-
公开(公告)号：CN112862004B
公开(公告)日：2022-08-05
申请号：CN202110297761.8
申请日：2021-03-19
Applicant: 三峡大学
Abstract: 基于变分贝叶斯深度学习的电网工程造价管控指标预测方法，基于工程造价数据库，选取概算前造价数据x与结算造价指标y，形成新的训练样本数据库，当给定新的造价数据xn+1时，目标得到结算造价管控指标p(yn+1|xn+1；D)。采用基于LSTM深度学习网络的造价指标预测模型，以非线性方式处理造价管控指标数据。采用随机梯度哈密尔顿蒙特卡洛概率预测方法进行采样，用期望值作为概率的预测值。采用造价管控指标预测模型隐含概率分布的近似推断，最小化隐变量概率分布与真实分布的差异。本发明方法在预测技巧和预测可靠性方面均明显优于其它模型，能够提供有效的不确定度估计预测结果。
-
公开(公告)号：CN114049305A
公开(公告)日：2022-02-15
申请号：CN202111203745.4
申请日：2021-10-15
Applicant: 三峡大学
IPC: G06T7/00 , G06V10/44 , G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08 , G06N5/04
Abstract: 基于改进ALI和Faster‑RCNN的配电线路销钉缺陷检测方法，包括以下几个方面：收集配电线路的销钉缺陷图像，并在销钉缺陷图像数据上人工标记，构建训练样本集。搭建网络结构，第一个是对抗学习推断网络，基本结构由推断网络、生成网络和判断器三部分组成。第二个是Faster‑RCNN网络。根据获取的训练样本，进行检测模型训练，训练指定步数后，完成训练。将待检测图像输入到训练好的对抗学习推断网络，输出高质量重构的销钉图像，最后通过训练好的Faster‑RCNN网络完成缺陷的识别。该方法可以增强配电线路销钉图像局部纹理、边缘等细节信息，以改善图像质量，并结合目标检测算法提取准确的特征，以实现销钉缺陷的智能检测。
-
公开(公告)号：CN112862004A
公开(公告)日：2021-05-28
申请号：CN202110297761.8
申请日：2021-03-19
Applicant: 三峡大学
Abstract: 基于变分贝叶斯深度学习的电网工程造价管控指标预测方法，基于工程造价数据库，选取概算前造价数据x与结算造价指标y，形成新的训练样本数据库，当给定新的造价数据xn+1时，目标得到结算造价管控指标p(yn+1|xn+1；D)。采用基于LSTM深度学习网络的造价指标预测模型，以非线性方式处理造价管控指标数据。采用随机梯度哈密尔顿蒙特卡洛概率预测方法进行采样，用期望值作为概率的预测值。采用造价管控指标预测模型隐含概率分布的近似推断，最小化隐变量概率分布与真实分布的差异。本发明方法在预测技巧和预测可靠性方面均明显优于其它模型，能够提供有效的不确定度估计预测结果。
-
Patent Agency Ranking
公开(公告)号：CN114049305B
公开(公告)日：2024-07-16
申请号：CN202111203745.4
申请日：2021-10-15
Applicant: 三峡大学
IPC: G06T7/00 , G06V10/82 , G06V10/44 , G06V10/774 , G06V10/764 , G06V10/776 , G06N3/0464 , G06N3/045 , G06N3/088 , G06N3/0475 , G06N3/094 , G06N5/04 , G06N3/048 , G06V10/766
Abstract: 基于改进ALI和Faster‑RCNN的配电线路销钉缺陷检测方法，包括以下几个方面：收集配电线路的销钉缺陷图像，并在销钉缺陷图像数据上人工标记，构建训练样本集。搭建网络结构，第一个是对抗学习推断网络，基本结构由推断网络、生成网络和判断器三部分组成。第二个是Faster‑RCNN网络。根据获取的训练样本，进行检测模型训练，训练指定步数后，完成训练。将待检测图像输入到训练好的对抗学习推断网络，输出高质量重构的销钉图像，最后通过训练好的Faster‑RCNN网络完成缺陷的识别。该方法可以增强配电线路销钉图像局部纹理、边缘等细节信息，以改善图像质量，并结合目标检测算法提取准确的特征，以实现销钉缺陷的智能检测。
-
公开(公告)号：CN114863361B
公开(公告)日：2024-08-09
申请号：CN202210427866.5
申请日：2022-04-22
Applicant: 三峡大学
