-
公开(公告)号:CN117172413B
公开(公告)日:2024-05-14
申请号:CN202311154552.3
申请日:2023-09-07
Applicant: 中国科学院合肥物质科学研究院 , 安徽南瑞继远电网技术有限公司
IPC: G06Q10/063 , G06Q50/06 , G06F18/241 , G06F18/243 , G06N3/042 , G06N3/0455 , G06N3/08 , G06N5/01
Abstract: 本发明涉及一种基于多模态数据联合表征和动态权重学习的电网设备运行状态监测方法,与现有技术相比解决了难以将多源异构数联合表征和统一应用、利用设备不同部件间的关联关系来建立电网备状态度量的缺陷。本发明包括以下步骤:设定电网设备状态数据的分布式表示方法;电网设备多模态数据的联合表征;设备内部拓扑关系图的构建;图神经网络的动态权重学习;电网设备状态的评价。本发明结合机器学习分类方法来进行设备状态健康评价,能够显著提高评价方法的准确性和鲁棒性,达到电网设备运行状态监测的目的。
-
公开(公告)号:CN117034169A
公开(公告)日:2023-11-10
申请号:CN202311017786.3
申请日:2023-08-14
Applicant: 中国科学院合肥物质科学研究院 , 安徽南瑞继远电网技术有限公司
IPC: G06F18/2433 , G06F18/214 , G06N3/0464 , G06F17/16 , G06F17/18 , G06Q50/06
Abstract: 本发明涉及基于时序因果关系网络的电网主变设备异常状态预测方法,与现有技术相比解决了未探究主变设备异常变量间因果关系的缺陷。本发明包括以下步骤:主变设备运行数据获取和预处理;主变设备数据集的构建;构建电网主变设备异常状态检测模型;电网主变设备异常状态检测模型的训练;主变设备运行实时数据的获取;电网主变设备异常状态的预测。本发明基于动态的设备运行、随时间变化的变量间关系的特点,充分探究主变设备异常变量间的因果关系,基于时序因果关系网络的方法来从变量在时间分布上的动态行为中得到更多的隐藏的因果关系,提高主变设备异常预测的可靠性。
-
公开(公告)号:CN117407673A
公开(公告)日:2024-01-16
申请号:CN202311396061.X
申请日:2023-10-26
Applicant: 中国科学院合肥物质科学研究院 , 安徽南瑞继远电网技术有限公司
IPC: G06F18/20 , G06F18/10 , G06F18/214 , G06F18/2411 , G06N3/006 , G06N3/0442 , G06N3/08
Abstract: 本发明涉及基于灰狼优化算法和LSTM‑Attention的电力设备缺陷预测方法,与现有技术相比解决了电力设备缺陷检测模型的超参数寻优难、未利用时序信息以及没有降低冗余特征影响的缺陷。本发明包括以下步骤:电力设备数据的获取及预处理;电力设备缺陷预测模型的构建;电力设备缺陷预测模型的训练;待预测电力设备数据的获取;电力设备缺陷预测结果的获得。本发明通过使用LSTM模型,可以有效地利用缺陷数据中的时序信息,提高缺陷预测的准确率;引入注意力机制,降低非重要特征对模型性能的影响;引入灰狼优化算法,实现模型超参数的自动寻优,提高了电力设备缺陷预测的准确率和效率。
-
公开(公告)号:CN117172413A
公开(公告)日:2023-12-05
申请号:CN202311154552.3
申请日:2023-09-07
Applicant: 中国科学院合肥物质科学研究院 , 安徽南瑞继远电网技术有限公司
IPC: G06Q10/063 , G06Q50/06 , G06F18/241 , G06F18/243 , G06N3/042 , G06N3/0455 , G06N3/08 , G06N5/01
Abstract: 本发明涉及一种基于多模态数据联合表征和动态权重学习的电网设备运行状态监测方法,与现有技术相比解决了难以将多源异构数联合表征和统一应用、利用设备不同部件间的关联关系来建立电网备状态度量的缺陷。本发明包括以下步骤:设定电网设备状态数据的分布式表示方法;电网设备多模态数据的联合表征;设备内部拓扑关系图的构建;图神经网络的动态权重学习;电网设备状态的评价。本发明结合机器学习分类方法来进行设备状态健康评价,能够显著提高评价方法的准确性和鲁棒性,达到电网设备运行状态监测的目的。
-
公开(公告)号:CN117151983A
公开(公告)日:2023-12-01
申请号:CN202311200961.2
申请日:2023-09-18
Applicant: 中国科学院合肥物质科学研究院
