述柴油母罐表面全局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泄露预警提示。
2.根据权利要求1所述的嵌入式增压柴油罐的监测***,其特征在于,所述图像预处理模块,用于:采用滤波器和直方图均衡化对所述柴油母罐的监测图像进行图像预处理以得到所述预处理后监测图像。
3.根据权利要求2所述的嵌入式增压柴油罐的监测***,其特征在于,所述特征提取模块,用于:使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出为所述柴油母罐表面特征矩阵,其中,所述作为特征提取器的卷积神经网络模型的第一层的输入为所述预处理后监测图像。
4.根据权利要求3所述的嵌入式增压柴油罐的监测***,其特征在于,所述特征矩阵划分模块,用于:对所述柴油母罐表面特征矩阵进行均匀划分处理以得到所述多个局部特征矩阵。
5.根据权利要求4所述的嵌入式增压柴油罐的监测***,其特征在于,所述上下文编码模块,包括:自注意力单元,用于使用所述基于转换器的上下文编码器对所述多个局部展开特征向量进行基于自注意力机制的上下文语义编码以得到多个上下文局部展开特征向量;高斯回归因数计算单元,用于计算所述多个上下文局部展开特征向量中的每个上下文局部展开特征向量的高斯回归不确定性因数;加权单元,用于以所述每个上下文局部展开特征向量的高斯回归不确定性因数作为权重,分别对所述每个上下文局部展开特征向量进行加权以得到多个加权后上下文局部展开特征向量;以及二维排列单元,用于将所述多个加权后上下文局部展开特征向量进行二维排列以得到所述柴油母罐表面全局特征矩阵。
7.根据权利要求6所述的嵌入式增压柴油罐的监测***,其特征在于,所述预警提示生成模块,包括:矩阵展开单元,用于将所述柴油母罐表面全局特征矩阵按照行向量或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多个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通过所述分类器的Softmax分类函数以得到所述分类结果。
8.一种嵌入式增压柴油罐的监测方法,其特征在于,包括:获取由摄像头采集的嵌入式增压柴油罐的柴油母罐的监测图像;对所述柴油母罐的监测图像进行图像预处理以得到预处理后监测图像;将所述预处理后监测图像通过作为特征提取器的卷积神经网络模型以得到柴油母罐表面特征矩阵;对所述柴油母罐表面特征矩阵进行特征矩阵划分以得到多个局部特征矩阵;将所述多个局部特征矩阵展开为多个局部展开特征向量后通过基于转换器的上下文编码器以得到柴油母罐表面全局特征矩阵;以及将所述柴油母罐表面全局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泄露预警提示。
9.根据权利要求8所述的嵌入式增压柴油罐的监测方法,其特征在于,对所述柴油母罐的监测图像进行图像预处理以得到预处理后监测图像,包括:采用滤波器和直方图均衡化对所述柴油母罐的监测图像进行图像预处理以得到所述预处理后监测图像。
10.根据权利要求9所述的嵌入式增压柴油罐的监测方法,其特征在于,将所述预处理后监测图像通过作为特征提取器的卷积神经网络模型以得到柴油母罐表面特征矩阵,包括:使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出为所述柴油母罐表面特征矩阵,其中,所述作为特征提取器的卷积神经网络模型的第一层的输入为所述预处理后监测图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310547149.0A CN116259012B (zh) | 2023-05-16 | 2023-05-16 | 嵌入式增压柴油罐的监测***及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310547149.0A CN116259012B (zh) | 2023-05-16 | 2023-05-16 | 嵌入式增压柴油罐的监测***及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116259012A true CN116259012A (zh) | 2023-06-13 |
CN116259012B CN116259012B (zh) | 2023-07-28 |
Family
ID=86681046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310547149.0A Active CN116259012B (zh) | 2023-05-16 | 2023-05-16 | 嵌入式增压柴油罐的监测***及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116259012B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116630081A (zh) * | 2023-07-25 | 2023-08-22 | 新疆华屹能源发展有限公司 | 采油井氮气前置增能降粘增产方法 |
CN116739868A (zh) * | 2023-07-05 | 2023-09-12 | 浙江星宸环境建设有限公司 | 基于人工智能的园林绿化管理***及其方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019021297A (ja) * | 2017-07-14 | 2019-02-07 | 富士通株式会社 | 画像処理装置及び方法、電子機器 |
CN109325520A (zh) * | 2018-08-24 | 2019-02-12 | 北京航空航天大学 | 一种石油泄漏的检查方法、装置及*** |
CN110136210A (zh) * | 2018-02-07 | 2019-08-16 | 中国石油化工股份有限公司 | 一种监控装置泄露的智能预警*** |
KR20190133442A (ko) * | 2018-05-23 | 2019-12-03 | 한국해양과학기술원 | 인공위성 sar 영상기반 인공신경망을 이용한 오일 유출 탐지 방법 |
CN114386563A (zh) * | 2020-10-02 | 2022-04-22 | 罗伯特·博世有限公司 | 神经过程的贝叶斯上下文聚合 |
CN115496740A (zh) * | 2022-10-10 | 2022-12-20 | 湖北华鑫光电有限公司 | 基于卷积神经网络的镜片缺陷检测方法及其*** |
CN115789517A (zh) * | 2023-01-04 | 2023-03-14 | 河南纳宇新材料有限公司 | 一种具有泄漏检测功能的固态储氢罐 |
CN115909260A (zh) * | 2022-09-28 | 2023-04-04 | 华能伊敏煤电有限责任公司 | 基于机器视觉的作业场所入侵预警方法及其*** |
CN116052254A (zh) * | 2023-01-19 | 2023-05-02 | 西安邮电大学 | 基于扩展卡尔曼滤波神经网络的视觉连续情感识别方法 |
-
2023
