-
公开(公告)号：CN110232370B
公开(公告)日：2022-04-26
申请号：CN201910541353.5
申请日：2019-06-21
Applicant: 华北电力大学(保定) , 山东大学 , 智洋创新科技股份有限公司 , 南瑞集团有限公司 , 浙江大华技术股份有限公司
IPC: G06V20/10 , G06V10/764 , G06V10/82 , G06K9/62
Abstract: 本发明公开了一种改进SSD模型的输电线路航拍图像金具检测方法，首先量化分析了航拍金具数据集中金具的遮挡度，然后将SSD模型中的损失函数替换为使用遮挡度约束后的斥力损失，改变SSD生成的prior box尺度，改进深度网络模型，解决了航拍金具密集检测的问题，以及解决了小目标检测效果较差的问题。
-
公开(公告)号：CN110070538B
公开(公告)日：2022-04-15
申请号：CN201910349522.5
申请日：2019-04-28
Applicant: 华北电力大学(保定) , 山东大学 , 浙江大华技术股份有限公司 , 智洋创新科技股份有限公司 , 南瑞集团有限公司
Abstract: 本发明公开了一种基于形态优化深度特征的螺栓二维视觉结构聚类方法，包括以下步骤：S1、采用预训练的深度卷积神经网络模型提取数据集中图像样本深度特征并计算每个目标图像的形态比；S2、步骤S1中获得的形态比和的图像样本深度特征进行联合得到形态优化深度特征；S3、计算数据集中每个图像样本的高宽比散布趋势从而获得聚类中心的个数；S4、基于步骤S2中得到的形态优化深度特征和步骤S3中得到的聚类中心将图像样本分成簇，进而通过最小欧氏距离原则对目标图像样本进行簇的优化选择，从而得到螺栓二维视觉结构聚类结果。本发明采用上述结构的基于形态优化深度特征的螺栓二维视觉结构聚类方法，解决了对三维实体以二维图像表征时所呈现出的多种视觉结构的聚类分析问题且无需人为定义聚类中心，具有精确度高、泛化能力强等优点。
-
公开(公告)号：CN113240586A
公开(公告)日：2021-08-10
申请号：CN202110671531.3
申请日：2021-06-17
Applicant: 华北电力大学(保定) , 山东大学
Abstract: 本发明公开了一种可自适应调节放大倍数的螺栓图像超分辨率处理方法，包括步骤：构建螺栓数据集，得到不同缩放倍数的低分辨率图像；提取低分辨率图像的浅层特征；利用密集残差模块提取层次特征；将多个密集残差模块输出的层次特征进行融合得到局部融合特征，再将局部融合特征与提取的浅层特征拼接在一起进行全局特征融合；设定对应图像不同大小输出不同放大倍数的阈值，根据图片尺寸确定放大倍数，再根据不同的放大倍数，预测生成高分辨率图像的滤波器权重；基于融合得到的全局特征以及预测得到的滤波器权重，生成高分辨率图像。本发明利用图像超分辨率处理技术对低分辨率图像进行处理，根据不同图像大小自适应调整放大倍数，生成尺寸大小近似的高分辨率图像。
-
公开(公告)号：CN107730546B
公开(公告)日：2020-11-03
申请号：CN201710740343.5
申请日：2017-08-25
Applicant: 华北电力大学(保定)
Abstract: 本发明公开了一种图像深度特征确定方法及系统。该方法包括：提取深度卷积神经网络中各卷积层输出的特征图；计算各所述卷积层的层熵和相对层熵；根据各所述卷积层的层熵和相对层熵，从各所述卷积层中选取特征表达层；根据所述特征表达层输出的所述特征图构建深度特征描述子；对所述深度特征描述子进行编码处理，得到所述输入图像的深度特征表达。本发明提供的图像深度特征确定方法及系统具有泛化性强、处理过程简单的特点，能够获得具有鲁棒性与区分度的高层特征表达。
-
公开(公告)号：CN110335270A
公开(公告)日：2019-10-15
申请号：CN201910614536.5
申请日：2019-07-09
Applicant: 华北电力大学(保定)
Abstract: 本发明公开了基于层级区域特征融合学习的输电线路缺陷检测方法，包括：构建和调取Faster R-CNN模型；将主干网络提取的目标特征通过RPN网络回归得到目标区域；通过对输入图像进行RoI pooling操作产生局部层级区域特征，通过深度选择网络学习产生特征融合所需要的权重将深层特征区域和浅层特征区域融合；并通过分类网络和回归网络产生最后的预测结果。本发明利用深度选择网络产生自学习的区域特征融合权重，节省调整参数的时间，并使模型学习得到的融合特征能够较好地适应不同复杂情况下的缺陷检测任务，深度模型使用区域特征进行预测，强化模型对提取目标局部特征的学习能力，降低了模型在实际环境中因输电线路缺陷图像的复杂背景和类间差异产生的误检问题。
-
Patent Agency Ranking
公开(公告)号：CN107730546A
公开(公告)日：2018-02-23
申请号：CN201710740343.5
申请日：2017-08-25
