一种基于深度学习的变电站作业现场监测方法及装置

    公开(公告)号:CN110321809A

    公开(公告)日:2019-10-11

    申请号:CN201910513300.2

    申请日:2019-06-13

    摘要: 本发明公开了一种基于深度学习的变电站作业现场监测装置,包括:现场监控人员和作业人员进入变电站作业现场监测程序;现场监控人员选择并确认第一个操作步骤,执行监测工作;摄像头采集现场作业视频文件,并转换为RGB图像;加载改进的深度神经网络YOLO-V3;输入图像,对设备和标识进行自动识别,判断操作行为是否符合安全规范;根据识别和判断结果,当场发出警告并给出评价结果;将识别和评价结果实时可视化地展现给现场监控人员;现场监控人员确认评价结果并选择进入下一步骤或结束本次操作。使用模型结构剪枝和权重量化两种深度神经网络轻量化方法,实现了深度神经网络模型在嵌入式智能终端中的高精度实时推断,提高安全性和效率。

    基于深度学习的自动化辅助决策系统及方法

    公开(公告)号:CN109740858A

    公开(公告)日:2019-05-10

    申请号:CN201811507435.X

    申请日:2018-12-11

    摘要: 本发明公开了一种基于深度学习的自动化辅助决策系统及方法,基于深度学习技术,通过编解码过程生成对运维巡检图像的自然语言描述,叠加从图像中获得的位置、时间等信息以及在上述信息基础上获得的地理环境和天气信息;所有这些结果输入关键信息提取子系统,根据关键字提取出关键信息再导入图像语义理解子系统,图像语义理解子系统根据预先的任务设置和安排并在少量人工甚至无人工参与的情况下迅速做出辅助决策。本发明使行业中诸多繁琐棘手的运维巡检等工作实现了自动识别和理解以及辅助决策的功能,且操作简单,可作为对现有人工读取图像、检测、识别、决策过程的改进甚至替代。

    一种基于深度学习的计算机视觉数据集半自动标注方法及系统

    公开(公告)号:CN112434794A

    公开(公告)日:2021-03-02

    申请号:CN202011371842.X

    申请日:2020-11-30

    摘要: 本发明提出了一种基于深度学习的计算机视觉数据集半自动标注方法及系统,包括以下步骤:步骤1:从样本图片集A中按一定比例进行随机采样,生成图片集B;步骤2:对经过步骤1操作的图片集B进行人工标注、图像扩充和图像预处理,生成训练集B;步骤3:采用训练集B对Faster‑rcnn算法中的深度神经网络模型进行初训练,得到模型权重;步骤4:利用模型权重,结合人机耦合的标注方法,对样本图片集A进行标注,对标注好的样本图片集A进行图像扩充和图像预处理,生成训练集A;步骤5:采用训练集A对Faster‑rcnn算法中的深度神经网络模型进行再训练;步骤6:将待识别的图像输入至经过步骤5训练好的深度神经网络模型中,得到标注结果。

    一种面向物联网移动端设备的轻量级人体姿态识别方法

    公开(公告)号:CN112381045A

    公开(公告)日:2021-02-19

    申请号:CN202011374295.0

    申请日:2020-11-30

    摘要: 本发明公开了一种面向物联网移动端设备的轻量级人体姿态识别方法,方法中采用轻量化神经网络技术对当前高效但复杂的网络结构进行解析,综合考量了姿态识别精度和计算复杂度,可以在手机等计算资源有限的移动设备上运行姿态识别神经网络。该技术基本保留了原始模型的精度,而轻量化之后的模型参数数量相比原始的参数数量下降了85%。本发明可以在硬件资源有限,比如计算资源受限的移动物联网设备上进行人体姿态识别,在基本保持精度的同时有效地解决了参数数量巨大的姿态识别神经网络模型在实际生活中难以运用的问题。