- 2023-05-16 CN CN202310547149.0A patent/CN116259012B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019021297A (ja) * | 2017-07-14 | 2019-02-07 | 富士通株式会社 | 画像処理装置及び方法、電子機器 |
CN110136210A (zh) * | 2018-02-07 | 2019-08-16 | 中国石油化工股份有限公司 | 一种监控装置泄露的智能预警*** |
KR20190133442A (ko) * | 2018-05-23 | 2019-12-03 | 한국해양과학기술원 | 인공위성 sar 영상기반 인공신경망을 이용한 오일 유출 탐지 방법 |
CN109325520A (zh) * | 2018-08-24 | 2019-02-12 | 北京航空航天大学 | 一种石油泄漏的检查方法、装置及*** |
CN114386563A (zh) * | 2020-10-02 | 2022-04-22 | 罗伯特·博世有限公司 | 神经过程的贝叶斯上下文聚合 |
CN115909260A (zh) * | 2022-09-28 | 2023-04-04 | 华能伊敏煤电有限责任公司 | 基于机器视觉的作业场所入侵预警方法及其*** |
CN115496740A (zh) * | 2022-10-10 | 2022-12-20 | 湖北华鑫光电有限公司 | 基于卷积神经网络的镜片缺陷检测方法及其*** |
CN115789517A (zh) * | 2023-01-04 | 2023-03-14 | 河南纳宇新材料有限公司 | 一种具有泄漏检测功能的固态储氢罐 |
CN116052254A (zh) * | 2023-01-19 | 2023-05-02 | 西安邮电大学 | 基于扩展卡尔曼滤波神经网络的视觉连续情感识别方法 |
Non-Patent Citations (4)
Title |
---|
"埋地油罐渗漏监测方法与***研究", 《工程科技Ⅰ辑》, no. 09, pages 9 - 67 * |
QINGQUAN WANG等: "Automatic Detection and Classification of Oil Tanks in Optical Satellite Images Based on Convolutional Neural Network", 《ICISP 2016: IMAGE AND SIGNAL PROCESSING》, vol. 9680, pages 304 - 313 * |
SUDEEP THEPADE等: "Feature Extraction with Ordered Mean Values for Content Based Image Classification", 《ADVANCES IN COMPUTER ENGINEERING》, vol. 2014, pages 1 - 16 * |
曾祥军: "数据驱动的风电机组齿轮箱异常检测与故障诊断研究", 《工程科技Ⅱ辑》, no. 02, pages 16 - 123 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116739868A (zh) * | 2023-07-05 | 2023-09-12 | 浙江星宸环境建设有限公司 | 基于人工智能的园林绿化管理***及其方法 |
CN116739868B (zh) * | 2023-07-05 | 2024-04-23 | 浙江星宸环境建设有限公司 | 基于人工智能的园林绿化管理***及其方法 |
CN116630081A (zh) * | 2023-07-25 | 2023-08-22 | 新疆华屹能源发展有限公司 | 采油井氮气前置增能降粘增产方法 |
CN116630081B (zh) * | 2023-07-25 | 2023-09-29 | 新疆华屹能源发展有限公司 | 采油井氮气前置增能降粘增产方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116259012B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116259012B (zh) | 嵌入式增压柴油罐的监测***及其方法 | |
CN108008948B (zh) | 一种指令生成过程的复用装置及方法、处理装置 | |
CN111242127B (zh) | 基于非对称卷积的具有粒度级多尺度特性的车辆检测方法 | |
CN116086790A (zh) | 氢燃料电池高压阀的性能检测方法及其*** | |
US20210279635A1 (en) | Adaptive quantization for execution of machine learning models | |
CN113763327B (zh) | 一种基于CBAM-Res_Unet的电厂管道高压蒸汽泄露检测方法 | |
CN116152254A (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 | |
CN113628201A (zh) | 基于深度学习的病理切片分析方法、电子设备及可读存储介质 | |
Qian et al. | FESSD: SSD target detection based on feature fusion and feature enhancement | |
CN115587987A (zh) | 一种蓄电池缺陷检测方法、装置、存储介质及电子设备 | |
CN115951883A (zh) | 分布式微服务架构的服务组件管理***及其方法 | |
CN117372879B (zh) | 基于自监督增强的轻量级遥感影像变化检测方法和*** | |
CN114187590A (zh) | 同色系背景下目标果实识别方法及*** | |
CN112241802A (zh) | 一种风电功率的区间预测方法 | |
CN116050262B (zh) | 一种压缩空气储能电站的安全状态评估方法、装置和*** | |
CN105069741A (zh) | 一种损坏图像非负隐特征提取装置和方法 | |
CN115587326B (zh) | 一种噪声环境风电场数据修正方法 | |
CN116824330A (zh) | 一种基于深度学习的小样本跨域目标检测方法 | |
CN116639794A (zh) | 医疗废水消毒处理***及处理方法 | |
CN116544029A (zh) | 柔性直流输变电电容器用内串接高方阻膜及其制备方法 | |
CN116091873A (zh) | 图像生成方法、装置、电子设备及存储介质 | |
CN116577843A (zh) | 一种分布式声雷达风功率预测方法 | |
CN116030365A (zh) | 模型训练方法、装置、计算机设备、存储介质和程序产品 | |
CN113642662B (zh) | 一种基于轻量化分类模型的分类检测方法及装置 | |
CN114118611A (zh) | 基于预测算法池的风电功率预测方法和*** |
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 |