Abstract: 本发明涉及一种基于小波启发和高频增强的图像全色锐化方法,与现有技术相比解决了融合图像易产生伪影、颜色失真、泛化性差的缺陷。本发明包括以下步骤:全色图像和多光谱图像的获取和预处理;构建全色锐化模型;全色锐化模型的训练;待处理的图像获取;图像全色锐化结果的生成。本发明提升了融合图像的精度和色彩表现,在多种参考指标上都优于现有的方法。
-
公开(公告)号:CN111178120B
公开(公告)日:2023-04-21
申请号:CN201811586713.5
申请日:2018-12-25
Applicant: 中国科学院合肥物质科学研究院
IPC: G06V10/764 , G06N3/0464 , G06V10/774 , G06V20/40 , G06V10/82
Abstract: 本发明涉及一种基于作物识别级联技术的害虫图像检测方法,与现有技术相比解决了不同类别害虫之间的互相关性影响害虫检测结果的缺陷。本发明包括以下步骤:获取基础数据图像;构造并训练多层感知信息识别网络;构造并训练多投影检测模型;待检测害虫图像的获取;害虫图像的检测。本发明提出了两阶段基于移动视觉的级联害虫检测方法,能够应用于大规模多种害虫数据,通过在新建立的大规模数据集粮食作物田间害虫数据集中对本方法的评估,充分的实验结果表明,本发明所述方法优于传统先进的物体检测方法。
-
公开(公告)号:CN111476317B
公开(公告)日:2023-03-24
申请号:CN202010352773.1
申请日:2020-04-29
Applicant: 中国科学院合肥物质科学研究院
Abstract: 本发明涉及一种基于强化学习技术的植保图像非密集害虫检测方法,与现有技术相比解决了植保图像非密集害虫检测计算量大、资源消耗高的缺陷。本发明包括以下步骤:获取植保图像数据库;植保图像特征图的提取;构建害虫目标检测网络;害虫目标检测网络的训练;待检测植保图像的获取和特征图提取;害虫检测结果的获得。本发明利用强化学习的动作空间和深度学习的特征空间去由粗到细的进行目标检测,结合改进的强化学习算法和区域选择网络去搜索最优候选区域,而后利用深度学习去进一步精修目标候选区域坐标,进一步提高检测精度。
-
公开(公告)号:CN114419512A
公开(公告)日:2022-04-29
申请号:CN202210091469.5
申请日:2022-01-26
Applicant: 中国科学院合肥物质科学研究院
IPC: G06V20/40 , G06K9/62 , G06V10/774 , G06V10/764
Abstract: 本发明涉及一种基于特征重构的任意方向小麦病害图像检测方法,与现有技术相比解决了难以针对任意方向小麦病害图像进行检测的缺陷。本发明包括以下步骤:小麦病害图像的获取和预处理;构建小麦病害检测模型;小麦病害检测模型的训练;待检测小麦病害图像的获取;小麦病害图像检测结果的获得。本发明可实现任意方向小麦病斑区域的准确定位和快速检测,提高小麦病害检测的准确率,增强小麦病害检测算法的鲁棒性。
-
公开(公告)号:CN107194418B
公开(公告)日:2021-09-28
申请号:CN201710325110.9
申请日:2017-05-10
Applicant: 中国科学院合肥物质科学研究院
Abstract: 本发明涉及一种基于对抗特征学习的水稻蚜虫检测方法,与现有技术相比解决了水稻蚜虫识别率低、鲁棒性差的缺陷。本发明包括以下步骤:水稻蚜虫图像的收集和预处理;获得水稻蚜虫图像检测模型;待检测水稻图像的收集和预处理;蚜虫在图像中具体位置的标记,将待检测图像输入训练完成后的水稻蚜虫图像检测模型,进行水稻蚜虫的检测,定位并标记出蚜虫在图像中具体位置。本发明通过图像判别网络模型与图像生成网络模型之间的对抗训练,提高了图像判别网络模型的识别能力,提高了水稻蚜虫识别率。
-
公开(公告)号:CN113159183A
公开(公告)日:2021-07-23
申请号:CN202110440782.0
申请日:2021-04-23
Applicant: 中国科学院合肥物质科学研究院
Abstract: 本发明涉及基于局部密集区域密度特征检测的微小害虫图像识别方法,与现有技术相比解决了微小害虫识别率低的缺陷。本发明包括以下步骤:训练图像的获取;害虫密集区域检测网络的构建;害虫密集区域检测网络的训练;害虫密集区域标准化;局部区域害虫目标检测网络组的构建与训练;全局害虫目标检测网络的构建与训练;害虫检测结果融合;待检测害虫图像的获取;害虫图像检测结果的获得。本发明利用微小害虫聚集区域的密度特征信息,将密集区域准确切分出并进行单独的害虫目标检测,弥补了全局害虫目标检测在该类区域中存在的检测遗漏及检测精度不高等问题,提高了微小害虫图像检测的整体检测精度。
-
-
-
-
-
-
-
-
-