Applicant: 华北电力大学(保定)
CPC classification number: G06T7/50 , G06T2207/20084
Abstract: 本发明公开了一种图像深度特征确定方法及系统。该方法包括：提取深度卷积神经网络中各卷积层输出的特征图；计算各所述卷积层的层熵和相对层熵；根据各所述卷积层的层熵和相对层熵，从各所述卷积层中选取特征表达层；根据所述特征表达层输出的所述特征图构建深度特征描述子；对所述深度特征描述子进行编码处理，得到所述输入图像的深度特征表达。本发明提供的图像深度特征确定方法及系统具有泛化性强、处理过程简单的特点，能够获得具有鲁棒性与区分度的高层特征表达。
-
公开(公告)号：CN104115442B
公开(公告)日：2017-02-08
申请号：CN201380003846.4
申请日：2013-06-20
Applicant: 华北电力大学(保定)
IPC: H04L9/32
CPC classification number: H04L9/3242 , H04L9/0891 , H04L2209/805
Abstract: 本发明公开了信息安全技术领域中的一种基于非对称密钥和Hash函数的RFID双向认证方法。包括：阅读器发送请求信息给标签；标签收到请求信息后，发送用公钥加密的标签标识符DID给阅读器；阅读器收到公钥加密的标签标识符DID并用私钥解密，得到标签标识符ID；阅读器根据标签标识符ID，获得用于Hash函数验证的数字串num，判断标签是否为合法标签，当标签是合法标签时，更新数字串num。本发明在不增加标签的运算量的情况下，有效避免了Hash函数防窃密和攻击，保障了数字串num更新的安全，并且解决了Hash冲突问题。
-
公开(公告)号：CN105069461A
公开(公告)日：2015-11-18
申请号：CN201510443073.2
申请日：2015-07-24
Applicant: 华北电力大学(保定)
IPC: G06K9/54
CPC classification number: G06K9/54
Abstract: 本发明公开了一种基于图像特征点共线与等距约束的绝缘子串自动定位方法，包括图像预处理、曲率尺度空间角点提取、共线等距点提取、层次聚类和绝缘子串定位步骤。本发明简单、切实可行，利用绝缘子串曲率尺度空间角点的共线与等距约束，能够实现复杂、含噪、低分辨率的航拍图像中任意主轴方向的绝缘子串的自动定位，且耗时少，对部分遮挡及掉串具有鲁棒性，解决了目前绝缘子串定位方法精度低、误定位及计算复杂度高的问题。
-
公开(公告)号：CN103499776A
公开(公告)日：2014-01-08
申请号：CN201310395204.5
申请日：2013-09-03
Applicant: 华北电力大学(保定)
Abstract: 本发明属于输变电设备巡检技术领域，特别涉及一种基于超声波和红外热像的输变电设备故障巡检核心系统。该系统由数据采集模块、计算机、无线通信模块和电池供电系统组成；电池供电系统分别与数据采集模块、计算机及无线通信模块连接。数据采集模块包括红外热像传感器、超声波传感器、防护罩、云台和网络交换机；无线通信模块包括无线宽带终端和天线；红外热像传感器和超声波传感器安装于云台上的防护罩内；网络交换机分别与超声波传感器、红外热像传感器和计算机连接。本发明的优点是综合利用超声波、红外热像技术检测电气设备故障，提高了故障诊断的准确性，减少了漏检、错检的情况，具有高效、方便、灵活等特点。
-
公开(公告)号：CN110335270B
公开(公告)日：2022-09-13
申请号：CN201910614536.5
申请日：2019-07-09
Applicant: 华北电力大学(保定) , 山东大学 , 浙江大华技术股份有限公司 , 智洋创新科技股份有限公司 , 南瑞集团有限公司
IPC: G06T7/00 , G06V10/46 , G06V10/25 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08 , G01N21/88 , G01R31/08
Abstract: 本发明公开了基于层级区域特征融合学习的输电线路缺陷检测方法，包括：构建和调取Faster R‑CNN模型；将主干网络提取的目标特征通过RPN网络回归得到目标区域；通过对输入图像进行RoI pooling操作产生局部层级区域特征，通过深度选择网络学习产生特征融合所需要的权重将深层特征区域和浅层特征区域融合；并通过分类网络和回归网络产生最后的预测结果。本发明利用深度选择网络产生自学习的区域特征融合权重，节省调整参数的时间，并使模型学习得到的融合特征能够较好地适应不同复杂情况下的缺陷检测任务，深度模型使用区域特征进行预测，强化模型对提取目标局部特征的学习能力，降低了模型在实际环境中因输电线路缺陷图像的复杂背景和类间差异产生的误检问题。
-
-
-
-
-
-
-
-
-
Search Results
39
records
(took 0.024 seconds)