IPC: G06V20/52 , G06T3/4046 , G06T3/4053 , G06V10/20 , G06V10/30 , G06V10/82 , G06V10/766 , G06V10/774 , G06N3/045 , G06N3/0464 , G06N3/096 , G06N3/0985
Abstract: 基于USRNet和YOLOv3的配电线路鸟巢检测方法，包括以下步骤：步骤1：收集配电线路的鸟巢图像，并在鸟巢图像数据上人工标记，构建训练样本集；步骤2：搭建网络结构，包括深度展开超分辨率网络USRNet、GaussianYOLOv3；步骤3：获取配电线路鸟巢检测模型；步骤4：将待检测图像输入到深度展开超分辨率网络USRNet，输出重构的鸟巢图像；然后，通过训练好的GaussianYOLOv3完成故障的识别。本发明方法可以增强配电线路鸟巢图像局部纹理、边缘等细节信息，以改善图像质量，并结合目标检测算法提取准确的特征，以实现鸟巢缺陷的智能检测。
-
公开(公告)号：CN114863361A
公开(公告)日：2022-08-05
申请号：CN202210427866.5
申请日：2022-04-22
Applicant: 三峡大学
IPC: G06V20/52 , G06T3/40 , G06V10/20 , G06V10/30 , G06V10/82 , G06V10/766 , G06V10/774 , G06N3/04 , G06N3/08 , G06K9/62
Abstract: 基于USRNet和YOLOv3的配电线路鸟巢检测方法，包括以下步骤：步骤1：收集配电线路的鸟巢图像，并在鸟巢图像数据上人工标记，构建训练样本集；步骤2：搭建网络结构，包括深度展开超分辨率网络USRNet、GaussianYOLOv3；步骤3：获取配电线路鸟巢检测模型；步骤4：将待检测图像输入到深度展开超分辨率网络USRNet，输出重构的鸟巢图像；然后，通过训练好的GaussianYOLOv3完成故障的识别。本发明方法可以增强配电线路鸟巢图像局部纹理、边缘等细节信息，以改善图像质量，并结合目标检测算法提取准确的特征，以实现鸟巢缺陷的智能检测。
-
公开(公告)号：CN114359695A
公开(公告)日：2022-04-15
申请号：CN202111674765.X
申请日：2021-12-31
Applicant: 三峡大学
IPC: G06V20/00 , G06V10/44 , G06V10/56 , G06V10/764 , G06V10/82 , G06V10/84 , G06V10/70 , G06K9/62 , G06N3/04 , G06N3/08 , G06N7/00 , G06N5/04
Abstract: 基于不确定性估计的绝缘子破损识别方法，通过数据增强扩充采集到的绝缘子破损图像作为训练数据和测试数据；首先由YOLOv5s模型定位绝缘子区域；然后根据定位框信息，从巡检图像中截取绝缘子区域，采用DenseNet201模型对截取的绝缘子区域进行进一步的缺陷分类；根据MC‑dropout方法，在DenseNet201模型测试时，前向传播的过程中仍保留dropout操作，得到多个不同网络结构的输出，其均值和方差即表示DenseNet201模型的分类结果与不确定性。本发明方法在评估识别结果的不确定性方面，相对传统贝叶斯方法更加简单，实时性高。
-
公开(公告)号：CN114359695B
公开(公告)日：2024-11-22
申请号：CN202111674765.X
申请日：2021-12-31
Applicant: 三峡大学
IPC: G06V20/17 , G06V10/44 , G06V10/56 , G06V10/764 , G06V10/766 , G06V10/82 , G06V10/84 , G06V10/70 , G06N3/0464 , G06N3/047 , G06N3/0499 , G06N7/01 , G06N5/04
Abstract: 基于不确定性估计的绝缘子破损识别方法，通过数据增强扩充采集到的绝缘子破损图像作为训练数据和测试数据；首先由YOLOv5s模型定位绝缘子区域；然后根据定位框信息，从巡检图像中截取绝缘子区域，采用DenseNet201模型对截取的绝缘子区域进行进一步的缺陷分类；根据MC‑dropout方法，在DenseNet201模型测试时，前向传播的过程中仍保留dropout操作，得到多个不同网络结构的输出，其均值和方差即表示DenseNet201模型的分类结果与不确定性。本发明方法在评估识别结果的不确定性方面，相对传统贝叶斯方法更加简单，实时性高。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.021 seconds)
